Méthode de résolution de problèmes d'ordonnancement multicritère de production

Commencez. C'est gratuit
ou s'inscrire avec votre adresse courriel
Rocket clouds
Méthode de résolution de problèmes d'ordonnancement multicritère de production par Mind Map: Méthode de résolution de problèmes d'ordonnancement multicritère de production

1. Article publié dans la revue pour revisiter les modèles traditionnels pour l'ordonnancement multicritère du JAT : International Journal of Production Research, Taylor & Francis, 2010, pp.1. <10.1080/00207541003733783>

2. Document 4 : Multicriteria Model for JIT

2.1. Juste à temps

2.1.1. Réduire les déchets dûe à des processus de production mal organisé

2.1.2. 3 sous-problèmes d'ordonnancement à prendre en compte

2.1.2.1. Un timing optimal

2.1.2.2. Séquencement et affectation

2.1.2.3. Date d'échéance

2.2. Objectif de l'auteur : proposé de nouveaux modèles pour le JAT, en s'inspirant des modèles existants dans la littérature

2.3. Ordonnancement JAT proposé dans la littérature

2.3.1. Modèle souvent basé sur le coût de la réalisation des tâches au plus tôt ou plus tard

2.3.1.1. Introduit sans justification par rapport à la mentalité du JAT. Raison de nombreux modèles trouvés dans la littérature

2.3.2. 3 sous-problèmes d'ordonnancement souvent traités séparément par des heuristiques

2.4. Nouveaux modèles proposés par les auteurs

2.4.1. Basé sur le coût de la tâche

2.4.2. Minimiser le nombre de critères

2.4.2.1. Coefficient de poids pour chaque critère

2.4.2.2. Coefficient de contraintes ou objectif à atteindre

2.4.3. Méthode de combinaison convexe

2.4.4. Approche paramétrique

2.5. Vincent T'Kindt est professeur à l'école polytechnique de Tours

3. Document 5 : Optimisation multi-objectif à base de méta-modèle pour les problèmes de mise en forme

3.1. Problème d'Optimisation Multi-Objectif (POMO)

3.1.1. Trouver ensemble des solutions optimales

3.1.2. Représentation graphique : Front de Pareto

3.1.3. Algorithme évolutionnaire multi-Objectif

3.1.3.1. Méthode efficace selon les auteurs

3.1.3.2. Temps de calculs longs

3.2. Algorithme Génétique NSGA II

3.2.1. Méthode pour trouver l'ensemble optimal de Pareto

3.2.1.1. Favorise solutions non-dominées

3.2.2. 3 principes

3.2.2.1. Elitisme

3.2.2.2. Variété explicite des solutions

3.3. Méta-modèle

3.3.1. Algorithme qui utilise une interpolation locale

3.4. Combinaison de différentes manières de NSGA II et des méta-modèles

3.4.1. Permet de réduire les calculs et d'approximer avec précision le front de Pareto

3.4.2. Exemple pour l'optimisation de l'action de forgeage d'une bielle

3.5. Rapport d'une communication d'un congrès sous la direction de Michel Raous, Christian Rey directeur de recherche au CNRS

3.6. Auteurs : Mohsen Ejday étudiant à l'école des Mines, Lionel Fourment enseignant chercheur des Mines

4. Document 6 : Performance Evaluation in Sustainability Conscious Manufacturing Companies by Using TOPSIS Method

4.1. Méthode TOPSIS

4.1.1. 6 étapes à suivre

4.1.1.1. Construction de la matrice d'évaluation

4.1.1.2. Diviser chaque valeur central par la norme du vecteur

4.1.1.3. Etablir les relations d'importance

4.1.1.4. Obtenir la séparation des mésures

4.1.1.5. Approximation de la solution idéal

4.1.2. Simple d'utilisation une fois les alternatives possibles identifiées rapidement

4.1.3. Exemple d'indicateur de durabilité dans un environnement de production

4.1.3.1. 2 études de cas

4.1.4. Communicatiion dans un congrès sous la direction Christos Emmanouilidis; Marco Taisch; Dimitris Kiritsis professeur d'université

