Documentos de Académico
Documentos de Profesional
Documentos de Cultura
avanc
ee de la situation de crise
Aida Kaddoussi
N dordre : 209
ECOLE CENTRALE DE LILLE
THESE
Prsente en vue
dobtenir le grade de
DOCTEUR
En
Spcialit : Automatique, Gnie Informatique, Traitement du Signal et Image
Par
Aida KADDOUSSI
DOCTORAT DELIVRE PAR LECOLE CENTRALE DE LILLE
Rapporteur
Rapporteur
Membre
Membre
Membre
Directeur de thse
Co-encadreur
Thse prpare dans le Laboratoire LAGIS UMR CNRS 8219 lEcole Centrale de Lille
Ecole Doctorale SPI 072
Ddicace
A mon trs cher papa, Ridha, pour sa patience, ses prcieux conseils, les valeurs et principes
quil ma inculqus, et tous ses sacrifices,
A ma douce maman, Souad, pour tout son amour, sa tendresse et son affection sans limites,
A ma trs chre sur Sarra, pour tout ce quelle a fait pour moi et qui je dois tout,
A mon futur poux, Ameur, pour son amour, sa prsence et son soutien sans faille,
A ma trs chre Karama, pour tous les bons moments passs ensemble,
A la mmoire de mes deux petites surs parties trop tt, Entissar et Tharoua,
A tous ceux et celles qui me sont chers, qui ont particip de prs ou de loin laboutissement
de ce travail,
Remerciements
11
14
15
Introduction Gnrale
Les travaux de thse prsents dans ce mmoire, ont t effectus dans la perspective
dapporter une solution pour des problmes de prise de dcision rencontrs dans des systmes
dinformation pour les chanes logistiques. La chane logistique reprsente un avantage
concurrentiel que les entreprises cherchent perptuer. Elle a pour but d'optimiser les
changes, ou flux, que l'entreprise entretient avec ses fournisseurs et ses clients. Ces flux
peuvent tre de natures diverses. Il peut s'agir de flux d'informations, relatifs aux
approvisionnements ou la conception des produits, de flux financiers lis aux achats, ou
encore de flux de marchandises ( partir des matires premires et pices d'assemblage
jusquaux produits finis).
En particulier, la logistique de gestion de crise fait de plus en plus parler delle. Pour ces
systmes, o il nest jamais trs ais danticiper lvolution de lenvironnement, les formes de
changements subis sont varies et rapides. En effet, les prises de dcision des logisticiens
concernent des actions qui ont lieu dans un environnement sans cesse mouvement. De plus,
rpondant un appel durgence, elles nont, par dfinition, aucune manire de prvoir ce qui
va arriver. Une chane logistique de gestion de crise peut tout moment tre victime de
retards de livraison, de mauvaises estimations de consommation, de pertes de cargaisons, de
pics spontans de consommation, et bien dautres vnements imprvisibles. Tous ces
imprvus sont susceptibles dengendrer des ruptures de stocks nimporte quel point de la
chane logistique, ce qui peut avoir des consquences dramatiques pouvant entraner des
pertes humaines. Ces situations extrmes ntant pas acceptables, ceci justifie le besoin de
crer un outil qui permettrait de simuler des situations logistiques relles et/ou probables,
lobjectif tant dobserver les comportements des diffrentes zones en place et dgager les
meilleures stratgies adopter selon les situations de crise.
Les travaux de recherche prsents dans cette thse, dans le cadre dune coopration avec le
dpartement logistique de CASSIDIAN EADS, visent apporter une rponse ces dfis,
dans une dmarche qui lie les mthodes doptimisation au paradigme de lintelligence
artificielle. Nous nous proposons de ce fait de trouver des modles mathmatiques, et des
protocoles de coopration inter-agents, permettant de minimiser le risque de rupture de stock
dans une zone quelconque de la chane logistique.
17
Afin de mettre en vidence toutes les contraintes qui nous sont poses, nous proposons la
conception et le dveloppement dun systme daide la dcision orient agents, pour la
modlisation et loptimisation de la chane logistique de gestion de crise. En effet, aspirant
llaboration dun systme oprationnel, performant et comptitif grande chelle, nous nous
sommes focaliss sur la notion doptimisation en usant des mthodologies dintelligence
artificielle distribue. Les systmes multi-agents (SMA) sont particulirement sollicits dans
la mise en uvre de telles applications en raison de leur adaptation pour la reprsentation
comportementale des entits qui composent le systme et pour ltude dynamique de leurs
interactions.
Les problmes de gestion des flux abords sont envisags aussi bien au niveau global entre
plusieurs acteurs de la chane, quau sein des activits dun des acteurs. Ainsi des problmes
doptimisation allant du positionnement des zones logistiques de gestion de crise ceux de la
prise de dcision au sein de chaque zone font partie de nos problmatiques abordes.
Le manuscrit se dcompose selon les chapitres suivants :
1. Dans le premier chapitre, nous prsentons le contexte de recherche qui relve de la gestion
des chanes logistiques et nous mettons laccent sur la prsentation des caractristiques de la
logistique distribue avance et de ses problmatiques. A travers ce premier chapitre, nous
explicitons les choix ayant orient nos travaux vers la conception et le dveloppement dun
systme multi-agent ;
2. Notre problmatique ainsi dfinie, nous nous focalisons dans le deuxime chapitre sur la
mthodologie de rsolution adopter et qui se prsente sous forme dune alliance des
systmes multi-agents et des fondements de loptimisation, pour la mise en place dune
approche sinscrivant dans le cadre dune intelligence artificielle distribue ;
3. Dans le troisime chapitre nous tudions lapport des systmes multi-agents dans la
conception et la ralisation des systmes logistiques. Nous proposons ensuite une organisation
multi-agent ddie la modlisation et loptimisation dune chane logistique de gestion de
crise en dtaillant larchitecture de notre systme et les comportements des diffrents agents;
4. Le chapitre 4 sera consacr aux solutions proposes pour optimiser les flux de la chane
logistique de gestion de crise. En effet, nous proposons dans ce chapitre, un module pour
loptimisation du positionnement gographique des diffrentes zones de la chane, et une
approche innovante pour lordonnancement distribu des tches de livraison qui permet
dapporter une solution un problme de gestion des flux fortement distribu ;
18
5. Enfin, nous dtaillons dans le dernier chapitre, les applications du systme adopt pour
dmontrer la validit des solutions proposes.
19
21
vue de la qualit du service aux clients tout en permettant l'optimisation des ressources et la
rduction des cots.
La logistique devient, au milieu des annes 90, une fonction globalise voire mondialise de
gestion du flux physique dans une vision complte de la chane Clients/Fournisseurs, et
constitue vritablement une nouvelle discipline du management des entreprises. La
logistique globale reprsente ainsi lensemble des activits internes ou externes
lentreprise qui apportent de la valeur ajoute aux produits et des services aux clients (Courty,
2003).
Dans leur ouvrage, La logistique au service de lentreprise , (Colin, Math, & Tixi, 1981)
ont propos la dfinition suivante :
La logistique est le processus stratgique par lequel l'entreprise organise et soutient son
activit. A ce titre, on peut dterminer et grer les flux matriels et informationnels affrents,
tant internes qu'externes, en amont qu'en aval.
La fonction logistique dsignerait ainsi la gestion des flux physiques de matires premires et
de produits ainsi que celle des flux dinformation, cest dire les transports, les entrepts,
linformatique, etc.
Il existe plusieurs types de logistiques :
- logistique dapprovisionnement qui permet dalimenter les stocks des entreprises et usines
en matires premires, composants et sous-ensembles ncessaires la production.
- logistique de production qui consiste rendre disponibles les matriaux et les composants
ncessaires la production au pied des lignes de production.
- logistique de distribution qui consiste acheminer vers le client final ou le consommateur
les produits dont il a besoin.
- logistique militaire qui a pour objectif de transporter sur un thtre doprations les forces et
les ressources ncessaires pour assurer leur mise en uvre oprationnelle et maintenir leur
soutien.
- rtro-logistique qui consiste reprendre des produits dont le client ne veut pas ou quil veut
faire rparer, ou encore des produits traiter en dchets industriels.
Il y a donc bien des logistiques diffrentes jusqu ce que le concept de supply chain ne
vienne apporter une certaine unit en ce domaine.
22
une position plus concurrentielle toutes les diffrentes parties de la chane logistique, et
loptimisation de la satisfaction du client final par une plus grande adaptabilit des systmes
de production et de distribution .
Pour Rota-Franz (Rota-Franz et al., 2001), faire du SCM consiste intgrer lensemble des
moyens internes et externes pour rpondre la demande des clients. Lobjectif est doptimiser
de manire simultane et non plus squentielle lensemble des processus logistiques.
Le principal objectif du SCM est damliorer la comptitivit industrielle en : 1) minimisant
les cots, 2) assurant le niveau de service requis par le client, 3) allouant efficacement les
activits sur les acteurs de production, distribution, transport et dinformation ; veillant ce
que les acteurs ne dveloppent pas de comportements locaux antagonistes venant affecter la
performance globale.
I.2.3 La prise de dcision en logistique : un processus hirarchis
Pour nimporte quel type de chane logistique, la prise de dcision est divise en trois
niveaux: stratgique, tactique et oprationnel, correspondant respectivement des horizons
long, moyen et court terme, comme lillustre la figure I.1. Quelques problmatiques et
travaux rattachs chacun des niveaux dcisionnels sont prsents ci-dessous (Ganeshan et
al., 1998, Shapiro, 1999, Vincent et al., 2004, Botta-Genoulaz, 2005).
I.2.3.1 Niveau stratgique
Ce niveau, aussi appel Strategic Management par (Croom et al., 2000) ou encore Strategic
Planning par (Thomas et Griffin, 1996), regroupe toutes les dcisions stratgiques. Ces
dcisions sont des directives et des lignes dactions sur le long terme (de 6 mois plusieurs
annes), comme, par exemple, la recherche de nouveaux partenaires industriels, la slection
des fournisseurs et sous-traitants, mais aussi les dcisions dimplantation ou de dlocalisation
de zones dintervention dans le cas de la logistique militaire, laffectation dune nouvelle zone
dapprovisionnement un centre de distribution (entrept), le dveloppement dun nouveau
produit, la configuration de la chane logistique, son mode de fonctionnement, ainsi que les
objectifs financiers atteindre.
I.2.3.2 Niveau tactique
Le niveau dcisionnel tactique sintresse aux dcisions moyen terme (de quelques semaines
quelques mois) qui devront tre excutes pour dployer la stratgie dcide par
lentreprise. Ces dcisions portent sur les problmes lis la gestion des ressources de
24
Figure I. 1 Niveaux stratgique, tactique et oprationnel dans une SC (Rhode et al., 00)
concerne la performance du flux dinformation, les cots pour le flux financier et les dlais de
livraison pour le flux physique.
La premire tape du suivi des performances consiste donc mesurer la performance .
Plusieurs critres de performance sont envisageables. Beamon (Beamon, 1998) classe cellesci en deux catgories : les mesures de performance qualitatives (satisfaction du client,
flexibilit, intgration du flux physique et dinformation, gestion du risque financier, etc.) et
quantitatives (retards de livraison, temps de rponse client, etc.). Ensuite, il faut prendre des
dcisions de ringnierie et agir sur le systme et le modle travers des variables de dcision
afin de tendre vers les objectifs fixs, comme le montre la figure I.2. La mise en place dun
systme performant traduit donc un besoin de contrle de la chane logistique et
damlioration des performances.
La gestion des systmes logistiques a pour objectif de dvelopper des modles et des
mthodes doptimisation permettant de fournir une aide la dcision efficace. En effet, les
systmes
logistiques
en
gnral
constituent
des
organisations
sociotechniques
Comment amliorer la synchronisation des flux dans ces systmes distribus, tels que : les
rseaux de soins, la chane logistique globale du transport multimodal, les rseaux de
production multi-site et la gestion de crise multizone ? Quelles nouvelles technologies de
linformation et de la communication adopter et comment les implanter en harmonie avec les
spcificits de lactivit de ces systmes logistiques ?
Ces travaux de recherche qui sinscrivent dans le cadre des thmes de recherche de lquipe
Optimisation des Systmes Logistiques (OSL-LAGIS), se veulent une rponse ces dfis,
dans une dmarche qui allient les mthodes doptimisation au paradigme multi-agent..
Le reste de ce chapitre prsente les principaux systmes logistiques ainsi que les
technologies existantes pour amliorer leur gestion.
Sachant que linformation dans le transport est un lment cl, il faut faire un choix entre les
multiples systmes dinformation destins exploiter au mieux le rseau (Feki, 2010).
1.3.1.2 Systmes dinformations ct rgulateur
Ces Systmes dInformations (SI) sont aussi appels systmes dinformations ct exploitant.
En effet, lexploitation dun rseau de transport passe principalement par deux phases-cl :
une phase de planification et une phase de rgulation. On trouve donc des Systmes dAide
lExploitation (SAE) et des Systmes dAide la Dcision (SAD) utiliss pour la ralisation
de ces deux phases.
La premire phase est la phase de planification ralise en amont de la mise en service du
rseau. Elle consiste concevoir, planifier et ordonnancer les ressources du transport. Cest
une phase importante pour les exploitants ; elle est valable pour les vhicules et pour la
planification de la main-d'uvre : les conducteurs (Freling, 1999). La problmatique de la
planification est directement lie aux algorithmes dordonnancement et particulirement aux
algorithmes de tournes de vhicules (Vehicle Scheduling Problem VSP) (Daduna et al, 1995).
Actuellement, plusieurs entreprises de transport reposent toutes leurs phases de planification
sur des outils, logiciels et systmes de planification pour gnrer les tableaux horaires et les
fiches de services des conducteurs (Rousseau, 1985).
La deuxime phase survient suite la mise en place du service de transport. Cest une phase
de rgulation qui consiste affiner les horaires et le nombre de vhicules aux heures de pointe
pour amliorer la qualit de service et optimiser lutilisation du rseau.
1.3.1.3 Systmes dinformations ct client
Le deuxime type de SI lie le client (le voyageur) et les transports. Ce sont les Systmes
dInformations dAide au Dplacement (SIAD). Lobjectif principal de ce type de SI est
daider le voyageur dans la phase de planification en proposant le chemin le plus court ou le
moins coteux. Actuellement, les systmes dinformations destins aux clients sont
gnralement monomodaux et dans le cas o ces systmes sont multimodaux, ils ne
concernent qu'un seul oprateur et donc sont mono-oprateur. Ces systmes se prsentent sous
forme de site web. Ils offrent en plus des informations usuelles (dhoraires, de disposition des
stations dans une carte) un calculateur d'itinraire interne. Il s'agit d'un moteur de recherche
d'itinraire accdant aux donnes locales d'un seul exploitant. Il fournit donc des itinraires
monomodaux. Parmi les exploitants proposant de tels sites nous pouvons citer Transpole pour
la mtropole Lilloise et la RATP pour lIle de France. Tous ces systmes demeurent monooprateur. De plus en plus de projets sont mis en place dans le but dintgrer les donnes
28
issues de plusieurs oprateurs. Les travaux raliss ont suivi principalement deux stratgies, la
premire vise centraliser les donnes de tous les oprateurs dans un norme gisement de
donnes et lexploiter par la suite, la deuxime tend exploiter les donnes distantes en crant
un systme mdiateur entre les systmes existants.
I.3.2 Transport de biens
Le transport de biens couvre les domaines fonctionnels de la logistique de distribution et
dapprovisionnement. a consiste globalement mettre la disposition du client les produits
de qualit, en quantit et dans les dlais promis et un cot conomique et concurrentiel. La
logistique de distribution est une fonction transversale. Sa dfinition comporte :
- le choix du mode de transport : route, air, voie navigable, combin,
- le choix entre le transport propre, externalis, hybride,
- le type d'emballage, normes,
- la gestion du stockage, de la manutention, la localisation des dpts,
- le service aprs-vente.
Cette activit recouvre les trafics effectus par la route, le rail, les voies deau et la mer, lair
ainsi que les oloducs. La route reprsente la part la plus importante des transports terrestres.
I.3.2.1 Les participants
1
Il sagit gnralement dune entreprise ou dun particulier qui transporte ses propres
marchandises avec ses propres vhicules ou des vhicules lous et avec le plus souvent ses
propres conducteurs. Ces transporteurs privs sopposent aux transporteurs publics.
1
Le transporteur public
Lexpditeur ou chargeur
Cest celui qui fait appel un transporteur. Il est souvent plus reconnu sous lappellation de
donneur dordre.
1
Le destinataire
29
Le destinataire est un participant important au transport routier. Il possde des obligations qui
concernent le dchargement des marchandises, les conditions de rception des marchandises
et les possibilits de rclamation en cas de problmes.
1
Il existe plusieurs types de vhicules : camionnette fourgon , 6x4 plateau, 6x4 benne,
porteur, semi-remorque, camion remorque ou train routier. Des progiciels daide au
chargement permettent doptimiser la disposition des colis, palettes et matriels divers
lintrieur du vhicule en question, compte tenu de lordre des livraisons dune tourne, de la
facilit de dchargement et du poids maximal.
I.3.2.2 Paramtres de configuration du rseau de distribution
La dfinition de l'architecture physique d'un rseau de distribution doit prendre en compte un
nombre important de paramtres, notamment :
- caractristiques, volume, varit et valeur des produits ;
- nombre, localisation, stabilit des points de livraison ;
- niveau de service fix en termes de dlais, fiabilit des livraisons, ractivit aux alas, de
traabilit ;
- impact des conditionnements sur les types de moyens de transport utiliss et l'organisation
physique des points de stockage ;
- diffrents cots : transport, entreposage, immobilisation.
Un deuxime exemple de systmes logistiques et pas des moindres concerne les systmes de
gestion de la chane de soins en sant, appele encore logistique hospitalire. Nous prsentons
dans la section suivante les diffrentes familles de flux qui caractrisent la logistique pour la
sant ainsi que les diffrents processus contrler pour assurer une gestion optimise des
patients.
de la sant, dautre part, lutilisation optimale de ces ressources. Ces nouvelles exigences de
productivit sont venues sajouter celles de qualit et de scurit des soins prodigus aux
patients. Ces dernires annes, la situation des systmes de sant rappelle celle du monde
industriel et des entreprises de production de biens des annes 80. En effet, au cours des vingt
dernires annes, nous avons assist de multiples tentatives dimportation et dadaptation
lhpital de mthodes de gestion empruntes au monde de lentreprise, et ceci dans le but de
profiter de lexprience gestionnaire dans ce domaine. Les systmes de sant ont ainsi
reconnu de nombreuses restructurations hospitalires. Ces restructurations ont amen, un
grand nombre dhpitaux revoir leurs processus oprationnels et sinvestir dans des projets
de modernisation de leurs infrastructures et de leurs organisations.
31
Sous-systme
Processus mtier
Processus logistique
Orient patient
Consultations, interventions
chirurgicales, soins
Transport sanitaire,
brancardage, accueil
Acquisition, stockage
Ddi pharmacie
Ddi linge
Ddi restauration
Acquisition repas ou
composants
Soutien administratif
Activits administratives
Acquisitions de fournitures
Soutien technique
rapide
lente
Naturelle
33
dtats,
Chacune de ces situations de crise induit une sortie, un dbordement du cadre commun, il est
donc indispensable de mettre en place une mthodologie qui permet de revenir rapidement
une situation normale davant la crise. Cest ce quon appelle la gestion de crise. La gestion
de crise et le dploiement dune chane logistique de gestion de crise dpendent de la
localisation du dsastre, son intensit, sa nature et des acteurs touchs par le sinistre.
La gestion de crise est compose de trois types dactivits :
- La prvention des crises : a pour objectif damener le risque de crise un seuil acceptable et,
quand cela est possible, dviter que la crise ne se produise effectivement.
- La capacit de raction oprationnelle : comprend la planification stratgique avance, les
entranements et la simulation afin dassurer la disponibilit, la rapidit de mobilisation et de
dploiement des ressources ncessaires pour grer les urgences potentielles.
- La gestion de crise dclare : il sagit de la rponse, incluant lvacuation, la recherche et le
sauvetage, au moment de la crise, et le rtablissement de la situation partir de cette crise, en
minimisant ses effets, en limitant les impacts sur lenvironnement et la population locale.
plus long terme, lobjectif est de ramener les systmes la normale, quil sagisse
denvironnement, dconomie ou autres (Jeannin, 2008).
I.5.2 Caractristiques de la chane logistique humanitaire
Une Chane Logistique de Gestion de Crise (CLGC), dtient le mme objectif quune chane
logistique dune entreprise. Cependant, la logistique humanitaire dans un contexte forte
perturbations est plus difficile mettre en place quune logistique civile. Plusieurs auteurs ont
tent didentifier les caractristiques dun tel environnement. Nous avons retenu cinq grandes
catgories :
- Le cycle de vie de lopration humanitaire :
Le cycle de vie de lopration humanitaire est compos de 4 phases principales : prdiction et
analyse des risques, prparation des plans daction, intervention immdiate et soutien, et
finalement le dmantlement. La dure de chacune de ces phases varie en fonction du type de
crise (volution rapide ou lente).
- Lenvironnement :
La chane logistique de gestion de crise est rgie par plusieurs contraintes comme la
neutralit, limpartialit, etc. En dautres termes, et surtout dans le cas de conflits politiques,
tous les acteurs doivent bnficier du mme soutien. La CLGC doit pouvoir assurer la
distribution simultane de ressources vers toutes les zones sinistres.
34
35
Gnralement, en cas de crise, nous utilisons les deux mthodes, comme le montre la figure
I.4, avec une prfrence pour le flux pouss dans les zones en amont, et le flux tir dans les
zones en aval. En effet, le flux tir dans les zones en aval a pour but dadapter rellement les
envois la demande, pour pouvoir coller de prs aux exigences du terrain et viter les
ruptures de stock. Mais un fonctionnement flux tir en amont prsente un risque de retard
des ressources, car le dlai dacheminement dune zone lautre est non ngligeable. Cest
pourquoi les flux pousss sont utiliss en zone amont.
I.5.4 La littrature scientifique pour la gestion de crise
Lvolution du nombre de publications
Le nombre de publications (confrences et revues) comportant Humanitarian Supply
Chain dans leur titre ne cesse daugmenter avec une acclration depuis 2000.
Le tableau I.3 (Charles, 2010) donne un aperu sur la quantit de publications sur les chanes
logistiques humanitaires au cours des dernires annes. Ceci est une vue partielle de la
littrature existante puisque nombreux articles ont t publis dans des revues lies la
36
logistique militaire, aux rfugis, la sant mais qui napparaissent pas toujours dans les
bases de donnes universitaires.
Les bases de donnes universitaires
Science Direct Science Direct
ISI Web
Springerlink
Mots cls
Recherche dans
tout le contenu
Recherche dans le
titre, le rsum et
les mots cls
Recherche dans
le thme
Recherche
dans tout le
contenu
665
15
447
Humanitarian Logistics
625
17
34
440
147
10
115
1143
19
39
772
La figure I.5 prsente la rpartition de la littrature publie selon les diffrentes tapes du
cycle de vie de la crise. Environ 44% de la recherche publie concerne lattnuation et
lanalyse des risques. Lintervention immdiate et soutien et la prparation viennent
respectivement en 2me et 3me position avec 23,9% et 21.1% des articles publis. Mais le
domaine le plus en besoin de recherche est la phase de dmantlement ou rtablissement aprs
le sinistre avec seulement 11% des articles publis.
La figure I.5 prsente une rpartition des articles en fonction de leurs contributions depuis
lanne 2000 : dans le domaine de la modlisation, du dveloppement de la thorie et du
dveloppement dapplications et doutils. Nous remarquons alors que plus de la moiti de la
recherche publie dans le domaine de la gestion de crise concerne la modlisation, suivie par
26.6% sur le dveloppement de la thorie et 15.6% concernant le dveloppement doutils et
applications.
37
Figure I. 5 Rpartition des publications selon leurs contribution (N. Altay et W. G. Green)
Daprs les analyses rapportes dans cette section, un nombre croissant darticles ont t
publis sur le thme de la gestion du dsastre. La plupart des travaux actuels sur les chanes
logistiques de gestion de crise saccordent sur le fait que les recherches futures devraient
porter sur des mthodes pour lamlioration de la gestion des stocks, la conception des
systmes de distribution, la coopration et la coordination et la mesure de la performance
(meilleurs changes dinformations, recherche de la meilleure quantit conomique de
transport, ngociation entre acteurs,).
En effet, un constat de plus en plus vident est le fait que la chane logistique de gestion de
crise nest pas seulement une relation dyadique ni mme un ensemble de relations limites
un ou deux rangs. Une CLGC est bien souvent un rseau dentits gographiquement
distribues plus vaste et donc plus complexe grer. Nous comparons dans la section suivante
les diffrentes faons de piloter la chane logistique, savoir pilotage centralis versus
pilotage distribu, afin damliorer le processus dcisionnel dans les chanes logistiques
complexes de type chane logistique de gestion de crise.
38
1.6.1 Modlisation
Il existe diffrents modles de chanes logistiques. Le choix du modle dpend directement du
type de problme et de structure que lon veut tudier.
I.6.1.1 Modle analytique
Les modles analytiques permettent de dcrire le systme par un ensemble dquations
mathmatiques. Pour quun modle analytique (dterministe ou stochastique) soit viable, il
faut quil soit relativement simple, cest--dire quil faut faire un certain nombre dhypothses
et de simplifications. Cest peut-tre pour cela que les modles analytiques se contentent
gnralement daspects bass sur la distribution dans une structure dyadique (Huang et al.,
2003).
I.6.1.2 Modle par simulation
Le modle par simulation est gnralement utilis lorsquil nexiste pas une relation entre les
diffrentes variables du systme et ne pouvant donc pas se mettre sous la forme dun modle
analytique. Les modles de simulation sont des modles la fois stochastiques et dynamiques.
Les travaux danalyse des processus dcisionnels par simulation de modle sont nombreux.
(Maria, 1997) propose de classer les diffrentes techniques de simulation de chanes
logistiques en quatre grandes parties : i) la simulation par tableur, ii) lapproche par la
dynamique des systmes, iii) lapproche par vnements discrets ou simplement iv) les jeux
dentreprises, qui permettent dduquer et dentraner les utilisateurs certains aspects de la
gestion de la chane logistique.
1.6.2 Optimisation
Loptimalit de la qualit de service en logistique sous-entend une satisfaction des utilisateurs
du systme propos de par lintgration des fonctionnalits ncessaires la bonne gestion de
la chane logistique. Dans ce sens, le concept doptimisation a retenu toute notre attention.
Loptimisation a t introduite dans un souci damlioration des services fournis peu importe
le domaine auquel ils sappliquent. Un problme doptimisation concerne lexcution de
mthodes spcifiques en qute dun optimum. Ce dernier peut tre une valeur maximisant ou
minimisant une fonction f, dite fonction objectif ou fonction de cot ; elle est encore appele
critre doptimisation (Sghaier, 2011). Selon le cas, et quil sagisse dun problme mono
variable ou multi variable, continu ou discret, etc., une mthode doptimisation adquate est
choisie pour rsoudre le problme pos. Entre mthodes exactes, mta-heuristiques, hybrides
ou autres, chercheurs et praticiens ont leurs dispositions un large panel de choix de
39
mthodes doptimisation quils peuvent adopter. Toutes ne sont pas appropries au problme
doptimisation auquel ils doivent faire face et un choix doit donc tre fait. A dfaut de quoi,
loptimisation et lefficacit escomptes sen trouveront entraves.
1.6.3 Aide la dcision
Les techniques daide la dcision ont pour but de modliser de manire la plus fidle
possible les prfrences dun expert. Cette modlisation va permettre alors de concevoir et de
construire des outils adapts et capables dassister ou de remplacer un dcideur sur des
problmatiques complexes. Laide la dcision formalise lexpertise obtenue aprs un
entretien avec le dcideur et les interactions entre le dcideur et son environnement.
tant donn que nous nous intressons principalement lexpertise des dcideurs dans le
domaine de la logistique, le modle utilis se doit dtre souple et suffisamment labor afin
de permettre la reprsentation des diffrents comportements dcisionnels les plus
communment rencontrs en gestion de chanes logistiques de gestion de crise.
40
e) Proposer des modules additionnels tels que la gestion de la relation client et le SCM.
Dautres avantages peuvent tre dgags comme : la rduction des temps de cycle et de
livraison, la minimisation des cots et ladaptabilit, mais ils sont encore discutables ce jour.
Les inconvnients les plus constats de ces systmes sont : le temps dpens pour
limplmentation, le cot du systme, mais surtout la rigidit lgard de la complexit des
diffrents processus de lentreprise.
I.7.2.3 Les systmes de planification avance
Lide inhrente aux APS (Advanced Planning and Scheduling ou Advanced Planning
Systems) est lutilisation des techniques et des algorithmes qui permettent dobtenir des
solutions optimises diffrents niveaux de dcision (Herrera, 2011).
Les progiciels APS assurent la planification et loptimisation de la circulation des flux le long
dune chane logistique. Il sagit de techniques qui rentrent dans le cadre de lanalyse et de la
planification de la production et de la logistique court, moyen et long termes. Ils sont
prsents comme la version volue de lERP vu quils fournissent une solution qui optimise
le travail collaboratif en fonction dobjectifs tels que le taux de service et les marges sur les
activits. Les composantes principales dun systme APS sont la planification de la
production, lordonnancement de la production et la planification de la distribution et du
transport. Quelques inconvnients sont citer, notamment ceux lis la flexibilit, la reconfigurabilit, la robustesse, lagilit, la ractivit ou la rutilisation. En effet, ces problmes
sont encore loin dtre rsolus par ce genre de systmes en raison de la complexit engendre.
I.7.2.4 Quelques Critiques
La nature combinatoire de la plupart des problmes dans les systmes de distribution, tels que
le problme dallocation des ressources, conduit la simplification de la complexit inhrente
ce genre de systmes. En effet, linformation ncessaire pour lobtention des dcisions aux
diffrents niveaux est une information agrge et dans ce processus dagrgation,
dimportantes relations entre les diffrents composants du systme peuvent tre ngliges.
Un deuxime point faible des approches centralises est labsence dun vrai retour
dinformation depuis les niveaux infrieurs de la chane logistique, ce qui rduit la ractivit
et la flexibilit vis- vis des perturbations possibles.
42
44
Cassidian, division du groupe EADS, est un leader mondial dans le domaine des solutions et
systmes de scurit intgrs et de l'intgration de grands systmes, proposant ses clients
civils et militaires dans le monde entier des produits et services forte valeur ajoute :
systmes ariens (aronefs et systmes de drones), systmes navals, terrestres et interarmes
, renseignement et surveillance, cyber scurit, communication scurise, systmes de test,
missiles, services et support. Avec quelque 28 000 employs, Cassidian a ralis en 2011 un
chiffre d'affaires de 5,8 milliards d'euros.
Vritable ple Dfense et Scurit dEADS, Cassidian reprsente lentit chef de file du
groupe pour le dveloppement de solutions de systmes. Cette division a bti sa rputation sur
une longue et puissante ligne de systmes darmes et de missiles aroports, et a incorpor
les capacits rseau-centres de toute dernire gnration en sappuyant sur trois facteurs cls:
la veille technologique, lintgration et lexpertise. En misant sur laspect critique et
scuritaire des missions, Cassidian prpare ses clients relever leurs nouveaux dfis, que ce
soit sur terre, en mer ou dans les airs.
45
I.10 Conclusion
Nous avons prsent dans ce chapitre les lments de base de la chane logistique et de sa
gestion afin de bien assimiler ce vaste domaine. Nous avons mis en vidence quelques travaux
rencontrs dans la littrature et qui peuvent tre considrs comme tant le contexte gnral
de notre travail de thse. Une des motivations majeures de ce travail de recherche est
doptimiser les flux logistiques dans une chane de gestion de crise base dagents
communicants. Le problme tudi est donc cheval entre ces deux classes de problmes :
46
dune part, il sintgre dans une approche multi-agent pour la modlisation du fonctionnement
de la chane logistique, dautre part, il sapparente un problme global doptimisation.
Nous proposons dans le chapitre suivant un tat de lart des mthodes doptimisation et du
paradigme multi-agent, avant de dmontrer toute loriginalit de leur alliance.
47
II.2 Optimisation
Dans le domaine de gestion des chanes logistiques, nous cherchons toujours maximiser les
bnfices et minimiser les pnalits dues aux retards. Ces objectifs atteindre sinscrivent
dans le cadre des problmes doptimisation. Plusieurs mthodes sont dveloppes afin daider
atteindre loptimalit relativement aux dcisions que les logisticiens doivent prendre
(mthodes exactes, heuristiques et mta heuristiques).
II.2.1 Quelques concepts
II.2.1.1 Dfinition dun problme doptimisation
Un problme doptimisation concerne lexcution de mthodes spcifiques en qute dun
optimum. Ce dernier peut tre une valeur maximisant ou minimisant une fonction f, dite
fonction objectif ou fonction de cot ; elle est encore appele critre doptimisation (Sghaier,
2011). Il sagit donc de trouver parmi lensemble des variables de dcision, llment qui
optimise ce critre.
M. Ejday (Ejday, 2011) dfinit le concept doptimisation comme comprenant deux phases
principales : la modlisation et la rsolution du problme.
La phase de modlisation est elle-mme divise en trois tapes :
- Lidentification des paramtres sur lesquels lutilisateur va agir pour faire voluer le
systme, appels variables de dcisions, que nous pouvons dsigner par un vecteur 1
23 4 56 .
49
A1ADD9C89BD1
23 D 4 DDDDBAD19DA1ADB9AB7BDBD56
Lensemble U est appel ensemble des contraintes. Il est souvent dfini par des galits et des
23) = 0, g(1
23) 1 0} avec g 4 D 5 et h 4 D 5 .
ingalits : U = { 1
23 4 56 : h(1
Nous distinguons trois types diffrents doptimums (minimums ou maximums) : un Minimum
global, un Minimum local fort et un Minimum local faible 1
23* :
-
Le minimum global : Trouver le minimum global revient trouver une solution dont
loptimalit stend sur tout lespace de recherche considr.
23 DD1
23
23* D 1
EF1
23*) DEF1
23 D 4 F1
23*).
quand il existe un voisinage F1
23*) tel que 1
EF1
23*) DEF1
23 D1
23
23* D 1
Le minimum local faible : Il reprend un peu la dfinition dun minimum local fort
avec cependant lexistence de points de lespace ayant la mme valeur de f que lui. Le
point 1
23 * sappelle le minimum local faible de la fonction E quand il existe un
23 D 4 F1
23*) tel que
voisinage F1
23*) tel que 1
EF1
23*) ! DEF1
23 D1
23
23* D 1
Indpendamment de lapproche, une bonne mthode doptimisation doit considrer les points
suivants :
la robustesse : la mthode doit tre applicable pour une large classe de problmes,
indpendamment des paramtres et des valeurs initiales,
50
lefficacit : elle ne doit pas tre relativement chre en temps CPU et en mmoire vive,
la prcision : le rsultat numrique doit bien approcher la vraie solution du problme de
minimisation.
II.2.1.2 La notion dalgorithme
Un algorithme est dfini comme une suite d'instructions lmentaires destines rsoudre un
problme (Toussaint, 2010).
La performance dun algorithme appliqu un jeu de donn est mesure selon diffrents
critres :
- le temps d'excution : il reprsente le temps ncessaire lalgorithme pour calculer la
solution;
- l'espace mmoire : il reprsente la quantit de mmoire ncessaire lalgorithme pour
calculer la solution partir du jeu de donnes de dpart ;
- l'erreur : elle reprsente l'erreur ventuelle qui peut exister entre la solution calcule et la
solution optimale. Notons qu'une telle erreur ne peut tre mesure que si l'on possde une
mtrique sur l'espace des solutions ;
- la robustesse : elle exprime la capacit de lalgorithme s'adapter des variations sur les
jeux de donnes (de manire intuitive, un algorithme est robuste si un faible changement dans
les donnes n'induit pas ou peu de changements dans la solution. Au contraire, si la solution
doit tre entirement recalcule alors l'algorithme n'est pas robuste).
Pour les tudes de complexit, il est ncessaire de dfinir la taille d'une instance. De manire
gnrale, nous dirons qu'une instance est de taille n si l'instance occupe n cases mmoires. La
complexit d'un algorithme est alors une fonction de n (Toussaint, 2010). On dfinit la
complexit CA d'un algorithme A comme le nombre maximal d'instructions lmentaires
effectues pour traiter n'importe quelle instance, de taille n fixe, d'un problme. Il en dcoule
les notions de polynomialit et d' exponentialit : A est dit polynomial, s'il existe un
polynme P tel que : Dn 4 1, CA(n) ! P(n). Dans le cas contraire A est dit exponentiel. La
complexit d'un algorithme s'exprime alors souvent par un ordre de grandeur dpendant de la
taille n des donnes :
O(1) : complexit constante (indpendante de la taille de la donne)
O(log(n)) : complexit logarithmique
O(n) : complexit linaire
51
(Toussaint, 2010). Afin de rsoudre ces problmes, on utilise diffrents types d'algorithmes.
Nous pouvons en citer:
- Les algorithmes approchs (appels heuristiques), qui permettent de trouver des solutions
approches dans des temps de calcul raisonnables, mais sans avoir d'indication sur la qualit
de la solution trouve ;
- Les algorithmes d'approximation avec garantie, qui permettent de trouver des solutions
approches et garantissent une qualit de la solution fournie (sous forme d'cart maximal par
rapport la solution optimale) pour toutes les instances du problme ;
- Les algorithmes exacts, comme l'exploration arborescente ou la programmation linaire qui,
coupls avec des mcanismes de filtrage, peuvent s'avrer trs performants.
Ces mthodes fournissent des solutions exactes mais le temps de calcul n'est pas born
polynomialement. C'est pourquoi, elles sont souvent rserves des instances de taille
modre.
Dans la seconde section de ce chapitre, nous donnons un aperu des heuristiques et
mtaheuristiques classiques, puis dans la troisime section nous nous intressons aux
algorithmes exacts.
II.2.2 Heuristiques et mtaheuristiques
Cette premire approche consiste utiliser des mthodes heuristiques visant identifier
rapidement de bonnes solutions. Une heuristique permet alors didentifier au moins une
solution ralisable pour un problme doptimisation, mais sans garantir que cette solution soit
optimale.
Il n'existe pas, notre connaissance, de dfinition officielle. Cependant il est communment
admis que :
- Une heuristique dsigne un algorithme qui rsout un problme d'optimisation donn, sans
garantie d'optimalit mais dans des temps de calcul raisonnables (un exemple connu est
l'algorithme glouton). Les mthodes heuristiques sont souvent classes en deux catgories :
les mthodes constructives permettant de construire une solution ralisable et les mthodes
damlioration permettant de visiter plusieurs solutions ralisables en tentant damliorer la
valeur de lobjectif ;
- Une mtaheuristique dsigne un schma algorithmique gnral qui peut s'appliquer
diffrents problmes d'optimisation combinatoire. Plus prcisment, elle utilise des stratgies
qui guident la recherche dans l'espace des solutions, ces stratgies tant indpendantes du
53
problme auquel on les applique. Le but est d'explorer le plus efficacement possible l'espace
des solutions afin de ne pas rester bloqu dans les minima locaux et de se diriger rapidement
vers les rgions les plus prometteuses. Il existe un grand nombre de mtaheuristiques allant de
schmas trs simples (qui mettent en uvre des processus de recherche basiques, comme la
descente), des schmas beaucoup plus complexes (avec des processus de recherche labors
comme les colonies de fourmis).
II.2.2.1 Les algorithmes gloutons
Les algorithmes gloutons (greedy algorithms) sont parmi les schmas heuristiques les plus
simples et les plus rapides. Ils construisent une solution de manire itrative sans jamais
remettre en cause les dcisions prises dans l'itration antrieure. Dans les cas o l'algorithme
ne fournit pas systmatiquement la solution optimale, il est appel une heuristique gloutonne.
Algorithme glouton
In: S (squence)
Out: A
1: dbut
2: S=
3: Tant que (S incomplte) faire
4:
Construire la liste L des lments insrables dans S ;
5:
Si L 2 alors
6:
Evaluer le cot incrmental des lments de L ;
7:
Insrer llment avec le cot minimum ;
8: Return S
9: fin
Les mtaheuristiques que nous prsentons dans les sections suivantes proposent des stratgies
de recherche plus labores. Certaines de ces stratgies ont t conues par analogie avec
d'autres domaines, comme par exemple la physique (recuit simul) ou la biologie (algorithmes
volutionnaires, colonies de fourmis). La plupart des mtaheuristiques prsentent
l'inconvnient d'avoir de nombreux paramtres rgler dont dpend le compromis dlicat
entre efficacit et temps de calcul. Nous prsentons les mtaheuristiques les plus connues,
partir desquelles de nombreuses variantes peuvent tre labores.
II.2.2.2 Le recuit simul (Simulated Annealing - SA)
Cette mtaheuristique est caractrise par la prsence d'une variable de contrle appele
temprature (par analogie aux processus thermodynamiques dont elle s'inspire) qui fixe les
conditions dans lesquelles une transformation dgradante est accepte. Siarry (Siarry, 2002)
explique le fonctionnement gnral de cette mthode qui sappuie sur lalgorithme de
54
Metropolis (Metropolis et al., 1953). Disposant dune configuration initiale, une certaine
temprature T suit le procd qui repose sur le fait de faire subir au systme des modifications
lmentaires. A chaque itration, si la modification en question arbore une amlioration qui
converge vers lobjectif fix (i.e. diminution de la fonction objectif (ou nergie)), la
modification est accepte. Par ailleurs, mme si cette mme modification provoque au
contraire une dtrioration 2E, il est envisageable quelle soit accepte mais avec une certaine
probabilit de exp(- 2E/T ). Cette dmarche est ensuite renouvele en gardant la temprature
constante, jusqu ce que lquilibre thermodynamique soit atteint. Toute la dmarche ainsi
dcrite est alors renouvele pour une nouvelle valeur de la temprature plus basse et une srie
de transformations est alors effectue. La mthode du recuit simul est souple vis--vis des
volutions du problme et facile implmenter, elle est dcrite gnriquement dans la figure
II.1.
L'algorithme fonctionne comme suit. Initialement la liste tabou est vide et on gnre une
solution S l'aide d'une heuristique quelconque ; S devient la solution courante. A chaque
itration, on choisit le meilleur voisin S de S qui n'est pas dj dans la liste tabou, S devient
la solution courante S et est ajoute la liste tabou. Si la taille de la liste tabou dpasse la
taille maximale autorise, on supprime de cette liste l'lment le plus ancien (stratgie FIFO First In First Out). Notons que la liste tabou permet d'viter les cycles en interdisant de
choisir une solution dans le voisinage de la solution courante qui aurait dj tait explore. En
outre, en pratique, on ne stocke pas les solutions dans leur intgralit (trop coteux en temps
et en espace) mais seulement une signature de ces solutions.
56
Figure II. 3 Rsolution dun problme par algorithme gntique (Siarry, 2002)
branchements) pour les problmes de grande taille. Des librairies d'optimisation comme
CPLEX (d'IMB ILOG) implmentent ces mthodes.
Dans cette section du chapitre, nous nous sommes intresss des problmes d'optimisation
combinatoire et nous avons pass en revue diffrentes approches de rsolution. Nous avons
pass en revue les deux grandes approches de rsolution existantes. D'une part, les
heuristiques et mtaheuristiques qui fournissent des algorithmes de rsolution approche sans
garantir la qualit de la solution. D'autre part, les mthodes exactes telles que l'exploration
arborescente ou la programmation linaire, qui permettent de calculer des solutions optimales
mais avec des temps de calcul pouvant tre prohibitifs. Le schma de la figure II.4 rsume la
classification des mthodes de rsolution.
Dans la section suivante, nous nous intressons au paradigme multi-agent que nous
considrons bien adapt pour la mise en uvre et la modlisation des problmes
doptimisation pour les systmes distribus.
61
63
La coordination est dfinie au sens gnral par Doniec (Doniec, 2006), comme tant
lensemble des actions permettant une production et/ou une organisation en vue datteindre un
objectif dtermin. Dans ce sens, soit les agents sentre-aident et donc cooprent pour essayer
datteindre lobjectif global en vitant les situations de conflits, soit ils se retrouvent dans une
situation de comptition.
II.3.2.1 La coopration
Une situation cooprative est une situation o les agents collaborent pour raliser un but
commun. Ce but peut tre soit un but partag par tous les agents, soit un but mis en avance par
le concepteur du SMA. Les agents peuvent tre alors associs un ou plusieurs buts. La
coopration apparat quand les actions de chaque agent satisfont au moins l'une des conditions
suivantes: (1) les agents ont un but commun tous et leurs actions tendent raliser ce but,
(2) les agents effectuent les actions qui ralisent non seulement leurs propres buts mais aussi
ceux des autres. Dans ce cas, les agents ne sont pas dans une situation de concurrence, ils
essaient donc de saccommoder sans se dranger. Les agents peuvent cooprer pour partager
les tches et les ressources. Cest une mthode qui permet la rpartition du travail.
