These Khaled Bahloulthèse Doctorales

Numro d'ordre : 2011 ISAL 0031 Anne 2011
Institut National des Sciences Appliques de Lyon

INFOMATHS : Ecole Doctorale 512 Informatique et Mathmatique de Lyon
THESE DE DOCTORAT

Optimisation combine des cots de transport et de
stockage dans un rseau logistique dyadique, multi-
produits avec demande probabiliste

Pour obtenir le grade de docteur en informatique
Spcialit productique
Par
Khaled BAHLOUL
(Ingnieur en informatique)

Soutenue publiquement le 08 Avril 2011 devant la commission d'examen compose de :
Rapporteurs : Pr. Bernard Grabot (Ecole Nationale d'Ingnieurs de TARBES)
Pr. Van-Dat Cung (Institut Polytechnique de GRENOBLE)
Examinateurs : Pr. Pierre Baptiste (Ecole polytechnique de MONTREAL, Canada)
Pr. Samir Lamouri (Ecole Nationale Suprieure des Arts et Mtier, PARIS)
Dr. Naoufel Cheikhrouhou (Ecole Polytechnique Fdrale de LAUSANNE, Suisse)
Directeur de thse : Pr. Jean Pierre Campagne (Institut National des Sciences Appliques de Lyon)
Co-directeur de thse Dr. Armand Baboli (Institut National des Sciences Appliques de Lyon)

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

Remerciements

Je tiens tout dabord remercier M. le professeur Jean-Pierre CAMPAGNE et M. Armand
BABOLI. Ce travail ne serait pas ce quil est sans leur prsence, leur disponibilit, leur gnrosit, leur
rigueur scientifique, leur enthousiasme et leurs prcieux conseils qui mont permis de travailler dans
les meilleures conditions.

Je tiens aussi remercier M. le professeur Pierre BAPTISTE pour mavoir accueilli dans son
quipe de recherche lEcole Polytechnique de Montral dans le cadre dun stage Explora-Doc. Je le
remercie pour l'intrt quil a port mon travail, pour toutes ces discussions scientifiques et autres,
qui mont permis davancer dans mes travaux, qui mont fait rflchir et qui mont inspir. Je voudrais
encore le remercier infiniment pour avoir accept dtre membre de mon jury.

Toute ma gratitude sadresse M. Bernard Grabot, Professeur, lEcole Nationale
d'Ingnieurs de TARBES et M. Van-Dat Cung, Professeur lInstitut Polytechnique de GRENOBLE,
rapporteurs, pour leur intrt port ce travail et pour leurs remarques constructives et
enrichissantes qui ont permis dobtenir cette version finale du manuscrit.

Je remercie aussi M. Samir Lamouri, Professeur lEcole Nationale Suprieure des Arts et
Mtier, PARIS et M. Naoufel Cheikhrouhou, Docteur lEcole Polytechnique Fdrale de LAUSANNE,
Suisse pour le crdit quils ont bien voulu accorder ma thse en faisant partie du jury.

Je remercie galement tous mes collgues de bureau pour lambiance chaleureuse de travail
quils maintiennent au quotidien. Une pense particulire Omar SAKKA, Rym BENBACHOUCH, Ahlem
ZAYETI et notre aimable secrtaire Nadira MATAR, qui mont tellement facilit la vie avec leur bonne
humeur, leur bonne volont et leur constante disponibilit.

Je remercie tous mes amis : Noomen, Sodki, Njib, Omar, Walid, Amin, Walf, Haytham, Dhia,
Hamza, Kaouthar, Wafa, qui mont toujours encourags et soutenus.

Merci tous ceux qui y ont cru moi.

Khaled BAHLOUL Khaled BAHLOUL Khaled BAHLOUL Khaled BAHLOUL

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

Ddicaces

Je ddie du plus profond de mon cur ce travail, mes chers parents Taoufik et Leila, mon
grand-pre Mohamed, toute ma famille proche. Cest grce leur soutien, leur patience et leur
amour que je suis l aujourdhui. Je leur suis trs reconnaissant pour les sacrifices quils ont d faire
pendant mes longues annes dtudes et dabsence.

A ma fiance Marwa, pour la patience et le soutien dont elle a fait preuve pendant toute la
dure de cette thse.

Khaled BAHLO Khaled BAHLO Khaled BAHLO Khaled BAHLOUL UL UL UL

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

Rsum

Le but de cette thse est de proposer des mthodes de gestion des approvisionnements adaptes
des contextes particuliers afin de minimiser les cots logistiques engendrs dans un rseau logistique
multi produits, multi niveaux confront une demande probabiliste.
Au cours de cette thse, nous nous sommes attachs :
- Proposer des mthodes de gestion des stocks et du transport pour des familles de produits dans
diffrents contextes :
o Une premire politique de rapprovisionnement est propose pour une famille de produits
caractrise par une demande alatoire et rptitive. Cette politique est dfinie par un
niveau de commande et par un niveau de r-compltement de stock pour chaque produit et
une priode de rapprovisionnement. Ds quun produit atteint le niveau de commande, un
rapprovisionnement de tous les produits de la famille est dclench.
o Une deuxime politique de rapprovisionnement est propose pour une famille de produits
caractrise par une demande trs alatoire et ponctuelle. Cette politique est base sur les
ruptures de stock. A chaque rupture dun produit prsent dans le stock il y a dclenchement
dun rapprovisionnement de tous les produits de la famille.
- Proposer une mthode de classification multicritres afin de constituer des groupes de produits
relevant dune politique donne, chaque classe ou famille regroupant des produits ragissant
identiquement. Cette classification des produits en familles homognes permet didentifier les
caractristiques dterminantes dans le choix des mthodes de gestion de stock et de transport.
- Analyser et comparer les performances de ces deux politiques dapprovisionnement par rapport
des politiques de rfrence, ainsi que leur sensibilit au regard de quelques paramtres
discriminants : variabilit de la demande ; cot des produits ; cot des commandes urgentes

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

Abstract

The aim of this work is to propose methods of inventory management tailored to specific contexts in
order to minimize logistics costs incurred in a logistics network multi-product, multi-level faces a
probabilistic demand.
In my research work, we have focused on the following scientific key-issues:
- The proposal of methods of inventory and transportation management for products families
in different contexts
The first one is defined to solve the problems identified in a product family characterized
by a variable and repetitive demand. This policy is defined by an ordering and a
replenishment level for each product and a periodic review. As soon as a product reaches
the ordering level, replenishment of the same family products is triggered.
The second one is dedicated to a product family which is characterized by a very punctual
and variable demand. This policy is based on inventory shortages. Each shortage of a
product in store triggers replenishment of all products of the same family.
- The proposal of a multi-criteria classification method in order to select the suitable inventory
management method according to specificities of the product and the demand
- The analysis and performance comparison of the two procurement policies proposed with
standard policies, and their sensitivity with respect to some parameters discriminating:
demand variability, cost of products, cost of rush orders.

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

Table de matire

Chapitre 1 : Contexte & problmatique ....................................................................... 1
1.1 Introduction ......................................................................................................................... 2
1.2 Cadre de travail ................................................................................................................... 2
1.2.1 Gestion de la chane logistique ................................................................................... 2
1.2.2 Gestion de stock .......................................................................................................... 3
1.2.3 Gestion du transport ................................................................................................... 4
1.2.4 La gestion combine des stocks et du transport ......................................................... 5
1.3 Loptimisation des cots logistiques pour un niveau de service donn.............................. 6
1.4 Solution propose ............................................................................................................... 6
1.5 Structure du mmoire ......................................................................................................... 8
1.6 Conclusion ........................................................................................................................... 9
Chapitre 2 : Etat de lart ............................................................................................ 11
2.1 Bref historique ................................................................................................................... 12
2.2 Chaine logistique ............................................................................................................... 12
2.2.1 Structure des chanes logistiques .............................................................................. 14
2.2.2 Diffrents flux dans la chaine logistique ................................................................... 15
2.2.3 Niveaux de dcision ................................................................................................... 15
2.2.4 Demande ................................................................................................................... 16
2.3 Gestion de stock ................................................................................................................ 17
2.4 Gestion de transport ......................................................................................................... 20
2.5 Optimisation des cots logistiques.................................................................................... 23
2.5.1 Dcision centralise / dcentralise ......................................................................... 23
2.5.2 Optimisation intgre des cots logistiques ............................................................. 25
2.5.3 Travaux de recherche tudis ................................................................................... 27
2.5.4 Identification des problmatiques de recherche ...................................................... 28
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

2.5.5 Analyse des solutions proposes............................................................................... 30
2.6 Synthse des travaux tudis ............................................................................................ 32
2.6.1 Optimisation concentre sur les politiques de stock ................................................ 32
2.6.2 Optimisation concentre sur les politiques de transport ......................................... 33
2.6.3 Chaine logistique tudie: multi produits, multi chelons, demande ...................... 34
2.6.3.1 Mono ou multi produits ........................................................................................ 34
2.6.3.2 Deux ou plusieurs chelons ................................................................................... 35
2.6.3.3 Demande dterministe ou probabiliste ................................................................ 35
2.6.4 Mthode de rsolution .............................................................................................. 36
2.7 Gestion des ruptures de stock ........................................................................................... 36
2.8 Politique de rapprovisionnement pour une gestion multi-produit ................................. 39
2.9 Conclusion ......................................................................................................................... 42
Chapitre 3 : Optimisation combine des cots logistiques.......................................... 43
3.1 Introduction ....................................................................................................................... 44
3.2 Systme tudi .................................................................................................................. 45
3.2.1 Caractrisations des produits .................................................................................... 45
3.2.2 Hypothses ................................................................................................................ 45
3.2.3 Exigence du systme de gestion de stock et de transport ........................................ 46
3.2.4 Caractristique de la demande ................................................................................. 47
3.3 Proposition dune nouvelle politique de rapprovisionnement ....................................... 47
3.4 Calcul des paramtres S, T, s et s ................................................................................... 49
3.4.1 Calcul du niveau de recompltement S ..................................................................... 49
3.4.2 Calcul de la priode de rapprovisionnement T ....................................................... 50
3.4.3 Calcul du niveau de commande urgente s et du niveau s ...................................... 52
3.5 Fonctions de calcul des cots logistiques .......................................................................... 52
3.6 Optimisation du cot logistique total ................................................................................ 55
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

3.6.1 Fonctionnement dune heuristique ........................................................................... 55
3.6.2 Position gnrale ....................................................................................................... 56
3.6.3 Principes de base ....................................................................................................... 56
3.6.4 Organigramme de la mthode heuristique ............................................................... 57
3.7 Exprimentation et validation ........................................................................................... 61
3.7.1 Comparaison par rapport la politique (R, S) ........................................................... 61
3.7.1.1 Politique (R, S) ....................................................................................................... 61
3.7.1.2 Les rgles dcisionnelles pour la politique (R, S): .................................................. 61
3.7.1.3 Intervalle de rapprovisionnement (T).................................................................. 62
3.7.1.4 Niveau de commande (S) ...................................................................................... 62
3.7.1.5 Calcul des cots logistiques ................................................................................... 63
3.7.2 Exprimentation ........................................................................................................ 63
3.8 Conclusion ......................................................................................................................... 69
Chapitre 4 : Optimisation des cots logistiques dans le cas des commandes urgentes 71
4.1 Introduction ....................................................................................................................... 72
4.2 Caractrisation du contexte dapplication ........................................................................ 72
4.3 Mthode dapprovisionnement propose ........................................................................ 73
4.3.1 Premire tape : un rapprovisionnement continu .................................................. 74
4.3.1.1 Modle agrg ....................................................................................................... 74
4.3.1.2 Dfinition des variables utilises ........................................................................... 77
4.3.2 Deuxime tape: niveaux de recompltement ......................................................... 79
4.4 Optimisation mathmatique : dtermination des niveaux optimaux de recompltement
V 83
4.4.1 Etude de la convexit: ............................................................................................... 83
4.4.2 Recherche du vecteur des niveaux de recompltement optimaux : proposition dune
heuristique doptimisation ........................................................................................................ 83
4.5 Exprimentation et discussion .......................................................................................... 87
4.5.1 Politique de rfrence: .............................................................................................. 88
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

4.5.1.1 Dtermination des niveaux s et S .......................................................................... 88
4.5.1.2 Calcul des cots : ................................................................................................... 89
4.5.2 Validation................................................................................................................... 89
4.6 Conclusion ......................................................................................................................... 93
Chapitre 5 : Classification des produits en familles homognes .................................. 95
5.1 Introduction ....................................................................................................................... 96
5.2 Travaux lis la classification dans le domaine logistique................................................ 97
5.3 Fouille de donnes ............................................................................................................ 99
5.3.1 Introduction ............................................................................................................... 99
5.3.2 Mode dapprentissage ............................................................................................. 100
5.3.2.1 Critres de classification ...................................................................................... 100
5.3.2.2 Les variables quantitatives .................................................................................. 101
5.3.2.3 Classification non supervise .............................................................................. 101
5.3.2.4 Mthodes de coalescence : K-moyenne .............................................................. 102
5.3.2.5 Classification supervise ...................................................................................... 104
5.3.2.6 Arbre de dcision ................................................................................................. 104
5.3.2.7 Apprentissage supervis-actif ............................................................................. 106
5.4 Approche propose pour la classification des produits .................................................. 106
5.4.1 Critres de classification des produits ..................................................................... 108
5.4.2 Cration des classes de produit ............................................................................... 109
5.4.3 Attribution des politiques de rapprovisionnement pour chaque classe de produits
109
5.4.4 Classification automatique des produits ................................................................. 110
5.5 Cration des familles de produits .................................................................................... 111
5.6 Dploiement dun exemple ............................................................................................. 112
5.6.1 Critres de classification .......................................................................................... 112
5.6.2 Cration des classes de produits dans lexemple .................................................... 114
5.6.3 Affectation des politiques de rapprovisionnement............................................... 115
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

5.6.4 Cration de larbre de dcision ............................................................................... 117
5.6.5 Cration des familles de produits dans lexemple .................................................. 118
5.7 Conclusion ....................................................................................................................... 119
Chapitre 6 : Analyse des deux politiques proposes : performance et sensibilit ...... 121
6.1 Introduction ..................................................................................................................... 122
6.2 Analyse de la politique propose dans le troisime chapitre ......................................... 122
6.2.1 Slection de la classe de produits ........................................................................... 122
6.2.2 Caractrisation de la famille de produits retenu..................................................... 123
6.2.3 Analyse par rapport au paramtre prix de produit ................................................. 123
6.2.4 Analyse par rapport aux paramtres de la demande .............................................. 125
6.2.5 Analyse par rapport au ratio : cot de commande urgente / cot commande
normale 128
6.2.6 Synthse .................................................................................................................. 129
6.3 Analyse de la politique propose dans le quatrime chapitre ........................................ 130
6.3.1 Slection de la classe de produits ........................................................................... 130
6.3.2 Slection de la famille de produits .......................................................................... 131
6.3.3 Analyse par rapport au paramtre prix de produit ........................................... 131
6.3.4 Analyse par rapport aux paramtres de la demande .............................................. 133
6.3.5 Analyse par rapport au ratio : cot de commande normale / cot de commande
urgente 135
6.3.6 Synthse .................................................................................................................. 137
6.4 Conclusion ....................................................................................................................... 138
Chapitre 7 : Conclusion gnrale ............................................................................. 139
7.1 Problmatique tudie .................................................................................................... 140
7.2 Bilan de notre approche et des rsultats obtenus .......................................................... 140
7.3 Perspectives ..................................................................................................................... 141
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

Liste des figures

Figure 1 : structure du mmoire ............................................................................................................. 9
Figure 2 : structures de la chaine logistique selon (Huang, Lau et al. 2003) ......................................... 14
Figure 3 : interactions des flux dans une chaine logistique (Waters 1992) .......................................... 18
Figure 5 : reprsentation des conomies dchelle .............................................................................. 21
Figure 6 : Approximation linaire par rgression des cots de transport ............................................ 22
Figure 7 : Variation des cots de transport ........................................................................................... 47
Figure 8 : loi de probabilit ................................................................................................................... 47
Figure 9 : mode de fonctionnement de la politique de rapprovisionnement ..................................... 49
Figure 10 : heuristique propose .......................................................................................................... 59
Figure 11 : Comparaison des cots logistiques totaux .......................................................................... 67
Figure 12 : pourcentage des gains totaux ............................................................................................. 68
Figure 13 : gains raliss AVEC et SANS le mcanisme des sous-ensembles ........................................ 69
Figure 14 : interconnexion des deux tapes de la politique de rapprovisionnement ........................ 74
Figure 15 : exemple de fonctionnement avec deux produits vendus lunit ..................................... 75
Figure 16 : modle descriptif de la premire tape du politique de rapprovisionnement ................. 76
Figure 17 : fonctionnement de la politique (cas de trois produits) ....................................................... 78
Figure 18 : Organigramme de la dmarche utilise .............................................................................. 80
Figure 19 : recherche du vecteur de quantits optimales .................................................................... 87
Figure 20 : comparaison des cots logistiques totaux .......................................................................... 90
Figure 21 : Pourcentage des gains raliss par la politique propose par rapport la politique de
rfrence ............................................................................................................................................... 90
Figure 22 : Mesures de distance pour le regroupement (Babuska 1998) ............................................ 103
Figure 23 : Exemple d'un arbre de dcision (Kempowsky 2004) ......................................................... 105
Figure 24 : Les 4 phases de l'exploitation des donnes ...................................................................... 106
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

Figure 25 : exemple darbre de dcision (Pichot 2006) ....................................................................... 110
Figure 26 : Les critres de classification .............................................................................................. 113
Figure 27 : Distribution des produits par rapport tous les critres .................................................. 114
Figure 28 : cration de clusters ........................................................................................................... 115
Figure 29 : Distribution des produits par rapport au critre prix ...................................................... 115
Figure 30 : Arbre de dcision ............................................................................................................... 117
Figure 31 : Paramtres statistiques sur l'efficacit de l'arbre de l'arbre de dcision ......................... 118
Figure 32: comparaison des gains pour chaque intervalle de prix de produits .................................. 124
Figure 33 : 1
er
cas : variation des cots logistiques ............................................................................. 125
Figure 34 : 2
me
cas : variation des cots logistiques ........................................................................... 126
Figure 35 : 3
me
Figure 36 : 2
me
Figure 38 : pourcentage de gain dans le cas = 2 m .......................................................................... 128
Figure 39 : comparaison des cots logistiques en variant le ratio r .................................................... 129
Figure 40 : variation de cots logistique par rapport au prix des produits ......................................... 132
Figure 41 : pourcentage des gains raliss par la politique propose en faisant varier les prix des
produits ............................................................................................................................................... 133
Figure 42 : comparaison des cots logistiques en fonction de la demande ....................................... 134
Figure 43 : pourcentage des gains obtenus en fonction de la demande ............................................ 134
Figure 44 : analyse des cots ............................................................................................................... 136
Figure 45 : pourcentage de gain .......................................................................................................... 137

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

Liste des tableaux

Tableau 1 : liste des travaux tudis ..................................................................................................... 27
Tableau 2 : classification par rapport aux centres dintrt des auteurs .............................................. 29
Tableau 3 : classification par rapport aux mthodes de rsolution ...................................................... 31
Tableau 4: schma de transport ............................................................................................................ 46
Tableau 5: valeurs numriques ............................................................................................................. 64
Tableau 6 : probabilit davoir une rupture de stock pour le produit 1 (tab1) ..................................... 85
Tableau 7 : probabilit davoir et ne pas avoir rupture de stock pour un vecteur de quantit (2, 3, 13)
............................................................................................................................................................... 85
Tableau 8 : calcul des cots ................................................................................................................... 86
Tableau 9 : Esprance de cot calcul pour le vecteur V (3, 3, 13)....................................................... 86
Tableau 10 : valeurs numriques utilises ............................................................................................ 89
Tableau 11 : comparaison des quantits commandes entre la politique de rfrence et la politique
propose ................................................................................................................................................ 92
Tableau 12 : Tableau de donnes (Elghazel 2007) .............................................................................. 101
Tableau 13 : Base de donnes des produits ........................................................................................ 112
Tableau 14 : valeurs des caractristiques de la classe de produits ..................................................... 123
Tableau 15 : les moyennes des caractristiques de la famille de produits ......................................... 131
Tableau 16 : variation des taux de gain par rapport aux ratios .......................................................... 137

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

Glossaire

Variables relatives au transport
C : capacit du moyen de transport
FC : cot fixe de transport
VC : cot variable de transport
L : dlai de livraison
v: type de vhicules
CFT : cot total de transport fixe
CVT : cot total de transport variable
Vt : volume total
Variables relatives la demande et aux produits
D : demande annuelle
m
i
: Moyenne de la demande journalire du produit i
f
i,t
: est la densit de probabilit de la consommation
Ecart type de la demande journalire du produit i
x
T+L
= prvision de la demande dans une priode de rapprovisionnement et le dlai de
rapprovisionnement, en unit
R+L
= dviation standard (cart type) de la demande durant lintervalle de
rapprovisionnement major du dlai de rapprovisionnement, en unit
P
i
: prix du produit i
U
i
: volume du produit i
V(q) : volume de la quantit q
q
i
: quantit consomme du produit i
N
ij
: niveau de stock pour le produit i la fin de la priode j
S
i
: niveau de recompltement de stock du produit i
s
i
: niveau de commande urgente pour le produit i
s
i
: niveau de commande et de sparation des deux ensembles P
sous
et P
sur

Variables relatives au niveau de service
Kx : coefficient de satisfaction
Tx : niveau de satisfaction
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

Donnes de cot
A : cot de passation de commande
A
ji
: cot de passation de commande urgente dans la priode j, pour le produit i.
Hc
i
: cot de possession de produit par an
CJPi : cot de possession journalier de stock pour un produit i
t
i
: taux de possession de stock du produit i
h
i
: cot de possession de stock du produit i
s
i
: cot de rupture du produit i
CPC : cot total de passation de commande normale
THc : cot total de possession de stock
CRS : cot total de rupture de stock
Variables de calcul
P
sous
: ensemble de produits qui ont atteint leur niveau de commande
P
sur
: ensemble de produits qui nont pas atteint leur niveau de commande
V = (v
1
, v
2
, , v
i
, , v
n
) : les niveaux de recompltement optimaux recherchs
Q = (q
1
, q
2
, , q
n
) : un vecteur de recompltement possible
Pnr
i
(t, q) : probabilit de non rupture pour le produit i au bout de t priode si le niveau de
recompltement est fix q
Pnr(t,Q) : probabilit de non rupture pour le vecteur de recompltement Q au bout de t
priodes
Pr(t, Q) : probabilit de rupture de stock pour le vecteur de recompltement Q au bout de t
priodes
nbrj : nombre de jour avant la prochaine priode
qri : quantit commande dans le cas de commande urgente
Q : quantit optimale de commande
ss
i
: stock de scurit
T : priode de rapprovisionnement pour une famille de produits
T
max
, T
min
, T
intr
: priode de rapprovisionnement maximale, minimale et intermdiaire
j: n de priode
i: n de produits
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
1

Chapitre 1 : Contexte & problmatique
SOMMAIRE
Chapitre 1 : Contexte & problmatique ....................................................................... 1
1.1 Introduction ......................................................................................................................... 2
1.2 Cadre de travail ................................................................................................................... 2
1.3 Loptimisation des cots logistiques pour un niveau de service donn.............................. 6
1.4 Solution propose ............................................................................................................... 6
1.5 Structure du mmoire ......................................................................................................... 8
1.6 Conclusion ........................................................................................................................... 9

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
2

1.1 Introduction
Lobjectif de toute entreprise est de livrer des produits ses clients, en quantit demande, dans le
lieu demand, la date demande, et au moindre cot. Il est donc clair que le bon fonctionnement
dune entreprise repose essentiellement sur la matrise de ses flux physiques.
Nous nous attachons dans ce chapitre prsenter le cadre de notre travail et dfinir les grandes
lignes de notre problmatique de recherche. Dans un premier temps, nous commenons par
prsenter le cadre de travail en introduisant les mots cls de notre recherche : la gestion de la chaine
logistique, la gestion de stock, la gestion du transport, la chaine logistique multi produits, la demande
probabiliste. Comme indiqu dans le titre de la thse, notre problmatique se situe lintersection
de ces domaines, car portant sur loptimisation combine des cots de stockage et de transport dans
une chaine logistique multi produits avec une demande probabiliste.
Finalement, nous prsentons un bref aperu de notre mthodologie de rsolution.
1.2 Cadre de travail
Concevoir le systme logistique dune entreprise, et plus particulirement sa logistique de
distribution, repose sur une dfinition de la logistique dans son ensemble et des diffrentes
stratgies logistiques. Selon (Colin and Pach 1988) : Les objectifs dune logistique aval, ou de
distribution, sont multiples ; il est possible de citer la satisfaction des clients finaux, la recherche de la
profitabilit, la rduction des cots, ou encore la maximisation de la qualit de services . Dautre
part, selon (Vallin 1999) : Optimiser la logistique aval dune entreprise revient dterminer la
structure de son rseau de distribution, les systmes de gestion des stocks et des
rapprovisionnements, lacheminement des flux physiques, les procdures de travail dans les
entrepts et le traitement des commandes, entreposage, expditions et transports .
1.2.1 Gestion de la chane logistique
Dans la littrature, plusieurs dfinitions de la chane logistique ont t proposes. Parmi lesquelles,
nous slections la dfinition prsente par (Simchi-Levi and Kaminsky 2000) : Une chaine logistique
regroupe des organisations se trouvant en amont et en aval du processus productif. Celles-ci
partagent un objectif commun, celui de sengager dans un processus de cration de valeurs,
reprsent par le produit ou service livr au consommateur. La chane logistique peut donc se
concevoir dune manire gnrale comme un processus dintgration et de gestion des flux de
matriaux et de flux dinformations au travers des diffrents maillons de la chane logistique pour
rpondre et satisfaire la demande du march .
A cet gard, la gestion de la chane logistique suppose de planifier et de contrler les stocks et le
transport comme une entit unique et intgre, et ce, des fournisseurs jusquaux utilisateurs finaux.
Quatre lments doivent alors tre pris en considration :
Le niveau de service souhait par le client final,
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
3

Le niveau des stocks sur diffrents lieux de positionnement pralablement dfinis tout au
long de la chane,
Le transport des produits entre les diffrentes entits,
Les procdures de gestion de la chane logistique en tant quentit unique.
Le processus transverse qui traite de ces quatre lments est le processus de loptimisation des cots
logistiques. Il constitue lune des premires proccupations de chaque entreprise au regard de sa
chaine logistique.
1.2.2 Gestion de stock
Daprs (Mehrabikoushki 2008) : Le stock peut reprsenter 20 40 % de lactif total dune
entreprise (Tersin 1980) . Les stocks mobilisent de l'argent et le succs ou l'chec de la gestion de
stock affecte la situation financire de lentreprise. Avoir trop de stock peut tre aussi problmatique
que des ruptures de stock. Trop de stock entrane des dpenses inutiles lies aux cots de stockage et
d'obsolescence, tandis que trop peu de stock conduit des ruptures de stock (Verwijmeren, Van Der
Vlist et al. 1996).
Le but principal de la gestion de stock est de maximiser la rentabilit d'une entreprise en minimisant
le cot de stockage tout en satisfaisant les exigences de service client (Lambert, Stock et al. 1998).
La gestion des stocks est un aspect important de la Gestion de la Chane Logistique. Il sagit de mieux
grer le stock partout dans la chane par une meilleure circulation de l'information afin damliorer le
service client, tout en offrant une plus grande varit de produits et rduisant les cots. La gestion des
flux de produits, des matires premires aux produits finis, en passant par les produits en-cours, exige
la responsabilisation des partenaires de la chane logistique pour la planification, l'acquisition, le
stockage, le mouvement et le contrle des matires et des produits finaux .
Dans ce contexte, le gestionnaire doit prendre plusieurs dcisions en prenant en compte un certain
nombre de paramtres simultanment.
La demande clientle, qui est souvent alatoire dans un contexte industriel rel, est parmi ces
paramtres grer pour mener bien ces dcisions.
En effet, la demande probabiliste oblige le fournisseur faire des prvisions en vue de satisfaire les
commandes des clients dans des dlais acceptables et avec des cots minimaux.
Nanmoins, ces prvisions peuvent conduire une incertitude sur la variation de la demande ; ce qui
est considr comme lincertitude la plus proccupante de toutes les incertitudes de la chane
logistique.
Plusieurs moyens sont mis en place pour faire face lincertitude de la demande, et viter ses
consquences. Nous pouvons citer titre dexemple lutilisation de grandes quantits de stock de
scurit. Cette dcision adopte par certaines entreprises peut provoquer des pertes conomiques
normes, et ceci pour plusieurs raisons : dune part, ces quantits stockes occasionneront des cots
de possession trs levs pour lentreprise ; dautre part, ces quantits peuvent ne pas tre
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
4

consommes, et se retrouver ensuite primes. Cest exactement ce dont il sagit dans la plupart des
cas de produits dlais de premption courts.
Cependant, dans le contexte industriel nous devons traiter aussi des problmes dapprovisionnement
multi produits. Cest un problme qui survient dans de multiples situations : par exemple lorsquun
groupe de produits est command chez le mme fournisseur, ou lorsquun ensemble de produits est
stock dans le mme lot.
De ce fait, le problme majeur est de dterminer, face une demande dynamique, les quantits
commander pour chaque produit, avec des priodicits dfinies, afin de minimiser le cot total et
tout en faisant en sorte que la demande soit satisfaite. Lorsque des commandes des diffrents
produits sont runies dans une commande unique, tous ces produits partageront un mme cot de
commande. Ce cot de commande est compos dun cot de commande fixe par commande et dun
cot de commande fixe par ligne de commande.
La gestion des stocks et des approvisionnements dans une chane logistique multi produits prsente
plusieurs difficults. Dune part, le traitement de la totalit de ces produits peut savrer une tche
dlicate puisque nous nous retrouvons face une grande diversit de produits ; dautre part ces
produits ne prsentent pas forcment les mmes caractristiques. Ceci peut rendre la tche
complexe et aboutir des gestions non optimises en raison de la grandeur des problmes de calculs
et de traitements conduisant lintroduction dhypothses simplificatrices ou dapproximations pour
grer la diversit des produits. Ces simplifications peuvent tre lorigine dune perte de fiabilit des
mthodes de rsolution proposes.
1.2.3 Gestion du transport
Dans la thse de Labidi (Labidi 2005) plusieurs dfinitions ont t proposes, pour dfinir la chaine
logistique lauteur sappuie sur les travaux de (Lin and Shaw 1998) : La chane logistique la plus
lmentaire est constitue dun seul site assurant aussi bien la production que le stockage et la
distribution. Des rseaux plus complexes peuvent coordonner plusieurs dizaines de sites rpartis dans
diffrentes locations et peuvent aussi grer des flux physiques entre ces sites. Le terme site peut
correspondre une unit de stockage, une unit de production, une usine, un fournisseur, un centre
de distribution, un entrept ou un client .
Les flux physiques d'une chaine logistique et leur complexit sont dfinis dans les travaux de
(Beamon and Chen 2001) : La complexit de ces flux physiques (matires premires, produits finis )
dans une chane logistique sexplique en partie par leurs fortes variations et fluctuations dans les
diffrentes locations de la chane logistique .
En effet, le partage dun quipement ou la ncessit de transport par grandes quantits pour des
raisons de cot gnre des interruptions dans la circulation des flux de matires et de produits.
Certaines oprations peuvent concerner plusieurs produits simultanment, cest le cas notamment
dun rapprovisionnement multi produits. Lajustement du dbit devient alors complexe assurer
entre les diffrents flux entrant dans les stocks. Dautre part, la prsence dalas et de
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
5

dysfonctionnements perturbent la rgularit de la circulation des flux. Le stock qui peut tre dfini
comme laccumulation dune diffrence de flux, est lun des lments dorganisation du systme de
flux.
Outre les stocks, la gestion et lacheminement de ces flux physiques reprsente lune des
problmatiques de gestion dune chaine logistique aval ou de distribution.
Dans cette thse, nous tudions la gestion des flux physiques dans une structure divergente dune
chane logistique de distribution traitant les stocks, et le transport entre plusieurs sites.
1.2.4 La gestion combine des stocks et du transport
D'un ct, l'augmentation des cots de transport et de stockage vis--vis du cot de production, et
d'un autre, la diminution des dlais de production et de livraison, incitent les entreprises donner plus
d'importance la prise en compte des cots et des contraintes lis toutes ces activits
simultanment, et ce, pour mieux grer le fonctionnement de leur chaine logistique. Le concept mme
de chane logistique a merg avec ces besoins. L'optimisation de la gestion des flux physiques et des
activits commence se faire d'une manire combine (intgre) afin de minimiser le cot total
engendr. Avec cette approche, les contraintes et les cots des activits qui sont coordonnes sont
mis dans le mme modle pour tre optimiss en une seule fois. Dans la suite du mmoire, la gestion
lie cette approche est nomme gestion combine/intgre. Cette approche est d'actualit avec le
nombre croissant de dlocalisations d'entreprises (Akbalik 2006).
L'approche intgre peut nous fournir un planning des activits un cot plus rduit qu'une
approche squentielle dans laquelle les maillons de la chane sont optimiss de manire
indpendante. Le gain obtenu avec une optimisation intgre par rapport une optimisation
squentielle est indniable lorsquil sagit de trouver un optimum global pour un problme gnral
complexe. En revanche, cette approche conduit considrer des systmes complexes, de grande
taille, avec de fortes interactions. Au niveau du processus d'optimisation, elle peut conduire des
problmes difficiles rsoudre en un temps raisonnable. Cette complexification est due
l'augmentation des contraintes prendre en compte lors d'une modlisation mathmatique, mais
aussi la configuration de la fonction objectif qui devient plus complique optimiser. Cette difficult
fait qu'il y a de plus en plus de recherches thoriques menes sur ce problme, en grande partie par
des spcialistes de recherche oprationnelle (Akbalik 2006).
Lapplication de cette approche dans le domaine logistique est assez frquente. En effet, les
entreprises doivent tester les diffrentes options de transport en termes de cots et de gains, et les
classer en fonction de la complexit de la coordination exige. Un manager peut ensuite prendre la
dcision approprie : il doit alors considrer la relation troite entre le stockage et le transport. En
effet, il sagit de trouver un compromis satisfaisant entre des stocks importants permettant de faire
des conomies au niveau du transport ; par consquent un taux de satisfaction clientle lev, ou
des stocks faibles gnrant des transports plus frquents, avec des cots plus levs et un risque plus
important en termes de rupture de stock ainsi quun taux de satisfaction moins lev.
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
6

Notre tude se situe dans ce domaine de la recherche oprationnelle. Nous nous intressons aux
mthodes de rsolution efficaces pour rsoudre les problmes d'optimisation en gestion combines
des flux physiques (stock et transport) pour une structure divergente de chaine logistique aval, sous
diffrentes hypothses et dans le cadre d'une approche intgre.
1.3 Loptimisation des cots logistiques pour un niveau de service donn
Nous nous intressons aux mthodes de rsolution en termes de cot logistique, pour rsoudre les
problmes d'optimisation intgre de ces cots en gestion des flux physiques pour un niveau de
service donn.
Ce travail s'appuie d'une part sur les travaux raliss dans le domaine de l'optimisation de la gestion
intgre des flux physiques dans les chaines logistiques, et dautre part sur les politiques de
rapprovisionnement multi-produits. Nous considrerons l'approvisionnement simultan de
plusieurs produits regroups en familles tout au long de ce mmoire.
Nous pouvons donc positionner notre recherche au milieu de deux axes prsents dans la littrature.
Le premier est le domaine de l'optimisation des cots de la gestion intgre des stocks et de
transport dans une chane logistique, et le deuxime le problme de rapprovisionnement multi-
produits. Dans les deux cas nous considrons une demande probabiliste.
Nous nous basons au cours de cette thse sur la mthode optimisation intgre pour identifier
l'optimisation des flux physiques de la chane logistique, compose des maillons dans lesquels les
activits en question sont ralises. C'est l'optimisation lie l'approche globale, c'est--dire la
gestion intgre des cots. Les contraintes lies ces activits sont prises en compte dans le mme
modle, et la minimisation se fait sur le cot total engendr par ces activits en tenant compte dun
niveau de service donn (Akbalik 2006). Par exemple, l'optimisation intgre des activits stockage-
transport dans une structure des dpts indique que les contraintes lies ces activits sont
optimises en une seule fois, et que la sortie est un planning complet de transport et de stockage
pour un niveau de service.
Une des difficults pour mettre en uvre une telle approche en situation relle est lie au partage
du gain total obtenu ; ce qui empche souvent son utilisation dans les chaines dans lesquelles
diffrents acteurs et centres d'intrts interviennent dans la gestion des diffrents maillons (Akbalik
2006).
1.4 Solution propose
La solution propose traite essentiellement deux problmatiques : dune part, la gestion multi
produits des approvisionnements pour laquelle nous avons dvelopp la notion de familles
homognes de produits. Dautre part, la gestion des ruptures de stock pour laquelle nous avons
propos une politique de rapprovisionnement base sur les commandes urgentes.
Dans un premier temps, nous proposons une politique de rapprovisionnement pour un ensemble
de produits provenant dun mme fournisseur, quelles que soient les caractristiques de la demande
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
7

propre chacun deux. Lobjectif est de mutualiser les approvisionnements de ces produits, leur
nombre limit ne permettant pas la constitution de familles homognes.. Ces caractristiques
dfinissent le contexte dapplication de cette mthode de rapprovisionnement. Cette politique est
caractrise par un approvisionnement priodique, un niveau de stock de scurit et un niveau de
recompltement pour chaque produit de la mme famille. Le rapprovisionnement des produits
prsents dans le stock est conditionn par un niveau de commande dfini pour chaque produit, ainsi
que les capacits des moyens de transport. Pour trouver une solution ce problme, nous nous
basons sur une mthode heuristique, afin de trouver la meilleure stratgie pour affecter les produits
commands aux moyens de transport ncessaires, tout en minimisant le cot logistique calcul
partir des fonctions de calculs de cots.
Dans un deuxime temps, nous associons une autre mthode de rapprovisionnement une
deuxime famille de produits possdant des caractristiques communes (demande alatoire et
ponctuelle, dlai de livraison nul, cots dapprovisionnement indpendants du nombre de rfrences
approvisionnes et du nombre de produits transports, utilisation de cot dapprovisionnement non
planifis urgents, ). Cette famille regroupe des produits caractriss par des critres trs
particuliers qui rendent leurs traitements complexes par des politiques classiques. Cette politique se
base sur deux principes fondamentaux qui sont (i) lapprovisionnement durgence en cas de rupture
de stock dun produit (ii) le rapprovisionnement de tous les produits de la mme famille. En effet,
un rapprovisionnement est dclench quand un produit prsent dans le stock arrive au niveau de
stock zro. De ce fait, tous les produits prsents dans le stock et qui appartiennent la mme famille
sont alors rapprovisionns. Nous allons aussi proposer une mthodologie de calcul des quantits
commandes, qui se base sur une tude de modlisation et une optimisation mathmatique, et ce,
dans le but de minimiser les cots logistiques.
Suite aux rflexions menes dans les deux chapitres prcdents, nous proposons une classification
des familles de produits qui se base sur un certain nombre de critres. Ces critres permettent de
classer les produits dans des groupes homognes et de dfinir une corrlation qui nous permet
danalyser et de traiter lensemble des produits de la mme manire ; ce qui facilite la proposition
des mthodes de rapprovisionnement multi produits.
Dans cette partie, nous avons essay de rpondre aux difficults rsultant de la gestion multi
produits de manire dfinir des familles homognes de produits en se basant sur un chantillon.
Les familles seront identifies, et par la suite, laide dun arbre de dcision, on classera
automatiquement les produits dans leurs familles adquates. Nous nous sommes bass sur une
mthode de classification qui a fait ses preuves dans le domaine de lanalyse de donnes, et plus
prcisment dans lExtraction de Connaissances partir de Donnes (ECD), rfrence sous le nom
de fouille de donnes. Nous avons projet les principes de cette mthode sur notre problme de
classification de produits pour aboutir des familles homognes de produits, et pouvoir proposer
des mthodes de gestion adquates pour chacune delles.
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
8

1.5 Structure du mmoire
Ce mmoire de thse est organis de la manire suivante :
Le deuxime chapitre prsente une tude bibliographique sur la problmatique de recherche tudie
dans cette thse. Nous commenons par quelques dfinitions des concepts de base et des mots cls
tudis dans notre contexte. Par la suite, nous ralisons une tude sur un chantillon de soixante
articles slectionns de la littrature. Cette tude est base sur deux classifications de ces articles,
suivies par une synthse. Dans la troisime partie de ce chapitre, nous introduisons les politiques de
rapprovisionnement qui prsentent la principale solution adopte par les auteurs ainsi que les
ntres dans les deux chapitres suivants.
Le troisime chapitre prsente une nouvelle politique de rapprovisionnement ddie la rsolution
du problme de gestion combine de stock et de transport dune famille de produits, et ce, dans un
contexte particulier dfini par un ensemble de caractristiques.
Le quatrime chapitre prsente une solution pour un problme particulier de la gestion des ruptures
de stock. Cette solution est sous la forme dune deuxime politique de rapprovisionnement
consacre une autre famille de produits.
Le cinquime chapitre prsente une mthodologie de classification des produits en classes de
produits puis en familles de produits homognes susceptibles dtre gres par des politiques de
rapprovisionnement. Ce chapitre est n suite des besoins de regroupement de produits dans les
deux chapitres prcdents, afin de dfinir des politiques dans un contexte multi produits.
Le dernier chapitre prsente une valuation des performances de nos politiques de
rapprovisionnement proposes dans le troisime et quatrime chapitre. Nous nous basons sur les
rsultats de classification ralise dans le cinquime chapitre afin didentifier les familles de produits
tudies dans les deux cas. Dans cette tude, nous ralisons des exprimentations numriques et
des analyses de sensibilit par rapport aux paramtres suivants : prix de produits ,
caractristique de la demande et diffrence entre le cot de passation de commande urgente
et normale .
La Figure suivante (Figure 1) prsente larticulation gnrale de ce mmoire.
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
9

Figure 1 : structure du mmoire
1.6 Conclusion
Nous avons prsent dans ce chapitre le contexte gnral de la thse. Nous avons introduit les
concepts de notre problmatique de recherche qui sinscrit dans le cadre de la gestion combine de
stock et de transport, adapte des contextes particuliers afin de minimiser les cots logistiques
engendrs dans un rseau logistique multi produits, multi niveaux confront une demande
probabiliste.
Par la suite, nous avons prsent notre mthodologie de rsolution du problme voqu. Cette
dmarche est compose de trois contributions faisant lobjet des trois chapitres suivants.
Finalement, nous avons expos la structure de notre mmoire en montrant linteraction entre les
diffrents chapitres dvelopps.
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
10

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

11

Chapitre 2 : Etat de lart
SOMMAIRE
Chapitre 2 : Etat de lart ............................................................................................ 11
2.1 Bref historique ................................................................................................................... 12
2.2 Chaine logistique ............................................................................................................... 12
2.3 Gestion de stock ................................................................................................................ 17
2.4 Gestion de transport ......................................................................................................... 20
2.5 Optimisation des cots logistiques.................................................................................... 23
2.6 Synthse des travaux tudis ............................................................................................ 32
2.7 Gestion des ruptures de stock ........................................................................................... 36
2.8 Politique de rapprovisionnement pour une gestion multi-produit ................................. 39
2.9 Conclusion ......................................................................................................................... 42

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
12

2.1 Bref historique
Dans cette section, nous prsentons un bref historique de lvolution de la logistique industrielle.
Dans les annes 1950 et 1960 les principes de la production de masse ont t gnraliss dans les
entreprises avec pour objectif de rduire les cots unitaires de production, avec un nombre limit de
produits et une faible flexibilit des procds de fabrication. Le dveloppement de nouveaux
produits tait limit et rsultaient principalement de dveloppements internes. Les oprations sur
les goulets dtranglement ou Bottleneck taient assures par la mise en place de stocks assurant
le maintien dun dbit de ligne quilibr (Farmer. 1997; Tan 2001).
Jusqu'aux annes 1970, la politique industrielle se basait sur le principe de flux pousss . En
gnral, la demande tait suprieure la production. Dans la plupart des entreprises, les
responsables de chaque domaine ou service ont tent de minimiser les cots lis leurs activits sans
se soucier de l'impact de leurs dcisions sur les autres parties de la socit (Cheaitou 2008). la fin
des annes 1970, l'augmentation de loffre a accru la concurrence entre entreprises. Il devenait donc
ncessaire de prendre en compte non seulement les activits de production, mais aussi toutes les
activits industrielles, y compris lapprovisionnement, la distribution et les autres activits qui sont
lies au processus de production.
L'objet de ce changement n'tait pas seulement de rduire les cots globaux, mais aussi d'accrotre
le niveau de service clientle. Ceci a conduit lmergence de la notion de chane logistique .
Ce domaine a t amlior aprs le dveloppement de la "science informatique", qui a permis
principalement le dveloppement des activits de Planification de la production, de Gestion des
stocks , de gestion des capacits de transport qui utilisent les techniques de recherche
oprationnelle. Au cours des dernires dcennies, ces domaines techniques de recherche
oprationnelle ont connu des amliorations trs importantes et de nouvelles pratiques sont nes
(Cheaitou 2008).
2.2 Chaine logistique
De nombreuses dfinitions ont t proposes pour la chane logistique. Dans cette partie, un certain
nombre d'entre elles sont dgages dans le but de rapprocher les points de vue des auteurs et de
mettre laccent sur les lments cls apports par chaque dfinition.
Par rapport aux vnements historiques cits prcdemment, nous prsentons quelques dfinitions
des termes logistiques en se basant sur la thse de (Akbalik 2006). Nous les prsentons dans lordre
de leur volution au cours du temps avec le besoin de changement et de la vision globale de la
chaine logistique : logistique, chane logistique, gestion des chanes logistiques, gestion intgre des
chanes logistiques qui ont volu au cours du temps avec le besoin d'une vision plus globale sur les
diffrents maillons d'une chane.
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
13