4.1.5. Deux exemples de la méthode TOPSIS pour l'introduction de nouveaux produits sur une chaîne de production (eco-produit)

4.2. Les auteurs Merve Kılı¸c, Seren Ta¸san sont deux thésards des Mines Saint Etienne et ont écrit cet article pour montrer que la méthode TOPSIS pouvait être utilisée pour évaluer des indicateurs de durabilité sur une chaîne de production

5. Document 7 : Multi-criteria decision making based on DSmT-AHP

5.1. Les auteurs sont des enseignants-chercheurs de fameuses écoles françaises et un aux Etats-Unis. L'article a été écrit dans le cadre dans la présentation de la recherche sur la combinaison de méthodes

5.2. Analytic Hierarchy Process AHP

5.2.1. Basé sur les mathématiques et la psychologique pour prendre une décision complexe.

5.2.2. Décomposé le problème en une hiérarchie de sous-problème

5.2.3. Evaluer les priorités

5.2.3.1. Le preneur de décision évalue les éléments de la hiérarchie en les comparant un à deux

5.2.4. Vérifier la consitance du jugement et revoir les matrices de comparaison

5.2.5. Arriver à la décision finale

5.2.5.1. Le preneur de décision a un rôle d'influence dans ce processus

5.3. DezertSmarandache Theory ; DSmT

5.3.1. Théorie mathématique qui permet de gérer la fusion de sources de preuve conflictuelles sur chaque critère

5.4. Combinaison DSmT-AHP

5.4.1. La méthode DSmT-AHP permet de prendre en compte les importantes différences des critères et/ou des différents membres des preneurs de décision.

5.4.2. Exemple du choix d'une voiture en fonction de critères

6. Document 2

6.1. Ordonnancement bi-critère de production

6.1.1. Meilleure approximation et estimation du problème

6.1.2. Algorithmes stochastiques itératifs

6.1.3. Méthode efficace et facile

7. Document 3

7.1. Ordonnancement des systèmes de production sans temps d'arrêt

7.1.1. Outil d'aide à la décision

7.1.2. Méthodes exactes

7.1.2.1. Conception d'un algorithme de type séparation et évaluation

7.1.3. Méthodes heuristiques

7.1.3.1. Calculs rapides pour gagner en efficacité

7.1.3.2. Minimisation du temps et des ressources humaines

8. Document 1

8.1. Ordonnancement intelligent et multicritère

8.1.1. Méthodes d'optimisation

8.1.1.1. Méthodes exactes

8.1.1.1.1. Basé sur des théories mathématiques

8.1.1.2. Métaheuristiques

8.1.1.2.1. Catégorie 1 : Méthodes de recherche locales : traite une unique solution

8.1.1.2.2. Catégorie 2 : Hybrides combinaison des 2 méthodes précédentes

8.1.1.2.3. Catégorie 3 : basé sur la population manipule plusieurs solutions

8.1.1.2.4. Etape 1 : structuration de la situation décisionnelle

8.1.1.2.5. Etape 2 : les préférences de modélisation de chaque point de vue

8.1.1.2.6. Etape 3 : l'agrégation de ces préférences locales // étapes non commune à toutes les méthodes de décision

8.1.1.2.7. Etape 4 : exploitation de cette agrégation

8.1.1.2.8. Etape 5 : la recommandation

9. Document 8

9.1. Algorithmes approchés pour des problèmes d'ordonnancement

9.1.1. Job Flexible

9.1.2. Job multi-ressource

10. Document 9

10.1. Méthodologie d'aide à la décision multicritère

10.1.1. Méthode exacte

10.1.1.1. Basé sur des théories mathématiques

10.1.2. Méthode Métaheuristique

11. Document 10

11.1. Classement multicritère de stratégie d'ordonnancement

11.1.1. Comparer et classer sur bases un ensemble d'indicateurs de performances. Plusieurs stratégies d'ordonnancement

11.1.1.1. Méthode Lexicogrophique

11.1.1.2. Méthode multicritère Prométhée