RECHERCHE OPERATIONNELLE ET GESTION DE LA PRODUCTION

Yves CRAMA1, Lionel DUPONT2 et Gerd FINKE3

1

Ecole dAdministration des Affaires Universit de Lige Boulevard du Rectorat 7 (B31) 4000 Lige Belgique

Ecole Nationale Suprieure de Gnie Industriel 46 Avenue Flix Viallet 38031 Grenoble Cedex France Laboratoire Leibniz - Institut IMAG 46 Avenue Flix Viallet 38031 Grenoble Cedex France
3

Juin 1997

Article prpar pour publication dans la revue Nouvelles de la Science et des Technologies

Introduction
Depuis leurs origines, la recherche oprationnelle et la gestion de la production entretiennent des relations privilgies. Trs tt, les problmes de gestion industrielle ont intress les mathmaticiens: citons les crits de Monge relatifs lorganisation efficace des transports de dblais et de remblais ou louvrage de Kantorovich sur les mthodes mathmatiques dans lorganisation et la planification de la production , publi en 1939, ouvrage qui contenait en germe certains des dveloppements fulgurants de la programmation linaire enregistrs dans les dcennies suivantes. Sur le terrain, de nombreuses mthodes issues de ces travaux ont t appliques de manire effective. Citons pour mmoire: la gestion des approvisionnements par la quantit conomique de commande dcrite par Harris (1913) dans son analyse des arbitrages fondamentaux de la gestion des stocks; la gestion de projet par les mthodes PERT/CPM (annes 50); les nombreuses applications industrielles de la programmation linaire ds les annes 50 dans le secteur de lindustrie ptrolire (planification de la production et de la distribution), agro-alimentaire (transport, mlanges), sidrurgique (modlisation de processus), mcanique (ordonnancement): la planification des besoins en composants (MRP1 puis MRP2). La gestion de la production et les domaines connexes de la logistique industrielle ont donc rapidement supplant la gestion des oprations militaires comme champ daction principal et, simultanment, comme catalyseur du dveloppement de la recherche oprationnelle. La gestion industrielle a considrablement volu depuis les annes 1960. Schmatiquement, on peut dire que lon est pass du modle Ford au modle Toyota et dune conomie de production une conomie de march. Les principales causes de cette volution sont: le renversement du rapport entre loffre et la demande: pour la plupart des produits, les capacits de production actuelles dpassent trs largement ce que le march peut absorber; la mondialisation de lconomie; lacclration du renouvellement des produits. Pour survivre, les entreprises ont d se refocaliser sur ce qui constitue le coeur de lactivit industrielle: la cration de valeur ajoute. Pour ce faire, elles sefforcent de supprimer toutes les activits superflues par la recherche de production en juste temps, ou de production au plus juste, et par un recentrage sur les concepts de qualit, de cots et de dlais. La recherche oprationnelle continue jouer un rle actif dans cette croisade. Il suffit pour sen convaincre de consulter la liste des finalistes de la Franz Edelman Award (le prix de la socit amricaine de recherche oprationnelle INFORMS qui couronne chaque anne une implantation particulirement russie et significative de mthodes quantitatives en milieu industriel) et de constater que les applications en planification de la production, gestion des stocks, distribution et logistique se taillent la part du lion dans cette liste (voir par exemple Assad, Lilien et Wasil 1992 et la revue Interfaces). Par ncessit, on se contentera doffrir ici un trs bref aperu des applications de la recherche oprationnelle en gestion de la production. Lexpos sera organis autour de trois thmes principaux: planification de la production et programmation mathmatique, gestion des stocks et conception de systmes. A titre dillustration, certains modles fondamentaux et

particulirement reprsentatifs seront dcrits de faon dtaille. En gnral, cependant, le portrait esquiss permettra seulement de mettre en vidence quelques-uns des succs ou difficults rencontrs dans les diffrents domaines, ainsi que certaines pistes de dveloppement rcemment explores. Pour une couverture plus complte du sujet, le lecteur pourra consulter les rfrences mentionnes en annexe. En particulier, louvrage dit par Graves, Rinnooy Kan et Zipkin (1993) fournit un panorama trs large de ltat de lart sur le plan thorique. Pour un aperu de la mise en pratique de ces thories en milieu industriel, on renverra au recueil dit par Assad, Wasil et Lilien (1992), la revue Interfaces et la section OR Practice de la revue Operations Research.

