Laboratoire de Génie Informatique et d’Automatique de l’Artois

Ph.D. thesis of Koussaila HAMICHE

Commande décentralisée et optimisation : application aux chaînes logistiques

Starting date: 1 October 2015
Funding: Université Artois / Région Hauts-de-France
Keywords: None
Advising:

Les chaînes logistiques caractérisent le comportement, l’intégration et les relations entre les différents acteurs tels que : les fournisseurs, les producteurs, les centres de distribution ainsi que les clients. Le réseau de ces chaînes logistiques comprend toutes les activités liées à l’écoulement et la transformation des produits de l’étape de la matière première à l’utilisateur final, et les flux d’informations associés.

De nombreuses recherches ont été menées dans le cadre de l’optimisation et la commande des chaînes logistiques qui font intervenir un nombre important de produits et impose des exigences drastiques en terme de prix, de qualité, de délai. Plus récemment, de nouveaux challenges comme la 3ème révolution industrielle ou l’économie circulaire ont introduit la prise en compte de l’environnement ainsi que les aspects sociétal et social avec les démarches du développement durable. De plus, les nouvelles approches orientées vers l’internet de la logistique (Physical Internet) et les objets connectés (Internet of Things) doivent permettre d’envisager des solutions pertinentes dans le cadre du routage dynamique à l’instar du routage observé dans les hubs informatiques. En fonction de l’état du trafic du réseau de transport et de l’urgence du conteneur à transporter (délai de livraison négocié avec le client) il faut déterminer la ou les meilleurs routes pour le conteneur de manière à garantir la qualité de service (délai, coût, etc). Un des moyens importants qui permet de relever avec succès ces différents défis consiste à mieux caractériser le comportement dynamique des chaînes logistiques et de mettre en place des actions de commande et d’optimisation afin d’atteindre les objectifs prédéfinis. Cependant, l’ensemble des travaux repose sur l’emploi de modèles qui sont basés sur des hypothèses empiriques et sont donc loin de représenter la réalité du fonctionnement et du comportement d’un système aussi complexe que celui des chaînes logistiques. Dans ce contexte, plusieurs modèles ont été proposés allant des modèles quantitatifs à ceux basés sur les modèles flous, etc. Notons que la plupart des modèles sont déterministes et ne prennent pas en compte les incertitudes des demandes dans un cadre stochastique. Les approches proposées dans le cadre de cette thèse reposent dans un premier temps sur l’emploi des techniques récentes telles que la commande sans modèle bien adaptée aux chaînes logistiques, par ailleurs très difficiles à modéliser. En effet, la commande sans modèle, récemment introduite par M. Fliess et C. Join, emploie des techniques rapides d’estimation mettant en oeuvre des approches algébriques ultra-locales sans cesse réactualisées. Cette technique de commande a depuis été appliquée avec succès à de nombreux systèmes industriels, et aussi dans le trafic routier. D’un point de vue optimisation, cette technique de commande sera ensuite enrichie par des méthodes issues des algorithmes évolutionnistes. Les approches élaborées seront validées sur des benchmarks par simulation avant d’être ensuite appliquées à des systèmes réels.

Références

  1. A. Rodriguez-Angeles, América Morales Díaz and Arturo Sánchez, Dynamic Analysis and Control of Supply Chain Systems. Supply Chain, The Way to Flat Organisation, Book edited by : Yanfang Huo and Fu Jia, December, 2008. Austria.
  2. Fujimoto, H. (2002). Supply chain for the synchronization of production and distribution. Osaka Keidai Ronshu, 53, 3, 307-315.
  3. Rochdi Sarraj, Eric Ballot, Shenle Pan, Benoit Montreuil, Analogies between Internet network and logistics service networks : challenges involved in the interconnection, Journal of Intelligent Manufacturing, December 2014, Volume 25, Issue 6, pp 1207-1219.
  4. M. Fliess, C. Join, (2013) ‘Model-free control’, Int. J. Control, 86, 2228–2252.
  5. Helbing, D. (2003). Modeling supply networks and business cycles as unstable transport phenomena. N ew J. of Physics 5(90), 1– 28.
  6. Perea-Lopez, E. ; Grossman, I.E., Ydstie, B.E. & Tahmassebi, T. (2001). Dynamic Modeling and Decentralizes Control of Supply Chain. Ind. Eng. Chems. Res., 40, 15, 3369-3383, ISSN : 1520-5045.
  7. Perea-Lopez, E., Ydstie, B.E. & Grossman, I.E. ; (2003). A model predictive control strategy for supply chain optimization. Comp. & Chem. Eng., 27, 15, 1201-1218, ISSN : 0098- 1354.
  8. Haralambos Sarimveisa, Panagiotis Patrinosa, Chris D. Tarantilisb, Chris T. Kiranoudisa Dynamic modeling and control of supply chain systems : A review. Computers & perations Research 35 (2008) 3530 – 3561.
  9. Daganzo, C.F. (2002). A Theory of Supply Chains, Springer-Verlag, ISBN : 3-540-00288, Berlin, Germany.
  10. Shapiro, J. F. (2007). Modeling the Supply Chain. Duxbury Thomson Learning Onc., ISBN : 0- 495-12611-x, h., Pacific Belmont CA.
  11. Hassane Abouaïssa, Michel Fliess, Violina Iordanova, Cédric Join. Freeway Ramp Metering Control Made Easy and Efficient. 13th, IFAC-CTS. Sofia Bulgaria, September, 2012.

Involved research axes:

Involved application areas:

Partners

Defense

Defense took place the

Jury: