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

Thèse en co-tutelle de Abderrazzak SABRI

L’apprentissage automatique pour l’ordonnancement

Date de début : 3 février 2022
Financement : LGI2A et INPT
Mots clés : Optimisation, ordonnancement, apprentissage, maintenance
Encadrement :

Nous proposons dans cette thèse de synchroniser les décisions d’ordonnancement des tâches de production et des activités de maintenance des machines pour optimiser à la fois les couts de stockage et les pénalités de retard dans une démarche Juste A Temps (JAT). Souvent trois champs classiques sont explorés pour ce type de problèmes. Le premier est l’analyse de la complexité des algorithmes de résolution. Le deuxième est la formulation des algorithmes donnant la solution optimale. Si le temps de calcul est exorbitant, dans ce cas le troisième champ s’impose. Il consiste à utiliser des heuristiques, des méta-heuristiques ou des schémas d’intégration de différentes méthodes de résolution pour donner des solutions approximatives.

Nous étendrons ces champs pour aboutir à de nouveaux algorithmes basés sur l’apprentissage profond et par renforcement (deep learning, reinforcement learning). Nous privilégions les algorithmes d’apprentissage ayant la possibilité d’intégrer de manière effective des méthodes d’optimisation pour trouver un bon compromis entre le temps de calcul et la qualité de solution.

Enfin, les questions ouvertes auxquelles nous devons apporter des réponses sont par exemple : quels schémas d’intégration et d’hybridation pour quelle configuration du système de production étudié ? Nous comptons également améliorer l’existant en terme de résolution selon le temps de calcul et la qualité de solution.

Thèmes scientifiques impliqués :

Domaines d'application impliqués :

Soutenance

Soutenance ayant eu lieu le

Jury :