(Riopel, Langevin et al. 2003) ont tudi cette mutation travers les titres des livres et des articles
publis sur la logistique. Dans les annes 1960 et 70 on parle de la distribution physique qui
laisse sa place au terme logistique dans les annes 70 et 80 .
(Akbari Jokaar, Frein et al. 2000) ont dfini cette phase de logistique spare par la logistique de
distribution physique reposant sur la recherche d'efficience .
(Heskett 1978) a dfini la logistique comme le processus qui englobe l'ensemble des activits qui
participe la matrise des flux physiques de produits, la coordination des ressources et des
dbouchs en cherchant obtenir un niveau de service donn au moindre cot . Comme on peut le
constater dans cette dfinition, la logistique ne concerne que les activits physiques.
ce stade, Rushton et Saw (Rushton and Saw 1992) expliquent que la logistique existe
principalement au travers d'activits comme le transport, le stockage, le conditionnement et le
traitement des commandes clients, ainsi qu'une performance oriente vers la matrise des cots des
activits de distribution (efficience managriale), et servant surtout satisfaire les exigences du
client. Cest la phase dans laquelle on recherche une suite doptimisations locales, et non une
optimisation globale. En effet chacune des activits logistiques se droule sans tenir compte des
caractristiques des autres activits logistiques .
Le terme gestion des chanes logistiques commence tre utilis vers 1990, puis avec la
croissance du nombre des multinationales et des dlocalisations des centres de production, les
gestionnaires prennent en compte la globalit des chanes dans leurs diverses dcisions. De nos jours,
nous sommes entrs dans l're de la gestion intgre ou gestion globale des chanes logistiques. Nous
pouvons remarquer que cette volution de l'intgration au cours des annes est plutt managriale.
Avec les besoins du march, de plus en plus de formes adoptent cette approche ces dernires annes
et ceci devient trs significatif aprs les annes 1990. Cependant sur le plan thorique, les recherches
sur l'intgration de deux maillons, production et stockage, avaient commenc ds la fin des annes
50. Dans l'article dAkbari Jokaar (Akbari Jokaar, Frein et al. 2002), la dfinition d'une chane
logistique est donne comme un rseau d'installations qui assure les fonctions d'approvisionnement
en matires premires, le transport de ces matires premires, la transformation de celles-ci en
composants puis en produits finis, la distribution du produit fini chez le client ainsi que le service
aprs-vente, le recyclage ou la mise au rebut des produits en fin de vie. Dans ce mme article, les
auteurs donnent des dfinitions rcentes des autres termes couramment utiliss dans ce domaine,
pour faciliter l'change des ides parmi les chercheurs (Akbalik 2006).
(Simchi-Levi, Kaminsky et al. 2003) dfinissent la gestion d'une chane logistique comme un
ensemble d'approches utilises pour intgrer les fournisseurs, les producteurs, les dpts et les
centres de distribution, pour que le produit fini soit fabriqu et distribu avec la qualit requise, dans
les dlais exigs, de faon minimiser le cot total en satisfaisant le niveau de service demand .
La dfinition que l'ASLOG (Association Franaise de la Logistique) (ASLOG 2003) propose de la
logistique est aujourd'hui la suivante : La logistique est une fonction qui a pour objet la mise
disposition au moindre cot de la quantit d'un produit, l'endroit et au moment o une demande
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
14

existe . Par rapport dautres dfinitions, cette dfinition insiste clairement sur les flux physiques et
le contrle des cots.
2.2.1 Structure des chanes logistiques
Daprs (Galasso 2007) : La dfinition de structures de chanes logistiques refltant lensemble des
cas rels est difficile tant la varit des types de fabrications et des primtres de chanes est
grande. Dans le but de dfinir un cadre notre tude, il est indispensable de savoir les structures
typologiques usuelles retrouves dans la littrature sur lesquelles sont dveloppes les
modlisations existantes. Certains auteurs ont extrait des cas rels des typologies caractristiques
(Croom, Romano et al. 2000; Huang, Lau et al. 2003) .
Dans ce dernier travail, Huang et al. (Huang, Lau et al. 2003) dcomposent les structures typiques de
chanes logistiques en : Srie ; Divergente ; Dyadique ; Convergente et Rseau . Ces structures sont
prsentes en Figure 2. Dans le mme travail, une tude a t ralise pour montrer lutilit de la
connaissance de ces structures pour la modlisation des chaines logistique : Ces structures typiques
ont pour but doffrir des cadres de modlisation pour ltude des chanes logistiques et sont orientes
sur des processus spcifiques. La structure srie correspond un procd de fabrication linaire et
vertical. Cette structure peut tre utilise, par exemple, pour tudier linfluence de la propagation de
linformation sur lensemble de la chane. La structure divergente permet de modliser un rseau de
distribution avec pour objectif, par exemple, dtudier la localisation des sites de distribution ou leur
dimensionnement. La structure convergente reprsente un processus dassemblage dans lequel la
synchronisation des flux constitue un sujet dtude. La structure rseau est la composition dune
structure convergente et divergente permettant de prendre en compte des chanes logistiques plus
complexes. Enfin, la structure dyadique peut tre vue comme un cas particulier dune chane en srie
limite 2 tages. Elle peut servir de base ltude de relations client/fournisseur ou donneur
dordre/sous-traitant.

Figure 2 : structures de la chaine logistique selon (Huang, Lau et al. 2003)
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
15

Cependant, ces structures ne refltent pas vraiment des cas rels de lindustrie actuelle, cet aspect a
t voqu dans ce mme dernier travail (Huang, Lau et al. 2003): La principale critique que lon
peut faire de ces structures est quelles ne traduisent pas clairement la possibilit pour un lment
dapparatre sur plusieurs rangs de la chane. En effet, lassemblage dun produit fini peut ncessiter
aussi bien des pices lmentaires standards que des sous-ensembles complexes. Pour leur
ralisation, ces sous-ensembles vont ncessiter aussi un ensemble de pices lmentaires. Ainsi, le
fournisseur de ces pices lmentaires, sera en contact direct avec lentreprise dassemblage en fin de
chane logistique et en contact indirect par lintermdiaire du fournisseur de sous-ensembles. De
mme, dans le cadre dun rseau de distribution, une entreprise peut, dans certains cas, tre
directement en relation avec des dtaillants sans passer par un grossiste. De plus, ni les relations de
sous-traitance ni les retours de pices (chane logistique inverse) ne sont dcrits .
Dans le cadre de notre tude, nous proposons un modle positionnant lentreprise considre
comme lment central dun ensemble de fournisseurs et clients. La structure la plus proche,
adoptant une entreprise comme lment central de la chane logistique, est la structure divergente.
Cest sur la base de cette structure que nous dvelopperons, dans les chapitres 3 et 4, une
modlisation plus fine du primtre de notre tude.
2.2.2 Diffrents flux dans la chaine logistique
Daprs (Akbalik 2006) : Dans une chane logistique, on peut identifier diffrents types de flux : Flux
d'information, flux physiques, flux financiers. Les flux physiques dcrivent des matires qui circulent
entre les diffrents maillons de la chane. Ces matires peuvent tre des composants, des produits
semi-finis, des produits finis, des pices de rechange. Ces flux constituent la fonction premire d'une
chane logistique, sans lesquels les autres flux n'existeraient pas .
L'objet de notre tude est l'optimisation des flux physiques. Le but est de minimiser le cot total
engendr par les activits de stockage et de transport, en satisfaisant les demandes du client sur un
horizon donn. Nous devons dcider combien, quand et o stocker et transporter les produits. Les
cots lis chaque activit et les capacits de chaque maillon seront calculs par rapport la
demande, au nombre de priodes et au nombre dinstallation (Akbalik 2006).
2.2.3 Niveaux de dcision
Daprs (Akbalik 2006) : La gestion de la circulation des diffrents flux dans une chane logistique,
moindre cot et avec une bonne qualit de service, est assure diffrents niveaux dcisionnels. A
chaque niveau, diffrents outils d'aide la dcision sont utiliss, dont la plupart reposent sur des
outils informatiques. On distingue traditionnellement trois grands niveaux de dcision, dans de la
gestion des chanes logistiques ; mme si les frontires ne sont pas trs claires, elles sont souvent
dcoupes en fonction de la longueur des priodes sur lesquelles ces dcisions portent. Elles peuvent
tre dcrites comme les dcisions stratgiques, les dcisions tactiques et les dcisions oprationnelles.
Ces niveaux de dcisions sont dfinis dans le livre de Vallin (Vallin 2003) comme suit :
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
16

- dcisions stratgiques : les problmes de localisation, l'ouverture et la fermeture des usines, des
dpts, le choix des fournisseurs, l'affectation des capacits aux diffrentes activits, le choix de
mode de transport, la mise en place d'un systme d'information,
- dcisions tactiques : l'affectation des clients aux dpts, l'allocation des fournisseurs aux usines,
l'allocation des produits dans les diffrents centres de production,
- dcisions oprationnelles : quand, combien, o produire, stocker, transporter, etc .
En grande partie, notre travail se situe au niveau oprationnel. Nous considrons des structures de
chane logistique fixes et nous tudions les diffrentes mthodes d'optimiser les cots de stock et de
transport afin de minimiser le cot logistique combin dans la chaine logistique, en proposant des
plannings de stock et de transport optimaux ou proche de l'optimum. Les dcisions sont donc prises
sur la quantit transporter et stocker dans les diffrents maillons de la chane, sur un horizon
donn.
2.2.4 Demande
Lincertitude et le besoin de ractivit sont troitement lis. En effet pourquoi serait-il ncessaire
davoir besoin de ragir vite en labsence dalas ? Or, nous avons vu que le manque de visibilit cre
de lincertitude sur la demande et induit des difficults prendre en compte les capacits de
ractions des autres maillons, ce qui pnalise fortement la gestion des flux.
Nous retrouvons plusieurs mthodes de traitement et de modlisation de la demande utilises dans
la littrature, nous citons ci-dessous quelques rfrences (Galasso 2007).
La notion de lincertitude est utilise dans plusieurs domaines, dans le domaine logistique cette
notion est dfinit par (Bartezzaghi and Verganti 1995): La gestion de lincertitude peut tre vue
comme un processus global dans lequel ltape primordiale constitue la bonne comprhension de ce
que sera la demande client finale . Autrement, dans le mme travail nous retrouvons cette
dfinition : Une premire forme de prise en compte de la demande incertaine est de la modliser
par une distribution de probabilits. Lutilisation de modles stochastiques constitue un champ
important de recherche. En liaison avec la planification des chanes logistiques , Srinivasa Raghavan
et Viwanadham (Srinivasa Raghavan and Viwanadham 2002) reprenant les travaux de (Angerhofer
and Angelides 2000) mettent en avant cinq techniques pour le traitement de ce type de problme :
les graphes srie-parallle, les chanes de Markov, les rseaux de files dattentes, les rseaux de
Petri et les modles de dynamique des systmes .
Dans les travaux de (Zadeh 1978; Dubois and Prade 2004), les auteurs ont propos une mthode
originale pour la modlisation de la demande : Un autre type dapproches pour la modlisation de
la demande est lutilisation de la thorie des possibilits et de la logique floue pour la propagation
dune demande incertaine tout au long dun processus de planification MRP (Grabot, Geneste et al.
2005) . Cette mthode permet dobtenir une planification des besoins et un plan de charge flous qui
peuvent aider un gestionnaire valuer la charge laquelle il sera susceptible de faire face. Fargier
et Thierry (Fargier and Thierry 2000) proposent une reprsentation de limprcision sur les
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
17

quantits commandes propage dans le processus de planification dans le but de dterminer la
demande globale correspondant un ensemble de commandes .
Lapproche base sur lutilisation de lois de probabilits que nous adoptons par la suite permet une
modlisation plus souple. Cette mthode apporte un formalisme pour traiter des donnes imprcises
et incertaines lies la demande probabiliste.
2.3 Gestion de stock
Dans la thse de Labidi (Labidi 2005), plusieurs notions lies aux activits de lentreprise et aux
diffrentes mthodes ont t dfinies : lactivit de lentreprise, sa taille et son organisation, les
stocks existent (Waters 1992). Une production sans stock est quasi inconcevable, aux vues des
nombreuses fonctions que remplissent les stocks. La comptitivit de lentreprise peut tre
particulirement affecte par sa gestion des stocks, ce qui constitue une raison suffisante pour y
porter une grande attention. En effet, la constitution de stocks est ncessaire pour de nombreuses
raisons stratgiques et oprationnelles :
Equilibrer la relation production/consommation : les stocks jouent un rle incontournable pour
faire face une diffrence entre la cadence de consommation et la cadence de production. En
effet, il nest pas toujours possible de produire l et quand la demande se manifeste. Autrement
dit, la production et la consommation ne concident pas souvent dans le temps et lespace.
Eviter la propagation des alas: sans la prsence de stocks, un dysfonctionnement au niveau dun
seul site dans une chane logistique peut se propager tout au long de la chane. Un retard
dexcution dans un poste de travail ou un problme de transport narrtera pas immdiatement
lensemble dun processus de production sil y a des stocks prvus dans ce processus.
Pallier les incertitudes sur la demande et les prix : la demande et les prix sont souvent lis la
notion dincertitude. Constituer des stocks de scurit permet de pallier lincertitude sur la
quantit demande. Constituer un stock permet aux entreprises de bnficier de la chute des prix
sur le march ou de se prmunir contre dventuelles hausses de prix.
Lauteur montre (Figure 3) que la gestion du stock repose sur des informations internes et externes
au systme. Le gestionnaire doit connatre les caractristiques du fournisseur, de la demande, les
choix politiques de son entreprise et les variables de dcision qui sont sa disposition. Linformation
pour la gestion des approvisionnements se situe deux niveaux : le systme de gestion du stock et le
systme de tenue du stock dfinis comme suit :
Le systme de gestion du stock est lensemble des informations et des rgles de dcisions
permettant de dclencher les approvisionnements et ventuellement des livraisons qui satisfont
au mieux les objectifs adopts par lentreprise (Waters 1992).
Le systme de tenue de stock inspecte continuellement ou priodiquement les composantes de
lapprovisionnement : le niveau du stock physique, les encours ou attendus disponibles terme,
les dus (partie du stock physique faisant lobjet dengagement vis--vis du client) non
disponibles (Waters 1992).
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
18

Figure 3 : interactions des flux dans une chaine logistique (Waters 1992)
La gestion des stocks est une activit trs importante pour les entreprises industrielles. Les
entreprises formant en chane logistique changent beaucoup dinformations en permanence
travers cette activit. Un mauvais choix de la politique de rapprovisionnement peut tre soit
lorigine de stocks inutiles ou des ruptures de stock. Dans ces deux cas, les pertes sont importantes :
un stock trs important gnre un cot de stockage et un ventuel cot dobsolescence. Un stock
faible gnre des ruptures et des retards. Une meilleure politique de gestion a pour objectifs
principaux de dfinir le niveau de stock indispensable pour faire face la consommation qui peut
suivre un processus alatoire, les quantits commander ainsi que les dlais entre deux
rapprovisionnements pour maintenir le niveau de stock souhait. Elle peut se dfinir par les
rponses quelle apporte aux deux questions de base suivantes :
Qua nd et comment approvisionner ? La rponse cette question rside en le choix de lune des
trois mthodes de rapprovisionnement ci-dessous :
- Gestion de stock au point de commande : lapprovisionnement du stock est dclench lorsque
le stock descend au-dessous dun niveau fix appel point de commande.
- Gestion calendaire : lapprovisionnement du stock est dclench des intervalles de temps
rguliers.
- Gestion calendaire conditionnelle : lapprovisionnement du stock est dclench des
intervalles de temps rguliers, mais uniquement lorsque le stock descend en dessous dun
certain seuil du point de commande.
Quelle quantit approvisionner ? Il existe deux mthodes de base qui rpondent cette
question :
- Approvisionnement par quantit fixe : chaque commande porte sur la mme quantit fixe.
Cest le cas notamment lorsquil y a des contraintes de conditionnement ou de transport ou des
seuils tarifaires qui impliquent un achat minimum. Ceci suppose bien videmment une
frquence dapprovisionnement variable.
Fournisseurs
Clients
Systme de production
Systme de gestion
Systme de
dcision
Systme
dinformation
Systme
physique
Livraisons et perturbations
D
e
m
a
n
d
e
e
t p
r
v
is
io
n
s
,
Capacits, alas et
perturbation
Informations collectes
Flux linformations
Systme de
dcision
Systme
dinformation
Adaptation des
dcisions
Approvisionnement Fabrication Distribution
Planification
valuation des
dcisions
Flux physiques Fluxde dcisions Stock
Entreprise
Fournisseurs
Clients
Systme de production
Systme de gestion
Systme de
dcision
Systme
dinformation
Systme
physique
Livraisons et perturbations
D
e
m
a
n
d
e
e
t p
r
v
is
io
n
s
,
Capacits, alas et
perturbation
Informations collectes
Flux linformations
Systme de
dcision
Systme
dinformation
Adaptation des
dcisions
Approvisionnement Fabrication Distribution
Planification
valuation des
dcisions
Flux physiques Fluxde dcisions Stock
Entreprise
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
19

- Approvisionnement par quantit variable : lors de chaque commande, le stock thorique est
mesur pour commander une quantit qui permet de re-complter ce stock.
Dans la littrature, nous retrouvons plusieurs modles prdfinies. Nous prsentons ci-dessous
quelques politiques de gestion de stocks les plus utilises en pratique :
- (s, S) : Dans cette politique, ds que le niveau du stock descend en dessous dun seuil fix s, une
commande dapprovisionnement du stock est passe immdiatement pour tenter de ramener le
niveau du stock son niveau initial S.
- (R, S) : Dans cette politique, chaque R units de temps, une commande dapprovisionnement
du stock est passe pour tenter de ramener le niveau du stock son niveau initial S.
- (R, s, S) : Dans cette politique, chaque R units de temps, le niveau du stock est contrl et sil
est en dessous dun seuil fix s, une commande dapprovisionnement du stock est passe pour
tenter de ramener le niveau du stock son niveau initial S.
- (s, Q) : Dans cette politique, ds que le niveau du stock est en dessous dun seuil fix s, une
commande dapprovisionnement dune quantit fixe Q est passe.
- (R, s, Q) : Dans cette politique, chaque R units de temps, le niveau du stock est contrl et sil
est en dessous dun seuil fix s, une commande dapprovisionnement dune quantit fixe Q est
passe.
- (S-1, S) : Cest un cas particulier de la politique (s, S) avec s = S-1 et un contrle continu du niveau
du stock.
Ces politiques peuvent tre classes comme suit :
Politiques avec rvision continue : il sagit des politiques (s, S), (s, Q) et (S-1, S) o ltat du stock
est inspect continuellement.
Politiques avec rvision priodique : il sagit des politiques (R, s, S), (R, S) et (R, Q) o ltat du
stock est inspect priodiquement.
Des cots logistiques sont lis ces politiques. Ces cots peuvent tre classs en trois familles
(Zermati and Mocellin 2005; Toomey 2000). Les cots de commande, les cots de possession et les
cots de rupture. Lors de l'optimisation des dcisions relatives l'inventaire, il faut prendre en
compte tous ces cots.
De plus, dans certains secteurs industriels notamment lindustrie agro-alimentaire ou
pharmaceutique, nous pouvons considrs le cot de premption. Ce cot est en lien direct avec la
dure de vie des produits prsents dans le stock. Ce problme a t trait dans la littrature dans
quelques travaux. Nous citons par exemple le travail de Kanchanasuntorn (Kanchanasuntorn and
Techanitisawad 2004) qui prcise que la premption dun produit est une proccupation majeure
dans certains secteurs industriels, notamment l'industrie agro-alimentaire ou pharmaceutique. Dans
leur tude, les auteurs voquent l'effet de la nature prissable du produit, la proposition dune
politique se basant sur les ruptures de stock dans les dtaillants et linfluence de ce phnomne sur
le cot total du systme. Ceci en tudiant le bnfice ralis, le niveau de service et le niveau moyen
des stocks dans un systme de distribution deux chelons. Les auteurs dveloppent aussi un
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
20

modle d'inventaire approximatif de ces mesures de rendement du systme tenant compte des
cots de premption des produits.
2.4 Gestion de transport
Plusieurs travaux ont tudi laspect transport dans la logistique globale et ont prsent diffrentes
dfinitions et caractrisations. Devernay (Devernay 1997) a analys le cas de lorganisation des
transports entre les fournisseurs, les entrepts et les entreprises. Il a ajout que le transport constitue
le vritable "moteur" de cette logistique : sans une organisation de transport fiable, ractive, flexible
et conomique, la logistique devrait faire appel des moyens coteux en surfaces, manutention,
magasinage et systmes d'information, pour satisfaire les exigences de ses consommateurs. Si
certaines de ces chanes restent internes aux tablissements bnficiant de leurs propres units de
production, beaucoup remontent vers des fournisseurs multiples et varis, travers des prestataires,
dont les plus connus sont les transporteurs .
Dans nos travaux, nous allons nous intresser la modlisation et loptimisation des cots de
transport. Nous allons donc, ensuite, prsenter, les diffrents modles de cots de transport tudis
dans la littrature. Dans ce qui suit, nous allons nous bass sur la thse de (Bouchriha 2002).
Nous distinguons deux grandes catgories de cots de transport : des cots linaires qui dpendent
des quantits transportes et des distances, des cots non linaires par rapport aux quantits
achetes :
- 1
re
catgorie : les cots de transport linaires : daprs (Arntzen, Brown et al. 1995) et (Sabri
and Beamon 2000) : les cots de transport linaires sont les cots qui dpendent des quantits
achetes (des cots variables). C'est la forme standard la plus utilise dans la littrature dans les
problmes de conception d'une chane logistique et qui stipule que pour chaque unit
supplmentaire transporte, le cot encouru augmente d'un taux fixe (v en unit montaire) qui
correspond au cot unitaire de transport .
Lallure de la courbe du cot de transport est donne par la Figure 4.

Figure 4 : reprsentation dun cot de transport variable
- 2
me
catgorie : les cots de transport non linaires : Les cots de transport ne sont pas linaires
et refltent des conomies d'chelle que l'entreprise peut raliser en transportant de plus grandes
charges. En effet, le cot marginal diminue au fur et mesure qu'il y a augmentation des
quantits transportes (Bouchriha 2002) .
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
21

Dans cette catgorie, plusieurs travaux ont t dvelopps. Plusieurs travaux commencent
intgrer les conomies d'chelle dans la problmatique de conception d'une chane logistique (Lakhal,
Martel et al. 2001) (Martel and Vankatadri 1999). Les conomies d'chelle rsultent de plusieurs
facteurs (Martel 2001) :
l'effet d'apprentissage,
l'utilisation de technologies plus performantes,
une meilleure utilisation des capacits disponibles,
une meilleure utilisation des ressources,
les escomptes de quantits offertes par les fournisseurs et transporteurs, etc.
L'allure de la courbe de la variation des cots de transport en fonction des quantits achetes est
reprsente dans la figure ci-dessous (Figure 5):

Figure 5 : reprsentation des conomies dchelle
Dans ce cas, la fonction de cot est caractris par :

Dans ce contexte, (Martel 2001) (Lee and Zipkin 1989) montrent que : les conomies d'chelle
peuvent tre modlises adquatement par une fonction exponentielle .
Nous passons en revue, ci-dessous, les approches les plus utilises dans la littrature pour modliser
les conomies d'chelle dans les cots de transport :
a) A. Martel (Martel 2001b) retient l'allure exponentielle de la variation des cots de transport et
propose l'expression approximative suivante :

Avec
- C
t
: cot de transport de la cargaison, de l'origine la destination.
- d : distance aller-retour de l'origine la destination.
- Q : taille de la cargaison.
- a', , b : paramtres obtenus par rgression multiple.
- a : paramtre calcul pour une origine-destination donne (a= a'd
).
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
22

Cette expression des cots de transport, en fonction des distances parcourues et des quantits
transportes, peut mener des modles non linaires difficiles.
b) (Martel 2001b) a propos une deuxime approximation, plus simple que la premire, qui
consiste trouver une approximation linaire des cots de transport par rgression entre une
origine et une destination donnes (Figure 6) .

Figure 6 : Approximation linaire par rgression des cots de transport
Ainsi la fonction des cots de transport correspond l'expression linaire suivante :

Avec
C
a
, C
d
, C
v
: paramtres obtenus par rgression multiple et ayant la signification physique
suivante :
C
a
: cot d'arrt (indpendant de la distance parcourir et du contenu du chargement)
encouru en particulier cause du temps perdu au dpart et l'arrive.
C
d
: cot de distance (indpendant du contenu du chargement) et correspond en gnral au
cot de l'essence, du chauffeur, etc. (par kilomtre parcouru).
C
v
: cot de charge (indpendant de la distance parcourue) encouru par chaque article inclus
dans le vhicule (chargement et dchargement de l'article, manutention dans le vhicule).
C
f
: paramtre calcul pour une origine et destination donne.
Q : taille d'une cargaison
A partir de cette expression, nous pouvons dduire que le cot unitaire de transport est :

Ainsi, si la demande par priode est X et que chaque cargaison contient Q produits, pour satisfaire la
commande, il faudrait expdier X/Q cargaisons, ce qui correspond un cot total de transport par
produit :

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
23

c) D'autres travaux postulent que les cots de transport par lot d'expdition sont fixes et ne
dpendent pas des quantits correspondant un lot d'expdition. Les auteurs dans (Burns, Hall
et al. 1985) postulent que le cot de transport par lot d'expdition est :

: cot d'initialisation d'une distribution.
: cot fixe d'arrt.
: cot de transport par unit de distance.
d: distance entre l'entreprise et son fournisseur.
Ainsi, si Q correspond la quantit d'un lot, le cot unitaire de transport est :
/
Ce rsultat est confirm par Tyworth et Ruis-Torres (Tyworth and Ruis-Torres 2000) qui stipulent que
les cots unitaires de transport sont de la forme :
/
O K dsigne le cot fixe qui correspond un lot d'expdition Q.
Ainsi, la diffrence des travaux de Martel, Burns ainsi que Tyworth et Ruis-Torres n'incluent pas
dans leur modlisation des cots de transport la composante variable (Cv) par unit transporte et
qui comporte le cot de chargement/dchargement ainsi que les cots de manutentions. Les deux
dernires expressions proposes par les deux derniers auteurs refltent galement la prise en compte
des conomies d'chelle puisque nous pouvons vrifier que si Q augmente les cots unitaires baissent.
Ainsi nous pouvons conclure la fin de ce paragraphe qu'il existe plusieurs faons de modliser les
cots de transport dans la littrature. On aboutit en gnral des fonctions de transport ayant des
formes assez complexes.
Nous prsenterons dans le troisime chapitre le modle que nous allons adopter pour reprsenter
laspect transport dans le modle logistique global.
2.5 Optimisation des cots logistiques
2.5.1 Dcision centralise / dcentralise
Plusieurs travaux dans la littrature ont trait des problmes doptimisation multi niveaux en
distinguant deux processus dcisionnels (Baboli, Pirayesh Neghab et al. 2008) : un processus
dcentralis dans lequel chaque maillon de la chaine logistique optimise ses cots indpendamment
du reste ; un processus centralis dans lequel loptimisation des cots est un objectif global .
Plusieurs travaux se sont concentrs sur le choix de la structure centralise ou dcentralise, la
standardisation des produits et lorganisation des approvisionnements et des transports entre les
partenaires pour amliorer lefficience et lefficacit de la chane logistique. Le choix dune forme
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
24

dorganisation dcoule de considrations tant stratgiques quoprationnelles, et on devine que de
multiples facteurs tant internes (rglements) quexternes (contrats, risque de rupture, etc.) aux
tablissements concourent la dtermination de ce choix.
(Hassan 2006) a tudi cet aspect dans sa thse et il a prsent plusieurs travaux : Tchokogu et
Nollet (Tchokogu and Nollet 1998) ont prsent un modle danalyse de la fonction achats dans
des entreprises du secteur de la sant. Les auteurs montrent que les entreprises peuvent adopter une
structure organisationnelle centralise, dcentralise ou une combinaison de centralisation et
dcentralisation. La structure retenue sera soumise aux forces centralisatrices et dcentralisatrices
crant une dynamique de transformation. Soulignons que la centralisation et la dcentralisation ne
constituent pas deux options mutuellement exclusives . Cavinato (Cavinato 1991) et Bennett
(Bennett 1986) dmontrent dans leurs travaux que : la notion de centralisation peut donner lieu
des organisations variables, les activits de contrle tant centralises, alors que les actes dachats
peuvent tre dcentraliss au niveau des services utilisateurs . Egalement, Garder (Gorder 1990)
constate que : comme lentreprise dans son ensemble, lorganisation de la gestion des achats est
conduite des changements lis la recherche de lefficience et de lefficacit .
Une communaut de chercheurs opte pour la gestion des chanes logistiques en considrant la
nature distribue des centres de dcision dans la chane. Cette approche correspond un point de
vue bottom-up cest--dire, un problme de coordination dentits indpendantes. Ce problme
de coordination consiste assurer la satisfaction dobjectifs globaux au niveau de la chane
logistique, tels que la satisfaction du client ou la rduction des cots globaux, tout en tenant compte
des objectifs locaux et de lautonomie des entreprises. Ce point de vue bottom-up peut donc tre
rsum par lanalyse des interactions interentreprises un bas niveau dcisionnel, pour adopter un
point de vue global sur les mcanismes dirigeant le fonctionnement de la chane dans son ensemble
(Cheaitou 2008).
Kok et Fransoo (Kok and Fransoo 2003) mettent bien en avant le caractre distribu de la gestion des
chanes logistiques, tout en soulignant limportance de dvelopper et dutiliser des modles
distribus. En effet, ces modles permettent dune part, de diminuer les quantits de donnes
traiter dans chaque processus de rsolution et dautre part, de prserver les contraintes dautonomie
locales quun modle centralis peut enfreindre en rassemblant les donnes des diffrents acteurs.
Ainsi, le problme de gestion de la chane logistique est, actuellement de plus en plus apprhend en
termes de recherche dun bon compromis entre centralisation et coopration. Une illustration de
cette volont de compromis est donne par Chan et al., (Chan, Chung et al. 2004), qui dfinissent un
modle doptimisation multicritre bas sur des algorithmes gntiques, permettant de comparer
une gestion centralise, dans laquelle les commandes sont envoyes au premier fournisseur
disponible, un mode de fonctionnement collaboratif.
Aprs avoir prsent quelques travaux de recherche montrant les avantages de loptimisation des
cots dans le cas de prise de dcision dcentralise, nous retenons cette thorie et nous ladoptons
dans la suite de nos travaux.
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
25

2.5.2 Optimisation intgre des cots logistiques
Les premiers travaux thoriques sur l'intgration de l'activit de transport lors de la planification de
la production et du stockage datent des annes 1980. Dbut 1990, les entreprises s'intressent de
plus en plus cette approche. Vers les annes 2000, le nombre de publications scientifiques publies
sur la coordination de plusieurs activits dans plusieurs chelons va crotre trs fortement (Akbalik
2006). Nous avons slectionn quelques travaux de recherche et nous les avons classs en trois
catgories. Ces catgories sont prsentes dans la thse de (Akbalik 2006) : (i) des travaux de
synthse o les auteurs ont essay de balayer les articles publis traitant ce sujet, (ii) des travaux
proposant des tudes thoriques et montrant des rsultats concrets, (iii) des travaux traitant des
problmes industriels :
(i) Les travaux de synthses :
Dans la littrature nous avons pu extraire quelques articles de synthse qui rassemblent les travaux
publis sur les approches intgres dans une chane logistique.
Bhatnagar et al. (Bhatnagar, Chandra et al. 1993) dtaillent deux grands bases de cette approche :
une coordination au niveau gnral et une coordination multi-usines. Dans le niveau gnral, ils
citent les articles qui traitent des dcisions intgres des diffrentes fonctions comme la localisation
des installations, la planification du stockage, de la distribution et de la production, le marketing, etc.
Dans le deuxime type de coordination, l'intgration se fait au niveau des dcisions prises pour la
mme activit, qui est constate dans les diffrents chelons de l'organisation. Les usines intgres
verticalement peuvent tre donnes comme exemple de ce type de coordination .
Beamon (Beamon 1998) propose une tude complte de la littrature sur les modles multi-chelons
de la chane logistique et donne une classification des travaux selon quatre axes. Cette classification
est base sur l'approche de modlisation propose. Les quatre catgories sont : Les modles
analytiques dterministes, les modles analytiques stochastiques, les modles conomiques et les
modles de simulation .
Vidal et Goetschalckx (Vidal and Goetschalckx 1998) classifient les articles par rapport aux
hypothses dvelopps dans les modles mathmatiques : Les principaux points analyss sont la
nature stochastique, les caractristiques dynamiques, les tats des installations, les hypothses sur les
capacits de stockage et de moyens de transport, mono ou multi-produits, le critre de la fonction
objectif, les natures des cots (linaire, non-linaire, composantes fixes ou continues), le nombre
d'chelons, les mthodes de rsolution proposes, etc .
Geunes et Pardalos (Geunes and Pardalos 2003) proposent un tat de l'art sur : l'volution de
l'utilisation des techniques d'optimisation dans le domaine de la gestion de la chane logistique et de
l'ingnierie financire . Egalement, ces auteurs prsentent plusieurs exemples dentreprises qui se
basent sur les mthodes d'optimisation pour grer leur chane logistique et tudient les travaux
autour de leur rseau doptimisation.
(ii) Les travaux proposant des tudes thoriques :
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
26

Lutilisation de la rsolution dun problme par la mthode intgre est tudie thoriquement dans
plusieurs travaux de recherche. Parmi les raisons qui ont pousss les auteurs se concentrer sur ces
tudes, nous retrouvons la difficult de rsolution du modle mathmatique associ en un temps
raisonnable.
(Akbalik 2006) a tudi la difficult de lutilisation de lapproche optimisation intgre : Cette
difficult est due au nombre de contraintes prendre en compte et la configuration de la
fonction objectif qui devient plus dure optimiser. Ceci ncessite des mthodes plus sophistiques et
appropries au problme. Les diffrentes mthodes de rsolution sont des techniques de relaxation,
de dcomposition, des heuristiques, etc. Sur le plan thorique c'est donc un problme trs intressant
traiter .
Afin de montrer le gain obtenu en adoptant une approche intgre, nous faisons rfrence au travail
de Chandra et Fisher (Chandra and Fisher 1994). Dans ce travail, les auteurs cherchent le gain de la
coordination de la production dans une usine qui fabrique un certain nombre de produits diffrents et
de la distribution en tournes de vhicules, chez plusieurs clients. Le but est de minimiser les cots de
stockage dans l'usine et dans le dpt, de transport et de lancement. Ils obtiennent une rduction de
3% 20% sur le cot total avec une approche intgre .
Dans un autre contexte, Park (Park 2005) tudie une structure multi-usines, multi-dtaillants, multi-
produits et multi-priodes o l'objectif est de maximiser le profit total de la chane en intgrant les
dcisions de production, de stockage et de distribution .
En premier lieu, il optimise en se basant sur une approche squentielle. En deuxime lieu, il intgre
les diffrentes dcisions dans un mme modle. Il propose une heuristique, au regard de la difficult
de la rsolution de la programmation linaire en nombre entier pour les grandes instances. Il compare
le gain aprs une coordination, en utilisant une analyse de sensibilit sur les diffrents paramtres
(Akbalik 2006).
Dans la littrature, plusieurs auteurs proposent lutilisation de lapproche intgre pour la rsolution
des problmes lis laspect transport et stockage. Nous nous sommes inspirs de la thse de
(Akbalik 2006) pour tudier les travaux les plus pertinents. Kim et Ha (Kim and Ha 2003) proposent :
les quantits de commande, le nombre de livraisons et les quantits de livraison optimaux pour un
modle coordonn de donneur d'ordre-fournisseur, pour faciliter des livraisons plus frquentes, et en
petites quantits. Ils montrent que la politique de livraison optimale applique ce systme intgr
est bnfique pour les deux parties . Federgruen et Zipkin (Federgruen and Zipkin 1984) tudient :
le problme de routage, coupl avec les dcisions de stockage. Le but est de trouver les quantits
optimales de livraison et de stockage depuis un dpt vers les clients, avec des tournes de vhicules,
tout en minimisant le cot total de stockage, de rupture et de transport . Burns et al. (Burns, Hall et
al. 1985) dveloppent : une mthode analytique pour minimiser le cot total de transport et de
stockage depuis un fournisseur vers les clients. Ils comparent deux politiques de livraison : directe et
avec des tournes . Hill (Hill 1999) tudie : la structure fournisseur client, o le fournisseur envoie
un seul type de produit chez le client. Le fournisseur produit par lot, et le client consomme avec un
taux fixe. Le but est de minimiser le cot total de setup, de transfert des produits et de stockage.
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
27

L'auteur trouve la structure d'une solution optimale globale et propose un algorithme pour l'obtenir .
Iyogun (Iyogun 1992) tudie : le problme de distribution de plusieurs types de produits, depuis
plusieurs dpts vers plusieurs clients .
Une autre tude intressante sur l'intgration des activits de transport et de stockage est mene
par Mason et al. (Mason, Ribera et al. 2003) Les auteurs montrent avec un modle de simulation
qu'en intgrant les systmes de gestion des stocks et de gestion de transport, on arrive rduire les
cots, amliorer le service client et mieux grer les flux physiques .
(iii) Les travaux tudiant des cas industriels
Matta et Miller (Matta and Miller 2004) coordonnent : les dcisions de production, de stockage et
de transport entre deux usines (la premire qui fabrique des produits semi-finis pour la deuxime
usine et la deuxime qui les transforme en produits finis). Ils analysent l'influence des diffrents
paramtres sur les dcisions, donc sur le gain obtenu avec une approche intgre plutt que
squentielle. Ils testent le gain obtenu avec des donnes relles qu'ils ont rcupres d'une entreprise
pharmaceutique .
En faisant rfrence ces travaux, loptimisation intgre a montr ses avantages tant sur le plan
thorique que sur le plan industriel.
2.5.3 Travaux de recherche tudis
Nous avons slectionn 60 travaux de recherche qui traitent de politiques de rapprovisionnement
(Tableau 1).
Tableau 1 : liste des travaux tudis
N Auteurs, anne N Auteurs, anne
1
(Huang, Chew et al. 2004)
31
(Geunes and Zeng 2001)
2
(Alwan, Liu et al. 2003)
32
(Kanchanasuntorn and Techanitisawad 2004)
3
(Dullaert, Vernimmen et al. 2007)
33
(Lee 2005)
4
(Lei, Liu et al. 2006)
34
(Li and Liu 2005)
5
(Jong and Wee 2007)
35
(Mishra 2004)
6
(Chen and Chen 2005)
36
(Cheng-Liang, Bin-Wei et al. 2003)
7
(Abou-El-Ata and Kotb 1997)
37
(Cheng-Liang and Wen-Cheng 2004)
8
(Hwarng, Chong et al. 2005)
38 (Sven and Wen-Fa 1999)
9
(Lodree, Jang et al. 2004)
39 (Sven 2007)
10
(Ouyang and Chang 2002)
40 (Chi 2001)
11
(Liang 2006)
41 (Teunter and Vlachos 2001)
12
(Watson and Polito 2003)
42 (Giri and Dohi 2009)
13
(Akcali and Bayindir 2006)
43 (Hsieh and Dye 2010)
14
(Hoque 2007)
44 (Lian, Liu et al. 2009)
15
(Lo and Szeto 2001)
45 (Li, Cheng et al. 2007)
16
(Kirche and Srivastava 2005)
46 (Benkherouf and Sethi 2010)
17
(Abdul-Jalbara, Gutierreza et al. 2003)
47 (Madadi, Kurz et al. 2010)
18
(Aydn and Christopher 2004)
48 (Rieksts and Ventura 2008)
19
(Bertazzi and Speranza 1999)
49 (Pan, Tang et al. 2009)
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
28

20
(Cardos and Garcia-Sabater 2005)
50 (Hnaien, Delorme et al. 2010)
21
(Das and Tyagi 1997)
51 (Lee and Jeong 2009)
22
(Cetinkaya, Mutlu et al. 2005)
52 (Qin, Shi et al. 2009)
23
(Kutanoglu and Lohiya 2007)
53 (Kang and Kim 2010)
24
(Chiang and Gutierrez 1997)
54 (Zhao, Chen et al. 2010)
25
(Qu, Bookbinder et al. 1999)
55 (Sgren Glud and Anders 1998)
26
(Swenseth and Godfrey 2002)
56 (Stanislaw 2005)
27
(Yokoyama 2002)
57 (Hui-Ling 2004)
28
(Zhaoa, Wang et al. 2004)
58 (Schmitt, Snyder et al. 2010)
29
(Abdul-Jalbara, Gutierreza et al. 2003)
59 (Selda and Emmett 2010)
30
(Barnes-Schuster, Bassok et al. 2002)
60 (Silver and Bischak 2011)
2.5.4 Identification des problmatiques de recherche
Nous ralisons, afin de positionner nos travaux de recherche, une premire classification des articles
cits ci-dessus par rapport des mots cls lis notre problmatique de recherche (Tableau 2).
- La gestion des stocks :
o Approvisionnement des stocks : dans cette colonne, nous prcisons si les auteurs ont abord
les problmes dapprovisionnement de stock et sils ont dfini une mthode de gestion de
stock spcifique.
o Optimisation des cots de stockage : dans cette colonne, nous prcisons si les auteurs ont eu
comme objectif loptimisation du cot de stockage
o Gestion des ruptures de stock : nous indiquons si le problme des ruptures de stock a t
abord et si les auteurs prennent en considration des cots spcifiques ou des pnalits
pour grer et prendre en compte cet aspect.
o Stock de scurit : nous faisons de mme pour ce paramtre, nous indiquons si les auteurs
ont bien trait cet aspect et sils lont trait dune manire explicite
- La gestion du transport
o Politique de distribution (livraison) : nous prcisons dans cette colonne si les auteurs ont
trait un problme de gestion de distribution et sils ont propos de nouvelles mthodes ou
politiques
o Optimisation des cots de transport : en analogie avec les cots de stockage, nous prcisons
dans cette colonne si les auteurs ont pris les cots de transport comme objectif
doptimisation.
o Contraintes de capacit de transport : nous tudions dans cette colonne laspect de la gestion
des capacits de transport. nous regardons si les auteurs ont propos des outils permettant
doptimiser la gestion de ces capacits.
- Demande : nous prcisons si la demande traite est une demande dterministe ou alatoire
- Multi produits : nous prcisons si le problme pos par les auteurs est un problme de gestion
individuelle des produits ou non
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
29

- Multi chelons : nous indiquons si la structure de la chaine logistique tudie est une structure
sur plusieurs chelons ou non.
Tableau 2 : classification par rapport aux centres dintrt des auteurs
Gestion de stock Gestion de transport Demande Multi
produits
Multi
chelon
SC
(1) (2) (3) (4) (5) (6) (7) Pro dt oui non oui Non
1 * * * * * * * *
2 * * * * * * *
3 * * * * * * * * *
4 * * * * * * * *
5 * * * * * *
6 * * * * * * *
7 * * * * * *
8 * * * * * * * *
9 * * * * * * *
10 * * * * * * *
11 * * * * * * *
12 * * * * * * *
13 * * * * * * * *
14 * * * * * * *
15 * * * * * * *
16 * * * * * *
17 * * * * * *
18 * * * * * *
19 * * * * * * *
20 * * * * * * *
21 * * * * * * * *
22 * * * * * * *
23 * * * * * * *
24 * * * * * * * * *
25 * * * * * * * * *
26 * * * * * * *
27 * * * * * * * *
28 * * * * * * *
29 * * * * * *
30 * * * * * *
31 * * * * * * * *
32 * * * * * * *
33 * * * * * * * *
34 * * * * * * * *
35 * * * * * *
36 * * * * * * *
37 * * * * * * *
38 * * * * * * *
39 * * * * * * * *
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
30

40 * * * * * * * *
41 * * * * * * * *
42 * * * * * * * *
43 * * * * * * * *
44 * * * * * * *
45 * * * * * *
46 * * * * * * *
47 * * * * * * * * *
48 * * * * * *
49 * * * * * * * *
50 * * * * * *
51 * * * * * * *
52 * * * * * * * *
53 * * * * * * * *
54 * * * * * * * * *
55 * * * * * * * * *
56 * * * * * * * * *
57 * * * * * * * *
58 * * * * * * * * *
59 * * * * * * * * *
60 * * * * * * * * *