Planification de la production et programmation mathmatique

Considrons le cas dun constructeur automobile et supposons que la demande commerciale lui impose le montage de 500 voitures le lendemain. Pour y arriver, il va falloir que les pices ncessaires soient en stock, que la chane de montage soit cadence pour une production de 500 voitures/jour, et que la main doeuvre requise soit prsente. Ceci suppose que de nombreuses dcisions aient t prises dans les semaines, voire les mois prcdents, en un mot que lon ait planifi cette production du lendemain. Le besoin de planification existe dans la plupart des entreprises et ce pour deux raisons principales: 1. le dlai de livraison acceptable par le client est gnralement plus court que le dlai de fabrication, ce qui oblige les entreprises anticiper la demande pour prendre les dcisions relatives aux approvisionnements ou au lancement de tout ou partie de la fabrication; 2. les capacits dadaptation des entreprises vis vis des variations du march sont limites. Bien quelles cherchent augmenter leur flexibilit (on parle aussi dagilit) afin damliorer leur ractivit, les entreprises restent des structures lourdes, ce qui les amne produire certains articles de manire anticipe. Une bonne planification doit essayer de concilier au mieux des objectifs souvent contradictoires: assurer que le client trouve le produit quil dsire au moment et lendroit voulus, fournir la production proprement dite (ateliers, oprateurs, etc.) les conditions de travail les plus correctes possibles, ce qui demande au minimum qu tout moment les ressources ncessaires la production soient prsentes, quil sagisse des quipements, des ressources humaines ou des matires; assurer une production au moindre cot ou de rentabilit maximale. Ces objectifs sont assez flous. Dans de nombreux cas, les deux premiers objectifs seront traduits en contraintes quantitatives: on fixera la demande satisfaire au cours de chaque priode et on imposera que les besoins requis pour la production prvue soient couverts par les capacits. On se ramne ainsi des modles de minimisation de cot sous contraintes de demande et de capacit. Avant de mettre en place un systme de planification, une premire question se pose: sur quelles donnes faut-il travailler? Si nous fabriquons des voitures du modle X, en version 3

ou 5 portes, avec 5 motorisations et 20 couleurs possibles, jusqu quel degr de dtail faut-il descendre dans la planification? En pratique, la caractristique couleur peut tre carte demble: on peut en effet estimer que ce dtail se rgle dans la semaine prcdant la fabrication. La motorisation elle, est une caractristique importante; mais si le dlai de fabrication dun moteur est de 3 mois, est-il intressant den tenir compte pour la planification un an? Peut-on sen passer pour la planification 3 mois? Mme sur ce petit exemple, on constate que plusieurs questions se posent: quel horizon de temps faut-il considrer, quels produits faut-il prendre en compte, faut-il estimer la capacit de production au niveau de lusine, des ateliers ou des machines? La rponse la plus habituelle est de mettre en place un systme hirarchique correspondant: aux dcisions stratgiques sur le long terme, aux dcisions tactiques sur le moyen terme, aux dcisions oprationnelles sur le court terme. Le terme hirarchique signifie quun niveau travaille imprativement dans le cadre dfini par le ou les niveaux suprieurs. Paralllement, le degr de finesse de linformation prise en compte ne sera pas le mme. Plus le niveau est bas, et plus linformation retenue sera fine; plus le niveau est lev, plus linformation requise sera agrge. Dans ce cadre, les modles de programmation mathmatique occupent une place importante dans larsenal des techniques de planification de production, en particulier pour ltablissement de plans moyen ou court terme.

Planification moyen terme La planification moyen terme prend place dans un cadre de dcision o le portefeuille de produits et le processus de production peuvent tre considrs comme des donns irrvocables, fixs par la stratgie de lentreprise. Les questions qui se posent ce niveau de dcision tactique portent donc sur lutilisation optimale du systme productif dans le but de satisfaire la demande prvisionnelle sur lhorizon du plan. A ce niveau de dcision, il rgne trop dincertitudes pour sencombrer de dtails qui compliqueraient inutilement la prise de dcision. Le gestionnaire cherche donc habituellement planifier dans les grandes lignes . Les produits sont agrgs par familles, les ressources en grandes catgories (de personnel, dquipements, etc.), les priodes sont relativement longues (typiquement, un mois). On retient essentiellement les contraintes sur les ressources critiques (approvisionnements limits, quipements goulets). Pour cette raison, on appelle parfois plan agrg le plan de production moyen terme. Lagrgation des dcisions permet de simplifier considrablement la formulation, la rsolution et linterprtation des modles (moins de donnes collecter, moins de calculs effectuer, moins de rsultats analyser). Par ailleurs, elle augmente galement la qualit des prvisions de demande ainsi que lestimation dautres paramtres. Les variables contrles par le planificateur sont essentiellement de deux types: les variables attaches aux produits et les variables attaches aux ressources. Pour comprendre ceci, considrons une entreprise ayant fabriquer N familles de produits (indics par i) sur un horizon de T priodes (indices par j). La fabrication de ces produits utilise M ressources

(indices par k: matires, quipements, main doeuvre). La demande di,j du produit i pour la priode j peut tre satisfaite de diffrentes faons: par la production Xi,j du produit i effectue au cours de cette priode j, par le stock Si,j du produit i disponible en dbut de la priode j, ou par le report sur les priodes ultrieures dune partie Pi,j de la demande (livraisons diffres). En combinant ces diverses possibilits, la firme peut niveler son niveau dactivit et donc lisser lutilisation des ressources. Les quations de passage dune priode j-1 la priode j sont alors de la forme: ( Xi,j + Si,j ) (di,j + Pi,j-1) = Si,j+1 Pi,j . Ce dont on dispose (fabrication plus stock: Xi,j + Si,j ) moins la demande totale (la demande de la priode augmente de la demande diffre: di,j + Pi,j-1) donne le stock initial de la priode suivante (Si,j+1 ) ou la demande diffre ( Pi,j ). A ce niveau de planification, on peut considrer que les besoins sont proportionnels aux niveaux de production. Dans le cas le plus simple, la disponibilit bk,j de la ressource k pour le priode j est connue. Soit ai,k la quantit de k ncessaire pour produire une unit de i. Lquation exprimant le fait que le besoin doit rester infrieur ou gal la capacit disponible scrit alors:

i ai,k Xi,j

bk,j.

Lorsquil est possible de stocker la ressource k, en posant Rk,j le stock de k disponible en dbut de priode j, lquation devient:

ai,k Xi,j + Rk,j+1 = bk,j + Rk,j.

Il est parfois possible dajuster le niveau de certaines ressources: on peut recourir une seconde source pour les approvisionnements, sous-traiter des oprations lorsque les quipements sont sous-capacitaires, ou faire varier le niveau de main doeuvre (heures supplmentaires, chmage technique, intrim, flexibilit du temps de travail, embauche, licenciement). Ces ajustements peuvent avoir leur porte limite a priori par des contraintes techniques (capacit du sous-traitant), lgales (taux maximum dheures supplmentaires) ou par dautres considrations (politique de maintien de lemploi, conventions sectorielles, etc.). Ceci implique laddition de nouvelles variables de dcision aux modles, ainsi que de nouvelles contraintes linaires. Vu la diversit des situations possibles, il nest pas possible de donner des quations gnriques applicables tous les cas. A titre dillustration, prenons deux exemples o nous supposons que la ressource k reprsente des heures de main doeuvre. Exemple 1. Il est possible de faire des heures supplmentaires dans la limite de 10% des heures normales. Soit Yk,j les heures supplmentaires effectues en priode j:

i ai,k Xi,j

bk,j + Yk,j Yk,j 0,10 bk,j.

Exemple 2. La variation de main doeuvre dune priode lautre se fait par embauche ou licenciement. Mais les variations sont limites 10%. Posons Mk,j le niveau de la main doeuvre en priode j, Ek,j et Lk,j les embauches et licenciements en dbut de priode j. On a:

i ai,k Xi,j

Mk,j Mk,j = Mk,j-1 + Ek,j Lk,j 0,9 Mk,j-1 Mk,j 1,1 Mk,j-1. Dans ces modles, lobjectif sera de minimiser lensemble des cots: production, stockage, sous traitance, main doeuvre, etc. Ces cots sont le plus souvent linariss, ce qui conduit la formulation de modles de programmation linaire. La souplesse de cette modlisation, allie aux autres avantages bien connus de la programmation linaire (disponibilit des logiciels, efficacit des calculs, analyse de sensibilit) font de la programmation linaire un instrument de choix pour la planification de la production agrge.

Planification court terme Le plan de production court terme peut tre vu comme une version dtaille et dsagrge du plan de production moyen terme: il dsagrge les familles de produits en articles individuels et il planifie la production sur un horizon plus court en tenant compte dune dcoupe plus fine en sous-priodes. Une des caractristiques essentielles du plan court terme est la prise en compte explicite des particularits du processus de production: nomenclature des produits (matires, composants, sous-assemblages), enchanement et dure des oprations aux diffrents centres de production (gammes opratoires, dlais de livraison, ...), temps de prparation et de lancement des oprations (nettoyage des installations, rglage des machines, changements doutils, ...), etc. De nombreux modles doptimisation ont t proposs pour llaboration de plans de production court terme. La formulation de ces modles dpend videmment, dans une certaine mesure, du processus technologique considr. On retrouve ainsi des modles distincts selon que lon analyse des industries de process ou dassemblage. Dans la plupart des cas, cependant, lexistence des temps de lancement (set-ups) introduit des discontinuits ou non linarits qui se traduisent par lapparition de variables de dcision binaires dans les formulations. Les modles multi-produits multi-niveaux qui en rsultent sont donc gnralement des problmes de programmation linaire mixte de grande taille, souvent difficiles rsoudre de faon exacte. Un des modles les plus simples et les mieux connus dans cette catgorie est celui de dtermination de tailles de lots optimales propos par Wagner et Whitin. Ce modle considre un seul article pour lequel on connat la demande dj (besoin net) la priode j. Le cot de production dun lot de x articles est exprim par la fonction f(x) et le cot de possession de y articles pendant une priode est donn par g(y). On fait lhypothse que les fonctions f(x) et g(y) sont concaves, ce qui permet de modliser dventuelles conomies dchelle. Le

problme est de dterminer un plan de production satisfaisant la demande de chaque priode et de cot total minimum. Sous les hypothses nonces, on peut montrer que parmi les solutions optimales, il en existe toujours une pour laquelle la production Xj de la priode j est ou bien nulle ou bien gale la demande cumule des priodes j, j+1,.., j+k pour un certain k 0. Il suffit donc de se restreindre la recherche des solutions prsentant la structure dcrite par ce rsultat. Cette structure peut se traduire par le graphe suivant. Un sommet Vj reprsente le fait quon lance la production la priode j. Un sommet VT+1 est ajout pour borner lhorizon de planification. Un arc de j j+k+1 reprsente la situation o lon lance la production en j et nouveau en j+k+1, mais pas entre ces deux priodes. Dans ce cas, la production en j doit permettre de satisfaire la demande des priodes j j+k. La valeur de cet arc est par consquent pose gale : f(dj+...+dj+k ) + g(dj+1) + 2 g(dj+2) + ... + k g(dj+k). Le problme consiste alors dterminer un chemin du sommet V1 au sommet VT+1 dont la valeur totale soit la plus faible possible. Il sensuit que la solution optimale du modle de Wagner-Whitin peut tre facilement calcule par un algorithme de plus court chemin (programmation dynamique). Des modles plus gnraux sont drivs assez naturellement du modle de base pour tenir compte de produits multiples, des relations entre ces produits (relations traduites dans les nomenclatures), de contraintes de capacit sur les diffrents centres de production, etc. Comme mentionn plus haut, cependant, les modles ainsi formuls deviennent rapidement complexes, ce qui justifie les approches de dcomposition hirarchique souvent utilises pour les attaquer.