II.3.2.2 La planification
Bond et Gasser (Bond & Gasser, 1988) nous font remarquer que lorientation des
comportements des agents vers des buts communs permet dobtenir une plus grande
coordination. (Boissier , 2000) prsente plusieurs techniques de planification comme la
planification centralise pour des plans distribus, la planification distribue pour des plans
centraliss et la planification distribue pour des plans distribus :
a) Planification centralise pour des plans distribus : Ce type de planification se focalise sur
le contrle et la coordination par plusieurs agents dans des environnements partags. En
planification multi-agent centralise, un agent est responsable de la cration du plan qui
spcifie les actions planifies pour tous les agents concerns. Le principe est le suivant :
64
66
pratique, les systmes dinformation sen trouvent ainsi personnifis sadaptant aux besoins
des logisticiens.
- La prise de dcision collective travers des mcanismes de coordination et collaboration
assures de par la communication, changes et interactions entre les agents. Dans ce cadre, les
Agents Collaborants sont connus pour leur efficacit interconnecter plusieurs systmes ou
rsoudre des problmes de type distribu. Ils associent pour cela leurs comptences
individuelles pour mener bien leurs tches dans le but de raliser un objectif collectif dont la
complexit dpasse leurs aptitudes individuelles. Ce domaine dapplication est souvent appel
Intelligence Artificielle Distribue (IAD).
Le domaine des systmes multi-agents (SMA) propose donc des mthodologies, des
techniques et des outils pour rpondre diffrents problmes que lon peut dcliner selon trois
aspects :
-
67
effet, il revient lagent le mieux inform de raliser le nouveau plan de vol qui rsout le
conflit et lagent le moins contraint de lexcuter.
Malgr leur rcente expansion, les SMA touchent une grande varit de domaines
dapplications. En effet, ils sont lintersection de plusieurs domaines scientifiques (ChaibDraa et al., 2001): informatique rpartie et gnie logiciel, intelligence artificielle et vie
artificielle, sociologie, psychologie sociale, sciences cognitives et bien dautres. Nous
retrouvons ainsi les SMA la base des systmes distribus, des interfaces homme-machines,
des bases de donnes et bases de connaissances distribues coopratives, de la robotique
cognitive et coopration entre robots et des applications distribues comme le web, linternet,
le contrle de trafic routier, le contrle arien, les rseaux dnergie, etc.
Dans la section suivante, nous essayons de mettre en vidence et de prouver lintrt de
lalliance entre les SMA et loptimisation pour modliser et optimiser, de manire conjointe,
des modles complexes en logistique. Nous allons, de ce fait, dresser un tat de lart sur les
approches agent en optimisation. Nous choisissons de prsenter les mthodes les plus souvent
rfrences dans la littrature concernant le mariage entre SMA et optimisation.
recherche, de manire rendre lexploration plus efficace. Par exemple, pour loptimisation
par colonies de fourmis, les agents changent les informations et cooprent par le biais de
lchange de la matrice de phromone. Cette situation de coopration se nomme la stigmergie
(Parunak, 2003). Lintrt de lutilisation du paradigme multi-agent
doptimisation est tout dabord de pouvoir dcrire de manire naturelle le fonctionnement des
mthodes doptimisation, ce qui en facilite la conception. Donc, dans un premier temps, les
SMA offrent un support informatique performant et flexible pour la modlisation et la mise en
uvre des problmes doptimisation. Ensuite, en termes de rsolution, la distribution du
calcul permet une exploration plus efficace de lespace de recherche tout en permettant une
mise en uvre parallle possible des algorithmes mis en place. Les systmes multi-agents
semblent donc adapts pour la rsolution de divers types de problmes combinatoires.
Cette alliance permet une application simultane de plusieurs algorithmes de recherche
locale, et nous offre la possibilit dexplorer un grand nombre de solutions, en prenant
diffrentes directions dfinies par divers fonctions de voisinage considres la fois, et
ainsi acclrer la recherche dune bonne solution. En effet, les proprits sociales qui
caractrisent les systmes multi-agents, telles que la communication et la coopration,
garantissent la visite dun grand nombre de solutions, chose qui ne savre pas possible si
chaque heuristique est utilise indpendamment des autres.
Nous nous basons alors sur les principes des systmes multi-agents, qui nous permettent
davoir une collaboration entre les diffrentes mthodes et heuristiques.
Notons
que
simultanment les
diffrents agents, excutant chacun de son ct la procdure qui lui est associe, permet
au systme daugmenter le nombre de bonnes solutions calcules. Ces solutions pourront
alors servir de solutions de dpart pour de prochaines itrations.
Le concept dagent est souvent explicitement mentionn dans les mtaheuristiques
distribues. Cest le cas par exemple de la mthode Co-Search (Talbi & Bachelet, 2004).
Cette mthode est base sur lutilisation de trois agents complmentaires, chacun deux ayant
69
un rle bien dfini et combinant des structures de voisinage de diffrentes portes notamment
via un algorithme gntique. Ces trois agents voluent en parallle et cooprent via une
mmoire centrale et partage. Pendant la recherche, lensemble des connaissances acquises
par les trois agents est regroup dans cette mmoire centrale. Le premier agent, appel
Searching Agent, utilise une fonction damlioration base sur le voisinage. En dbut
dexcution,
initiale. Le second agent est appel Diversifying agent. Il est charg de fournir de nouvelles
solutions dans les zones non explores de lespace de recherche, en exploitant les
informations des rgions dj visites. Pour ceci, il utilise un algorithme gntique. Le dernier
agent est appel Intensifying Agent et a pour rle de gnrer de nouvelles solutions partir de
zones prometteuses dj explores, en utilisant un oprateur de perturbation. La mthode CoSearch permet de visiter de nouvelles rgions et dexplorer de manire plus prcise des
rgions dj visites. Cest une mthode qui semble trs intressante du point de vue de la
combinaison de plusieurs mthodes diffrentes en parallle et donc de faire cooprer plusieurs
stratgies de recherche complmentaires.
II.4.2 Les SMA, une solution adapte au problme dapprentissage
Un autre avantage de lalliance entre les SMA et des mthodes doptimisation est directement
li aux problmatiques dadaptation et dapprentissage des stratgies de recherche. En effet, le
paradigme multi-agent offre la possibilit de choisir la bonne stratgie de recherche ou le bon
paramtrage dynamiquement et en temps rel, sous la forme dun problme dapprentissage.
Plusieurs travaux de recherche ont trait les problmatiques dadaptation. Cette problmatique
associe aux systmes multi-agents est souvent assimil au problme dapprentissage par
renforcement (Burke et al, 2003). Un paradigme classique pour prsenter les problmes
d'apprentissage par renforcement consiste considrer un agent autonome, plong au sein
d'un environnement, et qui doit prendre des dcisions en fonction de son tat courant. En
retour, l'environnement procure l'agent une rcompense (un gain maximiser).
Plusieurs familles dalgorithmes multi-agents mettant en uvre les mcanismes dadaptation
ont vu le jour. La plus grande source dinspiration reste cependant lobservation de la nature.
Les algorithmes biomimtiques sinspirant du comportement social observ chez les fourmis
en sont un bon exemple.
Un autre exemple dapprentissage des algorithmes gntiques base dagents a galement t
mis contribution dans (Vallin et Coello, 2003) pour la recherche dinformation sur Internet.
70
Le but est de crer un agent charg dassister les utilisateurs dans leurs problmes de
recherche dinformation. Cependant, ce systme a la particularit dtre conu la manire
dun outil de veille stratgique : il est charg de scruter en permanence une zone prdfinie
dInternet afin dy dtecter lapparition de documents pertinents pour un utilisateur.
Loriginalit de ce systme rside dans sa manire de rcuprer les souhaits de lutilisateur et
de les adapter au fur et mesure de son utilisation.
II.4.3 Besoins lis la rsolution distribue des problmes doptimisation
Les proprits souhaitables pour un algorithme doptimisation excut au sein dune
architecture distribue tel un systme multi-agent sont la distribution, la dcentralisation, la
robustesse aux pannes, lasynchronisation des changes de messages, lautonomie des agents,
le fonctionnement dans un systme ouvert, etc.
- La distribution implique la rpartition de lexcution de lalgorithme sur diffrents agents.
Concrtement cela veut dire que chaque agent doit tre dot dun processeur et dun
algorithme local sexcutant sur celui-ci, participant au calcul de lalgorithme global.
Lexcution de lalgorithme globale se fait donc de manire concurrente sur plusieurs
machines. Ltat de lalgorithme global est dfini comme lunion des tats des algorithmes
locaux.
- La dcentralisation exige quaucun agent ne soit distinguable des autres du point de vue de
lalgorithme, en dautres termes, du point de vue des connaissances et capacits ncessaires au
bon droulement de lalgorithme. Autrement dit, nous dirons que lalgorithme est centralis si
un seul agent dtient une information sans laquelle lexcution de lalgorithme devient
impossible.
- La robustesse aux pannes sous-entend que lalgorithme puisse sexcuter quel que soit le
nombre dagents tombant aux pannes, en rpliquant les ressources critiques du systme.
- Les pannes du rseau de communication peuvent retarder larrive des messages ou
intervertir leurs ordres darrive par rapport leurs ordres denvoi. De ce fait, un change de
message synchrone pourrait faire en sorte quun agent attende indfiniment larrive dun
message. Pour faire face ce genre de situations, et afin de dtecter quun agent est tomb en
panne, des dtecteurs de dfaillance sont mis en place. Mais ces dtecteurs fonctionnant euxmmes base dchange de messages, ncessitent des performances plus fortes qui relvent
du domaine des rseaux et non des systmes multi-agents.
71
- La synchronisation des algorithmes est une proprit ncessaire qui peut savrer
problmatique car elle sous-entend que plusieurs agents (ou tous), ralisent simultanment
une transition dans les squences dexcution de leur algorithme local. Pour faire ceci, nous
devons possder une information globale qui concerne tous les agents. Cependant une telle
information est considre centralise car mme si elle est partage par tous les agents, elle
ncessite la collecte dune information sur ltat global du systme. Il est donc prfrable de
fonctionner de manire asynchrone, car cela implique que la procdure nest pas centralise et
donc plus robuste aux pannes.
Afin doffrir la rsilience ncessaire, Nexus adopte une approche entirement dcentralise et
qui sarticule autour de plusieurs niveaux. Au niveau le plus bas, un rseau ddi P2P est
construit, reliant chacun des nuds dans le rseau les uns avec les autres.
II.5.2 ALP : Advanced Logistics Project
En 1996, la Defense Advanced Research Projects Agency (DARPA), en collaboration avec la
Defense Logistics Agency (DLA) ont commenc un effort de recherche denviron 80 millions
de dollars appel le projet de logistique avance : Advanced Logistics Projetc (ALP), visant
dvelopper la prochaine gnration de systmes logistiques (Carrico et Greaves, 2008). Ce
projet se base principalement sur les stratgies suivantes :
- Gathering : qui consiste rcuprer les informations du monde rel.
- Supporting : qui consiste recevoir/identifier les tches ou les changements importants.
- Decomposing : qui consiste dcomposer un problme global en plusieurs sousproblmes.
- Acting : qui consiste excuter une action prcise en interaction avec les entits du
monde rel.
- Delegating : qui consiste allouer les sous-problmes aux ressources disponibles.
- Assessing : qui consiste contrler continuellement lvolution pour tre sr que tout se
passe conformment ce qui a t prvu .
- Reporting : qui consiste prparer des rapports pour le monde extrieur.
Les concepteurs utilisent un moteur de workflow dynamique pour construire les modles,
interconnecter les reprsentations des composantes cognitives et accomplir les tches.
73
Le
systme
par
exemple
utilis
(http://haiti.ushahidi.com).
74
en
Hati
aprs
le
sisme
de
2010
II.6 Conclusion
Dans ce chapitre, nous avons prsent le concept doptimisation, les principales notions qui y
sont relies et une brve revue des systmes existants dans la littrature et qui ont trait de ce
concept. En second lieu, les systmes multi-agents ont t prsents en mettant en exergue les
contributions quils sont susceptibles dapporter notamment lorsquil sagit de traiter des
problmes dimportante complexit, comme cest le cas de la problmatique de gestion des
chanes logistiques, et plus particulirement pour la gestion de crise.
Considrant la problmatique ainsi nonce, nous adoptons dans notre approche un
croisement mutuel entre ces deux concepts. Dans le but premier de raliser efficacement des
traitements optimiss et dans des dlais de rponse raisonnables, nous avons en effet opt
pour une alliance des SMA et de loptimisation dans une architecture spcifique, que nous
dtaillons dans les chapitres suivants.
75
des architectures complexes. Parmi ces concepts, nous prsentons les plus rpandus, savoir
les composants logiciels, les systmes multi-agents et les services web. Dans ce qui suit, nous
analysons les architectures relatives ces concepts qui sont : les architectures base de
composants, dagents et de services.
III.2.1.1 Architectures base de composants
Cette technologie est issue des approches orientes objets. Cest une rponse la demande de
la rutilisation du code dans le dveloppement des applications informatiques. Depuis les
annes quatre-vingt-dix, cette nouvelle vision des logiciels informatiques ne cesse dvoluer
(Maurer, 2000). Elle consiste considrer le logiciel informatique comme un ensemble de
plusieurs composants (De mme quun circuit lectrique est constitu de composants
lectroniques assembls).
Comme cest aussi le cas pour lorient objet, lun des principaux atouts de la programmation
base de composants est la rutilisation (Barbier et al., 2002). La notion de composant vient
complter les limites de lapproche objet en terme de granularit de rutilisation en proposant
une dfinition plus prcise des entres et sorties de chaque composant et en assurant une
meilleure scurit de la rutilisabilit des composants. En effet, la diffrence de lobjet
qui risque de faire des rutilisations non scurises (suite des appels des services externes
sans spcification explicite), un composant ne peut utiliser que des services bien spcifis
compte tenu de sa conception et des prcisions sur ses interfaces (Feki, 2010).
III.2.1.2 Architectures base dagents
Comme nonc prcdemment, les systmes base dagents tiennent leurs origines dans le
dveloppement de lintelligence artificielle. En effet, le concept dagent est une volution de
lintelligence artificielle distribue ne de la fusion entre les systmes distribus et
lintelligence artificielle (Chaib-Draa, 1994).
Pour rsoudre les problmes les plus complexes pouvant reprsenter une limite des capacits
de rsolution dune entit (agent) unique, la mise en commun des connaissances de plusieurs
agents et leur coopration permet de franchir cette limite et de donner plus dlan dans les
capacits de rsolution. Le concept de coopration dpasse ici la simple addition de
connaissances et reprsente une relle fusion dun savoir global qui offre une vue plus
synthtique sur les problmes.
78
La grande innovation des langages orients objet dans ce domaine est lapparition de la
liaison tardive (late binding) qui consiste ce que la mthode appeler soit identifie selon
son appartenance un objet. Ainsi la slection de laction est repousse jusqu lexcution et
nest plus identifie la compilation dune manire statique, la slection est donc externe et
dynamique.
Daprs Briot (Briot, 2009), les composants logiciels ninnovent pas particulirement en
termes de slection de laction. La seule diffrence par rapport la programmation-objet
rside dans le fait quun composant na pas besoin dinformation externe pour son excution :
lintgralit du code ainsi que la documentation dun composant se trouvent dans le
composant lui-mme (Oussalah, 2005). Par opposition, pour un objet, une partie de son code
se trouve dans sa classe mre. Les agents apportent une grande volution la slection de
laction. En effet, contrairement aux procdures et mthodes qui sont invoques un lieu
particulier du code, la slection de laction dans le concept agent (comportement) dpend
aussi du contexte, de ltat et des connaissances de ce dernier. Cette nouvelle autonomie la
slection de laction rend lagent proactif en plus de son aspect ractif. Ainsi, la slection de
laction devient interne et dynamique.
III.2.2.2 Flexibilit du couplage
Elle est dfinie par la capacit mettre en relation plusieurs entits logicielles. On distingue
deux types de couplage : le couplage structurel et le couplage de communication. Nous nous
concentrons dans le paragraphe suivant sur le couplage structurel.
Le couplage structurel est mis en place dans les langages de programmation travers les
rfrences. En effet, un objet X rfrence un deuxime Y en mettant simplement la rfrence
de Y dans une variable locale X quon notera Vx. Donc pour changer la rfrence de X vers
un autre artfact Z par exemple, il suffit de changer la valeur de la variable Vx en lui affectant
Z. Un problme majeur intervient si on souhaite que X rfrence en mme temps plusieurs
artfacts (Z1...Zn). Dans ce cas, on est oblig de passer par des collections informatiques telles
que les listes, les files, les piles, etc. En plus, il faudra changer les instructions communiquant
avec la rfrence vu que ce nest plus un objet, mais une collection dobjets qui est traite. Il y
aura donc un ajout ditrateur de collection et ceci nous oblige r-implmenter le code de
lobjet X.
La nouveaut des portes/interfaces de sorties dans larchitecture des composants permet de
palier au problme dcrit prcdemment. Un composant ayant un ensemble de bornes dentre
et un ensemble de bornes de sorties, facilite la manipulation du couplage en lexternalisant.
80
Larchitecture SOA (Service Oriented Architecture) et en particulier les web services rendent
les couplages des diffrentes entits applicatives dynamiques travers la consultation de
lannuaire et les choix du service.
Les systmes multi-agents intgrent aussi cet aspect dynamique de slection du service
excuter vu quils implmentent entre autres des agents annuaires. Ce dernier type dagent
existant dans larchitecture FIPA1 et permet aux autres agents dun systme de retrouver la
liste dagents fournisseurs dun service en particulier. Cest un annuaire sous forme dagent
qui facilite la mise en relation avec un agent proposant un service recherch.
De plus, les systmes multi-agents proposent un couplage smantique bas sur une
organisation sociale et des connaissances. Ceci fait voluer les langages de programmation et
les logiciels vers un niveau plus lev en connaissance avec lutilisation du concept
dorganisation. En outre, la sparation de la description de larchitecture du systme dune
part et de limplmentation dautre part, reprsente un grand pas dans lvolution de la
programmation. Ceci est confirm dans les architectures base de composants. Les
composants tant des entits indpendantes avec des descriptions prcises, larchitecture du
systme assimil une carte lectronique constitue de composants interconnects, est
totalement indpendante de son implmentation. Cette avance technologique est encore plus
dveloppe dans les architectures service grce la dcouverte, le choix automatique et
linvocation des services. Dautant plus chez les architectures multi-agents avec leur fameuse
collaboration, organisation, ngociation et coordination.
III.2.2.3 Niveau dabstraction
Le niveau dabstraction est dfini par le niveau dexpression des concepts offerts aux
concepteurs et aux programmeurs. On remarque aisment la grande corrlation entre les
langages de programmation et le niveau dabstraction. En effet, dans les premiers langages de
programmation (trs proches de la machine), on se basait sur les instructions et les numros
de lignes. Ensuite apparaissent les langages modulaires (procdure, fonctions) avec un degr
2
81
plus haut dabstraction, qui continue augmenter avec lapparition des structures de donnes
et surtout la programmation-objet qui nous fait voluer des donnes vers des concepts via le
principe des objets informatiques reprsentant des objets physiques (Perrot, 1998).
Les composants ninnovent pas sur cet axe contrairement aux agents qui permettent dtendre
cette volution vers une vision base de connaissance. En effet, les agents cognitifs par
exemple, apportent la notion dtat mental qui est une modlisation symbolique de concepts
cognitifs qui permettent une coordination et une organisation entre les agents.
III.2.2.4 Synthse
Larchitecture composants est trs proche de larchitecture oriente objet, elle prsente une
lgre volution au niveau de la slection de laction et de la Flexibilit du couplage .
Cependant, son niveau dabstraction demeure limit . Larchitecture oriente service
prsente un niveau plus lev dabstraction et une meilleure flexibilit de couplage, mais pas
dinnovation dans la Slection de laction . Finalement, larchitecture multi-agent est la
plus volue sur les trois axes (Figure III.2). Sa faiblesse existe peut-tre ailleurs, au niveau
de la mise en place ou des performances.
III.2.3 Contraintes
Afin doffrir une aide la dcision fiable en cas de crise, notre systme doit pouvoir accder
en temps rel aux donnes qui caractrisent la situation logistique relle sur le terrain. Il doit
donc accder aux diffrents systmes dinformation et capteurs existants et sadapter
automatiquement leurs offres de services. Ensuite il faut pouvoir appliquer des algorithmes
82
Un transfert inter-systme : qui consiste dans les transferts de messages entre notre systme et
les autres systmes dinformations.
Sachant que larchitecture agent est la plus dveloppe en matire de transfert de message
puisquelle na pas besoin de connatre linterface de son interlocuteur contrairement
larchitecture composant et service, nous estimons que cette technologie est la plus adapte
notre problmatique. Nous sommes donc tents de lutiliser dans les deux formes dchange
de messages de notre systme. Cependant, pour les SI qui nutilisent aucune des architectures
cites, il serait peut-tre plus simple de mettre en place une offre de service (WS) permettant
laccs leur calculateur que de concevoir une architecture multi-agent offrant le mme
service.
En conclusion, nous prconisons donc lutilisation de larchitecture multi-agent en interne du
systme pour lchange des messages intra-systme, et des WS pour lchange de messages
avec les SI (inter-systmes).
Concernant la deuxime contrainte, larchitecture multi-agent est encore la plus adapte ce
type de problme. En effet, grce la souplesse et lintelligence de ses agents, lvolutivit du
systme est facilite. Larchitecture base de services, de son cot, apporte un dynamisme qui
se traduit par la dcouverte et linvocation des services qui peut tre trs utile pour une
adaptation aux SI, mais ceci reste trs rigide (pas dadaptation automatique) et ncessite un
effort de dveloppement supplmentaire en plus de la difficult dintgration chaud.
Notre systme doit permettre lintgration de nouveaux acteurs ou de les dsinscrire sans
arrter le fonctionnement global du systme. Dans le cadre de larchitecture base de
composants, les nouveaux composants doivent tre conus en amont et ensuite implments
avec le systme ce qui rend lintgration de composants chaud difficile. Les agents quant
eux peuvent tre implments indpendamment les uns des autres et il est, par consquent,
trs simple de dmarrer ou darrter un agent lorsque le systme tourne sans aucun impact sur
le fonctionnement global. Enfin, notre problmatique nous impose lexcution dun processus
doptimisation global, et donc des mthodes de rsolution, dans un environnement distribu.
Dans ce genre de contexte, diffrentes entits doivent excuter des instructions
indpendamment des autres et communiquer entre elles par la suite pour regrouper les
diffrents rsultats dans une rponse globale. Les trois architectures permettent cette approche
avec un lger dsavantage pour lapproche service qui par concept nest pas destine au calcul
algorithmique et dune manire gnrale nest pas lhbergeur idal pour une masse de calcul.
Les deux autres technologies, quant elles, sont trs utilises dans la recherche algorithmique
distribue.
84
(Object Modeling Technique) et UML (Unified Modeling Language). Deux tapes principales
composent cette mthodologie :
-
Lanalyse qui consiste identifier les rles et les cas dutilisations, crer les
diagrammes de squences et transformer les buts en ensembles de rles.
La conception qui a pour but dassigner les rles des classes dagents spcifiques, de
dfinir les classes internes des agents et la structure finale du systme.
Cependant, les architectures dveloppes avec MaSE sont statiques, fermes et ne permettant
pas de dfinir des socits grand nombre dagents. O-MaSE (Organization based
Multiagent Software Engineering), une extension la mthodologie MaSE, la complte par la
dimension dorganisation, et dfinit un mta-modle permettant aux agents dadapter leur
organisation lexcution (DeLoach, 2005).
III.2.5.5 PASSI
PASSI (Process for Agent Societies Specification and Implementation) est une mthode
intgrant des modles de conception et concepts inspirs de lingnierie oriente objet
(Cossentino, 2001). PASSI rutilise fortement UML et manipule beaucoup de concepts
communs aux agents en y rajoutant des notions propres FIPA. Ces notions sont encapsules
dans cinq modles : le modle des besoins, le modle de socits dagents, le modle
dimplmentation dagent, le modle de codage et le modle de dploiement. Cest une
mthode pouvant sappliquer nimporte quel domaine, mais plutt oriente agents mobiles.
III.2.5.6 Prometheus
Prometheus est le fruit dune exprience de programmation avec la plateforme JACK,
dveloppe par Padgham (Padgham, 2003). Cette mthode reprend les mmes concepts que
dans Gaia ou MaSE. Par contre, bien que la notion de socit soit avance, les notions de
rles sont inexistantes et leurs gestion non aborde. Un point positif par rapport aux autres
mthodes est la notion dincident pouvant survenir en cours de fonctionnement.
Le processus de Prometheus se dcompose en trois tapes :
-
Prometheus gre une grande partie du cycle de dveloppement, contrairement aux phases de
test, validation et dploiement qui sont presque absentes. Cest une mthode qui convient plus
des applications orientes utilisateurs et moins la rsolution de problmes ou la
simulation.
III.2.5.7 Comparaison des diffrentes mthodes
Bernon propose une synthse de la comparaison des mthodes prsentes dans le tableau1.
ADELFE
Gaia
MaSe
INGENIAS
PASSI
Prometheus
Adaptation
++
Autonomie
Buts
++
++
++
Croyances
++
Dsirs
++
++
++
Interaction/Message
++
++
++
++
++
Rle
++
++
++
++
Modularit
++
++
++
++
Nous pouvons constater que les interactions ou les notions dagents sont communment
abordes. Lautonomie reste une moyenne de + seulement. Globalement, et suivant une
lecture selon laxe verticale, un premier constat est quaucune mthode nest parfaite dans ce
sens. Chaque mthode possde des spcificits en termes darchitecture, de formalisme ou de
modles. INGENIAS est assez gnrale et convient tout type de contexte et propose un
processus et des notations riches et expressives, utilisant largement les notions dUML.
Ainsi placs dans un contexte dintelligence artificielle distribue, nous verrons dans ce qui
suit la manire dont les fonctionnalits du systme propos ont t dispatches sur les
diffrentes entits impliques. Pour cela, une modlisation base sur les agents est
pralablement spcifie.
Les vues dcrivent lensemble du systme dun point de vue organisationnel, architectural,
dynamique, temporel, logique, gographique, etc. Chacune comporte un ou plusieurs
diagrammes qui sont au nombre de 13 dans le langage UML dans sa version 2.3. Chaque
diagramme est class sous une catgorie bien particulire, nous en distinguons 3 en tout :
1. Diagrammes structurels ou statiques : runissent au total 6 diagrammes : de classes, de
composants, dobjets, de structure composite, de dploiement et de paquetage.
2. Diagrammes comportementaux : regroupent les diagrammes de comportement, dactivits
et dtats-transitions.
3. Diagrammes dinteraction ou dynamiques : modlisent les changes inter-objets et se
rfrent aux diagrammes de squences, de communication, de temps ou encore le diagramme
global dinteraction.
90
UML ntant pas une mthode, le choix des diagrammes revient lapprciation de chaque
concepteur. Nous nous intressons particulirement au diagramme de classes plac sous le
signe de la structure statique. Ce type de diagramme sera mis profit afin de dfinir
larchitecture logicielle de notre systme.
Aussi un deuxime type de diagrammes relatif aux diagrammes comportementaux est utilis
pour la modlisation du fonctionnement des diffrents agents inclus dans larchitecture en
question. Afin de modliser le comportement (i.e. rle) de chacun de ces agents, nous avons
opt pour les diagrammes dactivit pour en faire ressortir les diffrents reliefs. Un troisime
type de diagramme UML correspondant aux diagrammes de squences class sous la
catgorie des diagrammes dinteraction sera mis profit pour dfinir les changes et
communications inter-agents afin den modliser les coalitions ayant lieu dtre.
III.3.3 De la modlisation Objet vers la modlisation Agent
Une conception base sur les agents peut tre vue comme un style architectural qui drive de
la modlisation objet. En effet, l'architecture agent est le produit du passage du composant
objectif vers le composant projectif. Un objet tant dfini comme tant un composant passif
puisquil est pourvu dun ensemble dattributs et de mthodes travers lesquels il peut tre
manipul. Il offre ainsi un ensemble de services et utilise dautres objets afin de raliser ses
propres fonctionnalits.
De manire quelque peu similaire, un agent utilise dune faon intelligente les autres agents
pour raliser ses objectifs. Paralllement lchange de messages entre objets pour tablir les
interactions possibles pouvant les relier, les agents communiquent de par ltablissement dun
support pour dialoguer grce un protocole de communication facilitant ainsi lenvoi et la
rception de messages, la ngociation et lchange dinformation dans un contexte de
coalition inter-agent.
processus excutent en parallle et de manire autonome une ou plusieurs requtes ou sousrequtes favorisant ainsi le traitement instantan et parallle des demandes de livraisons des
zones sinistres. Le concept multi-agent est favorable la mise en place dune architecture
dynamique distribue. Ainsi, dans le but dtablir un traitement optimis efficace et lger en
termes de complexit, nous nous proposons de mettre en place un systme multi-agent. Ce
systme baptis OBAC pour Optimisation Base dAgents Communicants est pourvu dune
multitude de fonctionnalits impliques dans le processus doptimisation du fonctionnement
la chane logistique et de la rponse face la crise. Parmi ces fonctionnalits, nous retrouvons
entre autre le positionnement des zones logistiques, le traitement parallle des requtes de
livraisons de ressources, et lestimation optimise des besoins.
LOMA (Organisation Multi-Agent) propose est dynamique, de type socit, elle considre
chaque acteur de la CLGC comme un agent autonome, capable dchanger des informations
avec les autres acteurs. Dans notre CL, les acteurs sont nombreux et varis. De multiples
modlisations sont envisageables. Cependant, elles font toutes intervenir les diffrentes zones
de la chane logistique, et les modlisent travers un ou plusieurs agents, que lon appellera
agents gestionnaires de ces zones. Ainsi, les changes dinformation, les changes de
marchandises entre zones, vont avant tout rsulter dune communication directe ou indirecte
entre les agents gestionnaires des zones.
Pour rsoudre le problme dcrit prcdemment, nous proposons un systme dynamique et
ouvert, bas sur linteraction de plusieurs types dagents logiciels qui vont aider au bon
droulement des changes de flux physiques et informationnels : Les agents Zones, lagent
Transport, lagent Intgrateur Evaluateur, lagent Mto, les agents Interfaces GUI et lagent
Veille. Les agents Interfaces jouent le rle dinterface entre les utilisateurs et le systme, les
agents zones sont responsables des zones logistiques et soccupent des ordonnancements des
tches de livraison en local, lagent Transport gre lensemble des vecteurs de transports de la
chane logistique, lagent Intgrateur Evaluateur soccupent de lvaluation et la composition
des plans de livraison finaux et lagent Mto fournit des informations concernant les
conditions mtorologiques.
Un autre type dagent intervient dans le fonctionnement de la CLGC : lagent NEA (Need
Estimating Agent) qui a pour rle destimer les consommations aux niveaux des zones
sinistres.
92
Comme le montre la Figure III.4, des flux de donnes sont changs entre les diffrents agents
aidant la bonne marche du systme dans un contexte de synchronisation vident. Chacune
des entits impliques dans ce processus est pourvue dun rle bien dfini dans le processus
global. Lensemble de ces entits est dfini dans la suite, avec un descriptif dtaill de leurs
fonctionnements (Kaddoussi et al., 2012-a).
Lorganisation de notre systme est illustre dans la figure III.5.
Agent organisationnel ;
Fait appel une mthode de rsolution pour ordonnancer les livraisons des
marchandises vers ses zones subalternes.
Les agents-zones sont de 4 types. Ils constituent ce que nous appelons une population
dagents zones.
-
Agent Mtropole : cest un agent fixe qui gre toutes les ressources de la zone
Mtropole. Il dispose dun stock de dpart trs important et il joue le rle du
fournisseur de toute la CLGC ;
Agent ZRR : zone de regroupement de ressources. Cest un agent dynamique qui est
cr seulement en cas de crise. Au niveau de cet agent, les ressources seront
regroupes pour tre affectes aux diffrents moyens de transport possibles. Cest le
deuxime maillon de la CLGC. Lopration qui consiste ramener les ressources de la
mtropole jusqu lagent ZRR est appele le pr-acheminement. Il sagit
gnralement de zones de regroupement des marchandises en attente dexpatriation en
dehors des frontires franaises ;
Le diagramme dactivits de lagent Mtropole est reprsent dans la figure III.6 suivante.
1
Figure III. 6 Diagramme dactivits de lagent Mtropole
95
maintenir ses stocks au-dessus dun certain seuil critique. Il est possible davoir une ide de
cette consommation, mais en cas de modifications de certains paramtres, un pic de
consommation par exemple dans le cas qui nous proccupe, cette consommation peut varier
normment. Lobjectif du NEA est dallier lexpertise des personnes habitues dterminer
ces consommations, avec des corrections suivant certains paramtres environnementaux que
nous obtenons partir dune base de donnes retraant les anciennes CLGC et leurs
conditions. Lagent NEA scrute donc, de la couche terrain, les informations sur le climat et le
nombre de personnes et utilise les modles destimations dvelopps dans la couche
mathmatique pour simuler et anticiper la variation du phnomne de consommation au
niveau des zones logistiques.
Nous dcrivons dans ce qui suit le comportement du NEA ainsi que lvaluation des
consommations dans une CLGC et lorganisation de NEA.
III.4.4.1 Comportement du NEA
Lagent estimateur est appel par la ZT laquelle il est rattach, afin de fournir une
valuation des besoins de la zone ;
Lagent estimateur contacte lagent mto, qui lui fournit toutes les informations utiles sur
lhumidit et la temprature dans les 7 jours venir ;
A partir de ces informations, il dtermine en logique floue un coefficient dhandicap, qui
reprsente la rigueur des conditions climatiques, et qui correspond donc un besoin en
ressources supplmentaires ;
En tenant compte de la population prsente (consommation moyenne des soldats) et du
coefficient de handicap pour chaque jour, lestimateur obtient une premire valeur, appele
valeur prconise non optimise, du besoin en ressources de la zone ;
Puis lagent estimateur effectue une correction de cette valeur, en tenant compte du pass en
matire destimations, et des diffrences entre valeur estime et valeur relle pour les jours
prcdents. Nous avons amlior les modles destimation linaires existants dans la thse de
(Zoghlami, 2008) en intgrant un estimateur bas sur le modle ARMAX, modle qui a
prouv tre plus gnrique et mieux adapt aux situations de crise. Une estimation base du
modle ARMAX est ainsi ralise. A la suite de cette correction, lagent estimateur obtient
une deuxime valeur, appele valeur prconise optimise (Kaddoussi et al., 2012-b) ;
Une fois que la journe est passe, la ZT constate la quantit de marchandises consommes.
On informe lagent estimateur de la valeur relle. Cela permet lestimateur de choisir le
mode destimation le plus performant, et le plus proche de la ralit, figure III.7.
97
- Evaluation base sur la logique floue des consommations dans une CLGC :
A partir dune consommation moyenne fixe de ressources journalires pour un soldat donn,
lide est danticiper une surconsommation ou sous-consommation en fonction des conditions
climatiques venir.
Il sagit dune mthode base sur la notion de sensation, qui permet de tenir compte de
plusieurs paramtres permettant daboutir une estimation. Pour effectuer ces estimations, il
est ncessaire de fixer un certain nombre de classes, et de zones permettant de visualiser les
degrs de confiance accords chacune des sensations. Cette mthode est divise en trois
tapes :
a) La fuzzification :
La fuzzification est la conversion numrique / linguistique des variables d'entre. Pour notre
application, nous proposons de prendre en compte les valeurs de la temprature et de
l'humidit dans la zone considre pour rgler la consommation moyenne de la ressource
(exemple : vtements) et de fournir une estimation prcise des besoins futurs dans cette
ressource.
Considrons le cas de la temprature: cette variable dentre peut tre divise en trois classes :
Froid, Tempr, Chaud. Prenons lexemple suivant : en dessous de 15C, nous considrons
quil fait froid ; entre 18C et 22C, il fait moyen ; et au-dessus de 25C, il fait chaud.
Toutefois, entre 15C et 18C, il fait de moins en moins froid et de plus en plus tempr. De
mme entre 22C et 25C, il fait de plus en plus chaud et de moins en moins tempr. Cette
98
tape de paramtrage des classes est ralise en concertation avec les logisticiens dEADS. En
effet, selon la localisation gographique, la saison, etc., ces valeurs peuvent tre changes.
Une fois ces valeurs et le nombre de sensations diffrentes fixs, nous pouvons alors, pour
une temprature T donne, dterminer son degr d'appartenance dans les trois classes (froid,
tempr et chaud). On obtient ainsi le graphe de sensation, dit fonction dappartenance, de la
temprature, suivant :
Figure III. 9 Les fonctions dappartenance aux trois classes Froid, Tempr et Chaud
Sec
Tempr
Humide
Froid
Forte
Forte
Forte
Tempr
Faible
Moyenne
Moyenne
Chaud
Faible
Faible
Moyenne
c) La dffuzification
La deffuzzification est la conversion linguistique / numrique des diffrentes variables. La
mthode utilise dans notre application est la mthode du centre de gravit.
Variable de sortie : Variation de la consommation moyenne.
99
Figure III. 10 Les fonctions dappartenance aux trois classes Faible, Moyenne et Forte
Le rsultat de lestimation ralis par la logique floue permet donc daffiner lestimation de la
consommation par rapport la consommation moyenne. Lintrt de la deuxime tape
destimation est de pouvoir prendre en compte lhistorique des consommations pour rajuster
la valeur obtenue par cette estimation par rapport aux antcdentes.
o y est un vecteur des variables de sortie observes (ce qui correspond aux quantits relles
de ressources consommes sur le terrain la fin de la journe de calcul), x est un vecteur des
variables d'entre (dans notre cas, x est gal au vecteur des variables d'entre obtenu aprs la
phase de calcul flou), e est un vecteur de perturbation (bruit blanc) et A, B et C sont des
matrices polynomiales de la dimension approprie.
Les tapes du processus didentification sont comme suit :
a) Identification du modle: pour construire le modle ARMAX, il est ncessaire
d'identifier ses diffrents paramtres. Pour ce faire, nous utilisons lalgorithme des
moindres carrs rcursif (RLS).
b) Model checking: Pour valuer l'efficacit du modle mis en uvre, nous utilisons le
critre d'information d'Akaike (AIC). tant donn un ensemble de modles candidats
pour les donnes, le modle prfr est celui avec la valeur minimale AIC. Dans le cas
gnral, l'AIC scrit :
/01 ' D 23 456F789 % D
3F % &
:
101
102
Estimateur
ARMAX
Transaction DB
,,,,
,,,,
Estimateur i
Agent Interface
Estimateur n
103
104
105
Linteraction entre une socit dagents, compose dagents zones, dagent NEA et de lagent
Mto est illustre par le diagramme dactivits trois partitions de la Figure III.16 suivante :
106
Les comportements dtaills des diffrents agents, et les diffrentes mthodes de rsolution
dveloppes au cur de chaque acteur, seront dcortiqus dans le chapitre IV.
Lensemble des agents de notre chane logistique de gestion de crise, du fait de leurs
diffrentes proprits (autonomie, communication, coopration,) peuvent avoir diffrents
modes dactivits. En effet, un instant t donn, certains agents ngocient entre eux, dautres
transmettent des commandes alors que dautres ordonnancent des tches de livraison Nous
avons dgag quatre modes dactivits, selon la figure III.18.
107
Activits parallles: dans cet exemple, trois agents travaillent simultanment, de manire
non squentielle. Un agent attend la fin d'une activit pour en commencer une autre.
Activits avec dcalage: les trois agents travaillent avec un dcalage. Un agent peut
dmarrer une nouvelle activit mme si une premire activit est encore en cours.
Interruption: un agent-zone peut interrompre une activit dj commence, s'il reoit une
mise jour ou une activit plus urgente.
Diffrentes dures: les activits des agents sont de dures diffrentes. Ces dures
dpendent du type de lactivit raliser (ngociation, ordonnancement, estimation).
108
son stock, et renvoie linformation lagent GUI, afin quil puisse crire dans la fentre
graphique une ligne spcifiant la rception du colis.
III.3.7.2 Consommation des marchandises
Cette deuxime phase a pour but denregistrer la consommation des marchandises dans
chacune des zones. Cela se traduit par une baisse du stock pour toutes les zones. Chaque agent
zone indique la consommation quil a enregistre.
On peut distinguer deux parties dans cette phase.
- La communication au niveau de la chane logistique : lagent zone enregistre la
consommation son niveau, et modifie ses stocks en fonction. Il informe lagent GUI,
toujours afin que les informations soient affiches dans la fentre utilisateur.
- La deuxime partie implique lagent estimateur. En effet, pour fonctionner correctement,
lagent estimateur a besoin dun retour dinformations sur la consommation ayant rellement
eu lieu, afin doptimiser ses estimations. Ainsi, lagent zone transmet la consommation relle
lagent estimateur. Linformation est galement transmise lagent GUI du NEA, pour que
la fentre destimation puisse rdiger le rapport sur le tableau de bord, et rsumant les valeurs
optimises et relles pour la journe prcdente, et pour les diffrentes ressources considres.
III.4.7.3 Transmission des demandes
Chaque zone fait une valuation des besoins quelle aura dans les n jours venir. Ces besoins
ne correspondent pas la consommation journalire ; en effet, le besoin est une demande
denvoi de colis. Ainsi, si la zone saperoit que dans les n jours qui suivent, le stock prsent
(hors stock de scurit) ne suffira pas absorber la consommation ou les colis envoys aux
zones subalternes, alors cette zone commandera sa zone-mre un rapprovisionnement, dun
montant gal la quantit ncessaire pour retrouver son seuil de recompltement.
On part dun stock actuel, chaque jour, on effectue les modifications suivantes :
On ajoute les stocks que la zone-mre a dj envoy, et qui sont en transit ; ou bien les
promesses denvois formules par la zone-mre.
Si la zone est une ZRR ou ZI, on soustrait la quantit de marchandises que lon prvoit
denvoyer chacune des zones subalternes ce jour-l.
Sinon, cest une zone terminale, auquel cas on soustrait les marchandises correspondant au
besoin identifi par les agents estimateurs.
Si ce stade, le stock des marchandises que lon prvoit est infrieur au stock de scurit,
alors cela se traduit par des demandes auprs du suprieur, pour r-obtenir le seuil de
recompltement. Cest donc ce stade que lon dfinit les besoins dune zone. Afin de raliser
109
une estimation juste des stocks pour les jours suivants, on considrera dans un premier temps
que cette demande sera satisfaite ; ce qui sera confirm ou infirm par les promesses denvoi
qui suivront.
Linformation des demandes est une information ascendante : les zones terminales
dterminent un besoin quelles transmettent au suprieur ; ce dernier peut ainsi valuer ses
propres besoins et les transmettre lchelon suprieur, et ainsi de suite. Cest lors de la phase
suivante, envois des colis, que chaque zone dcidera denvoyer ou non les colis demands.
III.4.7.4 Envois des colis
La dernire phase est lenvoi des colis ; suite aux demandes formules par les zones
subalternes, chaque zone fait une valuation des marchandises quelle va envoyer ce jour, et
quelle prvoit denvoyer dans les jours venir. Cest particulirement cette tape
quintervient la stratgie logistique adopter : quoi envoyer, qui, et quel moment. Cette
stratgie logistique a pour but de dfinir quelle quantit de marchandises envoyer, en fonction
des paramtres suivants : les valuations des besoins de lensemble des zones subalternes pour
chaque jour, et la quantit de stock disponible et le stock prvisionnel dans les jours venir.
Le flux denvois de marchandises suit un parcours inverse celui de la prcdente phase :
lenvoi commence par la zone de regroupement des ressources, qui envoie lensemble de ses
zones subalternes des marchandises. Les zones subalternes vont pouvoir mettre jour leur
stock prvisionnel, et envoyer leurs marchandises aux zones subalternes. On a ainsi un flux
descendant.
Il faut noter qu chaque tape, linformation sur les marchandises envoyes parvient lagent
GUI, afin que la fentre soit mise jour par rapport aux dcisions denvois.
III.5 Conclusion
Les mthodologies orientes agents sintressent des problmes de conception de systmes
multi-agents relatifs : lidentification des agents, la spcification des capacits de
raisonnement, lorganisation du systme multi-agents et la reprsentation des interactions
entre agents. Elles ont pour objectifs de guider le concepteur dans les phases danalyse et de
conception de systmes multi-agents.
La modlisation base dagents, de chane logistique de gestion de crise, offre une
reprsentation du modle du domaine base sur le paradigme agents. Cette modlisation
repose sur plusieurs modles permettant de dessiner lorganisation du systme multi-agents, la
nature des agents, leurs comportements, ainsi que les modes dinteraction.