2.5.5 Analyse des solutions proposes
Nous allons raliser une deuxime classification (Tableau 3) des articles slectionns afin
didentifier les mthodes de rsolution utilises par les chercheurs.
- Nous avons distingu trois mthodes :
o La rsolution mathmatique (M) : dans ce cas, les auteurs se basent gnralement sur la
modlisation mathmatique pour poser le problme ainsi que sur des outils de recherche
oprationnelle pour trouver la solution optimale adquate.
o Les heuristiques (H) : dans ce cas, les chercheurs proposent une tude du problme et
dfinissent un ou plusieurs algorithmes afin de dvelopper une solution spcifique pour un
problme prcis. Cette mthode est souvent prcde par une modlisation mathmatique
dun problme complexe et que les auteurs ont beaucoup de difficults rsoudre
mathmatiquement, de par sa complexit.
o Les mthodes analytiques : certains auteurs proposent lanalyse dun problme spcifique. Ils
exposent les difficults prsentes et dcomposent le sujet en plusieurs parties
complmentaires, constitutives et essentielles, et ce, afin den saisir les rapports et de donner
un schma gnral de lensemble.
- Le type de donnes utilises dans lexprimentation numrique :
o donnes gnres (S) : Dans plusieurs cas, les auteurs se basent sur des simulations
numriques afin de montrer des rsultats concrets de leurs propositions. Dans la plupart des
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
31

cas, les simulations sont bases sur des donnes gnres alatoirement. Dans dautre cas,
les auteurs utilisent des bases de donnes existantes utilises dans des travaux antrieurs.
o Des donnes relles (R) : certains travaux sont accompagns dune tude de cas rel. Les
solutions proposes sappliquent sur des donnes relles qui peuvent tre injectes dans des
simulateurs afin de fournir une analyse dun cas concret.
Tableau 3 : classification par rapport aux mthodes de rsolution
N Mthodes de
rsolution
Donnes N Mthodes de
rsolution
Donnes
M H A R S M H A R S
1 * * 31 * * *
2 * * 32 * *
3 * * 33 * * *
4 * * * 34 *
5 * * 35 * * *
6 * * * 36 * *
7 * * 37 * *
8 * * * 38 * *
9 * * 39 * * *
10 * * * 40 * * *
11 * * * 41 * *
12 * * 42 * *
13 * * * 43 * *
14 * * * 44 * *
15 * * 45 * * *
16 * * 46 * *
17 * * 47 * * *
18 * * * 48 * * *
19 * * ---- ---- 49 * * *
20 * * * 50 * * *
21 * * 51 * *
22 * * * 52 * * *
23 * * 53 * * *
24 * * * 54 * * *
25 * * * 55 * * *
26 * * * 56 * * *
27 * * * 57 * *
28 * * * 58 * *
29 * * * 59 * * *
30 * * * 60 * *

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
32

2.6 Synthse des travaux tudis
La plupart des travaux cits prcdemment traitent un problme doptimisation combine des cots
de stockage et de transport. Mais quand nous avons analys le contenu des ces articles et les apports
scientifiques et mthodologiques qui ont t proposs, nous nous sommes rendus compte que ces
travaux traitent en gnral de problmatiques drives. Nous prsentons par la suite une tude
approfondie de quelques articles par rapport aux critres de classification retenus dans les deux
tableaux prcdents et positionnons nos travaux par rapport ces approches.
2.6.1 Optimisation concentre sur les politiques de stock
Les travaux sont davantage concentrs sur loptimisation des stocks, alors que les auteurs annonant
une optimisation intgre du niveau de stock et de transport sont nombreux (29/60 des travaux cits
intgrent un seul paramtres pour laspect transport). En effet, dans ces travaux les auteurs
proposent une optimisation des cots de stockage et tudient les politiques de stock qui peuvent
tre mises en place, en incluant laspect de transport comme un paramtre fixe dans la fonction
objectif.
Nous retrouvons dans ces travaux lune des situations suivantes :
- Des travaux concentrs sur la proposition des mthodes dapprovisionnement de stock avec la
dfinition de quelques paramtres lis laspect stockage (niveau de commande, niveau de
recompltement, dcision organisationnelle, ), tout en ngligeant laspect transport et en se
limitant lintgrer comme tant une variable fixe et non pas un paramtre optimiser ou une
contrainte prendre en compte dans la fonction objectif (les travaux : 2, 8, 9, 10, 17, 29, 33, 35,
41 et 43).
- Des travaux se limitant des cots de stock et un seul cot de transport bien quil sagisse dune
problmatique doptimisation intgre de cots logistiques. Dans plusieurs cas, nous retrouvons
les diffrents cots de stock (cot de possession, cot passation, cot de rupture) qui sont
injects dans la fonction objectif sans tenir compte des cots lis laspect transport ou leur
optimisation (les travaux 5, 7, 13, 14, 16, 21, 26, 32, 34, 38, 39, 40, 42, 44, 45, 46, 48, 50 et 51).
- Manque de solutions pour des cas particuliers et critiques. Par exemple le cas des ruptures de
stock, ce problme a t voqu dans la plupart des travaux mais les propositions donnes ne
prsentent vraiment pas des vraies solutions pour un problme assez critique. Parmi les travaux
tudis, 23/60 ont tudi ce problme (les travaux : 3, 8, 9, 10, 13, 24, 25, 27, 30, 31, 33, 41, 43,
44, 47, 49, 54, 55, 56, 57, 58, 59 et 60).
A titre dexemple, Ouyang et Cahng (Ouyang and Chang 2002) proposent une nouvelle mthode pour
minimiser les cots de stockage. L'objectif est d'optimiser simultanment la taille de lot, le niveau de
recompltement de stock, le cot de passation des commandes (diminuer le nombre de commande)
et le dlai de livraison. Nous pouvons remarquer que lensemble des paramtres optimiser est en
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
33

lien direct avec loptimisation de stock, et que ceci affaiblit fortement laspect transport au regard
des objectifs des auteurs, qui sont de raliser une optimisation intgre stock-transport.
Un autre travail peut montrer ce dsquilibre dans le traitement du problme de loptimisation
intgre. En effet, Lee (Lee 2005) propose un modle de rvision continue des stocks en tenant
compte des politiques de distribution des produits, des dlais de rapprovisionnement et du nombre
de ruptures de stock contrlables. En outre, il dveloppe une procdure algorithmique pour trouver
la quantit de commande optimale et le dlai d'excution optimal. En adoptant ces changements sur
la politique de gestion, il obtient des rsultats significatifs dans loptimisation du cot total annuel en
se basant sur les paramtres de stock.
Dans la premire contribution de nos travaux, nous traitons les deux aspects simultanment avec le
maximum de paramtres de gestion de stock et de gestion de transport. Dune part, la mthode de
rapprovisionnement propose fournit une politique de stockage prenant en compte les niveaux de
stock (niveau de recompltement et niveau de commande) et diffrents types de commandes
(normale et urgente) et une politique de distribution se basant sur plusieurs types de moyens de
transport et traitant la gestion des capacits. Dautre part, la fonction objectif est compose des trois
cots de stockage (passation de commande, possession de stock, cot de rupture) et des deux cots
de transport (fixe et variable) afin de minimiser la globalit des cots simultanment.
2.6.2 Optimisation concentre sur les politiques de transport
Dans un souci de rciprocit avec le raisonnement voqu dans le prcdent paragraphe, nous
analysons ici des travaux qui se basent essentiellement sur loptimisation des cots de transport et
sur la proposition de politiques de distribution, en tenant compte des contraintes de stock sous la
forme dun ou deux paramtres fixes dans la fonction objectif (25/60 des travaux tudient moins de
deux paramtres sur les soixante travaux cits dans le Tableau 2).
Dans la plupart de ces travaux, nous constatons une concentration sur la proposition de solutions
pour une amlioration de la gestion de transport en limitant lintgration de laspect de stockage
dans les modles proposs.
- Certains travaux proposent des politiques de distribution afin damliorer la gestion de transport
et doptimiser les cots logistiques. Mais, ces travaux ne tiennent pas en compte de laspect
stockage et ne proposent pas des meilleures solutions pour amliorer la gestion de stock
simultanment avec laspect transport (les travaux 1, 15, 20, 22 et 23)
- Dans dautres travaux doptimisation de cots logistiques, les auteurs proposent des modles en
intgrant les cots de transport en se limitant quelques cots de stock sans tenir englober le
problme de gestion intgre transport-stock (les travaux 11, 18 et 19, 36 et 37).
- Des travaux qui se basent sur une optimisation squentielle, c'est--dire les modles dvelopps
pour la gestion de transport sont utiliss dans la gestion de stock sans modification en cas de
besoin pour bien amliorer la solution globale et lie la gestion de stock (les travaux 4, 11, 19,
25, 49, 53 et 54).
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
34

Dans le travail de Aydn et Christopher (Aydn and Christopher 2004), les auteurs dveloppent un
modle de distribution multi-chelon gnral, soumis une demande stochastique. Ils proposent un
schma de dcomposition qui permet de dvelopper une politique de distribution quasi-optimale,
avec un minimum de cots de distribution totale prvue. Ils utilisent une analyse du systme multi-
chelon en deux applications spcifiques. La premire application porte sur un rseau de distribution
compos dun magasin de dtail bas dans lextrmit du rseau et de plusieurs entrepts. Le
dtaillant peut remplir les commandes gnres partir du magasin ou des entrepts. Les auteurs
valuent le compromis entre ces deux options, tandis que dans la deuxime application, les auteurs
ont essay de trouver un moyen rentable pour distribuer les produits en utilisant le systme de
distribution combine des deux dtaillants. Dans ces deux propositions, les auteurs adoptent un seul
cot de stock li la passation de commandes entre les deux chelons. Les auteurs ne proposent pas
une tude pour optimiser les quantits stockes dans chaque chelon.
Dans le travail de Bertazzi et Speranza (Bertazzi and Speranza 1999), les auteurs traitent le problme
de la minimisation de la somme des cots d'inventaire et de transport dans un rseau logistique
multi-produits compos par une origine, quelques nuds intermdiaires et une destination pour
laquelle un ensemble dexpditions sont possibles avec des frquences diffrentes. Le problme est
de dterminer pour chaque lien une stratgie d'expdition priodique afin de minimiser le cot
total. Ils prsentent plus de deux formulations du problme obtenu en calculant le cot de
possession des stocks grce l'agrgation de l'inventaire au fil du temps. Enfin, ils prsentent des
algorithmes heuristiques bass soit sur la dcomposition du problme gnral, soit sur la solution
d'un problme plus simple grce des techniques de programmation dynamique afin de propose
une stratgie de distribution des produits entre les diffrents chelons de la chaine logistique
tudie.
Dans la deuxime contribution, nous traitons le cas des ruptures de stock. En se basant sur le fait que
nous sommes placs dans un contexte o les ruptures de stock sont interdites pour des raisons
humanitaires ou lgislatives, nous proposons une politique se basant sur les commandes urgentes. La
mthode de rapprovisionnement dveloppe prend en compte laspect stockage en incluant les
diffrents cots de stock ainsi que laspect transport en dfinissant une politique de distribution
base sur des commandes urgentes et rapides. De ce fait, les cots de transport peuvent tre inclus
dans le cot de passation de commande vu que les moyens de transport utiliss sont ddis pour
rpondre ces contraintes (moyen de transport rapide et cher).
2.6.3 Chaine logistique tudie: multi produits, multi chelons, demande
2.6.3.1 Mono ou multi produits
Nous trouvons plusieurs travaux qui proposent des solutions mono produit pour la gestion combine
des stocks et de transport. Les solutions proposes se basent sur un raisonnement o les produits
sont grs indpendamment. Pour le calcul de cot logistique global, les auteurs effectuent des
additions sur lensemble des cots gnrs pour chacun des produits comme cest le cas dans les
travaux (Dullaert, Vernimmen et al. 2007) et de (Das and Tyagi 1997).
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
35

Nous retrouvons deux sortes de modles dans ce cadre de la gestion multi produits :
- Le premier est un modle bas sur la gestion mono produit et gnralis par la suite sur
lensemble des produits grs soit en ralisant une sommation sur le nombre total soit en en
multipliant le cot unitaire par le nombre de produits dans le cas de calcul de cots.
- Le deuxime type de modle, considr comme les amliorations les plus rcentes dans ce
contexte, se base sur ltude dune ventuelle corrlation par rapport un critre li la gestion
des produits. Dans la plus part des travaux, cette corrlation est lie la demande de lensemble
des produits tudis.
Dans note tude, nous dveloppons la notion de famille de produits afin de rsoudre le problme de
gestion multi-produit. Cette approche nous permet de regrouper les produits qui prsentent des
caractristiques communes dans une mme famille afin de les grer simultanment et proposer une
solution adquate pour lensemble.
2.6.3.2 Deux ou plusieurs chelons
La plupart des travaux proposent des solutions sur deux chelons. Le mme raisonnement appliqu
sur ces deux niveaux peut tre gnralis lensemble de la chaine logistique, sauf lorsque la gestion
est centralise comme cest le cas dans plusieurs travaux (Cetinkaya, Mutlu et al. 2006; Kutanoglu
and Lohiya 2008).
Notre tude porte sur une chaine logistique de distribution compose de deux niveaux et de
plusieurs maillons chaque niveau. La solution propose peut tre gnralise sur une chaine multi-
niveaux puisque nous proposons une solution dcentralise.
2.6.3.3 Demande dterministe ou probabiliste
Certains auteurs se basent, dans leurs travaux, sur une demande probabiliste mais, pour des raisons
de complexit, ajoutent des hypothses restrictives qui transforment cette demande en demande
stationnaire (Huang, Chew et al. 2004; Hwarng, Chong et al. 2005).
La demande alatoire prsente dans la plupart des travaux une source dincertitude qui a t rsolue
par la mise en place de fortes quantits de stock de scurit dans le cas o les ruptures de stock sont
interdites ou de ventes perdues dans le cas o la demande ne peut pas sassurer ou de vente diffre
dans le cas o la demande peut sassurer aprs une priode dattente.
Nous considrons dans la suite de nos travaux une demande probabiliste. Dans un premier temps,
nous nous intressons une demande alatoire et rptitive qui peut tre reprsente par la loi
normale. Dans un deuxime temps, nous considrons une demande trs alatoire et ponctuelle qui
peut tre reprsent par la loi des vnements rares (loi de poisson).
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
36

2.6.4 Mthode de rsolution
Nous remarquons que la majorit des solutions proposes se base sur une modlisation
mathmatique des problmes poss, suivie dune partie optimisation (56 travaux /60 travaux). Ceci
explique lutilisation des outils de recherche oprationnelle dans la plupart de ces travaux.
Dautre part, les auteurs ont recours aux mthodes heuristiques pour proposer des solutions des
problmes complexes (34 travaux/60). En effet, les auteurs sont parfois confronts des fonctions
objectifs assez complexes, ce qui rend difficile la recherche de loptimum mathmatiquement.
Tandis que dautres auteurs proposent une analyse des problmes poss en tudiant diffrents cas
possibles (9 travaux/60), ces analyses reposent principalement sur des cas particuliers dans des
chaines logistiques spcifiques (Watson and Polito 2003; Akcali and Bayindir 2006; Cetinkaya, Mutlu
et al. 2006).
Les solutions proposes dans notre thse reposent sur une modlisation mathmatique pour le
calcul et loptimisation des cots logistiques et sur des mthodes heuristiques afin de dfinir les
mthodes de rapprovisionnement dveloppes. Lanalyse numrique est base sur des simulations
ralises avec des donnes gnres alatoirement dans le troisime et le quatrime chapitre, et des
donnes relles dans le dernier chapitre de la thse.
2.7 Gestion des ruptures de stock
Le comportement des clients face une rupture peut tre de diffrente nature : si les clients
attendent de recevoir les quantits manquantes dans les prochaines priodes, il sagit alors dun cas
de commande en souffrance ou de ventes diffres pour le vendeur. Dans ce cas, le niveau de
stock chez le dtaillant peut avoir des valeurs ngatives. Si les clients nacceptent pas dattendre pour
recevoir les quantits manquantes, nous sommes alors face un cas de vente perdue , dans
lequel le niveau de stock chez le dtaillant ne peut pas avoir de valeur ngative ; sinon, dans le
dernier cas, les clients imposent la rception de leurs commandes, cest le cas des commandes
urgentes .
Nous allons dtailler quelques travaux qui ont propos diffrentes solutions pour les ruptures de
stock. Les solutions proposes appartiennent lun des trois cas : vente diffre , vente
perdue ou commande urgente .
Dans ses travaux de recherche, Chi (Chi 2001) dveloppe un modle de programmation dynamique
pour un systme d'inventaire priodique avec deux niveaux de rcompltement de stock, un niveau
de rcompltement normal et un niveau de rcompltement durgence. Dans son systme, les
commandes rgulires sont places au dbut des cycles de commande, tandis que les commandes
d'urgence peuvent tre places au cours de ces priodes. Ils supposent que les niveaux ordinaires et
d'urgence de commande sont distincts, ils proposent alors deux modles de calculs, le premier pour
dfinir le niveau de recompltement ordinaire pour chaque priode et le deuxime pour dfinir le
niveau de recompltement urgent. Ils ont dvelopp une politique optimale de commande ainsi
quun algorithme heuristique pour calculer les paramtres de la politique optimale en se basant sur
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
37

plusieurs variables (cot de commande normale, cot de commande urgente, cot de possession de
stock, fonction de densit de la demande, horizon de planification, niveaux de stock). Les rsultats de
cette tude peuvent aider les gestionnaires dcider des modalits dutilisation du mode de
rapprovisionnement durgence, lorsque cette option alternative est disponible.
Dans le travail de Giri et Doha (Giri and Dohi 2009), les auteurs mentionnent que la plupart des
tudes sur le contrle des stocks sont plutt des problmes d'optimisation minimisant le critre de
cot. Toutefois, lorsque les gestionnaires mettent les systmes d'inventaire dans des situations
concrtes, ils doivent tenir compte de la fiabilit de ces systmes ainsi que de l'aspect conomique.
Dans ce travail, la fiabilit est dfinie comme la probabilit que le stock ne sera pas puis pendant
une dure prdtermine. Dans le cas contraire, les auteurs discutent des politiques de contrle de
stock qui offrent un quilibre entre les exigences conomiques et les exigences de fiabilit en
tudiant les trois cas prsents prcdemment et ce, en appliquant le critre de cot-efficacit qui
comprend en mme temps les effets de la disponibilit du systme et le cot anticip, comme une
optimalit.
Le cas des ventes diffres est tudi dans le travail de Selda et Emmett (Selda and Emmett 2010).
Dans cet article, les auteurs abordent un problme d'inventaire stochastique pour les entreprises
manufacturires qui font face des dcisions d'approvisionnement associes des produits
saisonniers. Les auteurs prsentent une politique de contrle dans laquelle les dcisions sont bases
sur un modle de prvision de demande avec fortes perturbations. Lobjectif du modle propos est
de dterminer les quantits optimales de commande. Le problme est dfini sur un horizon compos
de plusieurs priodes de contrle des stocks. Le modle est formul en ayant recours une tude
stochastique, o la demande au cours de chaque priode est reprsente comme une convolution de
la demande de la priode courante. Lobjectif de cette tude est de rduire les cots de stockage
pour rpondre la demande stochastique et de faon proactive pour la prparation de demandes
potentielles au cours de la priode de consommation.
Le cas des commandes urgentes est dtaill dans le travail de Sven (Sven 2007). Dans son article,
lauteur examine un systme d'inventaire mono chelon (un entrept) avec une demande clientle
base sur la distribution de la loi de Poisson. Le systme de gestion mis en place repose sur un suivi
continu du stock avec gestion au point de commande. Toutefois, il est galement possible d'utiliser
des commandes d'urgence. Ces commandes gnrent des cots supplmentaires, mais ont un dlai
beaucoup plus court. Les auteurs considrent dans ce systme les cots de rupture de stock, ainsi
que les cots de commande normale. Dun point de vue pratique, une rgle de dcision heuristique
pour les commandes d'urgence de dclenchement est suggre. La rgle de dcision minimise les
cots attendus dans l'hypothse o il n'y a qu'une seule possibilit pour une reconstitution
d'urgence. Compte tenu du fait que la politique en vigueur se base sur le rapprovisionnement
continu, la rgle de dcision sera toujours de rduire les cots prvus. Les auteurs se sont bass sur
des simulations pour montrer que la technique propose donne de bons rsultats dans des
conditions pourtant diffrentes.
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
38

