Professional Documents
Culture Documents
J j
j j
Z F +
I i J j
ij ij
x cs +
J j K k
jk jk
y cc
Sous les contraintes :
J j y x
jk ij
=
,
M.Reghioui - MCL 29
J j y x
K k
jk
I i
ij
,
J j
i ij
I i p x ,
=
J j
k jk
K k d y ,
J j s y
j
K k
jk
,
J j I i Z p x
j i ij
, ,
J j I i Z d y
j k jk
, ,
{ } K k J j I i Z y x
j jk ij
, , , 1 , 0 , 0 , 0
La fonction objectif : Minimiser le cot de cration des
entrepts plus le cot de transport des fournisseurs vers
les entrepts et des entrepts vers les clients
Les contraintes dans lordre
2.5 Modlisation (4)
Les contraintes dans lordre
Equilibrage des flux entrant et sortant des entrepts
Respecter loffre des fournisseurs
Satisfaction de la demande des clients
Respecter la capacit des entrepts
Les flux entre les fournisseurs et les entrepts ferms sont
nuls
Les flux entre les entrepts ferms et les clients sont nuls
Dfinition des variables
M.Reghioui - MCL 30
Validation du modle, des donnes et de la solution :
Ds que les donnes dun systme logistique sont
collectes, son modle tabli et la solution trouve, il est
indispensable de les valider avant de les utiliser pour
prendre des dcisions
2.5 Modlisation (5)
La meilleure faon pour la validation des donnes et du
modle est de les appliquer au systme rel, cependant ce
nest pas toujours simple surtout pour les problmes du
niveau stratgique
Souvent on fait une validation par simulation (deuxime
semestre)
M.Reghioui - MCL 31
Aprs avoir collect et valid les donnes et le
modle, nous pouvons ensuite le rsoudre pour
trouver la localisation optimale des entrepts.
Les mthodes (outils) utilises sont :
Mthodes doptimisation mathmatique :
2.6 Rsolution (1)
Mthodes doptimisation mathmatique :
algorithmes exacts
heuristiques et mtaheuristiques
M.Reghioui - MCL 32
Mthodes doptimisation :
Quand les emplacements des entrepts doivent tre
dtermins, le problme de localisation devient difficile
rsoudre (NP-complet)
Le modle du problme est souvent un programme
2.6 Rsolution (2)
Le modle du problme est souvent un programme
linaire en nombres entiers et rels, qui peut tre rsolu
en appliquant un algorithme de programmation linaire
De nombreuses heuristiques qui cherchent une solution
proche de loptimum existent pour ce problme. Certaines
dentre elles sont efficaces malgr la complexit du
problme
M.Reghioui - MCL 33
Evaluation par la simulation :
La simulation est un outil pratique largement utilis dans
lindustrie
Avantage : elle est capable de simuler tous les systmes avec
une dynamique trs complexe
2.6 Evaluation
une dynamique trs complexe
Inconvnient : elle ne peut quvaluer une solution propose.
Aucune amlioration ne peut tre trouve si la solution
courante est de mauvaise qualit
Lutilisateur doit proposer plusieurs solutions afin que la
simulation puisse identifier la meilleure en valuant les objectifs
viss et la robustesse des solutions face aux alas.
M.Reghioui - MCL 34
3. Etudes de cas
M.Reghioui - MCL 35
Une entreprise fabrique un seul produit dans deux usines p1
et p2. La capacit de production de lusine 1 peut tre
considre comme illimite et celle de lusine 2 est de 60,000
units. Le cot de production est le mme pour ces deux
usines
Etude de cas 1: optimisation des flux dans la
localisation dentrepts (1)
Lentreprise a deux entrepts w1 et w2 avec le mme cot de
manutention
Ces entrepts sont utiliss pour servir trois marchs, c1, c2 et
c3 dont les demandes sont 50,000, 100,000, et 50,000 units,
respectivement.
M.Reghioui - MCL 36
2 1 2 2 5 w2
5 4 3 4 0 w1
c3 c2 c1 p2 p1
Cots de distribution par unit
Lentreprise veut trouver une stratgie de distribution qui
respecte la capacit de p2, satisfait les demandes de tous les
marchs, et minimise le cot total de distribution
Solution : affecter chaque march lentrept partir duquel
la livraison est la moins chre et affecter chaque entrept
lusine partir de laquelle lapprovisionnement est le moins
Etude de cas 1: optimisation des flux dans la
localisation dentrepts (2)
lusine partir de laquelle lapprovisionnement est le moins
cher, en terme de cot de transport,
c1, c2, c3 tous sapprovisionnent chez w2, et affecter le flux de w2
autant que possible p2 et le reste p1
Cot total: 2 x 50,000 + 1 x 100,000 + 2 x 50,000 + 2 x 60,000 + 5 x
140,000 = 1,120,000
Cest une heuristique simple pour trouver une solution du
problme doptimisation des flux
M.Reghioui - MCL 37
2 1 2 2 5 w2
5 4 3 4 0 w1
c3 c2 c1 p2 p1
Autre mthode heuristique :
Pour chaque march, trouver lentrept qui minimise le cot unitaire
de transport amont ( lentrept) + le cot unitaire de transport aval
(de lentrept)
Pour le march c1, le flux arrivant de p1 et passant par w1 est le
moins cher en terme de somme des deux cots, alors on choisit w1
pour servir c1
Etude de cas 1: optimisation des flux dans la
localisation dentrepts (3)
pour servir c1
De la mme manire, c2 et c3 sont affects w2
w1 a besoins de 50,000 units qui seront approvisionnes chez p1
w2 a besoins de 150,000 units dont 60, 000 units prisent chez p2 et
le reste chez p1.
Le cot total de cette stratgie est de 920,000
M.Reghioui - MCL 38
Programmation linaire :
Ce problme peut galement tre modlis sous forme
dun programme linaire et sa solution optimale peut tre
trouve facilement en appliquant lalgorithme du simplexe
Etude de cas 1: optimisation des flux dans la
localisation dentrepts (4)
Les variables de dcision sont les suivantes:
x(p1,w1),x(p1,w2),x(p2,w1),x(p2,w2) = les flux des usines aux
entrepts
x(w1,c1),x(w1,c2),x(w1,c3) = les flux de lentrept w1 aux
clients
x(w2,c1),x(w2,c2),x(w2,c3) = les flux de lentrept w2 aux
clients
M.Reghioui - MCL 39
Minimiser 0x(p1,w1) + 5x(p1,w2) + 4x(p2,w1) +
2x(p2,w2) + 3x(w1,c1) + 4x(w1,c2) +
5x(w1,c3) + 2x(w2,c1) + 1x(w2,c2) +
2x(w2,c3)
Sous les contraintes:
x(p2,w1) + x(p2,w2) 60,000 (capacit de lusine p2)
Etude de cas 1: optimisation des flux dans la
localisation dentrepts (5)
x(p2,w1) + x(p2,w2) 60,000 (capacit de lusine p2)
x(p1,w1) + x(p2,w1) = x(w1,c1) + x(w1,c2) + x(w1,c3) (le flux entrant de
w1 = le flux sortant de w1)
x(p1,w2) + x(p2,w2) = x(w2,c1) + x(w2,c2) + x(w2,c3) (le flux entrant de
w2 = le flux sortant de w2)
x(w1,c1) + x(w2,c1) = 50,000 (demande du march c1)
x(w1,c2) + x(w2,c2) = 100,000 (demande du march c2)
x(w1,c3) + x(w2,c3) = 50,000 (demande du march c3)
Toutes les variables x sont positives
M.Reghioui - MCL 40
2 1 2 2 5 w2
5 4 3 4 0 w1
c3 c2 c1 p2 p1
Le modle de programmation linaire peut tre facilement
import sur Excel et rsolu par son solveur de
programmation linaire
Le cot de la solution optimal est gale 740,000
380,000 de moins que celui de la premire heuristique
Etude de cas 1: optimisation des flux dans la
localisation dentrepts (6)
380,000 de moins que celui de la premire heuristique
180,000 de moins que celui de la seconde heuristique
Dans la solution optimale
p1 livre 140,000 w1 et p2 livre 60,000 w2
c1 et c3 prennent toutes leurs demandes chez w1
c2 prend 40,000 chez w1 et 60,000 chez w2
M.Reghioui - MCL 41
2 1 2 2 5 w2
5 4 3 4 0 w1
c3 c2 c1 p2 p1
Pour la chane logistique tudie dans ltude de cas 1, on
considre que les deux entrepts nexistent pas, et que
lentreprise veut dterminer si un ou deux des entrepts
doivent tre crs afin de minimiser le cot total (cot fixe
pour crer le(s) entrept(s) plus le cot de transport)
Etude de cas 2: Modlisation dun problme
de localisation dentrepts (1)
Supposons que la capacit de chaque entrept est
illimite, le cot pour crer chaque entrept est 500,000
par an, et que tous les chiffres de ltude de cas 1 sont des
chiffres annuels
Ce problme de localisation dentrepts peut tre modlis
sous forme dun programme linaire variables mixtes
(binaires et continues)
M.Reghioui - MCL 42
minimiser 0x(p1,w1) + 5x(p1,w2) + 4x(p2,w1) + 2x(p2,w2) + 3x(w1,c1) + 4x(w1,c2) +
5x(w1,c3) + 2x(w2,c1) + 1x(w2,c2) + 2x(w2,c3)
+ 500,000z(w1) + 500,000z(w2)
sous les contraintes:
x(p2,w1) + x(p2,w2) 60,000 (capacit de lusine p2)
x(p1,w1) + x(p2,w1)=x(w1,c1) + x(w1,c2) + x(w1,c3) (flux entrant = flux sortant)
x(p1,w2) + x(p2,w2)=x(w2,c1) + x(w2,c2) + x(w2,c3) (flux entrant = flux sortant)
x(w1,c1) + x(w2,c1) = 50,000 (demande du march c1)
Etude de cas 2: Modlisation dun problme
de localisation dentrepts (2)
x(w1,c1) + x(w2,c1) = 50,000 (demande du march c1)
x(w1,c2) + x(w2,c2) = 100,000 (demande du march c2)
x(w1,c3) + x(w2,c3) = 50,000 (demande du march c3)
x(p1,w1) 200,000z(w1), x(p2,w1) 60,000z(w1)
x(p1,w2) 200,000z(w2), x(p2, w2) 60,000z(w2)
x(w1,c1) 50,000z(w1),x(w1,c2) 100,000z(w1), x(w1,c3) 50,000z(w1)
x(w2,c1) 50,000z(w2), x(w2,c2) 100,000z(w2), x(w2,c3) 50,000z(w2)
Toutes les x sont non ngatives, toutes les z(w1) et z(w2) sont binaires
* z(w1) = 1 si lentrept w1 est cr et 0 sinon
z(w2) = 1 si lentrept w2 est cr et 0 sinon
200,000 est la demande totale des marchs, le flux de lusine p1 chaque entrept ne
peut pas dpasser cette demande
M.Reghioui - MCL 43