110
Nous nous intressons un meilleur modle de dploiement et dutilisation des agents le long
de la CLGC afin de pouvoir disposer de donnes convenables en minimisant les dlais. Pour
ce faire, nous proposons dans un premier temps une solution optimise pour le
positionnement des zones logistiques de la CLGC. Ensuite nous proposons diffrents
comportements pour les agents zones, qui seront dtaills dans le chapitre IV.
111
113
Limportance des dgts dans le pays touch par le sinistre, qui dpend ici de la
position gographique par rapport au centre de la crise. En effet la zone ou le pays le
plus touch sera le premier aid (voir aussi si les dgts posent des problmes daccs:
routes dtruites, distance des bases logistiques aux victimes trop importante, personnel
hospitalier disparu )
La zone gographique (la zone urbaine a plus daccs aux ressources que la zone
rurale, les transports doivent tre adapts la zone (bateaux, camions civils ou
militaires, voie arienne).
En concertation avec nos experts logisticiens dEADS, nous avons pu alors dgager les
caractristiques suivantes des bases logistiques intermdiaires (Hubs):
-
114
Nous proposons dans le cadre de nos travaux de recherche doffrir au dcideur logisticien un
outil qui le guide dans sa prise de dcision au moment de la configuration de la CLGC, pour
choisir lemplacement gographique des bases logistiques intermdiaires (Hubs).
Lobjectif ici est de suggrer au concepteur les zones gographiques optimales qui
garantissent un acheminement et une raction rapide et efficace face la crise. Pour rsoudre
ce problme, nous proposons un module daide la dcision au sein de notre dmonstrateur
OBAC (Optimisation Base dAgents Communicants) qui propose au logisticien, deux
modes de fonctionnements. Dans un premier temps, un mode automatique qui propose une
surface (quon appellera par la suite la surface de Steiner) lintrieur de laquelle
limplantation dun hub est optimise. Un deuxime mode de fonctionnement a t mis en
place, o il revient au logisticien de placer le hub manuellement, en se laissant conseiller
par le dmonstrateur pour optimiser son choix parmi plusieurs zones dappuis stratgiques
prexistantes. Ce deuxime mode de fonctionnement sera privilgi dans les pays o les
forces armes disposent dj de plusieurs zones dappuis stratgiques prinstalles. On
privilgie dans ce cas lutilisation de ces zones comme zones intermdiaires, au lieu den
crer des nouvelles (le cas du premier mode automatique).
Nous prsentons dans la sous-section suivante le problme de Steiner pour la cration de
zones intermdiaires, ensuite nous dtaillons le processus daide la dcision pour
limplantation gographique des Hubs.
IV.2.2 Problme de Steiner
Le problme de l'arbre de Steiner (nomm en rfrence au mathmaticien Jakob Steiner) est
un problme trs classique de la thorie des graphes. Cest un problme d'optimisation
combinatoire relativement proche du problme de l'arbre couvrant minimal.
Problme de larbre couvrant minimum
-
Problme de Steiner
-
115
Dans les deux problmes, tant donn un ensemble V de sommets, il s'agit de trouver un arbre
A reliant tous les sommets de V. Alors que dans le problme de l'arbre couvrant minimal, tous
les sommets de l'arbre A doivent tre dans V, il est autoris dans le problme de l'arbre de
Steiner d'utiliser des points en dehors de V. Dans les deux problmes, chaque arte a un cot
donn. Le cot de l'arbre tant donn par la somme du cot de ses artes, il s'agit de trouver
l'arbre de cot minimal.
IV.2.2.1 Problme de Steiner dans les graphes
Soit un graphe non orient G = (V, E), avec V : sommets, E : artes, L : terminaux
(obligatoires) et ce : poids de larte c 4 E.
Lobjectif est dobtenir un arbre couvrant des sommets terminaux L de poids minimum (cas
particulier : si L=V, problme de larbre couvrant de poids minimum).
Il existe diffrentes contraintes que l'on peut appliquer l'arbre. La plupart des problmes sont
NP-complets (donc considrs comme difficiles calculer). Quelques cas de figures sont
rsolubles en un temps polynomial. Pour les autres cas, la rsolution se fait via une recherche
heuristique.
Ce problme de Steiner a trouv de multiples applications dans un panel de disciplines trs
tendu, comme les projets des rseaux dordinateurs et de tlcommunications, les problmes
de la phylognie en biologie, conception de grands rseaux (tlcommunication, distribution
lectrique, pipelines,. . .)
Exemples :
de la fort. La complexit de l'algorithme, domine par l'tape de tri des artes, est 6(a log V)
avec a le nombre d'artes et V le nombre de sommets du graphe G.
Zelikovsky (Zelikovsky, 1993) propose un algorithme qui permet de construire un arbre dont
le quotient cot du rsultat / cot de larbre minimum de Steiner est infrieur 11/6.
Zelikovsky utilise ( la place des plus courts chemins) des arbres pour couvrir des triplets de
nuds.
Selon la mtrique utilise pour le calcul de la distance entre les sommets dans V, deux
versions de larbre de Steiner ont t tudies :
Graphe de Steiner minimal (Graph Steiner Minimal Tree : SMT): Dans cette version,
l'ensemble des sommets et mtrique est donn par un graphe fini.
Arbre de Steiner euclidien minimal (euclidean SMT): Dans cette version, lensemble
V reprsente tout l'espace euclidien et est donc infini. Gnralement la mtrique est
donne par la distance euclidienne. Pour deux points de coordonnes (x1, y1) et (x2,
y2), la distance est :
EF@= 2 @9 9 % F#= 2 #9 9
Dans certaines applications, telles que le routage VLSI (Very Large Scale Integration
routing), la norme L1, galement connu sous le nom distance rectiligne, est utilise.
La distance est dfinie alors par :
F@= 2 @9 F % F#= 2 #9 F
La figure suivante illustre un arbre de Steiner euclidien minimal et un arbre de
Steiner minimal pour les graphes.
1
Figure IV. 3 Arbre de Steiner euclidien minimal
118
Approche gnrique
In: P
Out: A
1: begin
2: A=
3: While (A nest pas un AC)
4:
Trouver arte (x,y) de poids
minimum qui peut tre ajout A
5
A:= A+ {(x,y)}
6:Return A
7: end
centres les points de Steiner, et de rayons rglables par le logisticien. A lintrieur de ces
surfaces, tout placement de zone est considr optimis. Nous appellerons cette surface :
surface de Steiner. Le rayon du cercle est une valeur qui correspond une relaxation que nous
autorisons et qui permet de contourner des contraintes qui rendent impossible limplantation
de la zone exactement sur le point de Steiner trouv (sans pour autant trop dgrader la
solution).
Dans le deuxime mode, nous proposons lutilisateur un outil daide la dcision pour
choisir, parmi un ensemble de zones dappuis stratgiques prexistantes, la zone gographique
et plus particulirement la ville au niveau de laquelle il serait prfrable dinstaller la zone
logistique. Cette tape va permettre de prendre en considration diffrents paramtres
supplmentaires fixs par les experts logisticiens, dans le choix de la localisation de la zone.
Nous montrons que cette approche permet la prise en compte de lexpertise humaine et de
facteurs gographiques, politiques et conomiques.
IV.2.3.1 Algorithme de Steiner : vers la cration dynamique de la CLGC
Nous travaillons sur un ensemble donn P constitu de N points.
P = {P1, P2, , PN}
Chaque point est entirement caractris par ses coordonnes. Ces coordonnes reprsentent
respectivement la latitude et la longitude du point.
Pi = (ui, vi)
Le problme consiste relier les points de P en utilisant si ncessaires des points extrieurs
P. Ces points sont ce quon appelle des points de Steiner et ils appartiennent lensemble S.
La thorie de Steiner montre que lensemble S est de cardinalit maximale N-2.
S = {S1, S2, , SN-2}
La difficult du problme rside dans le nombre et la position des points de S, et donc dans la
recherche des coordonnes de chacun des points de S. La construction de ces points de S
ncessite lutilisation de points intermdiaires Xi.
Si = (ui, vi), Xi = (xi, yi)
Lalgorithme de Steiner retourne une zone surfacique sous forme dun cercle, et de rayon R
rglable, au cours de la crise, pour agrandir ou diminuer la surface optimise selon la situation
sur le terrain. Ce paramtre est contrl par le logisticien en se basant sur les historiques des
oprations de dploiement en cas de crise.
Heuristique propose :
120
On commence de la mme faon que pour Kruskal : on initialise une fort et une matrice des
distances. On slectionne ensuite la reprsentation des deux arbres les plus proches et on les
runifie avec la mthode de Zelikovsky. On recommence ensuite sur la nouvelle fort jusqu
unification totale.
Vu quon recherche contraindre la complexit O(N) on va se limiter dans le choix des
reprsentations. Ces dernires seront :
-
De cette faon chaque instant chaque arbre de la fort est reprsent par 2 points au
maximum. Ainsi on ne va construire que des arbres de Steiner 4, 3 ou 2 points.
Le calcul ne se fait pas comme dans lalgorithme de Kruskal par la mthode du plus court
chemin. Il se fait comme dans lalgorithme de Zelikovski. C'est--dire quon considre la
distance entre deux arbres comme la somme des longueurs de larbre de Steiner qui
permettrait sa runification, laquelle on retire la longueur des boucles. Finalement pour
calculer la distance qui spare larbre nouvellement cr des anciens arbres de la fort, nous
construisons larbre de Steiner qui nous servira lors de la prochaine phase de runification. Ce
qui explique pourquoi cette phase de runification nest quune initialisation des
reprsentations pour les prochaines itrations.
121
Gomtriquement, cet arbre de Steiner est le plus simple. Il suffit alors de placer correctement
le point S. Pour cela on distingue diffrents cas, et on appelle les sommets du triangle form
par des reprsentations A, B et C. On utilise ensuite la rduction de Melzak (Melzak, 1961)
pour placer le point S.
122
On utilise encore une fois la rduction de Melzak. Nous partons dun ensemble de 4 points A,
B, C et D. Nous construisons 2 couples de points X, soit 4 points. Nous mesurons ensuite les
distances entre ces deux couples et on ne gardera que le cas le plus favorable.
123
En se basant sur les critres prcdents et en utilisant un ensemble dindicateurs politico-comilitaires, les forces armes ont pu identifier des rgions dappui stratgique dans le monde,
qui seront favorises lors de limplantation des zones logistiques.
Disposant de n zones dappuis stratgiques et dune liste m de destinations de dploiement
possibles, le modle doptimisation du placement des bases logistiques propos doit donner:
- Lemplacement (discret) des installations parmi les rgions dappuis stratgiques existantes ;
- Le nombre dinstallations.
Les rgions dappuis stratgiques sont values selon les valeurs des variables de dcision
suivantes :
Nij = rseau routier, nombre de routes disponibles pour aller de la BL i vers la zone j ;
Lalgorithme propos calcule un indice de pertinence de chacune des zones dappuis, partir
des valeurs des variables ci-dessus. Lindice de pertinence est le rsultat dune pondration
entre toutes ces variables. Le logisticien aura la possibilit de donner plus dimportance un
critre donn, en augmentant sa pondration.
125
les tches non premptives o lexcution de lopration ne peut pas tre interrompue avant
quelle ne soit acheve.
Chaque tche ou chaque job peut tre caractris par une date de dbut au plus tt (release
date) ; une dure pour la tche (processing time) ; une date de fin souhaite (due date) ; une
date de fin obligatoire (deadline) et un poids relatif (weight) ou importance.
IV.3.2.2 Les ressources
Lexcution de diffrentes oprations et tches ncessite la mise en uvre dun ensemble de
moyens et doprateurs. Cet ensemble reprsente donc les ressources indispensables au bon
fonctionnement du systme (fabrication, distribution,). Une ressource est gnralement
disponible en quantit limite.
Nous en distinguons deux types : les ressources renouvelables et les ressources non
renouvelables. Une ressource est renouvelable si aprs avoir t alloue une ou plusieurs
tches, elle reste disponible pour effectuer lexcution de certaines tches (le personnel, les
machines, les moyens de transports,). Dans le cas contraire, elle est non renouvelable ou
consommable (matires premires, budget) ; et sa disponibilit est limite par son utilisation
pour raliser certaines tches.
Qu'elle soit renouvelable ou consommable, la disponibilit d'une ressource peut varier au
cours du temps. Sa courbe de disponibilit est en gnral connue a priori, sauf dans les cas o
elle dpend du placement de certaines tches gnratrices.
IV.3.2.3 Les critres
Parmi un ensemble dordonnancements possibles, nous sommes amens choisir la solution
la plus satisfaisante. Cette notion de satisfaction dpend directement du critre pralablement
dfini. Ces critres servent donc lvaluation et la comparaison des diffrents
ordonnancements possibles.
Les critres doptimisation sexpriment gnralement en fonction des dates de fin des tches
(ou jobs) Cj (completion times).
Les critres sont gnralement exprims en fonction des mesures suivantes :
-
fmax = maxj{fj(Cj)}
tj ti 3 ki
127
ti = ci
de
rsolution
(quelle
soit
en-ligne
ou
hors-ligne)
des
problmes
supposer qu'une entit dispose d'une vision globale de tout le systme est parfois non raliste.
Le deuxime inconvnient est quelle ne permet pas dajustement des dcisions prises
globalement.
Dans de nombreux champs d'application (chanes logistiques, projets industriels, etc.), les
ressources utilises sont souvent rparties au sein d'un ensemble d'acteurs se trouvant parfois
en situation de concurrence et disposant de fait, de leur propre autonomie de dcision et
d'objectifs propres dont il est fondamentale de tenir compte. Ce type d'organisation constitue
prcisment le contexte o les mthodes de rsolution distribue peuvent tre profitables dans
la mesure o chaque acteur doit faire face non seulement aux spcificits de sa propre
organisation et de son propre environnement local.
Il est alors intressant de considrer l'ordonnancement sous l'hypothse d'une fonction
distribue (dcisions d'ordonnancement distribues entre les diffrents acteurs) o la solution
globale rsulte d'une coopration entre les diffrents acteurs, chacun grant son propre
ordonnancement local robuste. Le rsultat de la coopration devant converger vers un
compromis satisfaisant les performances locales ainsi que la performance globale.
Dans le cadre des chanes logistiques, plusieurs travaux de recherches font l'hypothse que les
dcisions sont distribues au sein d'un rseau de centres de dcision interdpendants, et
proposent des mcanismes d'aide la dcision pour la coopration. Le secteur industriel
compte aussi de plus en plus de logiciels de gestion de chanes logistiques offrant des
solutions bases sur diffrents aspects d'organisation cooprative. Toutefois, peu de travaux
de recherche se sont intresss l'ordonnancement distribu et coopratif. La majorit des
travaux proposent des approches bases sur les Systmes Multi-Agents (SMA).
IV.3.4 Mthodes de rsolutions distribues
Diffrentes mthodes ont t dveloppes pour rsoudre la problmatique des plans dateliers
distribus. Dans (Lee et al., 2002), le modle de la chane logistique traite est reprsent par
des modles mathmatiques. Cependant, lenvironnement incertain, les perturbations et les
diffrents alas qui entourent la chane logistique rendent ces modlisations incompltes et les
solutions fournies pas souvent acceptables. Dans (Luder et al., 04 ; Gupta et al., 02 ; Kubota et
al., 99), des simulations ont permis lvaluation de la CL en la considrant comme une seule
entreprise centralise. Nanmoins des difficults lies au nombre important dentits
modliser et au niveau de dtail dsir lors dune modlisation en quipe de travail forment
les premires limites de cette approche. Dautres concernent la quantit dvnements
simuler, la puissance de calcul des ordinateurs, la rutilisation des modles de simulation et la
129
130
Lenjeu majeur pour notre chane logistique est la livraison. Il faut veiller limiter les retards
de livraison dans les zones sensibles en synchronisant correctement les diffrentes zones. En
cas derreurs ou de dlais trop importants, les dommages engendrs peuvent tre trs coteux
voir mme catastrophiques.
Notre problme dordonnancement est compos, dans sa reprsentation la plus complte, de
plusieurs entits, comme illustr dans la figure suivante :
Les entrepts : Nous disposons dentrepts dans chaque zone afin de stocker la
marchandise (nourriture, eau, mdicaments, vtements etc.).
Les moyens de transport : sont les moyens de transport utiliser pour lacheminement
des ressources. Le transport des biens peut se faire par des camions, des bateaux ou
des avions (avec une prpondrance de lutilisation de la voie terrestre). Le cot et les
contraintes temporelles justifient une planification soigne.
Les routes : dfinissent le rseau routier. En mtropole, ce rseau est fixe, et donc les
routes emprunter ainsi que les cots engendrs de leur emprunt sont connus
lavance. Dans les zones risques, les routes empruntes sont dtermines en fonction
de lvolution de la crise.
a) Lorsquune crise est dclare quelque part dans le monde, lagent mtropole est
notifi. Il cre alors les zones de la chane logistique de gestion de crise (1). La
dcision de crer et de positionner les zones est base sur le module de positionnement
optimis dtaill dans la premire section. Les informations lies aux zones gnres
sont ensuite transmises lagent Intgrateur Evaluateur (2).
132
h) Lagent Transport utilise ces donnes afin dallouer les ressources ncessaires pour ces
nouveaux ordonnancements et envoie une notification afin dajuster les tches de
livraison avec les nouveaux dlais de livraison (12). On rpte ensuite les tapes 5
8, jusqu ce quil ny ait plus dajustements effectuer(12). A ce moment-l (13),
lordonnancement global obtenu est dtenu par lagent Intgrateur et Evaluateur.
i) Si les ajustements ont t une russite, lagent Intgrateur et Evaluateur affiche en
sortie les rsultats de lordonnancement. (14) Si lutilisateur met une requte pour
arrter le processus, le systme sarrte (15). A la fin du temps de simulation fix,
lagent Intgrateur et Evaluateur valide la dernire solution optimise gnre.
Les diffrentes tapes de fonctionnement dcrites ci-dessus sont ralises par les messages
ACL changs entre les agents.
IV.3.6.2 Formulation de notre problme
Nous dfinissons les variables de notre problme :
La chane logistique tudie a une structure hirarchique. Ainsi, nous pouvons considrer A
lensemble des agent-zones AgZxy o x est le niveau hirarchique de lagent au sein de la
chane logistique et y son rang au niveau x.
On a A= AT GDAI G{AgZ1}, avec AT lensemble des agents zones terminales, AI lensemble
des agents zones intermdiaires, et AgZ1 lagent mtropole charg de crer les autres agentzones.
Nous avons alors : A = {AgZ1, AgZ21, , AgZ2n2, AgZ31,, AgZ3n3, , AgZm1,, AgZmne},
avec m le nombre total de niveaux dans la chane logistique et ne le nombre total dagents au
niveau e.
Nous notons aussi :
Lensemble des ressources distribuer : R= {r1, r2, , ru}, avec u le nombre total des
ressources ;
Lensemble des entrepts : S= {s1, s2,, sh}, avec h le nombre total des zones de
regroupement de ressources ;
Lensemble des moyens de transport : M= {m1, m2, , mk}, avec k le nombre total des
moyens de transport ;
134
Lensemble des routes disponibles : Wroutes= {w1, w2,, wz}, avec z le nombre total des
routes ;
Lensemble des tches locales : T= {t1, t2, , tl}, avec l le nombre total des tches
ordonnancer localement ;
Des variables reprsentant les paramtres des tches sont galement dfinies:
Ainsi, une tche ti consiste en la livraison dune quantit (Qte) de resource (rj) une zone
spcifique (agent zone client: clientID) en respectant certaines contraintes (la date de
livraison souhaite: di et la dure dexcution: pi)
ti : < clientID; rj ; Qte; di; pi >
Lobjectif par la suite est de fournir un ordonnancement distribu pour les tches de livraison
excutes tout au long de la chane logistique de gestion de crise.
IV.3.6.3 Construction des tches de livraison
Pour commencer, chaque agent-zone envoie une demande auprs de son suprieur
hirarchique. Lagent responsable doit dterminer sil peut rpondre aux exigences (tape 5
dans la figure IV.12). Si oui, la requte se transforme en une tche accomplir, sinon lagentzone responsable calcule la quantit quil peut fournir en fonction de son stock et de ses
disponibilits, il cre ainsi une nouvelle tche. Ce calcul est bas sur le degr durgence de la
requte et sur la date de rception. La procdure createTask(vi) (Figure IV.13), avec vi 4 V
et V lensemble des requtes, dtermine la quantit de ressource fournir.
Une fois que toutes les requtes sont traites, la procdure routingTasksConstruction
(Figure IV.13) donne la liste des tches prtes tre excutes.
Soit V lensemble des requtes et T lensemble des tches ;
135
Procedure routingTasksConstruction
In: V
Out: T
1: begin
2: T=
3: Do
4:
Select vi 7 V
5:
ti := createTask(vi)
6:
V := V- {vi}
7:
T := T+ {ti}
8:While set V of available requests
9: end
Figure IV. 13 Algorithme de cration des tches
- stock (ri, AgZxy) : correspond au niveau local de la quantit de ressource ri relative lagent
zone AgZxy, (pour ce cas particulier : AgZxy = Ord).
- demand (ri, AgZxy): correspond la demande de consommation locale de la ressource ri
relative lagent zone AgZxy, (pour ce cas particulier : AgZxy = Ord).
- Sachant que Ne correspond au nombre total dagents incluant ordonnanceurs et clients,
GEindex (ri, z, AgZxy) est une pondration de la consommation locale de lagent-zone identifi
par AgZxy et selon la ressource ri. Cette expression value le degr durgence de la
consommation de lagent zone local AgZxy, par rapport la consommation totale de tous les
agents clients (z = all):
GEindex (ri, z, AgZxy ) = Eindex (ri , AgZxy ) / 6 Ne (Eindex (ri , AgZxy ))
La prise de dcision par un agent ordonnanceur pour partager le stock de scurit local est
finalement value par :
amount(ri,Ord,Clientj)= reStock(ri,Ord) GEindex(ri,others, Clientj)
Une fois la quantit de ressources alloue aux tches est dfinie et les tches sont prtes (tape
7 dans la figure 16), il ne reste qu leur allouer un moyen de transport pour quelles
sexcutent.
Ltape suivante consiste rduire au maximum les retards en ordonnanant lensemble des
tches de livraison. Plusieurs algorithmes dordonnancement sont applicables, parmi lesquels
nous avons choisi lalgorithme de liste, particulirement adapt notre chane logistique grce
ses rgles de priorit dynamiques, et lalgorithme de Branch & Bound. Ces algorithmes sont
caractriss par leur souplesse et la facilit de leur implmentation en temps rel. Lide dans
la suite de mes travaux, est denrichir la couche mathmatique de la figure I.7 (Cf. Chapitre I)
avec dautres algorithmes dordonnancement, en crant ainsi une bibliothque de mthodes de
rsolution (Cf. Figure I.7- Chapitre I).
IV.3.6.4 Algorithmes pour lordonnancement local des tches de livraison
Notre approche permet de choisir une mthode doptimisation parmi celles qui existent dans
les bibliothques pour lordonnancement local des tches de livraisons. Nous prsentons cet
effet, lalgorithme de liste et lalgorithme de B&B, que lagent zone ordonnanceur peut
slectionner en fonction de son environnement, de ltat de son stock, et de la taille de son
problme.
a) Algorithme de Liste
137
Il sagit dune approche de rsolution possible. Le problme est rsolu par des rgles de
priorit statiques ou dynamiques. Lalgorithme de liste sert arbitrer lorsque plusieurs tches
sont disponibles en mme temps. Lalgorithme de liste repose sur les principes suivants :
Principe glouton: ne pas laisser la ressource inoccupe si des taches sont disponibles
Squencement glouton des tches: si la ressource est libre, squencer la premire tche
disponible de la liste
Arbitrage des tches: lalgorithme sert arbitrer avec des rgles de priorit lorsque
plusieurs taches sont disponibles
Algorithme
-
Prparer la liste les tches : Priorit sur les tches (due date la plus proche) ;
Squencement glouton des tches : quand la ressource (le moyen de transport) est
libre, squencer la premire tche disponible de la liste ;
138
Algorithme de Liste
In: T (Ensemble de tches ordonnancer)
Out: S
Dbut
S={} ;
Tant que T 8 (ensemble des tches
disponibles T est non vide) Faire
Dbut
Dterminer parmi lensemble T, la tche
ti de plus grande priorit ;
S := S K ti
Fin
Fin
Figure IV. 14 Algorithme de liste
Avec :
- S est une squence ou solution partielle (ou totale) de tches ordonnances.
- S = tiKS; signifie insrer la tche ti dans la squence S, lemplacement prvu par
lordonnancement.
b) Branch & Bound (B&B)
La mthode de Branch and Bound (procdure par valuation et sparation progressive)
consiste numrer les solutions dun problme doptimisation dune manire intelligente en
ce sens que, en utilisant certaines proprits du problme en question, cette technique arrive
liminer des solutions partielles qui ne mnent pas la solution que lon recherche.
Par convenance, on reprsente lexcution de la mthode de B&B travers une arborescence.
La racine de cette arborescence reprsente lensemble de toutes les solutions du problme
considr.
l
Min ( f k =
k lpha
1 max(c
i =1
d i ,0) )
139
Avec :
- 70 est le nud racine de larbre de recherche G.
- S est une squence ou solution partielle (ou totale) de tches ordonnances.
- S = tiKS; signifie insrer la tche ti dans la squence S, lemplacement prvu par
lordonnancement.
- lb est une borne infrieure.
- (9k) est lensemble des nuds fils de 9k.
- La procedure Subdivide (7k, (7k)) divise le nud 9k et gnre lensemble des nuds fils
(9k).
- G: = G {7i} signifie insrer dans larbre de recherche G le prochain nud explorer.
Pour le problme spcifique que nous abordons ici, une borne infrieure est calcule pour
chaque nud nouvellement cr de la faon suivante:
lb = Min ( f k )
k lpha
L'arbre G est alors mis jour par avec la procdure updateTest qui permet tout moment de
supprimer tous les nuds 7k qui vrifient f(7k )> lb.
Il est intressant ici de mettre laccent sur le fait que les agents ordonnanceurs vont pouvoir
puiser dans une bibliothque dalgorithmes dordonnancement dveloppe au niveau de la
140
wi
pq
41,
=3
20,
41,
m
y qpj = 3
20,
x
wi
qp
wi
qp =
1 1 1 (c
wi Wroutes pA \ AT qAI AT
141
wi
wi
+ c pq ) x wpqi + xqp
1 1 1c
p A \ AT q AI AT m j M
mj
pq
( y pqj + y qpj )
m
1C
p
p A \ {AgZ1 }
Dp
1{ } 1 c
Cearliness =
p A \ AgZ 1 s i S
si
p
Ep
Avec :
-
Nous mettons en place un ensemble de limites caractrisant les valeurs des critres afin de
mieux valuer la qualit des solutions et des mthodes de rsolution. Nous avons alors :
1 1 1 (c
Croutes =
Ctransport =
wi
1 1 1c
p A\ AT q AI AT m j M
Cdelay =
1{ C } D
p A \ AgZ1
Cearliness =
(1)
(2)
mj
pq
delay
wi
! DCroutes
+ c pq ) x wpqi + xqp
Ref
A CRef
1{ } 1 c
p A \ AgZ 1 s i S
si
p
(3)
(4)
E p A Cearliness
Ref
Lanalyse des valeurs des critres permet de dceler les anomalies dans les ordonnancements
obtenus en local et dy remdier. Ces indicateurs nous donnent des informations sur le niveau
et lintensit de la crise au niveau de chaque zone de la chane. Seuls les agents zones dont
les solutions locales prsentent un dbordement par rapport aux critres, devront
rordonnancer pour amliorer leurs solutions. Un mcanisme de ngociation entre agents
142
zones a t mis en place lors des travaux de Zoghlami (Zoghlami, 2008) pour rsoudre les
situations bloquantes.
O c3 est le cot le plus dfavorable du calcul dune distance (cas de larbre 2-S). En effet,
lors du ime passage, il ne reste que N-i arbres dans la fort. Lorsque lon calcule la distance on
vient den runifier un de plus. Donc il ne reste que N-i-1 arbres.
Or nous allons simplement calculer la distance entre ce nouvel arbre et les anciens arbres, soit
N-i-2 calculs.
143
UA9
;J<
;J<
FQ 2 3FQ 2 &
3
FQ 2 3FQ 2 &
3
Q9
3
En dfinitive, nous avons prouv que notre algorithme de positionnement implment au cur
de lagent mtropole est polynomial en N2.
IV.4.1.2 Etude de complexit du comportement de lagent zone
Le moteur de calcul de lagent zone est un algorithme dordonnancement. Deux voies de
rsolution des problmes dordonnancement sont considres : donner une solution exacte
selon une stratgie connue, ou bien donner des heuristiques qui permettent dobtenir des
solutions approches ayant un cart raisonnable par rapport la solution optimale ou par
rapport une borne infrieur calcule. Selon lapproche choisie, il est facile de dmontrer que
pour des problmes de petite taille, lalgorithme converge vers une solution optimale. Les
agents zones ordonnanceurs disposent au niveau de la couche mathmatique de notre
architecture dune bibliothque dalgorithmes dordonnancements. Selon la situation sur le
terrain et la taille du problme, chaque agent ordonnanceur choisit dappliquer lalgorithme le
mieux adapt son environnement.
Chaque agent zone prendra une dcision locale en fonction des capacits de perceptions de
l'environnement immdiat. La solution deviendra donc hautement parallle puisque tous les
agents feront leurs calculs en mme temps. Le fait de limiter la prise de dcisions une
situation purement locale permet galement de rduire la complexit de la solution.
IV.4.2 Convergence du systme propos
La principale difficult induite par lutilisation de systmes multi-agents est quil est plus
difficile de matriser le comportement et lvolution du systme global, constitu dagents
autonomes : pour un problme donn, il nest pas assur que lensemble des agents converge
vers une solution commune et unique. Le systme doptimisation des flux propos sappuie
sur une architecture distribue compose de plusieurs agents ordonnanceurs qui cooprent et
144
interagissent, par change de messages, suivant une approche dcentralise pour construire un
ordonnancement local au niveau de chaque agent, et de manire converger au mieux vers
une solution globale qui satisfait des exigences adoptes collectivement. Nous prouverons
dans cette section la convergence de notre solution.
Commenons tout dabord par dfinir la notion de stratgie : Une stratgie est lensemble
dactions qui caractrisent le comportement dun agent dans une socit dagents.
Au dpart, et dans une socit dagents, chaque agent se comporte selon une stratgie initiale,
mais avec le temps qui passe, il merge toujours un phnomne global que la plupart des
agents tendent suivre, convergeant ainsi vers une stratgie comportementale, que l'on
appelle la synchronisation collective.
Nous nous intressons dans ce contexte la notion dmergence et ses implications dans un
SMA.
IV.4.2.1 Caractrisation dun phnomne mergent
En thologie et en entomologie, un comportement mergent est un effet global qui rsulte de
l'application de rgles locales, gnralement trs simples. Par exemple, il est possible de
simuler l'activit trs complexe d'une fourmilire l'aide de rgles trs simples concernant
chaque fourmi (Drogoul, 1993). En science des systmes, l'accent est mis sur le phnomne
d'mergence. Ce n'est plus une somme de comportements simples mais le rsultat d'une
interaction entre ces comportements et la complexit du systme. Nous proposerons donc une
approche distribue ce problme qui s'appuie sur la coopration dagents ractifs permettant
dobtenir la solution par mergence du comportement global de la CLGC.
Un rcent travail de bibliographie sur la notion d'mergence, en particulier dans les SMA, est
fourni par (Deguet, 2008). Ce travail est axe sur ce qui caractrise un phnomne mergent et
conclut sur l'importance primordiale des interactions par rapport aux comportements
individuels pour leur apparition. Il dfinit l'mergence comme un avis plus ou moins
consensuel, sans fondement formel, regroupant tout ou partie des critres :
Causalit descendante : l'mergent, ou piphnomne, est peru indpendamment des entits
qui composent le systme, mme s'il provient d'elles, et a une causalit de son niveau global
sur le niveau local de ces entits.
Observation et prdiction : l'mergence facilite la description de l'tat du systme ou de son
volution future. Mais il n'y a pas de rduction possible : on ne peut pas dduire le niveau
global du niveau local. L'observation du systme est ncessaire, et le meilleur moyen de
prvoir son volution est de le simuler.
145
nous supposons que plus la valeur d'une stratgie est grande, plus la stratgie est dominante
dans la synchronisation collective.
Dans notre systme, chaque agent est dot dun rang social. Les agents des diffrentes classes
sociales vont alors avoir diffrents effets sur le systme : les agents suprieurs peuvent
facilement influencer les stratgies des agents subalternes.
Dfinition 1. Le rang social de l'agent ai peut tre exprim par la fonction: pi 8 R.
pi W pj signifie que ai est de rang suprieur aj.
L'ensemble des rangs sociaux de tous les agents dans le systme peut tre exprim par: P =
[pi], o 1! i! n, et n dsigne le nombre d'agents dans le systme.
Dfinition 2. (Capacit de synchronisation des agents individuels).
De toute vidence, plus le rang social de l'agent est lev alors plus celui-ci est capable de
participer la synchronisation collective; d'autre part, selon notre hypothse, plus la valeur de
la stratgie est grande, plus celle-ci est dominante dans la synchronisation collective.
Par consquent, la capacit de synchronisation d'un agent est dtermine par son rang social et
sa stratgie.
Soit si la stratgie de l'agent ai, pi dsigne le rang social de ai, A dsigne l'ensemble des agents
sur le terrain, la capacit de synchronisation ci de ai, peut tre dfinie comme:
A;
; ' X; Y
&
H A
F/F I4Z I
o | A | dsigne le nombre total de tous les agents dans le champ de synchronisation.
La synchronisation collective de notre systme multi-agents suit toujours plusieurs
hypothses:
- Le rsultat de la synchronisation est la convergence vers une stratgie commune mergente:
Les diffrentes stratgies individuelles des agents vont toujours converger vers une stratgie
commune du systme, qui est dans notre cas lobtention dun calendrier global acceptable de
la CLGC;
- Au dpart, les effets de tous les agents sur la synchronisation sont identiques et tous les
agents ont la mme capacit de synchronisation;
- Tous les agents zones ordonnanceurs peuvent faire appel aux algorithmes doptimisation
implments au niveau de la couche mathmatique. Pour chacun, les donnes dentre et
sortie dpendent de sa propre perception de son environnement et de la stratgie choisie.
- La stratgie de lagent Intgrateur Evaluateur est dvaluer la validit des solutions locales
en se basant sur des indicateurs de performances prdfinis, et denvoyer des notifications de
r-ordonnancement aux agents zones ordonnanceurs. Des conditions suffisantes sont fournies,
qui garantissent la convergence de cet agent ordinaire.
- La stratgie de lagent Transport est dallouer les moyens de transports et les routes
praticables pour chaque agent zone ordonnanceur, en vue de lacheminement des ressources.
Des conditions suffisantes sont fournies, qui garantissent la convergence de cet agent
ordinaire.
- La stratgie de lagent Mtropole consiste en la cration et le dploiement de la chaine
logistique de gestion de crise, en se basant sur larbre de Steiner pour minimiser le cot de la
chane cre. La convergence de cet agent de premier plan a t prouve dans la section
IV.3.2 (IV.3.2.1Convergence dun agent logistique).
- La stratgie de chacun des agents zone ordonnanceurs, qui sont considrs dans notre cas
comme des agents de premier plan, est de fournir un ordonnancement local optimis pour
lacheminement des ressources vers les zones subalternes, en utilisant des algorithmes
doptimisation connus lavance. Chaque agent zone ordonnanceur peut puiser dans la
couche mathmatique de notre architecture pour choisir lalgorithme le mieux adapt sa
situation. Grace laspect distribu de notre approche, les donnes d'entre et de sortie de
chaque sous problme dordonnancement sont en quantits limites et les diffrentes tches
planifier sont en nombre limit. Chaque agent zone est confront gnralement un problme
d'ordonnancement de petite taille. Cela devrait conomiser considrablement le temps de
calcul et garantir la convergence de chacun de nos agents-zones de premier plan, comme
prouv dans la section IV.3.2 (IV.3.2 Convergence dun agent logistique)
En se rfrant aux dfinitions prsentes dans les travaux de Jiang (Jiang, 2008), nous avons
identifi les agents de premier plan et les agents ordinaires de notre CLGC. En partant de
lhypothse que les agents de mme types ont tendance suivre la mme stratgie, et que les
agents ayant un rang social plus lev possdent un degr de convergence dominant par
rapport aux autres agents, et en se rfrant la section prcdente, nous prouvons que les
stratgies des agents ordinaires ont tendance converger vers les stratgies dominantes des
agents de premier plan. Nous obtenons donc lmergence du phnomne de convergence
globale prominente dans notre systme.
148
IV.5 Conclusion
Dans ce chapitre, nous avons prsent deux approches doptimisation pour la mise en uvre
dun systme daide la dcision au service de la logistique militaire. Les approches adoptes
sont intgres dans un systme dinformation multi-agent dont le comportement vise
satisfaire les consommateurs en zone de crise, en termes du temps dattente des livraisons, et
satisfaire les gestionnaires du systme, en termes du cout de gestion de la chane logistique.
Lapproche doptimisation ractive propose se base sur une interaction dynamique et flexible
entre les agents zones et des agents connexes pour se coordonner efficacement afin de couvrir
lintgralit des tches traiter lors dune crise. Nous avons donc prsent dans ce chapitre les
processus doptimisation des flux adopts.
Nous prsentons dans le chapitre suivant, la plateforme de dveloppement multi-agent
utilise, avant dillustrer la pertinence de nos approches par des scnarii de simulations et les
rsultats obtenus.
149
dvelopps avec Java. Nous donnons dans ce qui suit une brve prsentation des outils les
plus cits et utiliss.
V.2.1 CORMAS :
Abrviation de COmmon Resources Multi-Agent System, CORMAS est une plateforme libre
(open source) base sur SmallTalk comme langage de programmation pour le dveloppement
de systmes multi-agent. Spatialise, cette plateforme est plutt oriente vers des
problmatiques de recherche en sciences du dveloppement et de ngociation entre acteurs.
V.2.2 Zeus
Il sagit dune plateforme logicielle (Nwana et al., 1999) dveloppe par British Telecom
System Research Lab o des systmes collaboratifs peuvent tre labors en quatre phases :
analyse, conception, ralisation et support lexcution. Elle dfinit les rles au dbut de
llaboration, pour ensuite dcrire lorganisation et enfin la coordination. Elle prsente par
ailleurs linconvnient majeur dtre trs complexe et difficile de maitrise et ncessite donc de
longs apprentissages.
V.2.3 MadKit
Madkit4 (Multi-Agent Developpment Kit) cr en 1996 par Olivier GUTKNECHT et Michel
FERBER (Laboratoire dInformatique, de Robotique et de Micro-lectronique de
Montpellier). MadKit est une plateforme multi-agent entirement crite en Java. Elle se base
sur un modle organisationnel (Agent/Groupe/Rle).
La communication dans Madkit est base sur un mcanisme de peer to peer, et permet le
dveloppement rapide des applications distribues en utilisant les principes multi-agent. Parmi
les outils que Madkit propose, on trouve une interface graphique qui permet de supporter
diffrents modes dutilisation et dexploitation de la plateforme.
V.2.4 Jade
Acronyme de Java Agent DEvelopment, JADE est un framework bas sur le langage Java et a
t dvelopp l'Universit de Parme en Italie. Cest une plateforme JAVA initie pour le
dveloppement des SMA et rpond aux normes FIPA. A ce stade, il convient tout dabord de
dfinir la norme FIPA50 (Foundation for Intelligent Physical Agents) avant de procder la
description de JADE.
- La portabilit.
Les deux plateformes qui ne spcifient aucune mthodologie et peuvent tre considres
comme des frameworks2 , sont JADE3 et Jack mais JADE lemporte avec plusieurs autres
caractristiques intressantes telles que la possibilit dintgration des Web services
et
154
155
Les agents communiquent entre eux en changeant ce qui peut reprsenter des actes de
langage, et qui sont encoder dans un agent de langage de communication ACL.
Nous avons list quelques-unes des communications possibles les plus utilises et les avons
regroupes selon les actions suivantes :
Actions
Syntaxe
Accept Proposal
accept-proposal
Agree
agree
Cancel
cancel
cfp
Confirm
confirm
Disconfirm
disconfirm
Inform
inform
Propose
propose
Request
request
Dfinition - Sens
Communication de l'accord de l'expditeur d'effectuer une
action qui lui a t pralablement soumise.
Communication de l'accord de l'expditeur pour effectuer une
action, sans doute dans le futur.
Communication de l'annulation de l'accord donne
pralablement par l'expditeur pour effectuer une action.
Communication par l'expditeur d'une demande d'effectuer
une certaine action.
Communication par l'expditeur de la confirmation de la
validit (selon les rgles de l'agent) de la proposition
pralablement reue.
Communication par l'expditeur de la confirmation de la non
validit (selon les rgles de l'agent) de la proposition
pralablement reue.
Communication par l'expditeur d'une proposition, pense vrai
par celui-ci.
Communication par l'expditeur d'une proposition d'action
conditionne certaines prconditions donnes.
Communication par l'expditeur d'une demande au destinataire
d'effectuer une action.
Le message type du Fipa ACL contient tout d'abord le type du message envoy (= syntaxe de
ce message), mais aussi :
- l'expditeur du message
- le destinataire du message
- le contenu du message
- le langage utilis dans le contenu du message ("language ..."),
- le protocole utilis,
- l'ontologie auquel le message se rattache ("ontology ..."),
- la rfrence d'un message antrieur auquel le message actuel se rattache ("in-reply-to ..."),
ou la rfrence d'un message ultrieur attendu en retour ("reply-with ...").
- la rfrence de la conversation.
place avec une base logistique de ZRR. Dautres zones logistiques en dcoulent pour relier la
base logistique ZRR la zone dopration.
Nous commenons par prsenter notre dmonstrateur OBAC de manire gnrale, ensuite
nous dtaillons les rsultats obtenus du module de positionnement des zones logistiques,
travers plusieurs scnarii de simulations.
Par la suite nous prsentons les rsultats de simulations du module destimation des besoins,
en les comparants avec les rsultats obtenus avec la premire version du NEA.
Finalement, limpact des comportements des agents zones sur lvolution des stocks et
loptimisation des flux sera prsent lors de la dernire section.
V.5.1 Prsentation du Dmonstrateur OBAC
Au dmarrage de lapplication, une premire fentre de configuration apparat. Celle-ci
permet de choisir le nombre de base logistique Terminales (ZT) que lon souhaite associer la
ZRR, ainsi que le nombre de ressources que lon souhaite reprsenter pour la simulation.
On choisit aussi la dure souhaite pour la simulation [de 1 365 jours].
Une fois cette premire fentre valide, une seconde fentre de configuration saffiche
lcran. Cette fentre permet lutilisateur de renommer les ressources, mais surtout de
dfinir la quantit moyenne (en unit de ressource) de ressource consomme par un soldat, en
temps de repos (non combat). Ces valeurs serviront de base pour lestimation des besoins des
zones. Toutefois, lexactitude de ces valeurs nest pas indispensable dans la mesure o
lestimateur de besoins convergera de toute faon vers les valeurs relles.
157
Une fois cette deuxime fentre valide, la fentre principale du dmonstrateur OBAC
souvre (Figure V.4).
3. Si des mouvements de troupes sont prvus, longlet Gestion des troupes permet
denregistrer les mouvements prvus entre les diffrentes zones logistiques ;
4. Enfin, si des oprations particulires sont prvues sur nimporte laquelle des zones
logistiques, lutilisateur a la possibilit de renseigner lapplication sur les dtails de
lopration, afin que lestimateur de besoins puisse en tenir compte et anticiper les
changements de consommations dus des changements dactivits.
5. Une fois les quatre points prcdents renseigns, le bouton Dmarrer la simulation
de longlet Gnral permet de lancer la simulation.
Longlet Vue densemble (Figure V.5) permet davoir une vue sur la structure
hirarchique de la CLGC, avec les niveaux de stocks en chaque ressources et au niveau de
chacune des zones.
Longlet Suivi des paquets permet de visualiser les marchandises en cours de livraison dans,
o les colis en retard (ou perdus) saffichent en rouge. La coloration des lignes est fonction
des zones de dpart et darrive :
- Gris entre MainAgent et la ZRR
- Violet entre la ZRR et les ZI,
- Vert entre les ZI et les ZT,
- Rouge entre deux ZT.
Longlet Suivi stocks et flux permet dafficher lvolution des stocks des diffrents agents
pour les diffrentes ressources. Notamment, les niveaux de stock des jours passs sont
affichs en bleu, et les niveaux venir sont en bleu ciel et beige.