Ordonnancement Dans le trs court terme, le dpartement production se trouve confront une collection dordres de fabrication (OF) excuter. Chaque OF consiste en une liste doprations effectuer, mais ne prcise pas ncessairement lordre dans lequel ces oprations doivent tre excutes, ni linstant auquel elles doivent tre entames, ni les postes de production auxquels elles doivent tre affectes. Ordonnancer la production, cest planifier les dates de lancement et de fin des oprations ainsi que laffectation de ces oprations aux diffrents postes de production susceptibles de les excuter. On classe gnralement la fonction dordonnancement parmi les activits de planification trs court terme, quoique dans le cas de lordonnancement de projets elle puisse parfois tenir compte dun horizon de plusieurs annes. Lordonnancement est une branche de loptimisation combinatoire et la plupart de ses problmes peuvent tre modliss sous la forme de programmes linaires en variables entires (nous ignorerons ici les aspects stochastiques qui viennent parfois compliquer les modles de base). Pour illustrer cette approche et ses limites, considrons n OFs (pices) 1, 2, ..., n de dure opratoire p1, p2, ..., pn qui doivent tre ordonnancs sur une machine unique. Les seules variables de dcision sont les dates de lancement s1, s2, ..., sn de chacun des OFs sur la

machine. Un grand nombre de contraintes sont modlisables, indpendemment du critre retenu: lOF nest pas disponible avant la date rj: sj rj lOF doit tre achev pour la date dj: sj + pj dj lOF j doit prcder lOF i: sj + pj si. Lorsquil ny a pas de contraintes sur lordre de passage des OFs i et j, il faut galement formuler lalternative: soit i est lanc avant j et la contrainte doit tre: si + pi sj soit j est lanc avant i et la contrainte doit tre: sj + pj si. Cette alternative peut tre modlise en introduisant une variable yij de valeur 0-1 (avec linterprtation que yij vaut 1 si i est lanc avant j) et les deux contraintes: pi + si M(1yij) + sj pj + sj Myij + si o M est une constante suffisamment grande. Les modles de programmation linaire en nombres entiers ainsi formuls sont souvent trop complexes pour pouvoir tre rsolus directement par des algorithmes gnriques. La thorie de lordonnancement sest donc dveloppe comme une branche individuelle de la recherche oprationnelle, avec ses propres mthodologies et outils mathmatiques. Aussi ses domaines dapplication dbordent-ils souvent le cadre de la productique (ils empitent en particulier largement sur linformatique). La littrature sur les problmes dordonnancement est vaste et varie. Dun point de vue thorique, elle est consacre pour une bonne part lanalyse de la complexit algorithmique de ces problmes. Cet effort sest organis autour dune classification des problmes articule sur plusieurs critres. 1. Lenvironnement de production: on distingue ainsi les situations o chaque OF requiert une seule opration de celles o chaque OF doit subir plusieurs oprations. Dans le premier cas, une ou plusieurs machines parallles peuvent tre disponibles. Dans le second cas, les machines peuvent tre organises en ligne de production (flow shop) ou en atelier (job shop). 2. Les caractristiques des OFs et des oprations: oprations morcelables ou non, existence ventuelle de relations de prcdence entre oprations, de dates de mise disponibilit et de dates dexigibilit pour les OFs, temps de lancement des oprations, etc. 3. Le critre de performance: les critres utiliss pour juger de la qualit dun plan dordonnancement peuvent tre nombreux et contradictoires. Les critres purement conomiques (cot, profit) sont mal adapts dans le cadre du trs court terme. On utilise donc plutt des critres defficacit organisationnelle: respect des dlais (nombre dOFs en retard U, retard moyen L, plus grand retard Lmax), productivit (date dachvement de la dernire opration Cmax, date dachvement moyen des oprations C, temps de cycle), taux dutilisation des machines, etc. Les premiers travaux thoriques sur ce type de modles ont pu tablir la solvabilit polynomiale de quelques-uns des modles parmi les plus simples: deux machines en ligne, OFs disponibles en dbut dhorizon, critre Cmax (Johnson 1954);