Le travail de Sgren Glud et Anders (Sgren Glud and Anders 1998) est parmi les meilleurs travaux
portant sur les ruptures de stock en proposant une mthode de rapprovisionnement base sur les
commandes urgentes. Dans cet article, les auteurs considrent explicitement la possibilit d'utiliser
un mode de rapprovisionnement durgence pour se protger contre l'incertitude de la demande
dans le cas dun systme mono-produit. Les commandes normales avec un temps relativement long
et constant sont contrles par les normes de la politique (R, Q). Les commandes urgentes ne
peuvent tre mises quen l'absence d'autres commandes normales.
Les situations d'urgence sont contrles par deux niveaux : le niveau de commande et un niveau de
recompltement. Ces deux paramtres dpendent dune variable pour mesurer le temps restant
jusqu' ce que la commande normale soit livre. Les commandes d'urgence ont un dlai trs court et
elles ont des cots suprieurs aux commandes normales. Cette mesure nexige pas de commande
immdiate en cas de rupture de stock mais permet plutt aux commandes urgentes dtre diffres.
Les auteurs formulent un modle de cots pour les deux types de commandes, les cots des ventes
diffres et les cots de possession.
Lalgorithme dvelopp vise rduire les cots de stocks avec des commandes d'urgence. Pour
identifier la meilleure politique, les auteurs utilisent une simple politique d'urgence pour raliser des
comparaisons en ralisant des simulations. Les rsultats numriques sont prsents, avec une srie
de variations des paramtres, et compars aux rsultats sans ordonnances d'urgence, mais aussi
compars aux rsultats du modle de rfrence. Les rsultats obtenus montrent que des gains
substantiels pourraient tre obtenus en utilisant des commandes d'urgence, notamment lorsque les
cots de ruptures sont levs.
Stanislaw (Stanislaw 2005) prsente une politique de rvision priodique avec la possibilit de passer
des commandes urgentes afin de limiter les commandes retardes ou perdues. Des commandes
d'urgence sont passes pour rpondre la demande ds que survient un manque dans le stock. On
prsuppose que les demandes sont distribues de faon indpendante au cours de priodes
successives. Il existe deux modes dapprovisionnement disponibles: un mode normal et un mode
d'urgence. Aucun dlai de livraison pour les commandes en urgence nest suppos, mais le prix
d'achat est major. La mesure defficacit de cette politique est base sur le calcul des cots
logistiques utiliss. Le cot minimal est obtenu en considrant ce systme comme un processus de
dcision de Markov temps discret. Lauteur se base sur un algorithme doptimisation bas sur cette
thorie pour trouver les paramtres de la politique optimale. Dans le systme dvelopp, lauteur
considre les trois cas possibles pour rpondre aux ventuelles ruptures. Il utilise les commandes
urgentes pour limiter les ventes perdues ou diffres.
Les auteurs analysent dans leur travail (Teunter and Vlachos 2001) un modle en temps discret
d'inventaire avec deux modes d'approvisionnement. Des commandes rgulires sont places
priodiquement et arrivent aprs un dlai de livraison dterministe. Des commandes urgentes
caractrises par un dlai plus court et dterministe mais avec des cots plus levs, peuvent tre
places en cas de rupture de stock. Les auteurs proposent et analysent une politique se basant sur
des commandes durgence qui arrivent un certain nombre fixe d'units de temps prcdant une
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
39

commande rgulire. Ils se basent sur un modle de cots approximatifs et dveloppent deux
scnarios pour se rapprocher des conditions d'optimalit explicite. La premire srie de conditions
lies au nombre maximum de commandes urgentes par priodes est assez complique, mais ils
montrent par la ralisation de simulations qu'elles conduisent des politiques quasi-optimales dans
la plupart des cas. La deuxime srie de conditions est trs simple et semble plus pratique, mais ces
conditions ne conduisent une politique quasi-optimale s'il y a suffisamment de possibilits
d'approvisionnement d'urgence dans une priode de rvision, afin de prvenir la plupart des
commandes en rupture.
En rsum, les solutions proposes dans les travaux prsents varient entre les trois catgories des
cas de ventes perdues , ventes diffres ou commandes urgentes . Cette dernire solution
est mieux place dtre la solution la plus pratique vu que dans certaines conditions les ruptures de
stock sont interdites pour diffrentes raisons humanitaires, lgislatives ou mme conomiques.
Dans nos travaux, nous adoptons cette solution en montrant lefficacit de cette solution surtout sur
le plan conomique. En revanche, cette solution peut tre plus intressante et convaincante lorsque
nous lappliquons dans le cadre multi-produit tout en proposant le regroupement des produits en
familles homognes ce qui ntait pas le cas dans les travaux prsents ultrieurement.
2.8 Politique de rapprovisionnement pour une gestion multi-produit
Dans un systme mono-produit et dans un cadre trs gnral, l'optimalit de la politique (s, S),
classe parmi les politiques rapprovisionnement continu, a t prouve par Iglehart (Iglehart
1963).
Dans un contexte dapprovisionnement continu bas sur les niveaux de stock (niveau de commande s
et niveau de recompltement S), Veinott et Wagner (Veinott and Wagner 1965) ont montr des
limites de loptimalit des deux niveaux s et S, ainsi que loptimalit de la mthode elle-mme. Ils
expliquent que cette mthode s'applique essentiellement au recensement complet de la grille deux
dimensions (s, ), en supposant que = S s.
Zheng et Federgruen (Zheng and Federgruen 1991) ont propos un algorithme bas sur un certain
nombre de nouvelles proprits de la fonction de cot logistique sur un horizon infini, ainsi que le
renforcement des bornes de calcul pour les valeurs optimales de s et S. Sur cette base, ils ont d'abord
fix, un des deux paramtres s ou S, et ensuite ils font varier lautre paramtre de manire itrative
pour amliorer la fonction de valeur jusqu' la convergence. Ils ont labor un modle de
rapprovisionnement priodique avec un critre doptimisation long terme du cot moyen. Ils ont
galement dcrit une faon de l'appliquer un rapprovisionnement continu et ils ont considr
comme un modle doptimisation de cots logistiques.
Plus rcemment, (Benkherouf and Sethi 2010) ont montr l'optimalit d'une politique (s, S) pour un
modle d'inventaire d'horizon infini et mono produit. Les auteurs supposent que les cots de
pnalit sur les ruptures de stock sont composs de deux parties : un cot forfaitaire indpendant du
montant de la pnurie et un cot variable proportionnel la quantit manquante. Ils se sont bass
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
40

sur une approche Quasi-Variational Inequality qui permet de proposer une version optimale de la
politique (s, S) sous certaines conditions.
Toutefois, dans les systmes multi-produits avec des cots combins de rapprovisionnement, les
politiques optimales n'ont pas une structure simple en gnral. Ignall (Ignall 1969) a donn un
exemple simple de deux produits afin de montrer que la politique optimale ne parvient pas avoir
une forme simple.
Une classe de rgles simples de contrle coordonn, appel (s, c, S), a t prsente par Balintfy
(Balintfy 1964). Cette politique a trois paramtres s
i
, c
i
et S
i
pour chaque produit i avec s
i
c
i
< S
i
. Une
commande est dclenche lorsqu'un produit a un niveau de stock infrieur son point de commande
s
i
. Tout produit j dont niveau de stock est infrieur c
j
sera inclus dans la commande quand un ordre
est dclench. Le niveau de stock de chaque produit inclus dans l'ordre est reconstitu son niveau
S
i
.
Il existe dans la littrature plusieurs travaux qui analysent la faon de calculer les diffrents
paramtres de la politique (s, c, S) avec des processus indpendants de la demande. Pour le cas
particulier dune demande qui suit la distribution de la loi de Poisson, Silver (Silver 1974) a fourni une
mthode itrative pour calculer les paramtres dune politique sous-optimale (s, c, S). Dans un autre
travail li au prcdent, (Federgruen, Groenevelt et al. 1984) ont tudi le problme dans un cadre
plus gnral, et ont propos une heuristique qui dfinit le principe du dcouplage, ils proposent de
dcomposer le problme multi-produit en des sous problmes lis chacun un seul produit. Pour
chacun des problmes mono-produit rsultant, ils ont utilis le concept d'une politique
indpendante (s, c, S).
Melchiors (Melchiors 2002) a propos une approche de compensation pour le calcul des paramtres
des politiques can-order policies , et a montr que l'approche de Federgruen et al. (1984) peut
aboutir une solution loin de l'optimalit pour la politique (s, c, S).
Atkins et Iyogun (Atkins and Iyogun 1988) ont propos des politiques de rapprovisionnement
priodique o tous les produits sont rapprovisionns jusquaux niveaux de recompltement de
stock. Deux types de politiques ont t proposs : une politique dans laquelle tous les produits sont
commands pour atteindre leurs niveaux de recompltement de stock chaque priode ; une
politique se basant sur un rapprovisionnement priodique de lensemble des produits dpassant les
niveaux de commande, le reste des produits tant rapprovisionn aprs un dlai (multiple entier de
la priode de base) quand ils dpassent aussi leurs niveaux de commande. Les auteurs montrent que
ces dernires politiques de rapprovisionnement peuvent surpasser les politiques usuelles. Ces
travaux ont t repris par Viswanathan (Viswanathan 1997) et Nielsen et Larsen (Nielsen and Larsen
2005). Ces derniers travaux ont montr que sces politiques sont les plus performantes parmi les
politiques envisages.
Lorsque les demandes sont corrles, il existe dans la littrature des travaux pour discuter de la
faisabilit de travailler avec une demande lie, ainsi que plusieurs faons de modliser les
corrlations dans le problme d'inventaire stochastique.
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
41

Eppen (Eppen 1979) analyse les systmes stochastiques dinventaire priodique dans le cadre de la
mutualisation des risques. Ce travail a t repris par Corbett et Rajaram (Corbett and Rajaram 2006)
afin de gnraliser ces rsultats des processus dpendants de la demande.
Il existe diffrentes manires dexprimer une corrlation dans la demande entre plusieurs produits
dans un cadre de rapprovisionnement continu. Xu (Xu 1999) sest bas sur une corrlation de la
demande pour rassembler les produits en plusieurs classes distinctes, o chaque classe est compose
d'un ou plusieurs types de produits. Il a propos par la suite un systme de rapprovisionnement la
commande pour chaque classe de produits. Le processus de rassemblement de chaque classe est
modlis comme un processus de Poisson, alors que le nombre d'units de chaque type de produits
dpond de la distribution de la loi utilise.
Dans le mme domaine, Song (Song 1998) a fourni une version gnralise de Xu pour traiter la
corrlation dans la demande.
Parmi les travaux les plus rcents, nous dtaillons le travail de (Feng, Muthuraman et al. 2007). Les
auteurs analysent les politiques optimales qui minimisent les cots des systmes de stock multi-
produits et stochastique. La diffrence entre ce travail et les travaux prsents prcdemment qui
tudiaient les systmes d'inventaire multi-produits est que ce travail analyse l'existence de la
corrlation dans la demande et les cots conjoints de rapprovisionnement sur de multiples produits
en un seul problme. Bien que la littrature antrieure sur les systmes de gestion multi-produit
aient retenu des heuristiques dcomposant un problme N produits en N problmes un produit,
les auteurs mettent l'accent sur les structures des politiques optimales pour les systmes de gestion
multi-produits, en particulier lorsque la demande est corrle travers lensemble des produits. Le
problme est formul comme un processus de dcision de Markov (MDP). Les auteurs proposent une
mthode particulire pour calculer la politique optimale qui utilise une frontire variable base sur la
rgle de lamlioration de la politique propose. La politique propose est une heuristique (s, c, d, S),
qui saisit l'incidence d de la corrlation de la demande sur la structure de la politique optimale.
La principale diffrence avec la mthode (s, c, d, S) propose et la mthode (s, c, S) usuelle est que
les niveaux de recompltement sont dtermins par le niveau de la corrlation qui existe entre la
demande des produits stocks.
En rsum, les travaux prsents proposent des solutions quasi-optimales pour le problme de
gestion multi produit. Les solutions proposes sont gnralement sous la forme de politique de
rapprovisionnement tudiant diffrents contextes. En revanche, toutes les mthodes proposes
traitent laspect multi produit en proposant une dcomposition en sous problmes mono produit, ou
en proposant un classement monocritre de produits afin diviser la totalit des produits en sous
ensembles. Ce classement est li en gnral aux caractristiques de la demande.
Dans notre travail, nous allons utiliser la notion de famille homogne de produits afin de rsoudre le
problme de gestion multi produit. En effet, dans les deux chapitres suivants, nous proposons deux
politiques de rapprovisionnement pour deux diffrentes familles de produits. Par la suite dans le
cinquime chapitre, nous gnralisons le principe de regroupement des produits en familles
homognes en se basant sur des outils de fouille de donnes.
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
42

2.9 Conclusion
Dans la premire section de ce chapitre, nous avons dfini quelques notions lies notre travail afin
de nous positionner et de citer les travaux les plus proches de notre tude. Il est noter que la liste
des dfinitions donnes nest pas exhaustive, mais nous avons essay de slectionner la ou les
dfinitions les plus pertinentes.
Par la suite, nous avons ralis deux classifications dun chantillon de soixante articles. La premire
classification est faite par rapport des mots cls dans la gestion de stock (approvisionnement des
stocks, optimisation des cots de stockage, gestion des ruptures de stock, stock de scurit) et la
gestion de transport (politique de distribution, optimisation des cots de transport, gestion de
capacit de transport) ainsi quau regard de caractristiques de la chaine logistique (nombre
dchelons, nombre de produits) et de la demande (dterministe ou probabiliste). La deuxime
classification est faite par rapport aux critres lis aux mthodes de rsolution utilises
(mathmatique, algorithmique, analytique) ainsi quaux variables utilises. Une synthse suit ces
deux classifications.
Une dernire partie est consacre ltude de quelques politiques de rapprovisionnement en lien
avec nos travaux.
Nous prsentons dans le chapitre suivant une nouvelle mthode de rapprovisionnement qui rsout
un problme particulier dans la gestion combine de stock et de transport.

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

43

Chapitre 3 : Optimisation combine des cots
logistiques
SOMMAIRE

Chapitre 3 : Optimisation combine des cots logistiques.......................................... 43
3.1 Introduction ....................................................................................................................... 44
3.2 Systme tudi .................................................................................................................. 45
3.3 Proposition dune nouvelle politique de rapprovisionnement ....................................... 47
3.4 Calcul des paramtres S, T et s .......................................................................................... 49
3.5 Fonctions de calcul des cots logistiques .......................................................................... 52
3.6 Optimisation du cot logistique total ................................................................................ 55
3.7 Exprimentation et validation ........................................................................................... 61
3.8 Conclusion ......................................................................................................................... 69

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

44

3.1 Introduction
Les systmes de gestion de stock sont confronts des facteurs trs alatoires pouvant conduire
deux problmes majeurs : soit des ruptures de stock occasionnelles, lorigine dune dgradation de
la qualit de service, soit des invendus qui engendrent des pertes importantes pour l'entreprise.
Au cours de ce chapitre, nous nous intresserons un ensemble de produits approvisionns auprs
dun mme fournisseur.
En effet, la plupart des solutions proposes dans la littrature qui ont abord la gestion combine de
stock et de transport sous contrainte d'une demande stochastique font lhypothse que celle-ci peut
tre soit stationnaire soit dpendant de lhistorique de la consommation. En dautres termes, la
demande peut tre prvue dans le futur. Cependant, dans notre tude nous nous sommes
positionns dans le cadre dune demande probabiliste alatoire qui ne dpend ni du temps ni de
lhistorique de consommation. C'est--dire, aucune information externe ne sera prise en compte
dans notre traitement. Nous allons nous baser sur les lois de probabilit (fonction de rpartition et
fonction de densit) pour reprsenter cette demande alatoire.
Cependant, le gestionnaire, quand il se retrouve face ce genre de situation, propose des solutions
durgence et mal rflchies qui cotent beaucoup plus cher que les solutions planifies, puisque il est
oblig de fonctionner avec les moyens disponibles par exemple les caractristiques des moyens de
transport utiliss, les capacits de stockage et de transport .
Au cours de ce chapitre, nous allons proposer une politique de rapprovisionnement simultane de
lensemble des produits livrs par un mme fournisseur.
Nous suivons la dmarche daide la dcision compose par trois tapes : la premire tape est une
tape de modlisation dans laquelle nous commenons par dfinir le systme tudi en prsentant
les caractristiques des produits considrs, ainsi que le schma de transport adopt.
La deuxime tape est consacre la rsolution du problme pos. En effet, nous prsentons la
nouvelle politique classe parmi les mthodes de rapprovisionnement continu avec niveau de
recompltement. Puis, nous dfinissons des fonctions pour calculer les cots logistiques de stock et
de transport.
Ceci nous conduit proposer une mthode heuristique pour optimiser les cots logistiques de
stockage (possession, passation et rupture) et de transport (fixe et variable).
Dans la dernire tape, nous analysons les rsultats obtenus suite des simulations ralises en
comparant la politique propose une politique de rfrence. Ces rsultats montrent des gains
raliss qui sont prsents sparment pour les cots de transport, les cots de stockage et les cots
logistiques totaux.
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

45

3.2 Systme tudi
Comme tout systme, une politique dapprovisionnement se conoit dabord au niveau stratgique.
Les dcisions prises ce niveau se dclinent ensuite au niveau tactique. Le contenu de ce travail
concerne ces deux niveaux.
Nous nous sommes dabord intresss la dfinition du contexte gnral de la politique de
rapprovisionnement tudie, laquelle a pour consquence quune dcision stratgique primaire sur
la typologie de la mthode de rapprovisionnement se dcline en dcisions tactiques et
oprationnelle sur le calcul des paramtres de gestion de la chaine dapprovisionnement.
Le contexte gnral du systme faisant lobjet de notre tude dans ce chapitre est dfini comme
suit : un fournisseur livrant de nombreux produits faisant lobjet de demandes prsentant une
grande variabilit qui peuvent induire des stocks de scurit trs importants ds que la priodicit de
rapprovisionnement est leve. Ceci peut conduire des approvisionnements avec des moyens de
transport diffrents selon le volume transporter.
Dans ce contexte, la solution propose est la combinaison dun rapprovisionnement priodique
systmatique avec une scrutation chaque unit de temps des stocks pour anticiper sur les ruptures
et rduire les stocks de scurit.
3.2.1 Caractrisations des produits
Chaque politique de rapprovisionnement est dfinie pour un contexte particulier afin de rpondre
aux exigences poses par le gestionnaire. Une grande partie de ce contexte est lie aux
caractristiques des produits grs dans le stock. Dans le cas de traitement dun ensemble de
produits simultanment, ces caractristiques conditionnent le choix de la politique de
rapprovisionnement. Nous utiliserons la notion de famille de produits pour indiquer cet ensemble
de produits grs de manire mutualise.
Dans cette tude, nous nous intressons des produits possdant les caractristiques suivantes :
- les produits sont fournis par un mme fournisseur ;
- ils sont en nombre suffisants pour justifier dune mutualisation des approvisionnements mais en
nombre trop limit pour les regrouper par famille ;
- la demande est alatoire et trs variable selon les produits. Dans la pratique cette demande peut
tre reprsente par la loi Normale ;
- le dlai de livraison est le mme pour tous les produits et est suppos constant ;
- nous considrons des produits moyennement chers permettant la dtention de stocks de
scurit afin dliminer dans la meusre du possible les ruptures et les commandes urgentes ;
- la dure de vie des produits dans cette famille est limite.
3.2.2 Autres hypothses
Nous considrons par ailleurs les hypothses suivantes :
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

46

- le cot de transport est fixe entre deux chelons (n, n-1) et est pris en charge par lchelon (n-1) ;
- le dlai de livraison est constant ;
- le fractionnement de la quantit commande nest pas autoris : une quantit commande est
livre en totalit, une rupture, constate ou anticipe, dclenche un rapprovisionnement
urgent ;
- la chaine logistique est dyadique : Centre de distribution Centre de consommation.
3.2.3 Exigence du systme de gestion de stock et de transport
Nous supposons qu'il y a trois types de vhicules (VT) (petite, moyenne et grande afin de couvrir la
varit des tailles des vhicules). La livraison de chaque commande de l'entrept au dtaillant est
ralise sans fractionnement de lot ; ces types sont dfinis par rapport la taille de chaque vhicule :
petite taille (S) de capacit C
1
, moyenne taille (M) de capacit C
2
et grande taille (L) de capacit C
3
.
Pour ces diffrents vhicules, nous affectons des cots fixes (FC) distincts et des cots variables (VC).
Les vhicules sont numrots de 1 3 pour chaque type. Voir Tableau 4.
Tableau 4: schma de transport
VT C FC VC
S C
1
FC
1
VC
1

M C
2
FC
2
VC
2

L C
3
FC
3
VC
3

A partir des notations utilises dans le tableau prcdent, nous fixons :
FC
1
<FC
2
<FC
3
,
VC
1
> VC
2
> VC
3
,
C
1
<C
2
<C
3
,
FC
2
=FC
1
+C
1
(VC
1
-VC
1
),
FC
3
=FC
2
+C
2
(VC
2
-VC
3
).
Nous dfinissons par la suite des contraintes de liaisons entre les variables utilises pour permettre
une bonne utilisation des vhicules. Ces contraintes interdisent le dpassement de capacit chaque
changement de vhicule. De ce fait, le cot de transport varie selon la quantit commande comme
indiqu dans la Figure 7.

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

47

Figure 7 : Variation des cots de transport
3.2.4 Caractristique de la demande
Nous considrons une demande reprsente par une variable alatoire dfinie par une fonction de
rpartition et une fonction de densit de probabilit.
La densit de probabilit p(x) ou la fonction de rpartition P(x) dfinissent la loi de probabilit d'une
variable alatoire continue X. Elles donnent lieu aux reprsentations graphiques suivantes (Figure 8):

Densit de probabilit p(x) Fonction de rpartition P(x)
Figure 8 : loi de probabilit
Dans le cas de ce chapitre, nous supposons que la demande suit la loi normale de paramtres m et.
3.3 Proposition dune nouvelle politique de rapprovisionnement
Tout dabord, nous dfinissons quatre variables qui reprsentent les paramtres principaux pour
dcrire le fonctionnement de la politique de rapprovisionnement propose :
- Priode de rapprovisionnement (T) : cest la priode de temps sparant deux
rapprovisionnements.
- Niveau de recompltement (S): cest le niveau maximal de stock. A chaque rapprovisionnement
priodique, tous les produits sont recomplts par des quantits commandes pour atteindre ce
niveau.
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

48

- Niveau de commande urgente (s) : ce niveau reprsente le niveau de dclenchement dune
commande urgente pour ce produit.
- Niveau de commande (s) : ce niveau permet de distinguer deux ensembles de produits. Le
premier ensemble est compos par les produits qui dpassent ce niveau et qui doivent tre
commands lors dun rapprovisionnement. Tandis que le deuxime ensemble est compos par
les produits qui nont pas atteint encore ce niveau.
Fonctionnement :
Nous dfinissons dans cette partie une nouvelle politique de rapprovisionnement qui se base sur le
principe de rvision priodique avec une scrutation chaque unit de temps dans un contexte multi-
produit. Une commande est lance au dbut de chaque priode T pour une famille de produits
donne. Les produits de cette famille sont plus ou moins consomms au cours de cette priode. Les
quantits commandes au dbut de chaque priode sont calcules sur la base des niveaux de stock
et des niveaux de recompltement (la quantit q* pour chaque produit).
Le dpassement du niveau s par lun des produits en stock (le cas du produit numro 2 dans la figure
suivante) gnre une commande urgente pour ce produit et pour lensemble des produits qui se
trouvent entre les niveaux s et s (le cas du produit 3). Par contre, pour les produits dont le stock
dpasse le niveau s, une dcision doit tre prise reposant sur lesprance de gain en cas de
commande anticipe de ce produit (nous dtaillons cet aspect dans le paragraphe 3.6).
Les quantits commandes dans ce cas sont des quantits suffisantes pour couvrir la consommation
de chaque produit jusqu la prochaine priode de rapprovisionnement (les quantits qr
2
et qr
3

pour les produits 2 et 3 respectivement).
Ce fonctionnement est schmatis dans la Figure 9. Nous reprsentons la consommation des
quantits stockes par des courbes linaires juste titre de simplification.
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

49

Q
q
3
*
q
2
*
T
0
t
q
1
*
q
3
*
q
2
*
T
1
s
2
0
S
1
S
2
S
3
s
1
s
3
T
2
s
1
t
qr
2
qr
3
s
1
s
3
q
1
*

Figure 9 : mode de fonctionnement de la politique de rapprovisionnement

3.4 Calcul des paramtres S, T, s et s
3.4.1 Calcul du niveau de recompltement S
Notons :
Tx : niveau de satisfaction
Kx : coefficient de satisfaction associ
m
i
Ecart type de la demande journalire du produit i
L : dlai de livraison en nombre de jours
nbrj : nombre de jours avant la prochaine date de rapprovisionnement priodique
S
ji
: stock du produit i la date de scrutation j

(3.1)

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

50

En se basant sur ces mmes variables, nous calculons aussi la quantit commander en urgence en
cas de dpassement du niveau s. Cette quantit doit permettre de couvrir la demande jusqu la fin
de la priode en cours.

