ASAC 2005 Toronto, Ontario

Abdelilah CHIGUER Soumia ICHOUA Fayez F. BOCTOR Centre de Recherche sur les Technologies de lOrganisation Rseau (CENTOR) Facult des sciences de ladministration Universit Laval

DFINITION DE LA SQUENCE DE PRODUCTION

POUR UNE LIGNE DASSEMBLAGE DAUTOMOBILES

Le principe de la personnalisation de loffre amne lindustrie de lautomobile proposer, pour chaque modle vendu, un nombre important doptions, telles que le toit ouvrant, lair climatis ou les freins ABS. Cette diversit doptions nous oblige accorder une grande attention au problme de la dtermination de la squence de voitures assembler car lquilibrage de la ligne dassemblage en dpend. Pour dfinir une bonne squence pour une journe de travail, nous proposons dutiliser des heuristiques pour gnrer une squence initiale puis dutiliser des procdures pour en amliorer la qualit.

1- CONTEXTE Une ligne dassemblage de voitures est gnralement ddie la production dun modle donn de voiture mais assemble plusieurs variantes de ce modle. Un modle se dfinit par un ensemble de caractristiques techniques que partagent toutes les variantes du modle et chaque variante se dfinit par un ensemble doptions qui lui sont propres. La plupart de lignes dassemblage de voitures est compose de trois ateliers : latelier de tlerie, latelier de peinture et latelier de montage. Un contrle se fait la fin de chaque atelier et les voitures ayant besoin de retouches sont retires de la ligne principale pour faire les rparations ncessaires puis rinsres dans la ligne nouveau. Le plan de production dune journe prcise la squence exacte des voitures assembler et leurs options. Cependant le retrait des voitures pour des retouches peut modifier de faon significative cette squence car une voiture retouche est gnralement rinsre dans une position diffrente de sa position initiale dans la squence. Pour partiellement remdier ces changements de squence, les voitures quittant latelier de peinture sont diriges vers une zone de stockage dite le stock de tri qui a pour objectif de permettre rtablir autant que possible la squence initiale. Une bonne squence de production permet dquilibrer la ligne, cest--dire dgaliser autant que possible la charge de travail des postes de la ligne. Cependant, la charge dun poste varie selon la variante (lensemble doptions) assembler. On observe donc des variations de la charge dun mme poste au long dune mme journe. Pour bien quilibrer la charge de travail des postes, la squence de production doit respecter des contraintes appeles les contraintes despacement des options. Une telle contrainte sexprime par deux paramtres, no et mo, qui signifient que dans

13

nimporte quelle squence de mo voitures conscutives au plus no voitures doivent avoir loption o. Par exemple, Une contrainte despacement de loption freins ABS de 1/4 signifie que sur nimporte quelle srie de 4 voitures successives au plus une doit avoir cette option. Le problme qui nous intresse ici est un problme gnrique qui se trouve dans la plupart des usines dassemblage de voiture. Il sagit du problme de la dfinition de la squence ou de lordre de passage des voitures dans les diffrents postes de la ligne dassemblage qui respecte toutes les contraintes despacement de toutes les options.

2- REVUE DES TRAVAUX PRCDENTS 2.1- Formulations mathmatiques En 1996, Smith, Palaniswami et Krishnamoorthy [1] ont prsent une formulation mathmatique de ce problme sous forme dun programme non linaire en nombres binaires. Dans cette formulation, les contraintes despacement portent sur les diffrentes variantes de la voiture assembler et pas sur chaque option sparment. Rappelons quune variante se dfinie par lensemble doptions que la voiture doit avoir. Aussi, cette formulation modlise uniquement la contrainte despacement qui sexprime comme suit : au plus une seule voiture de la mme variante j toutes les mj voitures successives. La notation suivante sera utilise pour prsenter cette formulation : k j Psj mj Nj xkj indice de la position dans la squence assembler; k = 1, , N indice de la variante (dfinie par un ensemble doptions) assembler; j = 1, , M la pnalit de placer deux voitures de la mme variante j spares par s position dans la squence nombre minimal de positions sparant deux voitures de la mme variante j nombre dunits de la variante j assembler dans la journe planifier; N =