159
Latitude
Longitude
35.69
139.69
Zones
Latitude
Longitude
terminales
Fukushima
37.76
140.47
Tableau V. 2 Donnes de dpart pour
le cas 2 zones
Zones
portuaires
-
Rsultats obtenus :
- Deux curseurs pointant sur les deux villes dfinies par lutilisateur.
- Arbre dune seule branche et de poids non nul :
Poids de larbre de Steiner = 0.0471
- Pas de cration de zones intermdiaires.
- Les deux zones utilisateurs sont places sur la carte.
161
Latitude
Longitude
Latitude
48.85
Longitude
2.35
Zones
terminales
Kairouan
Latitude
35.67
Longitude
10.09
Zones
portuaires
Tunis
Marseille
Rsultats obtenus :
- Quatre curseurs indiquant la zone initiale, terminale et les zones portuaires.
- Deux arbres dune branche chacun, de poids total non nul.
Poids de larbre de Steiner = 0.340
- Pas de cration de zones intermdiaires.
162
Latitude
Longitude
36.82
43.3
10.17
5.37
Latitude
Longitude
34.05
-118.24
Zones
terminales
Chicago
Nouvelle
Orlans
Latitude
Longitude
41.87
29.95
-87.6
-90
Zones
portuaires
-
Latitude
Longitude
Rsultats obtenus :
- Cration dune zone intermdiaire quivalente au point de Steiner.
- Quatre curseurs sont placs sur la carte, trois zones U utilisateurs, et une zone I
intermdiaire correspondante au point de Steiner.
163
Envisageons dsormais une solution la main . Nous choisissons par exemple de placer
intuitivement la zone intermdiaire sur Dallas (latitude : 32.80 ; longitude : -96.77), au SudOuest de la zone propose par lalgorithme. Nous montrons que le poids de larbre issu de ce
choix (distance totale interzone) est plus lev que celui de larbre issu de lalgorithme.
164
Nous effectuons le mme essai en plaant la zone intermdiaire Wichita (latitude : 37.69 ;
longitude : -97.34), dans le Kansas, ville qui semble plus centre que Dallas. Voici ce que lon
obtient :
Nous pourrions encore essayer beaucoup de villes des Etats-Unis, sans jamais trouver
meilleur positionnement que celui suggr par lalgorithme. Cet ultime test dmontre donc
165
bien lintrt de lalgorithme que nous avons dvelopp du point de vue de la minimisation
des distances.
b) Sur deux continents diffrents
Nous allons tester ici un cas 3 points comportant une zone initiale sur un premier continent
et deux zones terminales sur un deuxime. Nous aurons crer des zones portuaires.
Lapplication devra alors gnrer une zone intermdiaire sur le deuxime continent, o trois
zones utilisateurs sont finalement implantes, tandis que le cas du premier continent
correspondra un cas deux points.
Donnes de dpart :
Zones
initiales
Montral
Latitude
Longitude
45.51
-73.55
Zones
terminales
Berlin
Sozopol
Latitude
Longitude
52.52
42.42
13.41
27.70
Zones
portuaire
s
Halifax
La
Rochelle
Latitud
e
Longitud
e
44.65
46.16
-63.57
-1.15
Rsultats obtenus :
- Cration dune zone intermdiaire au niveau du continent europen.
- Six curseurs placs sur la carte, trois zones U utilisateurs, deux zones U portuaires, et une
zone I intermdiaire correspondante au point de Steiner.
- Arbre total de poids non nul.
Poids de larbre de Steiner = 0.175
Coordonnes du point de Steiner = (latitude : 50.124 ; longitude : 12.931)
166
Bien que cette approche ait prouv sa pertinence, il est probable quen logistique militaire, le
choix ne se fasse pas toujours de faon automatise. En effet, lintervention humaine est un
facteur trs important qui se base sur lexpertise et lexprience des logisticiens aux
commandes. Nous proposons alors une aide au positionnement qui permet de prendre en
compte des paramtres, autres que la minimisation de la distance, et qui sont caractristiques
de la logistique militaire, comme linfrastructure en place ou les situations gopolitiques.
V.5.3 Aide au positionnement des zones : Le mode Manuel
Dans cette approche, nous nous mettons sous lhypothse quil existe des zones dappuis
stratgiques pr installs un peu partout dans le monde. Le logisticien alors, au lieu dinstaller
la zone logistique dans une rgion inconnue, va privilgier lutilisation des zones dappuis
implantes.
Loutil va aider le logisticien dans sa prise de dcision pour le choix en nombre et en
localisation des zones intermdiaires utiliser.
Notre choix sest port sur le cas du Japon pour illustrer les rsultats des simulations. En effet,
le sisme du 11 mars 2011, suivi d'un tsunami, a fait de trs nombreuses victimes et a
provoqu un grave accident nuclaire. Cette catastrophe a ncessit un appui logistique
durgence considrable. Nous avons donc essay, en nous basant le plus possible sur ces faits
rels, de mettre en place une base de donnes dans laquelle loutil daide la dcision puise
pour ensuite proposer les villes les plus sures et les mieux situes pour pouvoir y implanter
des bases logistiques. Lobjectif gnral est dtre le plus efficace possible au niveau des
interventions de secours et de soutien la zone de crise.
167
168
Kagoshima
Kobe
Nagoya
Sapporo
Sendai
Tokyo
Nb Aroports
Nb Ports
Pondration Montagneuse
Pondration Humaine
33.6
31.6
34.7
35.2
43.1
38.3
35.7
130.4
130.6
135.2
136.9
141.4
140.9
139.8
Latitude
Longitude
170
Ainsi on voit que si une ville est trop loigne, ou ne dispose pas dassez dinfrastructures
(ports, routes, humains.) ou si elle reste trop encombre par des zones montagneuses, le
logiciel jugera que si on y implante une base logistique, le cot et lefficacit de lintervention
ne sera pas optimal. Ainsi loutil conseille un nombre de bases logistiques utiliser ou placer
(ce nombre reste discutable selon lurgence et ltat de la zone de crise) et indique
lesquelles choisir en priorit pour optimiser au maximum lefficacit logistique.
Lors de cette premire simulation, loutil conseille de placer 2 bases logistiques Tokyo et
Nagoya pour pouvoir aider la ville de Sendai trs affecte par le sisme.
Nous avons galement rajout un agent perturbateur destructeur de routes et dinfrastructures
qui permet de simuler les ralits des crises, savoir, pour lexemple du Japon notamment, les
lourdes consquences dun tsunami ou dune menace nuclaire (pertes humaines et
structurelles) comme par exemple pour la ville de Tokyo o les consquences sont une
destruction de 3 routes suite au tsunami, de nombreuses pertes humaines et une rquisition de
laroport pour permettre aux personnes restantes de fuir le pays :
171
Loutil daide la dcision sadapte. Dans le cas dune crise survenant dans une crise
(exemple : lorsquune ville a t compltement dtruite par une catastrophe ou une attaque) il
ne conseille pas au logisticien dy implanter une base. Dans notre exemple en redmarrant une
simulation, le logiciel calcule le nouvel indice de pertinence de Tokyo qui a baiss jusqu 2
(au lieu de 8 prcdemment) et ne conseille plus quune seule BL place Nagoya.
* Second test
Dans ce deuxime jeu de simulation, cest la ville de Tokyo qui a t frappe par le sinistre.
Nous obtenons les rsultats suivants : Loutil daide au positionnement propose de placer 3
zones intermdiaires, savoir Nagoya en premier lieu, Sendai en deuxime lieu et finalement
Kobe en troisime position
172
Nous constatons que notre approche permet la fois de jouer le rle doutil daide la
dcision pour le commandement militaire mais aussi danticiper le positionnement stratgique
et gographique de bases logistiques dans une zone en crise. Ce dernier peut trs facilement
tre adapt la logistique civile, o il suffirait dadapter les critres de calcul de pertinence.
Dans la section suivante, nous prsentons les rsultats de simulations de lagent holonique
Need Estimating Agent, qui permet destimer les consommations futures de marchandises au
niveau des zones sinistres.
V.5.4 Les tests du Need Estimating Agent
Pour raliser ces simulations, deux sries de tests ont t effectues.
V.5.4.1 Premier test : variation linaire en fonction du nombre de personnes
Lors du premier test, nous avons considr les paramtres suivants :
- Une variation linaire du nombre de personnes.
173
Nombre de
personnes
Estimation
logique floue
Valeur relle
Estimation
ARMAX
Statistical
estim. error
ARMAX
error
1
2
3
4
5
6
7
8
500
1500
2000
3000
2500
2500
1300
700
486,26
1458,79
1945,06
2917,59
2431,32
2431,32
1264,29
745,4
450
1350
1700
2750
2250
2300
1150
800
475,67
1397,37
1757,54
2795,171
2276,511
2322,701
1154,842
798,67
7,45%
7,45%
4,92%
3,59%
2,96%
1,57%
0,97%
0,38%
5,39%
3,38%
3,27%
1,61%
1,16%
0,96%
0,39%
0,25%
4766
4666
3766
89ABCD1ED
FDC9D
3666
A919D
9D
2766
DC1CDD
2666
A91
766
6
6
26
174
Nombre de
personnes
Estimation
logique floue
Valeur relle
Estimation
ARMAX
Statistical
estim. error
ARMAX
error
1
2
3
4
5
6
7
8
9
10
11
5000
15000
20000
30000
25000
25000
13000
7500
5000
15000
20000
4862,64
14587,93
19450,57
29175
24313
24313
12643
7294
4862,64
14187,93
19450,57
4500
15500
18000
20000
19000
19000
14000
7500
4500
15500
18000
4752,39
15190,04
18475,4
22327,23
20220,511
20220,701
13594,69
7458,16
4524,48
15279,3
17896
7,45%
8,05%
3,92%
19,15%
9,96%
9,57%
7,97%
4,38%
2,15%
2,36%
1,09%
5,30%
2,04%
2,05%
11,66%
6,03%
6,03%
2,98%
0,56%
0,52%
1,44%
0,58%
47666
46666
37666
9ABCD1ED
FDC9D
36666
DA91FC
9D19D
27666
!DC1CDD
"99AAD
26666
DA91FC
7666
6
6
26
27
Dans le cas du deuxime test, le graphe (Figure V.21), et le tableau de valeurs, montrent bien
lvolution de lestimation au cours du temps. On voit trs nettement lestimateur ARMAX
samliorer chaque fois, tout en prenant le pas sur lestimation linaire (rgression linaire).
Lestimation saffine au cours du temps jusqu coller pratiquement la ralit et donner une
estimation prcise de la valeur recherche (moins de 2% derreur).
Nous prsentons dans la section suivante les rsultats des simulations de lapproche propose
pour lordonnancement distribu des tches de livraisons.
175
Nous considrons au total 9 zones sinistres, une zone mtropole et 3 zones intermdiaires,
pour avoir un problme dordonnancement un peu plus riche.
Nous avons considr que lapparition de la crise dtecte par lagent mtropole conduit la
cration de 3 zones intermdiaires : ZI1, ZI2 et ZI3 (Figure 14). Chaque agent zone
intermdiaire reoit 3 tches ordonnancer pour aider les zones sinistres.
176
ZT3
ZT3
ZI3
ZT31
ZT11
ZT23
ZT13
ZI2
ZT12
ZI1
ZT2
ZT22
Figure V. 22 Mise en place de la chane logistique
Airbus A400M
340 m3
850 Km /h
Jet A1 : 1 /L
17 000 L
17 000
WPK 440
50 m3
70 Km/h
Gasoil : 1,4 /L
10 L
14
Pour les dlais de livraison, nous supposons que les dlais de transport entre zone
intermdiaire et zone terminale est de 3 jours par voie terrestre et 1 jour par voie arienne. Les
dlais de transport entre zone mtropole et zone intermdiaire est de 2 jours par voie terrestre
et 1 jour par voie arienne. Dans notre cas le transport entre la zone mtropole (France) et les
zones intermdiaires (situes au Japon) ne peut seffectuer que par voie arienne.
Le temps dexcution correspond au champ temps dexcution de la tche de livraison. Ce
champ va tre mis jour chaque fois que nous changeons le moyen de transport pour le r
ordonnancement.
177
Comme il est difficile de donner une valeur exacte pour les cots de rfrence, les valeurs
utilises lors de ces simulations sont des valeurs approximatives (cela dpend du lieu, de
lintensit de la crise, de la nature de la marchandise etc.)
V.5.5.2 Premire semaine de dploiement
Afin de mettre en vidence la variation des cots de livraison, nous considrons que les agents
zones ordonnanceurs reoivent des requtes trois fois au cours de cette semaine (au jour 1,
jour 4 et jour 7).
Nous considrons tout dabord les donnes suivantes pour les marchandises gres :
1
R1 : vtements
R2 : nourriture
R3 : mdicaments
Initialement nous avons les quantits initiales de ressources illustres la figure V.23
suivante.
A t= jour 1, les trois agents ZI1, ZI2 et ZI3 reoivent lensemble des requtes suivantes :
1
1
1
1
1
1
1
1
Les quantits de ressources demandes sont bases sur les estimations fournis par lagent
Need Estimating Agent (Cf. chapitre III).
La Figure V.24 illustre lensemble des tches reues par les agents zones intermdiaires au
premier jour de la crise.
Figure V. 24 Tches reues par les agents ordonnanceurs au 1er jour (semaine 1)
Les donnes reportes dans la figure V.24 seront transmises aux agents zones ordonnanceurs
qui ont pour mission de gnrer les plans de livraison.
Chaque agent ordonnanceur concern rcupre les informations relatives la requte reue et
procde lordonnancement selon la date darrive des tches et en respectant la date de
livraison demande. Lagent Intgrateur Evaluateur value alors les cots engendrs par les
plannings gnrs. Les indicateurs de performance obtenus sont compars aux valeurs de
rfrence. Leurs valeurs sont les suivantes ;
Local Schedule
Indicator1
routes
Indicator2
Croutes
Ref
transport
Indicator3
transport
CRef
earliness
Indicator4
Cearliness
Ref
Cdelay
CRef
delay
ZI1
1,1
2,5
11,3
30
2,7
55
15
ZI2
1,97
2,5
16,4
30
4,2
30
15
ZI3
2,7
2,5
9.4
30
1,6
25
15
179
Local Schedule
Indicator1
routes
Indicator2
Croutes
Ref
transport
Indicator3
transport
CRef
30
earliness
Indicator4
Cearliness
Ref
2,7
Cdelay
CRef
delay
ZI1
2,5
16,7
15
ZI2
1,97
2,5
8,4
30
4,2
30
15
ZI3
2,7
2,5
9.4
30
1,6
25
15
Aprs avoir quitt ltat critique durgence, des requtes apparaissent de nouveau au troisime
jour de la crise. La figure ci-dessous montre les diffrentes tches reues par les agents
ordonnanceurs.
Figure V. 25 Liste des tches reues par les agents ordonnanceurs au 3me jour (semaine 1)
Nous remarquons que dans ce cas, la deuxime tche et la troisime tche sont arrives en
mme temps, mais la priorit est donne la deuxime tche car elle possde la date de
livraison la plus imminente. Aprs simulation nous obtenons :
180
Figure V. 26 Liste des tches reues par les agents ordonnanceurs au 5me jour (semaine1)
R1 : soldats,
R2 : mdecins,
R3 : mdicaments
Tableau V. 12
R1
R2
R3
Zone mtropole
500
500
500
ZI1
195
180
150
ZI2
200
200
170
ZI3
195
180
150
ZT11
50
ZT12
50
20
ZT13
20
ZT21
30
ZT22
20
20
ZT23
87
50
ZT31
43
ZT32
10
ZT33
20
Au premier jour de cette semaine, les requtes traiter sont comme suit;
1
1
1
1
1
1
1
1
1
182
Figure V. 27 Liste des tches reues par les agents ordonnanceurs au 1er jour (semaine 3)
A cause de la gravit de la crise et afin de ne pas entamer les stocks de scurit, les zones
sinistres ont besoin de plus de ressources pour ne pas envisager une nouvelle situation
critique. La figure V.28 dfinit lensemble des tches cres.
Figure V. 28 Liste des tches reues par les agents ordonnanceurs au 2me jour (semaine 3)
Au 5me jour de cette semaine (Figure V.29) les tches reues sont les suivantes :
183
Figure V. 29 Liste des tches reues par les agents ordonnanceurs au 5me jour (semaine 3)
Nous avons compar les cots obtenus avec des cots que peut donner un algorithme
dordonnancement sans entente et non adaptatif en cours de simulation.
Cot total obtenu avec
entente (K)
Jour1_Semaine1
Jour3_Semaine1
19400
25 440
9800
28 200
Jour5_Semaine1
7 920
22 200
Jour1_Semaine3
13 400
27 200
Jour2_Semaine3
9200
31 600
Jour5_Semaine3
7 400
24 600
Tableau V. 13 Comparaison entre le cot de livraison total obtenu, avec et sans entente entre les agents
184
La Figure V.30 montre la grande diffrence entre le cot de livraison obtenu avec lapproche
de rsolution distribue propose et celui obtenu en appliquant un algorithme
dordonnancement en absence dentente entre les agents. Dans ce dernier cas, les agents
travaillant en boucle ouverte et sans un vrai retour sur la qualit de leurs solutions, engendrent
un cot de livraison beaucoup plus important. Do lefficacit de la solution propose ainsi
que celle de lapproche multi-agents dans la rsolution dun problme dordonnancement dans
une chane logistique assez complexe.
Lagent Sniffer de la plateforme Jade (figure V.31) permet de tracer lchange de messages
entre les diffrents agents du systme.
Au bout de 14 jours de simulation, nous comparons lvolution des stocks en activant le mode
doptimisation de lordonnancement, avec les rsultats obtenus avec le dmonstrateur dans sa
version antrieure. Nous remarquons que pour le mme jeu de simulation, notre approche
permet de lisser lvolution des stocks, en vitant de tomber sous le seuil de scurit, comme
ctait le cas avec la premire version.
185
V.5 Conclusion
Dans ce chapitre, nous avons simul le fonctionnement des approches doptimisation adoptes
dans notre dmonstrateur OBAC. Nous avons commenc par prsenter le fonctionnement
gnral du dmonstrateur. Ensuite nous avons prsent plusieurs simulations pour valuer la
performance de notre systme pour la gestion de crise. Les rsultats et scnarii de simulation
montrent la flexibilit et ladaptabilit du systme face aux alas de la crise. LOBAC permet
certainement daider les dcideurs logisticiens dans leurs prises de dcision mais, face leurs
186
expertises il ne sera pas forcment suivi. Cest pour cette raison quil doit sadapter en temps
rel et se rajuster la ralit le plus finement possible afin de proposer des solutions
cohrentes.
187
Conclusion Gnrale
Dans beaucoup de secteurs industriels et notamment celui de la gestion de crise, les chanes
logistiques sont soumises des alas importants (demandes incertaines, dsastres naturels ou
causs par lhomme, etc.) qui menacent leurs volutions et dgradent souvent leurs
performances.
Dans ce contexte, le domaine de gestion des chanes logistiques a suscit, ces dernires
annes, un grand intrt. Les travaux de recherche prsents dans cette thse, dans le cadre
dune coopration avec le dpartement logistique dEADS, visent apporter une rponse
ces dfis, dans une dmarche qui allie les mthodes doptimisation au paradigme multiagent.
Dans ce mmoire, nous nous intressons aux solutions daide la dcision afin de faciliter le
travail des dcideurs logisticiens en cas de crise. Lapproche oriente agents nous tant
apparue pertinente, notamment pour la prise en compte de comportements individuels au
niveau des diffrents acteurs de la chane, nous avons apport, dans le cadre de cette thse,
des solutions bases sur une approche de modlisation, optimisation et simulation oriente
agents de flux logistiques, dans un contexte fortes perturbations, plus prcisment, dans le
cas dune chane logistique de gestion de crise.
Notre contribution a couvert trois volets dinvestigation : un module daide au positionnement
des zones logistiques qui permet de minimiser les distances entre les zones et doptimiser
leurs nombre et ce pour une meilleure circulation des flux, une approche oriente agents pour
lordonnancement distribu des tches de livraison qui permet dapporter une solution un
problme de gestion de flux fortement distribu, et finalement un agent holonique dont le rle
est de fournir une estimation de la consommation future dun site logistique en alliant
lexpertise humaine aux modles mathmatiques.
La mise en uvre et loprationnalisation des approches proposes, laide dun systme
multi-agent, montre que notre approche rpond notre problmatique et apporte des solutions
de bonnes qualits.
Les exprimentations ralises sur la base de notre application, ont donn lieu des
propositions et des rflexions. Il sagit aussi bien daspects thoriques ou techniques de
notre approche que de perspectives damlioration et dextension.
189
Plusieurs perspectives sont dores et dj positionnes dans notre planning de travail suivant
les travaux de cette thse. Parmi elles, lenchainement du dveloppement de loutil pour
amliorer la gestion des flux en concevant des interfaces conviviales et de meilleure qualit,
permettant une facilit dutilisation. Mais aussi lintgration de certaines fonctionnalits
complmentaires. Nous nous intressons, dans ce sens, mettre en uvre des mcanismes
danticipation, qui permettent de prvoir, dtecter et viter les situations non dsirables dans
la chane logistique (Kaddoussi, 2011-a).
Les approches utilises dans ces travaux de recherche, notamment la gestion des chanes
logistiques et les systmes multi-agents, sont souples et volutifs. Une autre perspective
consiste galement tendre nos rsultats dautres secteurs, et notamment en logistique
civile, grce la gnricit de notre modle.
190
Bibliographie
Artiba, A. (1990). Contribution la construction dun systme daide la planification et
lordonnancement des lignes parallles multi-produits. Thse de Doctorat. Universit de Valenciennes
et du Hainaut- Cambresis.
Barbat, B., Candea, C., Zamfirescu, C. (2001). Holons and agents in robotic teams: a synergistic
approach. In Proceedings of ENAI2001. pp. 654-660. ISBN 3-906454-25-8.
Barbier, F. et al., (2002). Composants dans lingnieurie des systmes dinformation : concepts cls et
techniques de rutilisation, actes des deuximes assises nationales du GdR I3 (Information Interaction - Intelligence).
Beamon, 1998 : Beamon, B.M., Supply chain design and analysis : Models and methods. International
Journal of Production Economics, 55 (1998) 281-294. 1998.
Boissier, O. (2000). Visio-confrence et partages d'applications, rapport contrat d'objectif financ par
la Rgion Rhne-Alpes. Technical report, ENSM.SE, March 2000.
Bond, A.H. & Gasser, L. (1988). Readings in Distributed Artificial Intelligence. San Mateo CA:
Morgan-Kaufmann Publishers.
Botta-Genoulaz, 2005 : Botta-Genoulaz, V., Principes et Mthodes pour lIntgration et
lOptimisation du pilotage des Systmes de Production et des Chanes Logistiques. Rapport de HDR,
tome 1, Institut National des Sciences Appliques de Lyon et Universit Claude Bernard de Lyon 1,
2005.
Bradshaw, J. (1997). An introduction to software agents. (A. P. Press, d.) Software agents, pp. 3-46.
Briot, J.-P. (2009). Composants logiciels et systmes multi-agents, Technologies des systmes multiagents et applications industrielles.: Herms Lavoisier, ch. 5, pp. 147-187.
Brckert, H., Fischer, K., and G.Vierke (1998). Transportation Scheduling with Holonic MAS - The
TeleTruck Approach. In Conf. on Practical Applications of Intelligent Agents and Multiagents, pp.
577-590.
Burke, E., Hart, E., Kendall, G., Newall, J., Hart, E., Ross, P., and Schulenburg, S. (2003). Handbook
of Meta-Heuristics, chapter Hyper-Heuristics : An Emerging Direction in Modern Search Technology,
pp. 457474. Kluwer Academic.
Cammarata, S., McArthur, D. and Steeb, R. (1988). Strategies of cooperation in distributed problem
solving. Proceedings of the 8th International Joint Conference on Artificial Intelligence, pages 767770, 1983. (Also published in Readings in Distributed Artificial Intelligence, Alan H. Bond and Les
Gasser, editors, pages 102-105, Morgan Kaufmann, 1988).
Carlier, J. & Chrtienne, P. (1988). Les problmes dordonnancement/ Modlisation/ Complexit/
Algorithmes. Edition Masson, Paris, France.
191
Chaib-draa, B. (1995). Industrial Applications of Distributed AI. Communication of ACM, 38(11). pp.
49-53.
Chaib-draa, B. (1994). Distributed Artificial Intelligence : An overview. In Encyclopedia Of Computer
Science And Technology, Marcel Dekker Ed., vol. 31, pp. 215-243.
Chandy, K.M. & Misra, J. (1978). A nontrivial example of concurrent processing distributed
simulation, Proceedings of IEEE COMPSAC78, p.822-826.
Charles, A. (2010). Improving the design and management of agile supply chains: feedback and
application in the context of humanitarian aid. Institut National Polytechnique, Universit de
Toulouse.
Christopher, M. (1992). Logistics and supply chain management. London: Pitman Publishing.
Colin, Math, & Tixi. (1981). La logistique au service de l'entreprise.
Cossentino, M. (2001). Different Perspectives in Designing Multi-Agent System, Designing MultiAgent System, AgeS02 (Agent Technology and Software Engineering) Workshop at NodE02.
Courty, P. (2003). Les enjeux industriels et les nouvelles problmatiques scientifiques - De la
logistique la logistique globale.
Croom, S., Romano, P., & Giannakis, M. (2000). Supply chain management: an Analytical framework
for critical literature review. European Journal of Purchasing & Supply Management , Vol.6, pp. 6783.
Daduna, J.R. and Paixo, J.M.P. "Vehicle scheduling for public mass transit an overview,"
Computer-Aided Transit Scheduling Notes de Lectures dans Economics and Mathematical System,
vol. 430, pp. 7690, 1995.
Deguet, J. (2008). Intgration de l'mergence au sein des systmes multi-agents. Une tude applique
la recherche heuristique. Thse de l'Universit Joseph Fourier, 2008.
DeLoach S. A. (2005). Engineering Organization-BasedMultiagent Systems. SELMAS, pp. 109-125.
Demazeau, Y. (1995). From interactions to collective behavior in agent-based systems. In Proceedings
of the 1st European conference on cognitive sciences, 1995.
De Wolf, T. & Holvoet, T. (2005). Emergence Versus Self-Organization: Different Concepts but
Promising When Combined. Engineering Self Organizing Systems: Methodologies and Applications,
Lecture Notes in Computer Science, Volume 3464, pp. 1 15.
Doniec, A. (2006). Prise en compte des comportements anticipatifs dans la coordination multi-agent :
application la simulation de trafic en carrefour. Thse de doctorat. France, Universit de
Valenciennes et du Hainaut Cambrsis.
Drogoul, A. (1993). De La Simulation Multi-Agent A La Rsolution Collective de Problmes: Une
tude De l'mergence De Structures D'Organisation Dans Les Systmes Multi-Agents. Thse de
Doctorat. Universit Paris VI.
192
Drogoul, A. (2000). Systmes multi-agents situs. Mmoire dhabilitation diriger des recherches,
Universit Paris 6.
Ejday, M. (2011). Optimisation Multi-Objectifs base de Mtamodle pour les procds de mise en
forme. Thse de doctorat, cole des MINES ParisTech, Paris.
Feki, M. F. (2010). Optimisation distribue pour la recherche des itinraires multi-oprateurs dans un
rseau de transport co-modal. Thse de doctorat, Ecole Centrale de Lille.
Ferber, J.(1995). Les Systmes Multi-Agents vers une intelligence collective. InterEditions.
Fraser, A.S. (1957). Simulation of genetic systems by automatic digital computers. Australian Journal
of Biological Sciences, 10:484_491.
Freling, R., Wagelmans, A.P.M. and Paixo, J.M.P. (1999) "An overview of models and techniques
for integrating vehicle and crew scheduling," Wilson, N.H.M. (Ed.) Computer-Aided Transit Scheduling. Notes de Lecture dans Economics and Mathematical Systems, vol. 471, pp. 441 460.
Ganeshan, R., Jack, E., Magazine, M., & Stephens, P. (1998). A Taxonomic Review of Supply Chain
Management Research, in Quantitative Models for Supply Chain Management. (K. A. Publishers, d.)
Boston.
Georg, J.P., Gleizes, M.P., Glize, P. (2003). Conception de systmes adaptatifs fonctionnalit
mergente : la thorie AMAS, Revue des sciences et technologie de linformation, vol.17, n 4, p. 591626, Herms.
Ghanmi, A., Campbell, G.B., Gibbons, T.A. (2008). Modeling and simulation of multinational intertheatre logistics distribution. In Proceedings of the 40th Conference on Winter Simulation. Pub. Winter
Simulation Conference.
Glover, F. (1986). Future paths for Integer Programming and Links to Artificial Intelligence.
Computers and Operations Research, 5:533-549.
Gomez Sanz J., Fuentes R. (2002). Agent Oriented System Engineering with INGENIAS. Fourth
Iberoamerican Workshop on Multi-Agent Systems, Iberagents02.
Gupta, M., Ko, H.-J. et Min, H. (2002). TOC-based performance measures and five focusing steps
in jobshop manufacturing environment . International Journal of Production Research, 40(4), pp.
907-930.
Herrera, C. (2011). Cadre gnrique de planification logistique dans un contexte de dcisions
centralises et distribues. Thse de doctorat, Universit Henri Poincar Nancy 1.
Huang, G.Q., LAU, J.S.K. et Mak, K.L. (2003). The impacts of sharing production information on
supply chain dynamics : a review of the literature, International Journal of Production Research,
2003, Vol. 41, No. 7, pp. 1483-1517.
Jadbabaie, A. , Lin, J. & Morese, A.S. (2003). Coordination of groups of mo-bile autonomous agents
using nearest neighbor rules. IEEE Transactions on Automatic Control, 6(48): 988-1001.
193
Jamont, J-P. (2005). DIAMOND : Une Approche pour la conception de Systmes Multi-agents
Embarqus. Thse de Doctorat, INPG, Septembre 2005.
Jeannin, M. (2008). Ngociation combine et multicritres dagents coopratifs. Thse de doctorat de
l'universit de Pierre et Marie Curie, Juillet 2008.
Jennings, N.R., Sycara, K. et Wooldridge, M. (1998). A Roadmap of Agent Research and
Development. Autonomous Agents and Multi-Agent Systems, vol. 1, n 1, pp. 7-38.
Jiang, J. & Jiang, Y. (2008). Convergence at Prominent Agents: A Non-Flat Synchronization Model of
Situated Multi-Agents (Short Paper). Proc. of 7th Int. Conf. on Autonomous Agents and Multiagent
Systems (AAMAS 2008), Padgham, Parkes, Mueller and Parsons (eds.), Estoril, Portugal, pp.14931496.
Kaddoussi, A., Zoghlami, N., Zgaya, H., Hammadi, S. (2012-a). An agent-based distributed
scheduling for a crisis management supply chain, The International Journal of Computational
Intelligence Systems (IJCIS Impact factor 1,471), Vol. 6, N 1, January 2013.
Kaddoussi, A., Zgaya, H., Hammadi, S., Duflos, E. & Vanheeghe, P. (2012-b). A need estimating
agent-based tool for resources forecasting. The 16th World Multi-Conference on. Systemics,
Cybernetics and Informatics: WMSCI 2012. July 17th - 20th, 2012, Orlando, Florida, USA.
Kaddoussi, A., Zoghlami, Z., Zgaya, H., Hammadi, S. & Bretaudeau, F. (2011-a). A Preventive
anticipation model for crisis management supply chain. The 2011 IEEE International Conference on
Systems, Man, and Cybernetics (SMC11), 9-12 Octobre 2011, Anchorage, Alaska.
Kaddoussi, A., Zoghlami, Z., Zgaya, H., Hammadi. (2011-b) An Agent-based distributed Scheduling
for Military Logistics, The 11th International Conference on Intelligent Systems Design and
Applications (ISDA11), 22-24 Novembre 2011, Cordoba, Spain.
Kaddoussi, A., Zgaya, H., Hammadi, S. & Bretaudeau, F. (2011-c). Disruption Management
Optimization for Military Logistics, The 12th EANN/ 7th AIAI Joint Conferences : Engineering
Applications of Neural Networks/ Artificial Intelligence Applications and Innovations, Corfu, Grce;
Artificial Intelligence Applications and Innovations IFIP Advances in Information and
Communication Technology. Volume 364, 2011, pp 61-66.
Kammoun, M. A. (2007). Conception d'un systme d'information pour l'aide au dplacement
multimodal : Une approche multi-agents pour la recherche et la composition des itinraires en ligne.
Lille: Ecole Centrale de Lille.
Koestler, A. (1968), The ghost in the machine, Macmillan.
Kouiss K., Pierreval, H. (1995). Systmes multi-agents : directions actuelles pour les systmes de
production. La productivit dans un monde sans frontires, Congrs International de Gnie Industriel
de Montreal, Quebec, pp. 2029-2038.
Kubota F., S. Sato et M. Nakano, 1999. Enterprise modelling and simulation platform integrating
manufacturing system design and supply chain . Proceedings IEEE International Conference on
Systems, Man, and Cybernetics, 4, p. 511-515.
194
Krushal, J. (1956). On the shortest spanning subtree of a graph and the traveling salesman problem,
Proc. Amer. Math. Soc., vol. 16. pp. 48-50.
Lee, Y.H., Kim, S.H. et Moon, C. (2002). Production distribution planning in supply chain using a
hybrid approach . Production Planning & Control, 13(1), p.35-46.
Luder A., J. Peschke, T. Sauter, S. Deter et D. Diep, 2004. Distributed Intelligence for Plant
Automation Based on Multi-Agent Systems: The PABADIS Approach . Production Planning and
Control, 15(2), p. 201-212.
Lummus, R., Vokurka, R., & Albert, K. (1998). Strategic supply chain planning. Production and
Inventory Management Journal , 39(3), 49-58.
Maria, A. (1997). Introduction to Modeling and Simulation, In Proceedings of the Winter Simulation
Conference.
Maurer, P. M. (2000). Components: What if they gave a revolution and nobody came, IEEE Software,
pp. 28-34.
Meignan, D. (2008). Une approche organisationnelle et multi-agents pour la modlisation et
l'implantation de mtaheuristiques, Thse de Doctorat en Informatique, UTBM, dcembre 2008.
Melzak, A. Z. (1961). On the problem of Steiner. s.l. : Math. Bull. pp. 143-150. Vol. 4
Mentzer, J., De Witt, W., Keebler, J., Min, S., Nix, N., Smith, C., et al. (2001). Defining supply chain
management. Journal of business logistics , Vol.22, No.2.
Mertins K., Rabe, M. et Jakel, F.-W. (2005). Distributed modeling and simulation of supply chains,
International Journal of Computer Integrated Manufacturing, 18(5), p. 342-349, 2005.
Metropolis N., Rosenbluth A., Rosenbluth M., Teller A. et Teller E. Equation of state calculations by
fast computing machines. Journal of Chemical Physics, Vol. 21, 1953.
Nwana, H., Ndumu, D., Lee, L., & Collis, J. (1999). ZEUS: A tool-kit for building distributed
multiagent systems. Applied Artifical Intelligence, 13 , 129186.
Oussalah, M. (2005). Ingnierie des composants - Concepts, techniques et outils, Vuibert. Vuibert.
Padgham L., Winikoff M. (2003). Prometheus: A Methodology for Developing Intelligent Agents,
Giunchiglia F., Odell J., Wei G. (dir.), Agent-Oriented Software Engineering III, Third International
Workshop, AOSE 2002, Bologne, Italie, 15 juillet 2002, Revised Papers and Invited Contributions, vol.
2585 de LNCS, Springer, p. 174-185, 2003
Parunak, H. V. D., Brueckner, S., Fleischer, M., and Odell, J. (2003). A design taxonomy of multiagent interactions. Lecture Notes in Computer Science, 2935(4) :123137.
Perrot, J.-F. (1998). Objets, classes et hritage : Dfinitions, chapitre de Langages et modles objets tat des recherches et perspectives. Collection Didactique, INRIA, Ed., pp. 331.
Pham, 02: M.C. Pham. La prise en charge du patient a l'hopital : mieux gerer la complexite de la
coordination des acteurs. Memoire de lEcole Nationale de la Sante Publique de Renne,
195
Poirier, C., & Reiter, S. (2001). La Supply Chain - Optimiser la chane logistique et le rseau
interentreprises. Dunod.
Rao, A. S. et Georgeff, M. (1995). BDI Agents : from theory to practice. In the Proceedings of the
First International Conference on Multi-Agent Systems (ICMAS-95). pp. 312-319, San Francisco, CA,
USA.
Reynolds, C. W. (1987). Flocks herds, and schools: a distributed behavioral model. Computer
Graphics, 4(21): 25-34.
Rohde, J., Meyr, H. & Wagner, M. (2000). Die supply chain planning matrix, in : PPS Management,
Vol. 5, No.1, Berlin, pp. 10-15.
Rota-Franz, K., Thierry, C., & Be, G. (2001). Gestion des Flux dans les Chanes Logistiques:
Performances industrielles et gestion des flux. Herms Trait IC2.
Rousseau, J-M. (1985). Computer Scheduling of Public Transport. North-Holland, vol. II.
Rouillard, J., Vantroys, T. and Chevrin, V. (2007). Architecture Oriente Services, Une approche
pragmatique des SOA, Editions Vuiberts, Ed.
Sghaier, M. (2011). Combinaison des techniques doptimisation et de lintelligence artificielle
distribue pour la mise en place dun systme de covoiturage dynamique. Ecole Centrale de Lille.
Shalizi, C. (2001). Causal Architecture, Complexity and Self-Organization in Time Series and Cellular
Automata. Thse de Doctorat. University of Wisconsin, Madison, USA.
Shlaer, S. & Mellor, S. (1988). Object oriented System Analysis : modeling the world in data. Prentice
Hall.
Shen, W., Hao, Q., Yoon, H. J. and Norrie, D. H. (2006). Applications of agent#based systems in
intelligent manufacturing: An updated review, Advanced Engineering Informatics, 20(4), 415#431,
2006.
Siarry, P. (2002). Application des mtaheuristiques d'optimisation en Electronique, Techniques de
lIngnieur. vol. 9.
Simchi-Levi, D., & Kaminsky, P. (2003). Designing and Managing the Supply Chain: Concepts,
Strategies and Case Studies. Boston, MA.: McGraw Hill Professional.
Strugeon, E. L. (1995). Une mthodologie d'auto-adaptation d'un systme multi-agents cognitifs.
Thse de doctorat, Universit de Valenciennes et du Hainaut-Cambrsis, Valenciennes, France.
Supply Chain Council. (s.d.). Rcupr sur Supply Chain Council: http://supply-chain.org/
Takahashi, H. & Matsuyama, A. (1980). An Approximate Solution for the Steiner P Problem in
Graphs, Math. Japonica 24(6), pp, 573-577.
Talbi, E.-G. & Bachelet, V. (2004). Cosearch : A parallel co-evolutionary metaheuristic. In Int.
workshop on hybrid metaheuritics, pp. 127140.
196
Thomas et Griffin, 1996 : D.J. Thomas, P.M. Griffin. Coordinated supply chain management.
European Journal of Operational Research. 94, 1996, pp 1-15.
Toussaint, H. (2010). Algorithmique rapide pour les problmes de tournes et d'ordonnancement.
Thse de Doctorat, Universit Blaise Pascal - Clermont-Ferrand II.
Turner S.J., W. Cai et B.P. Gan,Adapting a supply-chain simulation for HLA, 4th International
Workshop on Distributed Simulation and Real-Time Applications, p. 71-78, 2000.
Ulieru, M. and Geras, A. (2002). Emergent holarchies for e-health applications : a case in glaucoma
diagnosis. In IEEE IECON'02, volume 4, pages 2957-2961.
Vakharia, A. (2002). e-Business and supply chain management. A journal of the Decision Sciences
Institute , Vol. 33, Issue 4, pp. 495-504.
Vallin, M. et Coello, J.M.A. (2003). An agent for web information dissemination based on a genetic
algorithm. In IEEE International Conference on Systems, Man and Cybernetics - IEEE SMC03, pp.
38343839, Hyatt Regency, Washington, D.C., USA, 5 - 8 October 2003. IEEE Press.
Vincent et al., 2004 : L. Vincent, G. Neubert, D. Llerena et C. Pellegrin. Synthse des approches SCM
existantes (livrable 4.1) in Annexe 5 du rapport de 1re anne du projet COPILOTES, 47-73 (2004).
Vauvert, G. et El Fallah - Seghrouchni, A. (2000). Dmonstration : Formation de coalitions pour des
agents libres ; application la gestion de transport arien. In Proceedings de JFIAD-SMA'2000. 8mes
Journes Francophones de l'Intelligence Artificielle Distribue et des Systmes Multi-Agents. - SaintJean-La-Vtre, France, 2-4 Octobre 2000.
Warnecke, H. (1993). The Fractal Company.
Weiss, G. (2000). Multiagent Systems, A Modern Approach to distributed Artificial Intelligence. The
MIT Press.
Wirfs-Brock, R., Wilkerson, B. & Wiener, L. (1990). Designing Object-Oriented Software.Prentice
Hall.
Wooldridge, M. et Jennings, N. (1995). Intelligent Agent: Theory and practice, Knowledge
Engineering Review, vol. 10, n 2, pp. 115-142.
Zelikovsky, A.Z. (1993). A 11/6-Approximation Algorithm for the Network Steiner Problem.
Algorithmica, vol. 9. pp. 463-470.
Zgaya, H. (2007). Conception et optimisation distribue d'un systme d'information d'aide la
mobilit urbaine : Une approche multi-agent pour la recherche et la composition des services lis au
transport. Thse de doctorat, Ecole Centrale de Lille, Lille.
Zoghlami, N. (2008). Optimisation base dagents communicants des flux logistiques pour la gestion
de crises. Thse de Doctorat. Ecole Centrale de Lille.
197
Optimisation des flux logistiques : vers une gestion avance de la situation de crise
Rsum
La logistique de gestion de crise fait de plus en plus parler delle. En effet, que ce soit au sujet
de conflits gopolitiques ou de catastrophes naturelles, ou encore lorsquil sagit durgences
de proximit, on ne peut plus passer ct de la gestion de crise pour faire face des faits
internationaux ou nationaux. La logistique de gestion de crise uvre pour que les secours
soient optimiss et que laide et le ravitaillement en nourriture, eau, mdicaments, soient
apports rapidement aux zones sinistres. Les travaux de recherche prsents dans cette thse,
dans le cadre dune coopration avec le dpartement logistique dEADS, visent apporter une
rponse ces dfis. Nous prsentons, dans ce contexte, des solutions bases sur une approche
de modlisation, optimisation et simulation oriente agents de flux logistiques. Les problmes
de gestion de flux abords nous ont permis dtudier et dvelopper trois volets
dinvestigation : un module daide au positionnement des zones logistiques qui permet de
minimiser les distances entre les zones et doptimiser leurs nombre et ce pour une meilleure
circulation des flux, une approche oriente agents pour lordonnancement distribu des tches
de livraison qui permet dapporter une solution un problme de gestion des flux fortement
distribu, et finalement un agent holonique qui permet de fournir une estimation de la
consommation venir dun site logistique, en alliant lexpertise des logisticiens aux modles
base de logique floue. Pour dmontrer lefficacit des approches utilises, un dmonstrateur
baptis OBAC (Optimisation Base dAgents Communicants) a t ralis, intgrant toutes
ces approches et applications ddies la gestion de crise.
Mots cls : Gestion de crise, Systme multi-agent, Logistique de gestion de crise,
Optimisation, Ordonnancement distribu.
Optimization of logistics flows: towards an advanced crisis management supply chain
Abstract
Nowadays, crisis management logistics is facing new challenges. Indeed, geopolitical
conflicts, natural disasters or emergencies can cause big damages and so require rapid and
effective response. Due to their sudden occurrence, we are countering a high disturbances
context: a Crisis Management Supply Chain (CMSC). Working in such an uncertain
environment incites to be equipped with optimization and cooperation mechanisms assuring
all the chain actors satisfaction, while acting in a collective way to reach a common objective:
the crisis management.
In this thesis, we focus on the definition of a modeling approach and an agent-based
simulation of the Crisis Management Supply Chain. We propose a decision support system
that deals with three problems: the optimal positioning of logistics zones to facilitate the flows
circulation, an innovative method for solving a highly-distributed delivery scheduling
problem, based on a multi-agent system, for the distribution of relief materials (food, water,
clothes, etc.) to the areas affected by the disaster, and finally a need estimating agent to give
an accurate forecast of resources consumption in the logistic zones. Blending the agent
paradigm with the optimization technics helped reach our goals of implementing a large-scale
decision support system. The simulation results highlight our contributions.
Keywords: Crisis management, Multi-agent systems, Logistics, Optimization, Distributed
scheduling.
199