Optimisation intelligente à travers machine learning pour les problèmes d’ordonnancement et de planification

Abstract

Le rôle essentiel de la gestion de production est de gérer un ensemble de ressources et de charges de travail, selon un ou plusieurs critères ou contraintes, plus ou moins explicites, à satisfaire et/ou à optimiser. Dans ce mémoire, nous avons traité le problème d’ordonnancement des ateliers de type flow-shop en faisant appel à l’intelligence artificielle, particulièrement l’apprentissage automatique pour pouvoir adapter une méthode très puissante qui est l’apprentissage par renforcement. La méthode adaptée à notre problème est basée sur le renforcement, elle fait un compromis entre l’exploitation et l’exploration afin d’avoir de bons résultats. La méthode proposée consiste à pousser un agent à prendre des décisions afin qu’il puisse avoir ses récompenses sur chaque pas ou action prise. L’agent va par la suite apprendre de lui-même (de ses erreurs) et agira de manière à maximiser ses gains (récompenses cumulatives). Finalement, nous avons comparé la méthode intelligente adaptée avec un algorithme génétique. Dans nos tests, nous avons considéré deux critères : le temps d’exécution et la qualité des solutions générées. Dans la majorité des cas considérés, la méthode que nous avons adapté dans ce travail trouve de meilleurs résultats par rapport aux deux critères considérés.