 machine unique, OFs disponibles en dbut dhorizon, critre Lmax: rgle de la date dexigibilit minimum (EDD; Jackson 1955); machine unique, OFs disponibles en dbut dhorizon, critre C (ventuellement pondr): rgle du temps opratoire minimum (SPT) gnralise (Smith 1956); machine unique, OFs disponibles en dbut dhorizon, critre U (Moore 1968); deux machines, chaque OF doit subir une opration sur chacune des deux machines dans un ordre quelconque, critre Cmax (Gonzalez et Sahni 1976). On pourrait ajouter cette liste la mthode de chemin critique rendue populaire dans les annes 50 par le dveloppement des modles PERT/CPM et leur application lordonnancement de projet: il sagit en fait dun algorithme de minimisation du critre Cmax dans une situation impliquant un nombre infini de machines, une seule opration par OF et des relations de prcdence entre oprations. Rapidement, cependant, il est apparu que la plupart des modles dordonnancement sont difficiles rsoudre de faon exacte. Une illustration typique est fournie par la minimisation de Cmax sur une machine unique lorsque le passage dune opration i une opration j requiert un temps de rglage sij: en effet, il est ais de vrifier que ce problme est quivalent au clbre problme du voyageur de commerce. En termes de complexit algorithmique, ceci implique quil est NP-difficile, et donc peu susceptible de pouvoir tre rsolu efficacement. Dans les annes 70, un nombre impressionnant de modles dordonnancement sont venus enrichir la liste des problmes connus pour tre NP-difficiles. Notons toutefois que dans le contexte industriel, il est parfois possible de trouver la solution optimale du problme rencontr, bien quil soit en thorie NP-difficile. La complexit est une proprit asymptotique qui ne prend tout son sens que dans des situations impliquant un nombre lev dOFs et/ou de machines. Si de telles situations sont courantes dans la pratique, elles ne constituent cependant pas ncessairement la rgle, loin sen faut. Lexemple (rel) suivant souligne ce point. Une ligne de production standard produit 1500 botes de boisson en aluminium par minute. Les temps de transition sij (par exemple, entre la production dune bote de 0,33 litre et celle dune bote de 0,5 litre) peuvent exiger jusqu 4 jours. En consquence, les botes sont produites en lots importants et, sur une priode de production de 15 jours, on ne produit pas plus de deux ou trois catgories de botes diffrentes. Le problme du voyageur de commerce correspondant est donc trivial. Les efforts de recherche sur les modles fondamentaux de lordonnancement sorientent actuellement dans plusieurs directions distinctes: le dveloppement dalgorithmes doptimisation exacts, principalement de type branch-andbound ou branch-and-cut; ces algorithmes nautorisent la rsolution que de problmes dassez petite taille; le dveloppement dheuristiques, frquemment bases sur les principes gnraux des mtaheuristiques de type recuit simul, exploration tabou, algorithmes gntiques, etc; ces approches permettent dobtenir des solutions pour des problmes de trs grande taille, mais la qualit des ordonnancements ainsi calculs ne peut gnralement pas tre garantie; lanalyse de la performance thorique de certaines heuristiques simples: lide est ici de dmontrer quune heuristique particulire fournit toujours une solution dont la valeur ne sloigne de la valeur optimale que de R % au plus, dans le pire des cas (idalement, R est

une constante absolue et de faible valeur); il sagit l dun domaine de recherche extrmement actif lheure actuelle. Nous avons uniquement parl ici de lordonnancement des OFs sur les machines. Bien que les machines constituent videmment une ressource essentielle, dautres ressources interviennent aussi dans les processus de production: moyens de manutention (ponts roulants, chariots filoguids, grues), outillage ou outils (en particulier dans les centres dusinage automatiss), oprateurs spcialiss, etc. Ces ressources additionnelles doivent tre disponibles pour que les oprations puissent seffectuer. Leur considration complexifie encore les modles considrs. Notons enfin que diverses perturbations se produisent en permanence dans les ateliers: pannes, retards, commandes urgentes, etc. Lordonnancement en temps rel consiste contrler lexcution des oprations selon lordonnancement planifi en prvoyant des ractions rapides en cas de perturbation. Dun point de vue pratique, de nombreuses tudes ont tabli le bnfice que pouvaient retirer les entreprises dune approche formalise et optimise de leur processus dordonnancement. Il reste, cependant, que les logiciels dordonnancement commerciaux nintgrent gnralement quune trs faible partie des connaissances thoriques disponibles dans ce domaine. Les ordonnancements implants en atelier sont souvent bass sur des rgles de dispatching simples, qui permettent de dcider de la prochaine opration excuter sur chaque poste de travail en ne tenant compte que des caractristiques des OFs disponibles ce poste (et donc, en ngligeant les interactions entre ces OFs et les autres OFs en cours dans latelier, ainsi que les interactions entre postes de travail). Le problme dordonnancement (ou de pilotage) est ainsi ramen, pour lessentiel, une srie de problmes dordonnancement une machine. Quelques rgles de dispatching souvent utilises en pratique sont les suivantes: parmi les oprations prtes tre excutes sur le poste considr, slectionner la premire opration arrive ce poste (premier arriv premier servi, FIFO), ou lopration de temps opratoire le plus faible (SPT), ou lOF dont la date dexigibilit est la plus prcoce (EDD), etc. Dans le cas dateliers fortement automatiss ou pilots par ordinateur, il est possible de disposer dune vue gnrale de latelier et des rgles plus labores peuvent tre utilises: par exemple, slectionner dabord lOF qui, par la suite, ira sur la machine la moins charge. Mais fondamentalement, ces mthodes grent des priorits et restent sous-optimales.

Gestion des stocks

La gestion des stocks est indissociable de la problmatique de la planification de la production et aurait donc pu tre traite dans la section prcdente. Les questions de dtermination de taille de lots voques dans le cadre de la planification court terme, par exemple, sont clairement du ressort de la gestion des stocks. Du point de vue du chercheur oprationnel, cependant, la gestion des stocks (et plus particulirement des approvisisonnements) a dvelopp un ensemble de problmes, de modles et de mthodes qui lui sont propres et qui en font un champ dinvestigation sparment identifiable.

Lobjectif de la gestion des stocks est dassurer la disponibilit des articles considrs sur un horizon donn tout en minimisant les cots encourus. Trois types de cots sont gnralement pris (plus ou moins) explicitement en compte pour valuer la qualit dune politique de gestion des stocks: cots de commande, cots de possession et cots de rupture de stock. Dans la plupart des modles classiques, ces cots sont considrs comme des paramtres fixes. Par contre, les approches plus rcentes, telles celles dveloppes dans le cadre de la gestion JusteA-Temps ou de la gestion de la Qualit Totale, envisagent les cots de stockage comme des variables dont la valeur peut (doit) tre influence par des investissements appropris (visant, par exemple, la rduction des temps de lancement). Par ailleurs, certains auteurs (et de nombreux gestionnaires) observent que les cots numrs peuvent tre difficilement mesurables. Ceci est vrai, en particulier, pour les cots de rupture de stock (ou pnurie). Pour cette raison, le risque de rupture est frquemment modlis travers une contrainte de maintien dun niveau de service prdtermin (probabilit de rupture, nombre attendu de ruptures, temps coul entre ruptures successives, taux darticles fournis en temps et en heure etc.). Diverses hypothses peuvent galement tre poses concernant les caractristiques de la demande. En particulier, celle-ci peut tre dterministe ou alatoire, de distribution connue ou inconnue, stationnaire ou dynamique. Lorsque la demande est alatoire, il est ncessaire de dfinir plus prcisment la mesure de performance optimiser. Le critre usuel est celui de lesprance des cots (par priode, dans le long terme), ventuellement sous contrainte de niveau de service. Les modles doptimisation stochastique ainsi obtenus sont souvent trs complexes et ne peuvent tre rsolus que de faon approximative. Enfin, de nombreuses autres caractristiques peuvent venir enrichir les modles considrs: dlai de livraison connu ou alatoire, capacits de stockage et de production limites, ristournes accordes en fonction de la quantit commande, quantits livres ou rendements alatoires, stocks multi-chelons et/ou localisations multiples, etc. Le modle de Harris, ou modle de la quantit conomique de commande, ou modle EOQ (Economic Order Quantity) permet dillustrer simplement certaines des questions fondamentales de la gestion des stocks. Ce modle sapplique la situation suivante: il sagit de grer un seul article, pour lequel toute quantit commande est livre instantanment, et pour lequel on connat: D = demande par unit de temps, suppose constante et connue avec certitude, C = cot de passation dune commande, P = cot de possession dune unit pendant une priode. Le problme est de dterminer un plan de production satisfaisant la demande chaque instant (les ruptures de stock ne sont pas autorises) et de cot total minimum. Il est intressant de remarquer que ce modle est parfaitement analogue au modle de dtermination des tailles de lots de Wagner-Whitin, ceci prs que la demande y est suppose continue et constante plutt que discrte et variable. Il est facile de vrifier que, sous ces hypothses, la politique optimale consiste rapprovisionner une quantit constante Q lorsque le stock sannule. Le cot total par article vaut alors:

10

f(Q) = C/Q + PQ/2D. La valeur Q* qui minimise la fonction de cot est donc obtenue facilement: Q* = 2DC / P .

Cette quantit Q* est appele quantit conomique de commande. Lintervalle de temps coul entre deux rapprovisionnements, ou priode conomique entre commandes, est donn par : T* = 2C / DP .

Il est videmment hors de question de dcrire ici les nombreuses extensions du modle EOQ traites dans la littrature. Nous mentionnerons seulement, titre dexemple, les travaux rcents portant sur la gestion simultane de plusieurs articles lis par des relations de dpendance: pices et sous-assemblages dun produit final (cf. MRP) ou produits voluant dans un rseau de distribution (usines dpts dtaillants). De tels modles sont considrablement plus complexes que le modle EOQ de base et ne peuvent gnralement pas tre rsolus de faon optimale. Cependant, des rsultats trs intressants ont pu tre obtenus en restreignant a priori la classe des politiques dapprovisionnement considres et en rsolvant ces modles de faon approximative, mais quasi-optimale. Une restriction impose dans certains travaux consiste ainsi imposer que la longueur de lintervalle coul entre approvisionnements successifs soit ncessairement une puissance de 2 (par exemple, 1, 2, 4 ou 8 semaines) et que la frquence de rapprovisionnement dun article soit toujours suprieure celle de tous ses composants. Pour tranges quelles puissent paratre, ces hypothses sont nanmoins inspires de principes adopts par certaines entreprises. De nombreuses entreprises imposent des livraisons sur des crneaux fixes. Ainsi tel fournisseur doit livrer le jeudi matin toutes les 2 semaines. Ces principes permettent en fait de lisser la charge de travail des magasiniers et de rguler le flux des camions ou des trains sur les aires de dchargement. Prises simultanment, les hypothses ainsi formules impliquent que chaque priode dapprovisionnement dun composant correspond galement une priode dapprovisionnement de larticle dans la composition duquel il entre: cette stratgie vite donc laccumulation de stocks dencours de composants. Par ailleurs, la premire hypothse implique galement que la dure de lintervalle de rapprovisionnement est un nombre entier raisonnable , plutt que le nombre irrationnel bizarre qui pourrait merger du modle EOQ. Sous des hypothses assez gnrales, on dmontre quil est possible de calculer efficacement de telles politiques puissances de 2 dont le cot est tonnamment proche (souvent quelques pour-cents) du cot de la politique dapprovisionnement optimale. La littrature regorge de success stories relatives limplantation de mthodes scientifiques de gestion des stocks dveloppes sur mesure pour des entreprises particulires (cf. Assad, Wasil et Lilien 1992). Par ailleurs, cependant, plusieurs tudes semblent indiquer que lcrasante majorit des entreprises et des logiciels commerciaux continuent de se fier essentiellement aux bonnes vieilles formules de Harris pour concevoir leurs politiques de