N
j =1

variable binaire qui prend la valeur 1 si et seulement si la position k dans la squence est occupe par une voiture de la variante j

En utilisant cette notation le problme peut tre formul comme suit :

Minimiser : Sous les contraintes :

( xkj
j =1 k = 2 N

min{k 1, m j } s =1 sj

P x

k s, j

);

(1) (2) (3) (4)

x x
j =1 k =1
M

kj

= Nj =1

; j = 1,..., M ; k = 1,..., N ; k = 1,..., N , j = 1,..., M

kj

x kj {0,1}

14

Dans cette formulation, la fonction objectif (1) donne la pnalit totale de violation des contraintes despacement et la contrainte (2) assure que la demande de chaque variante du modle est satisfaite. La contrainte (3) assure quune et une seule voiture est assigne chaque position dans la squence. Drexel et Kimms [2] proposent une autre formulation qui considre explicitement lespacement des options o le problme est formul en tant quun problme de satisfaisabilit (constraints satisfaction problem CSP) et pas en tant quun problme doptimisation. Nous prsentons ci-aprs cette formulation. Notons que Kis [3] a dmontr en 2003 que ce problme est NP-complet. Pour prsenter cette formulation nous utiliserons la notation supplmentaire suivante :
o no et mo ajo indice de loption requise; o = 1, , O les paramtres de la contrainte de lespacement de loption o indiquant que dans une squence de mo voitures conscutives au plus no doivent avoir cette option binaire gale 1 si la variante j requiert loption o

Le problme est alors formul comme suit :

x
j =1 N

kj

=1 = Nj
k

; k = 1,..., N ; j = 1,..., M ; o = 1,..., O, k = mo ,..., N ; k = 1,..., N , j = 1,..., M

(5) (6) (7) (8)

x
k =1
M

kj

jo j =1 s = k mo +1

x kj no

x kj {0,1}

Dans cette formulation, la contrainte (5) impose quexactement une voiture (variante du modle fabriqu) doit tre produite dans chaque position de la squence, la contrainte (6) assure la satisfaction de la demande de chaque variante, et la contrainte (7) est celle de lespacement des options. 2.2- Heuristiques de rsolution Le problme de squenage de voitures tant NP-complet, les algorithmes exacts sont incapables den rsoudre des instances relles souvent de grandes tailles dans un dlai adquat. Les heuristiques sont tout fait indiques pour raliser un bon compromis entre leffort de calcul et la qualit de la solution. Hindi et Ploszajski [6] ont prsent en 1993 une heuristique de construction pour rsoudre le problme. Le principe de lheuristique est quon part dune squence initiale et on insre de

15

nouvelles voitures sans violer les contraintes. Si aucune voiture n'est trouve pour la position courante, la position est laisse vide. Smith et al. [1] ont prsent en 1996 trois approches pour rsoudre une version simplifie du problme. Ils proposent une adaptation de la mthode de descente ou lheuristique damlioration locale, une adaptation de lalgorithme du recuit simul [4] ainsi que des approches bases sur les rseaux neurones de Hopfield [5]. La mthode de descente part dune solution initiale et cherche la meilleure solution dans un voisinage prdfini. Pour ce faire, lalgorithme fait des permutations et retient la permutation qui gnre le cot minimal. La solution trouve dans ce cas est un minimum local. Les auteurs proposent galement une adaptation de lalgorithme du recuit simul. Le principe de base de cette mthode est dautoriser temporairement des augmentations du cot afin dchapper au minimum local et atteindre ainsi le minimum global. Les auteurs rapportent que le recuit simul performe mieux que la mthode de descente et que lapproche base sur les rseaux neuronaux est aussi bonne que le recuit simul et fait mieux lorsque la squence dfinir contient plus que 40 voitures. De leur part, Gottlieb et al. [7] ont prsent en 2003 des heuristiques voraces, une approche de recherche locale et un algorithme de fourmis pour rsoudre le problme ltude. Les auteurs rapportent que les meilleurs rsultats sont obtenus par lalgorithme de fourmis.

3- DESCRIPTION DU PROBLME ET DE LAPPROCHE PROPOSE Le problme trait ici est celui de la dfinition de la squence de production dun ensemble de voitures fabriquer le mme jour sur une ligne dassemblage mixte. Chaque voiture a un ensemble doptions et chaque option a une contrainte despacement. La squence dfinir doit prendre en considration les voitures non acheves de la veille dont lassemblage est dj commenc et la squence ne peut donc tre modifie. Dans la plupart des situations pratiques, il est difficile de trouver une squence qui permet de satisfaire toutes les contraintes despacement. Il est donc habituel de diviser ces contraintes en deux types de contraintes despacement, savoir les contraintes prioritaires et les contraintes non prioritaires. Les contraintes prioritaires correspondent des contraintes lourdes de latelier de montage alors que les contraintes non prioritaires sont associes des oprations plus lgres. Notre problme consiste dfinir la squence de production de la journe, en prenant en considration la squence des voitures restantes de la veille, de faon minimiser le nombre total des violations de contraintes prioritaires despacement. Les contraintes non prioritaires doivent, dans la mesure du possible, tre respectes mais jamais au dtriment des contraintes prioritaires. Pour rsoudre ce problme nous avons utilis une approche heuristique hybride qui commence par utiliser une ou plusieurs heuristiques de construction pour construire une solution initiale puis utiliser une procdure damlioration pour amliorer cette solution initiale. Les heuristiques de construction utilises sont prsentes dans la section suivante tandis que les heuristiques damlioration sont donnes dans la section 5.

16

4- APPROCHES DE CONSTRUCTION DE LA SOLUTION INITIALE Dans cette section nous prsentons trois familles dheuristiques qui serviront construire une solution initiale. Toutes ces heuristiques sont des heuristiques de construction squentielle qui slectionnent la variante de voiture placer la premire position aprs les voitures restantes de la veille. Puis elles slectionnent celle placer la position suivante et ainsi de suite. Certaines de ces heuristiques utilisent un indice de criticit pour slectionner la variante de voiture placer dans la position suivante. Lindice de criticit de la variante de voiture j, not cj, est la somme des indices de criticit de ses options. Lindice de criticit dune option o, not o, varie au fur et mesure que lon construit la squence. Il est gal la diffrence entre le ratio du nombre de voitures ayant cette option et qui restent placer dans la squence par rapport au nombre total des voitures restantes et le ratio no/mo. Si cette diffrence est ngative alors on met o = 0. Les variantes de voiture dont cj > 0 sont appeles variantes critiques. Dautres heuristiques utilisent ce que lon appelle le principe de conservation des proportions. Selon ce principe, la variante placer dans la position suivante de la squence est celle qui fait que, pour chacune des options, le pourcentage des voitures places dans la squence et ayant loption considre est le plus proche possible du mme pourcentage pour lensemble de toutes les voitures assembler. Pour mesurer le degr de conservation des proportions pour la variante j, not dj, on calcule la somme, sur toutes les options, de la diffrence entre le pourcentage de loption dans toutes les voitures assembler et celui dans lensemble compos des voitures dj places et la voiture placer. Une deuxime mesure, note ej, est galement utilise. Il sagit de la somme, sur toutes les options, de la diffrence entre le pourcentage de loption dans toutes les voitures assembler et celui dans lensemble des voitures non places dans la squence. 4.1- Lheuristique vorace (H1) La premire heuristique est une heuristique vorace simple qui consiste affecter la position suivante de la squence la variante de voiture qui minimise la violation totale des contraintes prioritaires et dont la demande nest pas encore entirement satisfaite. Si plusieurs variantes satisfont ces conditions, on applique une rgle secondaire (R2) et si lgalit persiste, une rgle tertiaire (R3) et mme une quatrime et cinquime rgles (R4 et R5). Six versions de cette heuristique ont t testes; voici dans lordre les rgles utilises par chacune de ces six versions : H1-1 : (R2) La variante qui minimise le nombre des violations de contraintes non prioritaires. (R3) La variante ayant la valeur la plus leve de lindice de criticit cj. (R4) Au hasard. H1-2 : (R2) La variante ayant la valeur la plus leve de lindice de criticit cj. (R3) La variante qui minimise le nombre des violations de contraintes non prioritaires. (R4) Au hasard. H1-3 : (R2) La variante ayant la valeur la plus leve de lindice de criticit cj. (R3) La variante qui minimise le nombre des violations de contraintes non prioritaires. (R4) La variante ayant la plus faible valeur de lindice de conservation des proportions dj. (R5) Au hasard.

17

H1-4 : (R2) La variante qui minimise le nombre des violations de contraintes non prioritaires. (R3) La variante ayant la valeur la plus leve de lindice de criticit cj. (R4) La variante ayant la plus faible valeur de lindice de conservation des proportions dj. (R5) Au hasard. H1-5 : (R2) La variante ayant la plus faible valeur de lindice de conservation des proportions dj. (R3) La variante qui minimise le nombre des violations de contraintes non prioritaires. (R4) Au hasard. H1-6 : (R2) La variante qui minimise le nombre des violations de contraintes non prioritaires. (R3) La variante ayant la plus faible valeur de lindice dj. (R4) Au hasard. Les heuristiques de cette famille ont un dfaut important. Elles aboutissent souvent placer les modles critiques la fin de la squence ce qui gnre beaucoup de violations de contraintes despacement de leurs options. Lheuristique suivante a t conue pour remdier ce dfaut. 4.2- Lheuristique de placement et de rservation (H2) Cette heuristique a la particularit de rserver certaines positions dans la squence dfinir pour placer les variantes critiques uniquement. Au dpart, aucune position nest rserve. Pour slectionner la variante de voiture placer dans la position suivante de la squence, soit la position k, on utilise les mmes rgles que lheuristique H1-3 si k nest pas rserve. La version H1-3 a t choisie car cest la version qui a permis dobtenir les meilleurs rsultats. Par contre, si la position k est rserve, on choisit parmi les variantes critiques celle qui minimise le nombre de violations de contraintes prioritaires. Aussi, si la position nest pas rserve et si la variante choisie pour occuper cette position est critique (c.-.-d. telle que cj > 0), lheuristique calcule ce que lon appelle le pas, not p, en prenant le plus grand entier infrieur ou gal au rapport entre le nombre de positions restant (N-k) et le nombre de voitures de cette variante qui restent placer, not Nj. Puis lheuristique dclare les positions k + up; u = 1,, (N - k)/p comme rserves. 4.3- Lheuristique de conservation des proportions (H3) Deux versions de cette heuristique seront testes. La premire version (H3-1) de cette heuristique consiste affecter la position suivante de la squence la variante de voiture j qui minimise dj. En cas dgalit on retient celle qui minimise la violation totale des contraintes prioritaires et, si lgalit persiste, on retiendra celle qui minimise la violation totale des contraintes non prioritaires. La deuxime version (H3-2) est identique except quelle utilise ej la place de dj.

5- MTHODES DAMLIORATION Nous utilisons deux mthodes pour amliorer la solution initiale. Il sagit de lheuristique damlioration locale et lutilisation de la mme heuristique dans le cadre dune approche de perturbation. Dans les deux cas, les solutions voisines sont obtenues en permutant les voitures occupant deux positions choisies au hasard.