(3.2)

3.4.2 Calcul de la priode de rapprovisionnement T
Dans un contexte multi produits, la priode de rapprovisionnement est calcule partir du cot de
passation de commande, de la somme des cots journaliers de possession de stock multiplis par les
moyennes de la demande pour tous les produits et des deux cots (fixe et variable) de transport afin
de trouver la meilleure priodicit de rapprovisionnement dans un contexte doptimisation
combine. Nous nous sommes bass sur les travaux dOrsenblatt et Haksever et al. (Rosenblatt 1981;
Haksever and Moussourakis 2005).
Dans notre tude, nous avons dfini un systme de transport compos de trois vhicules diffrents.
Chacun vhicule est caractris par une capacit de transport, un cot fixe de transport FC et un cot
variable VC. La priodicit de rapprovisionnement dpend du vhicule utilis et de ces
caractristiques.
Nous distinguons trois priodicits diffrentes (T
max
, T
moy
, T
min
) calcules respectivement pour les trois
vhicules utiliss (grande capacit, moyenne capacit, petite capacit).
FC
v
: cot fixe de transport pour un vhicule v
C
v
: capacit du vhicule v
VC
v
: cot variable de transport pour un vhicule v
U
i
T
max
: priode de rapprovisionnement maximale
T
min
: priode de rapprovisionnement minimale
T
intr
: priode de rapprovisionnement intermdiaire
m
i
: moyenne de la demande journalire du produit i

(3.3)
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

51

Vrification de ladmissibilit de chacune des priodicits ou ajustement de celle-ci :
Les priodicits de rapprovisionnement calcules partir des quations 3.3 doivent vrifier une
condition de faisabilit. En effet, une priode calcule en se basant sur un vhicule de transport
identifi de capacit C
v
doit garantir que ce vhicule peut transporter toutes les quantits
commandes pour lensemble des produits grs dans le stock au cours de la priode T. Cette
contrainte est donne par la formule suivante :

(3.4)
Les formules 3.4 et 3.5 sont valables pour les trois capacits de vhicules (S, M et L) et par
consquent pour les trois priodes de rapprovisionnement (max, moy et min).
Si cette contrainte est vrifie, la priode calcule partir des quations 3.3 est maintenue. Sinon, la
priode correspondante est calcule comme suit :

(3.5)

Calcul de la frquence optimale :
Aprs avoir calcul les trois priodicits possibles correspondant aux trois vhicules de transport
utiliss, nous cherchons la priode optimale, i.e. qui conduit lesprance de cot minimal.

Lesprance de cot pour chaque frquence est la somme de deux composantes : le cot de stock
moyen et le cot de passation de commande.
- Cot du stock moyen :

(3.6)

- Cot de passation de commande :

(3.7)

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

52

3.4.3 Calcul du niveau de commande urgente s
i
et du niveau s
i

Le niveau de commande urgente s
i
pour une scrutation chaque jour et le niveau s
i
de sparation
des deux sous-ensembles de produits sont calculs comme suit :

(3.8)

(3.9)

3.5 Fonctions de calcul des cots logistiques
Nous prsentons dans ce paragraphe des fonctions de calcul de cot lis l'optimisation de la
gestion des flux physiques des activits. Dans ce domaine, loptimisation se fait d'une manire
simultane (intgre) afin de minimiser le cot total engendr. Avec cette approche, les contraintes
et les cots des activits qui sont coordonnes sont mis dans le mme modle pour tre optimiss en
une seule fois. Une des principales motivations d'une optimisation intgre est de minimiser le cot
total gnr tout au long de la chane logistique, en prenant en compte les contraintes et les cots
des diffrentes activits.
Nous prsentons ci-dessous les fonctions de calcul des cots de stockage et de transport au niveau
dun chelon.
Notations:
j : n de priode
i : n de produits
v : type de vhicules
P
i
: prix du produit i
t
i
: taux de possession de stock du produit i
h
i
: cot de possession de stock du produit i
s
i
: cot de rupture du produit i
sr
i
: cot de commande urgente suite une rupture du produit i
T : dure de la priode de rapprovisionnement pour une famille de produits
Kx : coefficient de satisfaction
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

53

i
: cart type de la demande journalire pour le produit i
FC
v
: cot fixe de transport pour un vhicule de type v
C
v
: capacit du vhicule v
VC
v
: cot variable de transport pour un vhicule v
Y
vj
=1 si le vhicule vest utilis dans la priode j, 0sinon
U
i
ss
i
: stock de scurit
vij
=1 si le produit i est dlivr par le vhicule v dans la priode j, 0 sinon

z
ij
=1 si le produit i est command dans la priode j, 0 sinon
m
i
D
ij
: demande du produit i la priode j
N
ij
: niveau de stock pour le produit i la fin de la priode j
L : dlai de rapprovisionnement pour tous les produits de la mme famille
Nous dfinissons deux types de cot :
- Les cots de stockage :
Nous distinguons trois types de cots : les cots de passation de commande, les cots de possession
de stock et les cots de rupture.
Les cots de passation de commande normale (CPC) :
Une commande tant passe systmatiquement au terme de chaque priode T de
rapprovisionnement. Ce cot sur lhorizon J est gal (on fera lhypothse quau moins 1 produit de
la famille est consomm au cours de chacune des priodes) T :

(3.10)
Les cots de possession de stock (THc) :
Cette fonction dpend de la priode T, de la quantit commande base sur une demande clientle
probabiliste m
i
, de la quantit de produit en stock de scurit s
i
et du cot de possession des stocks
par priode h
i
. Nous faisons dabord la somme sur le nombre de produits et puis sur le nombre de
priodes.

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

54

(3.11)
Les cots de rupture de stock (CRS) :
Nous distinguons deux cots de commandes urgentes : le cot dune commande urgente pour
anticiper une rupture et le cot dune commande suite une rupture.
Les commandes urgentes danticipation :

Les commandes urgentes aprs ruptures :

(3.12)

- Les cots de transport
Nous dtaillons deux cots de transport :
Les cots fixes (CFT) :
La fonction ci-dessous dpend directement du cot fixe de transport FC
v
et de la variable binaire Y
vj

pour indiquer si un vhicule va t utilis dans cette priode.

(3.13)
Les cots variables (CVT) :
Cette fonction dpend de la demande m
i
, de la priode T, du volume des produits u
i
et de la variable
binaire a
vij
pour prciser si larticle i est livr par le vhicule v dans la priode j.

(3.14)
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

55

,

- Cot logistique total :
Le cot logistique total est la somme des trois cots de stockage et des deux cots de transport.

(3.15)
3.6 Optimisation du cot logistique total
3.6.1 Fonctionnement dune heuristique
Dans ce paragraphe, nous prsentons le fonctionnement gnral dune mthode heuristique. Nous
nous basons sur la thse de Bontoux pour prsenter dune manire globale la dmarche de
lutilisation dune mthode heuristique.
En effet, le principe de la recherche locale est le suivant : la mthode commence par fixer une
solution initiale et ralisable. Par la suite, il va falloir appliquer des changements locaux (du voisinage
de la solution courante), tant que celles-ci amliorent la solution prcdente. En appliquant ce
principe, la solution optimale nest pas garantie. Lamlioration de la solution trouve dans une tape
de recherche peut se retrouver bloque dans un optimum local et sarrter, cause dimpossibilit
damlioration dans le voisinage. Nous pouvons dduire que la solution finale dpend en grande
partie de la complexit et du nombre des transformations permises par les oprateurs de recherche
locale. Le problme principal est donc de faire un compromis entre le temps de calcul ncessaire
pour explorer lintgralit dun espace de recherche caractris par le voisinage et sa taille.
Daprs Bontoux : chaque itration, lensemble des modifications que lon se permet deffectuer
sur la solution courante S dfinit un nouvel ensemble de solutions. Ce nouvel ensemble de solutions
est appel le voisinage de S ou N(S). Pour un mme problme, il existe un grand nombre doprateurs
de voisinages possibles et intressants.
Les bases de la recherche locale peuvent tre dfinies ainsi. Soient:
f () la fonction que lon souhaite maximiser,
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

56

S la solution courante,
S* la meilleure solution connue,
f* la valeur de la meilleure solution connue,
N(S) le voisinage de S.
La procdure de recherche locale est la suivante (BONTOUX 2008) :
Algorithme dune recherche locale simple de plus grande pente
1 Initialisation : Construire une solution de dpart ;

;
5 Tant que loptimum local na pas t atteint faire
S
(f(
)) ;
7 Si S>
alors

S;

;

Nous proposons une mthode heuristique pour trouver, moindre cot logistique, une solution dont
il nest pas possible de garantir la qualit doptimalit. Nous essayons de faire de cette heuristique,
une mthode robuste en traitant le maximum de cas possible et en assurant la convergence vers la
mme solution en partant des conditions identiques. Nous veillons aussi que cette mthode soit le
plus efficace possible et donne une solution proche de loptimum en un temps de calcul donn.
3.6.2 Position gnrale
Lobjectif de base de cette heuristique est de trouver une meilleure solution pour grer le
rapprovisionnement dune famille de produits tout en combinant laspect transport et stockage afin
de minimiser les cots logistiques lis.
3.6.3 Principes de base
Trois principes que nous utiliserons par la suite dans la dfinition de lalgorithme sont :
- Ordonner des produits par rapport aux volumes totaux des quantits commandes : cet ordre est
dfini par la multiplication de la demande m
i
du produit i par le volume de lunit du mme
produit afin de dterminer le volume total de commande par produit V
t
.

- Ordonner des produits en fonction de leur horizon de couverture : en commandant un ensemble
de produits (ou un vecteur v de quantits), nous pouvons calculer un cot logistique total partir
des fonctions de calcul de cot dfinis prcdemment. Ce cot peut tre modifi en ajoutant ou
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

57

en enlevant un produit. Lordre que nous allons appliquer consiste classer les produits par
rapport lhorizon de couverture de chaque produit.

- Condition de commande pour les produits de lensemble P
sur
: une dcision lie la commande
de chacun des produits de lensemble P
sur
doit tre prise. La commande de chaque produit est
valide si la contribution la couverture des frais des cots fixes (transport et passation de
commande) dpasse le cot variable (transport et possession) de la priode de couverture. Cette
condition est formule pour le produit j par lquation suivante :

(3.16)
3.6.4 Organigramme de la mthode heuristique
Notre raisonnement est bas sur deux tapes pour dfinir une procdure complte afin de chercher
une meilleure solution possible.
Cette rflexion est elle-mme base sur la nature de la politique de rapprovisionnement propose
prcdemment. En effet, plusieurs produit(s) peuvent dpasser leur(s) niveau(x) de commande et
dautres non. Cependant, tous ces produits sont approvisionns en mme temps puisquils
appartiennent la mme famille et ils doivent tre grs de la mme manire condition de
proposer un cot logistique total minimal (voir la Figure 12).
P : ensemble de produits dans le stock
P
sous
: ensemble de produits qui ont atteint leur niveau de commande
P
sur
: ensemble de produits qui nont pas atteint leur niveau de commande
N
i
: niveau de stock pour le produit i au dbut de la priode
S
i
: niveau de recompltement de stock du produit i
s
i
: niveau de commande urgente pour le produit i
s
i
: niveau de commande et de sparation des deux ensembles P
sous
et P
sur

q
i
: quantit consomme du produit i
Q
i
: quantit commande du produit i
C
1
, C
2
, C
3
: les trois capacits des camions utiliss
V(q) : volume de la quantit q
La mthode propose commence par la vrification quaucun produit prsent dans le stock ne
dpasse le niveau de commande urgente. Dans le cas contraire, il y a dclenchement dune
commande urgente en commandant une quantit ncessaire et suffisante pour couvrir la
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

58

consommation de la priode en cours jusqu la prochaine commande rgulire pour lensemble des
produits P
sous
.
Pour ces produits nous calculons les quantits commander pour permettre de couvrir la
consommation jusqu la fin de la priode. Puis, nous calculons le volume total des quantits
commandes et nous slectionnons le moyen de transport convenable pour transporter tous les
produits de lensemble P
sous
et en calculant le cot logistique engendr.
La partie suivante de la mthode propose est consacre la gestion des produits de lensemble P
sur
.
Nous tudions, produits par produit, la possibilit de rapprovisionner les produits de cet ensemble
en fonction de leur horizon de couverture(deuxime principe prsent dans le paragraphe 3.6.3).
La condition de commande est dcrite dans le principe 3 (paragraphe 3.6.3) : pour un produit de
lensemble Psur, une commande de ce produit peut tre passe si la contribution la couverture des
cots fixes dpasse les cots variables (quation 3.16).

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

59

Dbut
1. (Ni linstant t+1) = (Ni linstant t) - qi
2. dfinir les sous-ensembles Psous et Psur
3. calculer les qr pour tous les produits Psous
4. calculer le volume total des quantits commandes not VT
5. slectionner le vhicule avec une capacit C
j
\ VT<C
j
Capacits de
Camion C1, C2, C3
Oui
Quantits commandes
8. slectionner le premier produit (P
sur
1) de lensemble Psur
6. calculer le cot logistique total engendr
7. ordonner lensemble Psur en fonction de leur horizon de
couverture (Principe 2)
N
i
<= s
i
Vrifier condition de commande : couverture des cots

fixes > cot marginal li la quantit supplmentaire
commande (principe 3)
9. affecter le produit P
sur
1 lensemble P
sous
Oui
Non
Fin
Non

Figure 10 : heuristique propose
Puis, le traitement de lensemble ordonn est ralis lment par lment c'est--dire produit par
produit dans une famille de produits tout en calculant le volume V des produits transports et en
slectionnant le moyen de transport adquate de capacit C. Pour chaque combinaison de produits
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

60

(ensemble P
sous
et un produit de P
sur
), nous calculons le volume correspondant au nouveau vecteur de
quantits et nous le comparons par rapport la capacit du moyen de transport slectionn. Dans le
cas o le test est positif, le produit slectionn de lensemble P
sur
compte parmi les produits
rapprovisionns et nous traitons le produit suivant. Si non, le traitement des produits de lensemble
P
sur
sarrte ce niveau.
Nous prsentons ci-dessous lalgorithme dtaill afin danalyser de prs avec les paramtres du
systme la dmarche suivi dans la mthode heuristique dveloppe.
Algorithme :
Entre :
P, P
sous
,P
sur
, N
i
, S
i
, s
i
, s
i
, q
i
, Q
i
, C
1
, C
2
, C
3
, V(q)
Dbut
1 : (niveau de stock linstant (t+1) pour chaque produit i appartenant P) = (niveau de stock
linstant (t) pour chaque produit i appartenant P) (q
i
)
TEST 1 (si le niveau de stock dun produit i dpasse le niveau de commande durgence s
i
)
SI Oui
2. dfinir les deux ensembles de produits P
sous
et P
sur

3. calculer les qr pour tous les produits appartenant lensemble Psous
4. calculer le volume total des quantits commandes not VT
5. slectionner le ou les vhicule (s) avec une capacit Cj \ VT<Cj
7. ordonner lensemble Psur par rapport au gain ralis
8. slectionner le premier produit (Psur1) de lensemble Psur
TEST 2 (Vrifier la condition de commande : couverture des cots fixes > cot marginal li la
quantit supplmentaire commande (voir principe 3))
SI oui
9. affecter le produit Psur1 lensemble Psous puis revenir ltape 8
SI non
FIN

Cette heuristique permet de chercher une solution proche de loptimum. En effet, nous tenons
explorer les solutions possibles pour un rapprovisionnement multi produits avec une demande
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

61

alatoire en minimisant les cots de stockage (rduire le nombre de commandes, rduire les
quantits stockes, ) et les cots de transport (exploiter au mieux la capacit des moyens de
transport, rduire le nombre de commande, ).
Nous montrons dans le paragraphe suivant une tude exprimentale afin de montrer
numriquement les rsultats obtenus.
3.7 Exprimentation et validation
Afin de valider la politique propose et dtudier sa performance, nous avons compar la politique
de rapprovisionnement propose avec une politique de rfrence utilise dans des conditions
similaires aux ntres. Pour ce faire, nous avons fait appel des simulations afin de :
- Gnrer la demande alatoirement en respectant les critres de la famille de produits
slectionne.
- Calculer les cots logistiques fournis par la politique propose et une autre politique de
rfrence.
- Analyser le gain ralis par la politique propose par rapport des paramtres dcisifs en faisant
une tude de sensibilit.
3.7.1 Comparaison par rapport la politique (R, S)
Nous faisons rfrence dans cette partie une politique dfinie dans le livre (Edward A., David F. et
al. 2003) (pages 275). Dans ce livre les auteurs traitent et comparent plusieurs politiques de
rapprovisionnement, parmi lesquelles nous avons slectionn la politique (R, S) qui rpond le mieux
nos hypothses dfinies au dbut du chapitre.
Nous utiliserons dans ce paragraphe les mmes notations utilises dans la rfrence et nous ajoutons
des modifications quand cela est ncessaire dans le but de dfinir une politique de rfrence
adquate au contexte prsent prcdemment.
3.7.1.1 Politique (R, S)
3.7.1.2 Les rgles dcisionnelles pour la politique (R, S):
Rappelons que dans la politique (R, S) chaque unit R de temps, on fait une commande de
rapprovisionnement dune quantit suffisante pour lever la position du stock jusquau niveau S.
Il sen suit donc que la rgle dcisionnelle pour dterminer les valeurs S et R dans une politique (R, S),
pour une valeur particulire de cot de premption ou un niveau de qualit de service.
Notation:
R = priode de rapprovisionnement spcifi davance, en unit de temps
S = niveau de recompltement, en unit
A = cot de passation dune commande normale
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

62

CPJ
i
= cot journalier de possession de stock pour le produit i
x
T+L
= prvision de la demande dans une priode de rapprovisionnement et le dlai de
rapprovisionnement, en unit
R+L
= dviation standard (cart type) de la demande durant lintervalle de rapprovisionnement
major du dlai de rapprovisionnement, en unit
3.7.1.3 Intervalle de rapprovisionnement (T)
Dans une politique (T, S), une commande de rapprovisionnement est faite chaque unit de temps
T; et lorsquon calcule la valeur de S, on suppose quune valeur de T a t prdtermine. La
dtermination de T est quivalente la dtermination de la quantit conomique exprime comme
un temps logistique lexception de deux variations mineures.
Dans un contexte mono-produit, la priode optimale de commande est calcule comme suit (Silver
2001):
D : demande annuelle
Q : quantit optimale de commande
Hc
i
: cot de possession de produit par an
CJPi : cot de possession journalier de stock pour un produit i
Pour un produit et avec la formule de Wilson :

3.7.1.4 Niveau de commande (S)
Nous allons maintenant prsenter lquation significative pour le stock de scurit et la rupture de
stock. Nous en dduisons par la suite lquation pour calculer le niveau de commande Si.
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

63

(3.17)

Pour trouver la valeur de kx optimale, nous proposons une mthode simplifie, celle que nous avons
prsente prcdemment dans le paragraphe 3.4.1 et qui se base sur le taux de satisfaction clientle.
Ce choix nous permettra de comparer les deux politiques dans les mmes conditions et avec le
mme taux de satisfaction.
3.7.1.5 Calcul des cots logistiques
Afin dajuster cette mthode par rapport notre contexte et ajouter laspect transport, nous avons
ajust les quations de calcul de cot proposes auparavant afin de dduire le cot logistique global
propos par la politique de rfrence.
Nous utilisons les quations (quations 10, 11 et 12) prsentes dans le paragraphe 3.5 pour calculer
les cots logistiques. Pour les cots de stockage, nous appliquons directement les mmes quations
(4, 5 et 6) en transformant le cot de rupture en cot de passation dune commande urgente, ce qui
fait que le cot total de passation de commande est dfini comme suit :

(3.18)

A
ji
= cot de passation de commande urgente dans la priode j, pour le produit i.
Dans la politique de rfrence, les commandes urgentes sont gres sparment pour chaque
produit.
Pour le calcul des cots de transport, nous utilisons les fonctions de calcul (13 et 14).
3.7.2 Exprimentation
Nous allons illustrer un exemple numrique afin de montrer la dmarche suivie pour le calcul des
paramtres de la politique propose :
Ces calculs sont bass sur les valeurs numriques suivantes (Tableau 5):

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

64

Tableau 5: valeurs numriques
Variable Dsignation Valeur
N Nombre dchelons 2
i Nombre de produits 10
Tx Niveau de satisfaction 95%
Nombre de priode par simulation 470
V Nombre de vhicules 3
A Prix de passation de commande normale 200
A Prix de passation de commande urgente 300
A Prix de passation de commande immdiate 500
h
i
Taux annuel du cot de possession de stock 20% x P
i

FC
v
Cots de transport fixe pour les 3 vhicules {100, 150, 300}
VC
v
Cots de transport variable pour les 3 vhicules {15, 10, 5}/m
3

U
i
Volume des produits {0,01, 0,02, 0,03} m
3
/unit
C Capacit de camion {3, 10, 30}* m
3

M = Moyenne m et cart type de la demande journalire [5.. 50] par priode
P
i
Prix des produits [10.. 100]

1
re
tape : calcul de la priode de rapprovisionnement :

Calcul de la priode T
min
qui correspond au vhicule numro 1 :

Si :

Contrainte non vrifie donc

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

65

moy

Si :

Contrainte non vrifie donc

max

Si :

Equation VERIFIEE donc

Calcul de lesprance de cot de chaque frquence de rapprovisionnement :
Pour T
min
:

Pour T
moy
:

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

66

Pour T
max
:

La priode optimale est celle qui correspond lesprance de cot le plus faible :
T = T
max

Calcule des paramtres de la politique pour le dbut de la priode T=6 :

Comparaison de la politique propose et la politique de rfrence :
Nous avons ralis une srie de 31 simulations sous Excel. Nous gnrons 470 demandes chaque
simulation. La demande est gnre alatoirement en se basant sur la fonction de rpartition de la
loi normale. Les paramtres utiliss sont rsums dans le tableau prcdent (Tableau 5) :
Nous montrons dans le tableau suivant les diffrents cots, entre la politique propose et la politique
de rfrence, calculs pour une simulation ralis avec les donnes numriques prsentes
prcdemment :

Les diffrents cots (passation, possession, transport fixe, transport variable) sont donns dans ce
tableau ainsi que le cot total logistique en rsultant.
Le gain de la politique propose est ralis en grande partie dans le cot de passation de commande
(qui englobe le cot des commandes normales et le cot des commandes urgentes). En effet, ce gain
est d la diminution du nombre des commandes urgentes. Les chiffres ci-dessous prouvent ce gain
ralis :
S 895 447 358 268 447 179 537 447 358 716
s'' 645 322 258 193 322 129 387 322 258 516
s' 391 195 156 117 195 78 234 195 156 313
passati on possessi on T fi xe T vari abl e C Total
pol i ti que propose 22 500 40 589 25 650 15 325 104 064
pol i ti que de rfrence 31 100 40 462 25 800 15 721 113 083
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

67

Politique propose :
Nombre de commande normale = 78
Nombre de commande urgente = 23
Politique de rfrence :
Nombre de commande normale = 78
Nombre de commande urgente = 31
Nous montrons dans les trois figures suivantes la diffrence en termes de cots entre la politique
propose et la politique de rfrence sur 31 simulations. La Figure 11 prsente le cot logistique
total calcul pour les deux politiques.