11

gestion des stocks. A lheure o lon ne parle que de zro stock, ceci peut sembler paradoxal. Si lon tablit un diagramme de Pareto ou une classification en catgorie ABC, on constate que 20% des pices achetes par une entreprise reprsentent typiquement 80% des cots dachat (catgorie A). Ces pices font lobjet dune gestion trs fine. A loppos, on trouve de trs nombreuses pices de faible valeur (catgorie C: rondelles, vis, boulons, crous etc.) pour lesquelles des livraisons frquentes en petites quantits ne prsentent pas davantage. Outre le cot pay pour le transport proprement dit, toute commande reprsente un cot administratif et comptable non ngligeable pour lentreprise. Pour de telles pices, rduire les quantits livres conduirait immanquablement augmenter les cots, si bien que les mthodes classiques de rapprovisionnement leur restent applicables dans une large mesure.

Conception des systmes productifs

Les mthodes de recherche oprationnelle ont galement trouv de nombreuses applications dans le domaine de laide la dcision en matire de stratgie de production et, en particulier, de conception de systmes de production. Des mthodologies aussi diverses que loptimisation combinatoire (localisation/distribution, layout dateliers, ...), la modlisation multicritre (localisation, dcisions dinvestissement, ...), la programmation stochastique (modifications de capacit), la thorie des files dattente ou la simulation (conception dateliers, de systmes de distribution, ...) y sont utilises. Les modles de localisation dentreprises comptent parmi les mieux connus et les plus populaires dans ce domaine. Les modles fondamentaux se rpartissent essentiellement en deux grandes classes, selon que lensemble des localisations envisages est reprsent par un espace continu ou discret. Le premier type de modlisation conduit la formulation de problmes doptimisation non linaires, tandis que le second donne naissance des problmes doptimisation mixtes (variables entires et continues). Malgr leur simplicit (ou grce elle), de tels modles suffisent souvent capter lessence des dcisions auxquelles sont confronts les dcideurs et fournissent donc de prcieux lments daide la dcision. La rationalisation des flux matires exige par les principes de gestion industrielle moderne a fait surgir de nouveaux problmes, en particulier, celui de la rimplantation des ateliers fonctionnels. Lorsque lon imagine un atelier, on se reprsente souvent une ligne de montage organise pour la production rptitive dun seul type de produit, telle qua pu limmortaliser Charlie Chaplin dans Les Temps Modernes . En fait dans la majorit des ateliers, les quipements sont regroups en sections fonctionnelles (section tours, fraiseuses, perceuses) plutt que selon une logique dicte par le produit. Ce type datelier est utilis pour les petites et moyennes sries et permet de traiter des produits trs diversifis. Mais en contrepartie, cette organisation prsente un taux faible de productivit. Les principaux problmes poss tiennent la difficult de rationaliser les dplacements entre machines, ce qui implique la constitution de stocks dencours importants. Les consquences directes de ces encours se mesurent sur les temps dattente des pices qui dpassent largement les temps dusinage. Ds les annes 60, de nombreux modles mathmatiques ont t dvelopps pour optimiser limplantation des systmes de production. Ces modles ont t la base de logiciels commerciaux encore utiliss de nos jours: COMSOAL (Arcus 1966) pour lquilibrage des lignes de production,

12

 CRAFT (Buffa, Armour, Vollmann 1964), ALDEP (Seehof, Evans 1967), COFAD (Tompkins, Reed 1976), PLANET (Deisenroth, Apple 1972) pour limplantation dateliers. Ces logiciels ne sont bien entendu pas figs et voluent paralllement aux avances de la recherche en ce domaine. Afin damliorer le fonctionnement des ateliers et de les faire bnficier des avantages combins de lorganisation par produit et de lorganisation fonctionnelle, on tend depuis quelques annes rimplanter les ateliers sous forme dlots de production. Un lot de production est constitu par le regroupement de quelques machines capables dassurer la production dune varit limite de pices. Un lot de production est donc moins souple quun atelier traditionnel, mais en change, il est plus rationnel et productif. La premire tape de la rimplantation est didentifier des groupes de pices lies spcifiquement certains groupes de machines (redcoupage logique). Pour cette tape, on utilise des mthodes de type technologie de groupe. De manire formelle, on part dune matrice lments 0,1 dont on cherche rarranger les lignes et colonnes de manire faire apparatre des sous-matrices diagonales denses en "1" tout en laissant subsister peu de "1" en dehors de ces blocs diagonaux ("1" rsiduels). Plus spcifiquement, dans le cadre de la dcomposition en lots, on partira dune matrice n lignes et m colonnes o: les lignes correspondent aux machines, les colonnes correspondent aux pices usiner. On pose aij = 1 si la machine i doit usiner la pice j, et aij = 0 sinon. A titre dexemple, considrons la matrice suivante o les machines sont numrotes de 1 6 et les pices de 1 10, et o les 0 sont omis:

1 2 3 4 5 6

1 1 1

2 1 1

3 1

6 1

7 1

9 1

10 1

1 1 1 1

1 1 1 1 1 1 1 1 1

Aprs permutation de lignes et colonnes, cette matrice peut scrire:

2 4 5 1 3 6

3 1 1

5 1 1

6 1 1 1

9 1 1

10 1 1

4 1

1 1

1 1 1

1 1 1 1 1 1

13

Les sous-matrices obtenues par la technologie de groupe permettent didentifier les ensembles de machines qui constituent un lot de production et les pices qui doivent tre fabriques par cet lot. Sur lexemple, on voit que lon peut sparer latelier initial en deux lots: un lot constitu des machines 2, 4 et 5 sur lesquelles on usinera les pices 3, 5, 6, 9 et 10; un lot constitu des machines 1, 3 et 6 sur lesquelles on usinera les pices 1, 2, 4, 7 et 8. Il reste traiter le cas des "1" rsiduels, cest--dire dans notre exemple le passage de la pice 4 sur la machine 4. Plusieurs possibilits peuvent tre envisages: accepter que des pices transitent dun lot lautre; cette solution doit rester exceptionnelle, sous peine de complexifier les flux de production et daller ainsi lencontre du but recherch; investir dans une nouvelle machine 4bis apte raliser la pice 4; le surquipement permet ici damliorer le flux global de latelier; revoir la conception de la pice 4; sous-traiter lopration. La question fondamentale de la technologie de groupe, cest--dire la partition optimale de la matrice dincidence machines-pices, sapplique galement dautres situations industrielle. Cette question gnrique mne la formulation de problmes doptimisation NP-complets. De nombreuses heuristiques ont t utilises pour aborder ces problmes: algorithme ROC (Rank Order Clustering) d King (1980), algorithme BEA de McCormick, Schweitzer et White (1972), etc. La conception des systmes de production utilise aussi la thorie des files dattente et les mthodes de simulation numrique. Ces techniques font partie de la panoplie de base du chercheur oprationnel, en particulier lorsquil sagit de conception de systmes (mais leur champ dapplication stend videmment bien dautres domaines de la gestion de la production; il comprend notamment lvaluation des dcisions de planification tactiques ou oprationnelles). Les rseaux de files dattente permettent danalyser le comportement de systmes de production interconnects (machines - matriel de manutention - palettes). Les mesures de performance dgages de cette analyse sont par exemple la quantit moyenne dencours accumule aux diffrentes stations de production, le taux dutilisation des ressources, le temps de passage des ordres de fabrication dans latelier, etc. Typiquement, cependant, ces diffrentes mesures ne concernent que le comportement stationnaire, ou long terme, du systme. Par ailleurs, la thorie des files dattente ne fournit gnralement pas dinformations dtailles sur la distribution de probabilit des paramtres considrs. La simulation numrique peut venir ici la rescousse, au prix dun certain alourdissement des moyens de calcul requis et dun manque de transparence des modles. Lutilisation des mthodes de simulation en gestion de la production devrait tre favorise par lapparition rcente de logiciels conviviaux et puissants dont certains sont spcifiquement destins lanalyse de systmes de production.

Conclusion
Comme nous lavions annonc en introduction, cet article na fait quesquisser quelques domaines dapplication de la recherche oprationnelle en gestion de production. En

14

particulier, nous navons pas abord les problmes lis loptimisation des ressources (dtermination des mlanges, placement de pices, optimisation des dcoupes), le squencement sur les lignes de production ou les problmes soulevs par la logistique amont (localisation des centres de groupage/dgroupage, organisation des tournes). A lheure actuelle, la recherche oprationnelle offre une formidable panoplie doutils, trop peu connus hlas, capables dassister les dcideurs industriels dans leurs prises de dcisions. Le terme outil rvle bien les limites de ce que peut apporter la recherche oprationnelle au monde industriel. Son ambition nest pas de remplacer le dcideur, mais de lui indiquer la meilleure dcision (plan de production, ordonnancement, politique de stockage) possible dans le cadre du modle connu par le systme. On sait cependant quun tel modle ne capte quune partie restreinte des informations dont dispose lutilisateur et nintgre que partiellement les objectifs ou contraintes dont il doit tenir compte. Or, les informations dlaisses peuvent dans certaines circonstances devenir primordiales. Ici comme ailleurs, la prise de dcisions repose sur une articulation raisonne entre lhomme et les systmes artificiels et non pas sur le remplacement du premier par les seconds.

Rfrences
Askin R.G., Standridge C.R.: Modeling and Analysis of Manufacturing Systems. John Wiley & Sons, New York, 1993. Assad A.A., Wasil E.A., Lilien G.L.: Excellence in Management Science Practice. PrenticeHall, Englewood Cliffs, N.J., 1992. Buzacott J.A., Shanthikumar J.G.: Stochastic Models of Manufacturing Systems. PrenticeHall, Englewood Cliffs, N.J., 1993. Carlier J., Chrtienne Ph.: Problmes dOrdonnancement. Masson, Paris, 1988. Crama Y., Oerlemans A.G., Spieksma F.C.R.: Production Planning in Automated Manufacturing. Springer, Berlin, 1996, 2me dition. Giard V.: Gestion de la Production. Economica, Paris, 1988, 2me dition. Graves S.C., Rinnooy Kan A.H.G., Zipkin P.H., eds.: Logistics of Production and Inventory. Elsevier Science Publishers, Amsterdam (1993). Silver E., Peterson R.: Decision Systems for Inventory Management and Production Planning. John Wiley & Sons, New York, 1985.

15