18

5.1- Lheuristique damlioration locale Partant dune solution initiale, chaque itration, cette heuristique cherche la meilleure solution voisine de la solution courante. Ce processus est rpt jusqu ce quaucune permutation ne puisse amliorer la solution. 5.2- La mthode de perturbation La mthode propose est une mthode itrative o chaque itration consiste excuter lalgorithme damlioration locale jusqu ce quaucune amlioration ne puisse tre obtenue pour ensuite modifier la solution finale afin den crer la solution initiale de litration suivante. Pour modifier (perturber) une solution, nous permutons les positions dun nombre de pairs de voitures choisies au hasard. Le nombre de pairs est galement choisi au hasard entre 10 % et 15 % du nombre total des voitures assembler. La mthode sarrte lorsquaucune amlioration nest obtenue au cours de trois itrations successives.

6- VALUATION DES MTHODES PROPOSES 6.1- Critres dvaluation et problmes-tests Pour valuer la performance des diffrentes variantes des heuristiques proposes nous nous basons sur le nombre des violations de contraintes prioritaires et sur le nombre des violations de contraintes non prioritaires. Aussi pour tester nos mthodes, nous nous sommes servi de 23 instances du problme fournies par le constructeur dautomobiles Renault. Parmi ces instances on a 12 instances faciles et 11 instances difficiles. Une instance est considre facile si la mthode utilise prsentement par Renault parvient construire une squence ne produisant aucune violation sur lensemble des contraintes prioritaires despacement doptions. loppos, une instance est considre difficile si cette mthode ne parvient pas construire une squence ne produisant aucune violation de lensemble des contraintes prioritaires. Le Tableau 1 rsume les caractristiques de ces instances. 6.2- Rsultats Les rsultats numriques (voir Tableau 2) dmontrent que les meilleurs rsultats sont obtenus avec la version 2 de lheuristique 1. Cette version a ralis en moyenne, sur les vingt-trois instances, 94 violations de contraintes prioritaires et 428 violations de contraintes non prioritaires. Les versions 1 et 3 de lheuristique 1 ont donn aussi de bons rsultats. La version H1-3 a ralis en moyenne 103 violations de contraintes prioritaires et 398 violations de contraintes non prioritaires et la variante 1 a ralis en moyenne 104 violations de contraintes prioritaires et 409 violations de contraintes non prioritaires.

19

Dautre part, la deuxime version de la troisime heuristique (H3-2) donne de meilleurs rsultats que sa premire version (H3-1). Finalement, la deuxime heuristique (H2) donne en moyenne de meilleurs rsultats que les deux versions de la troisime heuristique ainsi que la sixime variante de la premire heuristique (H1-6). Enfin, notons quaucune variante ne surclasse toutes les autres pour toutes les instances du problme. Puisque le temps de calcul de la solution initiale est ngligeable (quelques secondes), alors on peut combiner plusieurs versions sans augmenter le temps de calcul de faon significative. Nous proposons alors de construire la solution initiale de chaque instance en utilisant les diffrentes versions des diffrentes heuristiques de construction et den retenir la meilleure squence. Cette squence est ensuite amliore par les procdures damlioration proposes. Le tableau 3 prsente les rsultats ainsi obtenus pour toutes les instances du problme aprs lapplication de la mthode de perturbation.

Tableau 1
Les instances du problme et leurs caractristiques
Voitures restantes Voitures Nombre de Nombre Instances de la veille squencer variantes doptions 1 15 525 20 9 2 20 1110 41 17 3 49 1270 66 13 4 96 1161 172 16 5 21 365 91 20 6 37 65 10 9 7 43 730 12 7 8 5 128 7 4 9 24 269 8 5 10 32 1231 86 11 11 119 1000 22 11 12 311 591 181 25 13 49 546 112 23 14 29 825 46 14 15 39 412 10 5 16 14 485 18 9 17 14 1260 50 13 18 14 1315 43 13 19 228 1004 223 22 20 27 954 20 5 21 29 875 25 9 22 5 128 7 4 23 24 269 8 5

