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

Un problème d’ordonnancement consiste à exécuter sur un horizon de temps donné un ensemble de taches au moyen de ressources en nombre limité. On rencontre ce problème dans divers domaines, comme l’industrie de production, dans les systèmes de transport ou encore dans les ordinateurs avec l’allocation des tâches. Dans cette thèse, nous nous concentrons a la fois sur le problème d’ordonnance et le problème d’ordonnancement cyclique, en insistant sur ce dernier. La NP complexité du problème d’ordonnancement des tâches a motivé notre travail de recherche et nous a mené à développer une approche efficace utilisant les réseaux de neurones pour le résoudre. Cette thèse se concentre particulièrement sur le problème du Job Shop Cyclique et sur son utilisation dans le cadre des ateliers flexibles. Pour cela, nous avons développe des modèles pour résoudre le problème du temps cyclique minimum et du travail en cours. Néanmoins, dans cette thèse, nous proposons 3 variations autour des réseaux de neurones : un réseau de neurones récurrents (RNN), une relaxation Lagrangienne pour un réseau de neurones récurrents (LRRNN) et un réseau Hopfield avancé. Plusieurs algorithmes sont combinés avec ces réseaux de neurones pour assurer que les solutions générées sont toutes possibles et pour réduire l’effort de recherche des solutions optimales. A travers des tests comparatifs et expérimentaux, nous sommes capable de démontrer la conformité et l’applicabilité des approches utilisant des réseaux RNN, LRRNN et Advanced Hopfield comme des alternatives attrayantes par rapport à d’autres approches heuristiques traditionnelles pour les problèmes d’ordonnancement cyclique.