Dans cette thèse, nous nous intéressons à l'optimisation d'un problème d’approvisionnement multi-échelon. Cette thèse est réalisée dans le cadre d’une convention CIFRE, et le problème est motivé par un cas d'application industriel. Le problème de gestion des stocks est crucial pour le bon fonctionnement des chaines logistiques, et le réapprovisionnement en est une part importante. C'est aussi un problème avec beaucoup de variables de décision et de contraintes, ce qui le rend compliqué à résoudre, spécifiquement pour des jeux de donnée de taille industrielle. Dans la littérature, ce problème est souvent traité de façon mono-échelon. Cela veut dire que les quantités à commander sont calculées pour chacune des entités du système séparément. Cela permet de simplifier le problème, mais occulte certaines contraintes liées aux liens entre les entités du système. Le but premier de ce travail est de développer une méthode d’optimisation qui permet de résoudre un problème d’approvisionnement multi-échelon. Cette méthode devra être adaptée à des données de taille industrielle, et être applicable pour à des cas réels. Nous nous concentrons sur un réseau avec un entrepôt et plusieurs magasins. Nous commençons par construire un modèle mathématique en utilisant la programmation linéaire. Ce modèle est basé sur une étude de cas représentative des cas auxquels il devra s’appliquer. Ce cas d’étude nous permet d’identifier et d’expliciter les contraintes pertinentes. Ce travail nous permet d’intégrer des contraintes industrielles dans la modélisation. A partir de ce modèle, nous pouvons faire des expérimentations avec des logiciels existants de résolution exacte, en utilisant des données issues de notre cas d’étude. Les résultats montrent que les méthodes de résolution exactes sont rapidement limitées lorsque la taille des instances augmente. Nous cherchons donc à mettre en place une méthode heuristique permettant d’obtenir des résultats satisfaisants dans un temps raisonnable. Pour ce faire, nous choisissons de développer une métaheuristique de type recherche locale. Nous mettons en place un ensemble d’opérateurs dédiés spécifiquement au problème étudié. Chaque opérateur agit sur une partie précise de la fonction coût. Etant donné que les performances individuelles des opérateurs ne sont pas satisfaisantes, nous nous orientons vers la mise en place d’une recherche locale utilisant plusieurs opérateurs. Nous mettons en place un algorithme qui permet de sélectionner les opérateurs en se basant sur un score d’efficacité qui évolue pendant la recherche. Plus un opérateur a un score élevé, plus il aura de chance d’être sélectionné pendant la recherche. Après avoir validé notre algorithme et évalué ses performances d’un point de vue algorithmique, nous nous intéressons aux performances de la méthode d’un point de vue industriel. Dans cette partie du travail, nous cherchons d’une part à évaluer les performances de la méthode dans un contexte réaliste, et d’autre part à valider l’intérêt d’une approche multi-échelon par rapport à une approche mono-échelon. Pour ce faire, nous mettons en place un outil de simulation qui permet de reproduire le processus d’approvisionnement, et de calculer des indicateurs de performances (KPIs). Nous utilisons cet outil de simulation pour reproduire le processus sur plusieurs périodes de temps, en utilisant notre méthode d’optimisation multi-échelon. Nous reproduisons aussi l’expérience avec deux moteurs mono-échelon existant dans l’entreprise, afin de comparer leurs performances. Ces expériences montrent un avantage significatif à l’utilisation d’un moteur multi-échelon, car il permet de réduire les niveaux de stocks et de ventes perdues.
Mme Clarisse DHAENENS Université de Lille Directrice de thèse, M. Bernard PENZ INP Grenoble Rapporteur, M. Sébastien VEREL ULCO (Université Littoral Côte d'Opale) Rapporteur, Mme Corinne LUCET UPJV (Université Picardie Jules Verne) Examinatrice, M. Nadarajen VEERAPEN Université de Lille Examinateur, M. Ioan Marius BILASCO Université de Lille Examinateur, M. Manuel DAVY Vekia SAS Invité.
Thesis of the team ORKAD defended on 20/09/2024