Difficult Facile Difficile Difficile Facile Facile Facile Difficile Difficile Difficile Facile Facile Facile Difficile Facile Facile Facile Difficile Difficile Facile Difficile Facile Difficile Difficile

20

Tableau 2
Rsultats moyens obtenus par les heuristiques de construction
suivies par la mthode de perturbation
Heuristiques H1-1 H1-2 H1-3 H1-4 H1-5 H1-6 H2 H3-1 H3-2 Nombre moyen des violations de contraintes prioritaires 104 94 103 107 137 187 161 189 170 Nombre moyen des violations de contraintes non prioritaires 409 428 398 465 1025 518 450 676 599

Tableau 3
Solutions retenues

Violations Violations contraintes Heuristiques de contraintes non construction utilises prioritaires prioritaires H1-2 0 9 H2 62 35 H3-1 870 2342 H1-2 0 1478 H1-3 53 136 H1-1 0 68 H1-3 32 2129 H1-3 63 83 H2 339 358 H1-1 0 35 H1-1 0 4 H1-6 0 102 H1-1 3 6 H1-4 0 15 H1-1 0 69 H1-2 0 0 H1-2 74 265 H1-2 95 155 H1-2 0 593 H1-2 21 0 H1-1 0 724 H1-4 64 75 H3-1 336 334 87 392

Instances Difficult 1 Facile 2 Difficile 3 Difficile 4 Facile 5 Facile 6 Facile 7 Difficile 8 Difficile 9 Difficile 10 Facile 11 Facile 12 Facile 13 Difficile 14 Facile 15 Facile 16 Facile 17 Difficile 18 Difficile 19 Facile 20 Difficile 21 Facile 22 Difficile 23 Difficile MOYENNE

21

7- CONCLUSION Dans cet article, nous avons propos une approche heuristique pour rsoudre le problme de dfinition de la squence de production de voitures en deux tapes. Une tape de construction et une tape damlioration. Pour construire une solution initiale, nous avons dvelopp trois familles dheuristiques. Ensuite, nous avons propos damliorer la solution initiale par deux mthodes : lheuristique damlioration locale et une mthode des perturbations. La performance de ces diffrentes mthodes a t value en utilisant des donnes provenant de lentreprise Renault. Les rsultats nous ont permis didentifier des solutions prometteuses. Ainsi nous pouvons dire que rsoudre le problme par chacune des mthodes de construction, retenir la meilleure des squences obtenues puis appliquer la mthode de perturbation afin damliorer cette squence, donne des rsultats encourageants. Dans des travaux futurs nous essayerons de traiter de faon coordonne le problme de slection des variantes de voitures assembler dans une journe de travail et celui de la dfinition de la squence utiliser pour les assembler. Ces deux problmes sont lis et on gagne les traiter ensemble.

RFRENCES : [1] Smith, K., M. Palaniswami, and M. Krishnamoorthy, Traditional heuristic versus Hopfield neural network approaches to a car sequencing problem, European Journal of Operational Research, 93 (1996), 300-316. [2] Drexl, A., and A. Kimms, Sequencing JIT mixed-model assembly lines under station-load and part-usage constraints, Management Science, 47 (2001), 480-491. [3] Kis, T., On the complexity of the car sequencing problem, Operations Research Letters, 32 (2004), 331-335. [4] Kirkpatrick, S., C. Gelatt, and M. Vecchi, Optimisation by simulated annealing, Science, 220 (1983), 671-680. [5] Tank, D. W., and J. J. Hopfield, Neural' computation of decisions in optimization problems, Biological Cybernetics, 52 (1985), 141-152. [6] Hindi, K. S., and G. Ploszajski, Formulation and solution of a selection and sequencing problem in car manufacture, Computers and industrial Engineering, 26 (1994), 203-211. [7] Gottlieb, J., M. Puchta1, and Ch. Solnon, A Study of greedy, local search, and ant colony optimization approaches for car sequencing problems, Euro Workshops 2003, LNCS 2611, 246257.

22