Objectif du Post-doc
Le projet Easy Smart Factory est porté par l’entreprise Astrée Software, éditeur du MES (Manufacturing Execution System) AquiWeb. Il vise à définir un nouvel outil de pilotage des systèmes de production, avec un principe de boutique en ligne, où les usagers peuvent acquérir une solution de « MES as a Service ». Cet outil ambitionne d’intégrer un algorithme d’optimisation dynamique pour l’ordonnancement. En effet, les méthodes actuellement implémentées dans la solution déployée chez les clients permettent la définition d’ordonnancements dans un contexte purement prédictif au travers du solveur OptaPlanner. Cependant, les systèmes de production sont soumis à de nombreuses contraintes telles que l’évolution du marché et le comportement des clients ainsi que des événements aléatoires ou imprévus, que cela soit des durées d’opérations variables, des indisponibilités sur une ressource, de nouveaux ordres de fabrication à écouler, etc.
Cela nécessite de la part des industriels d’être en capacité d’anticiper et de réagir rapidement aux différentes demandes.
Parmi les approches envisageables, l’optimisation dynamique a la particularité d’utiliser le temps entre deux événements pour suivre l’évolution de la solution et anticiper la future solution à considérer. Bien qu’il existe des travaux de recherche sur l’application d’algorithmes d’optimisation dynamique, ils concernent très majoritairement des problèmes continus et aucun de ces travaux ne concerne des problèmes réels d’ordonnancement d’atelier, tel que vu dans l’état de l’art (Chibani 2015). De par ce caractère original, un certain nombre de verrous peuvent être mentionnés parmi lesquels la myopie à laquelle sont confrontés les algorithmes traitant de problèmes dynamiques (i.e. à une date t il est très difficile de déterminer précisément quelles vont être les données futures). Un des moyens de pallier cette contrainte consiste à intégrer des outils de prévision et/ou de mémorisation au sein des algorithmes d’optimisation dynamique (Nguyen, Yang, and Branke 2012). Ces approches de prévisions peuvent reposer sur des outils de machine learning, et d’intelligence artificielle de manière plus générale, mais leur pertinence dépend grandement de la nature des problèmes considérés.
Il est donc nécessaire d’identifier dans un premier temps les méthodes d’apprentissage les plus appropriées à un couplage avec un algorithme d’optimisation dynamique dans le cadre de l’ordonnancement d’atelier. De plus, une des classes de méthodes appropriées pour l’optimisation dynamique concerne les algorithmes évolutionnaires (Bosman and La Poutré 2007). La question du couplage algorithme évolutionnaire et intelligence artificielle est encore un champ de recherche complètement ouvert. Un autre verrou concerne la fréquence des réordonnancements : trop souvent et l’atelier sera déstabilisé, trop peu et les dérives en temps risquent de s’accentuer. Ces questions seront donc au cœur de ce sujet de post-doctorat.