Figure 11 : Comparaison des cots logistiques totaux
Lutilisation de loptimisation intgre dans la dfinition mme de la politique de
rapprovisionnement propose et dans la mthode heuristique dveloppe est la principale
explication de ce gain ralis tant sur laspect transport que sur laspect stockage. Dune part, les
gains raliss dans les cots de stockage sont dus principalement au regroupement des produits dans
une seule famille homogne, ce qui permet de trouver une priode de rapprovisionnement
commune pour diminuer le nombre de commande passe. Dautre part, les gains raliss dans les
cots de transport sont dus aux dcisions de regroupement des produits transports afin doptimiser
les cots de transport en occupant le maximum la capacit des vhicules utiliss.
Nous montrons dans la Figure 12 les pourcentages des gains totaux raliss sur lensemble des 31
simulations.
60 000
70 000
80 000
90 000
100 000
110 000
120 000
130 000
140 000
S
1
S
2
S
3
S
4
S
5
S
6
S
7
S
8
S
9
S
1
0
S
1
1
S
1
2
S
1
3
S
1
4
S
1
5
S
1
6
S
1
7
S
1
8
S
1
9
S
2
0
S
2
1
S
2
2
S
2
3
S
2
4
S
2
5
S
2
6
S
2
7
S
2
8
S
2
9
S
3
0
C
o
t

l
o
g
i
s
t
i
q
u
e

t
o
t
a
l
Numro de simulation
p. propose
p. rfrence
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

68

Figure 12 : pourcentage des gains totaux
Nous pouvons remarquer que nous ralisons un gain important qui varie entre 3,4% et 7,1% sur
lensemble des simulations. La moyenne des gains est de lordre de 5,1% par rapport au cot total
logistique. Ce qui prouve une certaine rgularit de la politique propose vis--vis du contexte tudi
notamment la variation de la demande.
Afin de montrer lutilit du mcanisme de sparation entre les deux sous ensemble P
sous
et P
sur
, nous
avons ralis une simulation avec les mmes donnes numriques prsentes prcdemment en
montrant la diffrence de gain entre la politique propose AVEC et SANS ce mcanisme de
sparation des deux sous-ensembles par rapport la politique de rfrence.

4,0%
7,1%
5,2%
4,5%
5,5%
4,6%
4,4%
4,8%
5,3%
5,5%
4,8%
4,2%
5,8%
4,9%
5,1%
7,0%
4,7%
6,0%
6,3%
5,5%
4,4%4,4%
5,9%
3,4%
4,9%
4,5%
5,1%
5,1%
4,1%
6,5%
0,0%
1,0%
2,0%
3,0%
4,0%
5,0%
6,0%
7,0%
8,0%
S
1
S
2
S
3
S
4
S
5
S
6
S
7
S
8
S
9
S
1
0
S
1
1
S
1
2
S
1
3
S
1
4
S
1
5
S
1
6
S
1
7
S
1
8
S
1
9
S
2
0
S
2
1
S
2
2
S
2
3
S
2
4
S
2
5
S
2
6
S
2
7
S
2
8
S
2
9
S
3
0
% de gain
75000
85000
95000
105000
115000
125000
135000
145000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
Politique de rfrence
politique propose sans le mcanisme Psous / Psur
politique propose
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

69

Figure 13 : gains raliss AVEC et SANS le mcanisme des sous-ensembles

La moyenne des gains raliss par la politique propose sans le mcanisme des sous-ensembles P
sous

et P
sur
est gale 3,2% alors que la moyenne des gains en intgrant les deux sous-ensembles P
sous
et
P
sur
est gale 4,8%.
3.8 Conclusion
Nous avons tudi dans ce chapitre un problme de gestion combine de stock et de transport dans
un rseau logistique multi niveaux et multi produits confront une demande probabiliste. Lobjectif
est de minimiser les cots de stockage et de transport en garantissant un seuil minimum de
satisfaction clientle. Nous nous sommes intresss une famille de produits caractrise
principalement par une demande alatoire et rptitive.
Nous avons propos une politique de rapprovisionnement se basant sur quatre paramtres de
base : une priode de rapprovisionnement T pour une rvision priodique, un niveau de
recompltement S de stock pour chaque produit, un niveau de commande s et un niveau de
commande urgente s.
Puis, nous avons dtaill les trois fonctions de calcul de cot de stockage, savoir le cot de
possession de stock, le cot de passation de commande et le cot de rupture. Ainsi que deux cots
de transport, savoir le cot fixe et le cot variable.
Par la suite, nous avons dvelopp une mthode heuristique afin de minimiser ces cots logistiques.
Cette mthode est compose de deux parties, dans la premire partie nous traitons le cas des
produits qui ont dpass les niveaux de commandes lorsquon arrive au moment de lancement de
commande. Dans la deuxime partie, nous traitons les produits restant nayant pas dpass ce
6,7%
3,5%
5,5%
3,4%
4,3%
4,6%
4,8%
5,5%
5,2%
5,1%
3,6%
5,6%
4,3%
4,7%
5,7%
6,2%
3,6%
5,5%
4,4%
4,6%
5,9%
4,0%
4,6%
3,7%
5,5%
4,6%
4,9%
5,7%
6,5%
3,5%
4,3%
0,0%
1,0%
2,0%
3,0%
4,0%
5,0%
6,0%
7,0%
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
% gain sans le mcanisme Psous/Psur
% gain AVEC le mcanisme Psous/Psur
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

70

niveau. Principalement, nous tudions dans cette heuristique loptimisation intgre des cots de
stockage et de transport dans le but de :
- Minimiser le nombre de commande en regroupant les produits de la mme famille dans la mme
commande,
- Minimiser les quantits prsentes dans le stock en cartant les produits non consomms dans la
priode qui prcde la commande,
- Minimiser le nombre de rupture de stock en anticipant la commande des produits qui dpassent
le niveau de commande au moment du rapprovisionnement (T),
- Exploiter le maximum les capacits de transport en regroupant plusieurs produits dans la mme
commande et en essayant plusieurs possibilits de transport des produits commands
Dans le dernier paragraphe, nous avons ralis une tude exprimentale afin de montrer le gain en
termes de cot logistique de la politique propose par rapport une politique mono produit de
rfrence dfinie dans la littrature pour des produits similaires. Cette tude se base essentiellement
sur des simulations ralises sous Excel et montre un gain de lordre de 4% de la politique propose.
Ces rsultats confirment le contexte dapplication de cette politique et valident les hypothses
dfinies au dbut de chapitre.
Nous tudions dans le chapitre suivant un cas particulier de ce problme de gestion combine de
stockage et de transport afin de dfinir une nouvelle politique base sur ltude des ruptures de
stock.

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

71

Chapitre 4 : Optimisation des cots logistiques
dans le cas des commandes urgentes
SOMMAIRE

Chapitre 4 : Optimisation des cots logistiques dans le cas des commandes urgentes 71
4.1 Introduction ....................................................................................................................... 72
4.2 Caractrisation du contexte dapplication ........................................................................ 72
4.3 Mthode dapprovisionnement propose ........................................................................ 73
4.4 Optimisation mathmatique : dtermination des quantits optimales de commande ... 83
4.5 Exprimentation et discussion .......................................................................................... 87
4.6 Conclusion ......................................................................................................................... 93
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
Chapitre 4 : Optimisation des cots logistiques dans le cas des commandes urgentes
72

4.1 Introduction
On distingue dans la littrature deux types de modles pour la gestion de stock en prsence d'une
demande stochastique. Ces modles se distinguent par leur rponse en cas de rupture de stock. Le
premier modle est le modle avec ventes perdues connu dans la littrature sous le nom de Lost
Sales Model, dans lequel en cas de rupture, les ventes sont perdues. Le deuxime modle est le
modle de ventes diffres, connu sous le nom de Backordering Model, et dans lequel en cas de
rupture, la demande est diffre et satisfaite les priodes suivantes. Nous nous plaons ici dans un
contexte particulier dans lequel les ruptures, pour des raisons juridiques ou humanitaires, sont
interdites.
Une premire rponse peut tre apporte sous la forme de cration dimportants stocks de scurit.
Nanmoins cette solution engendre des cots trs levs de possession de stock et ces cots
peuvent devenir prohibitifs pour des produits chers et/ou lorsque des dlais de premption courts
peuvent entraner des pertes importantes de produits. Cest dans ce contexte que nous proposons
dans ce chapitre une nouvelle politique de rapprovisionnement qui se base sur un
rapprovisionnement uniquement en urgence de ces produits.
Un rapprovisionnement en urgence se faisant ncessairement un cot plus lev, nous proposons
dappliquer cette politique non pas au niveau dun produit unique mais au niveau dune famille de
produits. Le choix de cette famille est bas sur des critres spcifiques trs particuliers qui posent
des problmes complexes pour les politiques de rapprovisionnement classiques. Do lintrt de la
dfinition dune politique spcifique et adquate.
Nous dbutons ce chapitre par une dfinition du contexte dapplication de cette politique propose.
Dans la section suivante, nous prsentons un modle agrg bas sur des tats stationnaires pour
donner une vue gnrique de la mthode. Puis, nous dcrivons en deux parties cette politique qui
ressort des mthodes approvisionnement continu avec point de commande. Tout dabord nous
dfinissons la logique dapprovisionnement : approvisionnement jusqu un niveau de re-
compltement prdtermin de tous les produits dune mme famille lors de la rupture de stock
dun quelconque des produits de cette famille. Puis nous prsentons le modle mathmatique nous
permettant de calculer ces niveaux de recompltement.
Dans la dernire section de ce chapitre nous prsentons les rsultats de simulations effectues afin
dvaluer notre politique en la comparant une politique de rfrence.
4.2 Caractrisation du contexte dapplication
Nos travaux se situent dans le cadre dune chane logistique constitue de plusieurs centres de
distribution (CDs) et de plusieurs centres de consommation (CCs). Dans ce contexte nous nous
attachons dfinir la politique dapprovisionnement dun centre de consommation donn pour des
produits pour lesquels les ruptures de stock au niveau du centre de consommation sont interdites,
sachant que :
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
73

- Les produits stocks au niveau du fournisseur (DCs) sont disponibles avec des quantits
suffisantes pour pouvoir permettre de rpondre toute demande ;
- Le dlai de rapprovisionnement en urgence est nul.
Hypothses relatives la demande :
Nous considrons une demande trs variable qui ne dpend ni du temps ni de lhistorique de
consommation. Nous pouvons considrer que cette demande suit la loi des vnements rares et sera
reprsente numriquement soit par la loi de poisson soit par la loi normale avec un cart type trs
proche ou mme gal la moyenne.
Hypothses relatives aux produits :
i. Cot des produits : nous considrons des produits chers. Proportionnellement leurs prix, le
stockage de ces produits cote cher.
ii. Dlai de premption : nous considrons des produits avec des dlais de premption trs courts,
ce qui exige de ne pas garder ces produits pour de longues priodes dans le stock.
iii. Volume des produits : nous considrons des produits qui sont peu volumineux afin de mieux
prparer leur commande.
Hypothses concernant les cots logistiques :
Dans la littrature, on distingue trois cots dapprovisionnement diffrents (Skouri and Papachristos
2002) : un cot planifi, un cot non planifi normal, et un cot non planifi urgent. Les
approvisionnements en cot planifi urgent sont dlai nul (nous considrons que le temps de
transport est suffisamment faible pour tre nglig). Nous ne considrons que le cot non planifi
urgent pour la politique propose.
Nous considrons un cot de possession pour chaque produit calcul en fonction du prix du produit.
Ce cot est lev cause de la valeur des produits et / ou de leurs dlais de premption faibles.
Le cot de passation de commande est indpendant du nombre de produits commands.
Le cot dachat des produits est indpendant des quantits commandes (aucune rduction
accorde pour la commande de quantits importantes).
Dans un tel contexte, la mise en place de stocks de scurit nest pas adapte car elle ne peut
garantir, sauf des cots prohibitifs, labsence de rupture de stock. Do notre proposition dutiliser
des commandes urgentes.
4.3 Mthode dapprovisionnement propose
Dans cette partie, nous prsentons une description physique du modle de rapprovisionnement
propos. Nous nous sommes bass sur les deux principales variables de dcision, savoir
lvnement dclenchant et la quantit commander, afin dexpliquer dans deux parties spares de
ce chapitre notre politique dapprovisionnement.
Le schma suivant (Figure 14) dcrit les deux tapes de cette mthode de rapprovisionnement.
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
74

Figure 14 : interconnexion des deux tapes de la politique de rapprovisionnement
Le cycle de rapprovisionnement est initi par une demande client. Nous vrifions dans un premier
temps si les quantits commandes sont disponibles. Si le test est positif, nous satisfaisons la
demande et retranchons ces quantits du stock. Un deuxime test est effectu aprs avoir livr la
commande, afin de vrifier si le stock dun des produits devient nul. Dans ce cas ou dans le cas o la
commande ne peut tre satisfaite, nous passons alors ltape de calcul des quantits commander
afin datteindre les niveaux de recompltement et de satisfaire la demande.
4.3.1 Premire tape : un rapprovisionnement continu
La mthode consiste attendre une rupture de stock dau moins un produit, et approvisionner tous
les produits de la mme famille jusqu un niveau Q
i
prdtermin pour chaque produit i. Cette
politique est donc une politique de gestion de stock approvisionnement continu en quantits
variables.
Nous prsentons dans ce paragraphe une tude qualitative de notre systme de
rapprovisionnement. Cette tude dcrit lvolution du systme au cours du temps. Une premire
prsentation sous la forme dun modle agrg est faite et, par la suite, nous donnons la dfinition
des variables de dcision du systme, tout en expliquant le fonctionnement de la mthode propose.
4.3.1.1 Modle agrg
Le modle agrg est un modle en rseau qui va nous servir principalement dcrire lvolution de
notre systme. Ce modle reprsente toutes les volutions possibles du stock. Il est constitu par des
nuds et des arcs possdant des ressources qui dcrivent les tats du systme.
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
75

Afin de faciliter la comprhension du modle gnral, nous commenons par donner lexemple
introductif ci-dessous.
Exemple : Nous illustrons un exemple de deux produits avec des quantits de rapprovisionnement
gales trois units (nombre pris par hasard) pour chacun lorsque les ventes sont des ventes
unitaires. Un chemin commence par ltat initial et se termine par un des tats finaux. Les tats
finaux sont ceux qui ont un lment gal 0. A partir dun tat final, on revient ltat initial par une
commande de rapprovisionnement.

Figure 15 : exemple de fonctionnement avec deux produits vendus lunit
En se basant sur cet exemple, nous allons prsenter un modle gnrique afin de dcrire le principe
gnral de cette politique. Nous dfinissons par la suite les deux composants de notre modle
agrg savoir les nuds et les arcs, ainsi que les ressources associes.
a. Les nuds :
Chaque nud reprsente un tat indiquant le niveau de stock pour chaque produit, et ceci pour tous
les produits prsents dans le stock.
(X
1
, X
2
, X
3
, , X
i
, , X
P
)

: un vecteur de quantits reprsente la ressource pour chaque nud et
indique le niveau de stock pour chaque produit i.
Le nud initial reprsente ltat du systme au dbut de chaque rapprovisionnement, la ressource
de ce nud correspond aux quantits optimales (les niveaux de re-compltement de stock) qui
doivent tre prsentes au dbut de chaque cycle.
Le nud final reprsente ltat la fin du cycle de rapprovisionnement, la ressource de ce nud
reprsente les niveaux de stocks de chaque produit avec un niveau gal 0 pour un seul produit ; ce
qui va dclencher un rapprovisionnement, et, le retour ltat initial du systme.
b. Les arcs :
Un arc reprsente un changement dtat dclench par larrive dune demande induisant un
changement des niveaux de stocks.

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
76

(i, Q
i
) : un couple reprsente la ressource pour chaque arc. Le premier lment de ce couple prcise
lindice du produit command, tandis que le deuxime lment indique la quantit demande pour
le mme produit.
Ci-dessous le modle gnrique de la politique de rapprovisionnement propose (Figure 16). Ce
modle prsente les changements dtat que peut connatre le systme en commenant par ltat
initial, en passant par N tats intermdiaires et en sortant par ltat final.

Figure 16 : modle descriptif de la premire tape du politique de rapprovisionnement
Le fonctionnement :
Le nud dorigine est caractris par les niveaux de stock initiaux au dbut de chaque
rapprovisionnement [N
1
, N
2
, , N
i
, N
n
] et reprsente les niveaux de r-compltement de stock. Le
systme passe par la suite par diffrents tats caractriss chacun par un niveau de stock N
i
pour
chaque produit i. La transition entre deux nuds est dclenche par une demande et gnre un
changement dtat. Ce passage provoque le changement des niveaux de stock dans chaque nud. Ce
changement est indiqu dans la ressource de larc (i, Qi) indiquant le produit command et la
quantit demande. La condition de sortie du systme se prsente quand un produit atteint le
niveau 0. Donc le niveau 0 du stock peut apparatre dans nimporte quelle position dans le vecteur de
quantit de la ressource du nud final.
Les changements dtat entre deux rapprovisionnements correspondent un parcours DAT de ce
graphe, de lorigine lune des sorties.
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
77

Notre tude se concentre prcisment sur un de ces chemins particuliers dans le modle agrg. Un
chemin est une succession de nuds commenant par le nud dorigine, passant par plusieurs tats
et sarrtant si le niveau de stock de lun des produits arrive au niveau 0.
Pour un cycle donn, chaque nud a une probabilit dtre visit, en particulier, chaque nud final.
Notons P(X) la probabilit de visiter le nud X dans un cycle.
Dautre part, si un nud est visit, il a une distribution de probabilit dans le temps. Notons P(X,t) la
probabilit que le nud X soit atteint la date t (rfrence prise (t=0) au dbut du cycle de
rapprovisionnement)
,

Ou si le temps est discret :
,

4.3.1.2 Dfinition des variables utilises
Nous dfinissons les variables ci-dessous afin dexpliquer le fonctionnement gnral de la politique
de rapprovisionnement.
Notations :
q
i
* : quantit de commande pour le produit i
N
i
: niveau de stock du produit i
i
= {1, 2, , i} ensemble des produits
Condition de commande : Si i / Ni 0, commander tous les produits de la mme famille prsents
dans le stock. Des quantits seront commandes pour chaque produit j j / pour tous les j, les qj*
prsentent des quantits optimales qui engendrent un cot logistique minimal.
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
78

Figure 17 : fonctionnement de la politique (cas de trois produits)
Principe :
Au cours du temps, les quantits stockes diminuent indpendamment les unes des autres au gr de
la demande alatoire de chaque produit. Dans notre qute de simplification, nous avons choisi de
privilgier une reprsentation linaire des courbes qui montrent la diminution des niveaux de stock
au cours du temps (Figure 17). un instant t
0
, un produit i prsent dans le stock arrive au niveau 0 (N
i

= 0) tandis que les autres ont des niveaux de stocks plus ou moins proches de ce niveau 0 puisque les
produits grs ensemble appartiennent la mme famille de produits, et quils ont plus ou moins des
caractristiques similaires. Cest cet instant t
0
que nous dcidons de commander des quantits (q
0
,
q
1
, , q
i
, , q
n
). Les quantits q
i
commandes pour chaque produit dans le stock compltent les
niveaux actuels pour atteindre les niveaux de recompltement de stock (S
1
, S
2
, S
3
, , S
i
, , S
n
) de
chaque produit.
De point de vue algorithmique, la mthode propose scrit comme suit (algorithme 1). Les variables
dentre de cet algorithme de simulation de la politique correspondent un tableau indiquant les
quantits prsentent dans le stock (niveaux de stock), un tableau indiquant les quantits
commandes. Tandis que la variable de sortie est une variable boolenne pour indiquer sil y a une
commande ou non, c'est--dire sil un stock atteint le niveau 0.
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
79

Algorithme 1 : fonctionnement algorithmique de la simulation de la politique
4.3.2 Deuxime tape: niveaux de recompltement
Dans ce paragraphe, nous allons dterminer les quantits optimales commander pour complter
les quantits prsentes dans le stock pour atteindre les niveaux de recompltement. Nous nous
intresserons donc au deuxime paramtre quantitatif de la politique propose.
A chaque fois que nous dclenchons un rapprovisionnement, ces niveaux de recompltement de
stock sont fixes, et ce, pour les raisons suivantes :
- La demande est indpendante du temps
- La demande ne dpend pas de lhistorique de consommation
- Il ny a aucune intervention extrieure qui peut influencer la nature de la demande
Donc le systme est face aux mmes incertitudes au dbut de chaque priode de
rapprovisionnement et il na aucune information supplmentaire qui peut tre prise en
considration pour ajuster ces niveaux de stock.
Nous prsentons dans lorganigramme ci-dessous le processus complet de calcul des quantits
optimales de commandes en quatre tapes. La premire tape consiste slectionner les produits
commander et dfinir un vecteur de quantits associ ces produits. La deuxime tape est
destine la gestion du phnomne alatoire en se basant sur le calcul de probabilits de rupture. La
troisime tape est consacre au calcul des cots logistiques considrs. Enfin la quatrime tape est
ddie la recherche de quantits optimales de commande pour complter le stock jusquaux
niveaux de recompltement.

1 Entres :
2 Tab_quantit[] // tableau des quantits prsentes dans le stock
3 Tab_demande[] // tableau de la demande clientle
4 quantite_min // la plus petite quantit dans le stock sur lensemble des produits chaque
instant
5 Sorties :
6 Commande : boolen // une variable boolenne pour indiquer sil y a commande ou non
7 dbut
8 commande = 0
9 quantite_min = MIN (Tab_quantit)
10 Tant que quantite_min >0 Faire
11 Pour i=1 p Faire
12 Tab_quantit[i]= Tab_quantit[i]- Tab_demande[i]
13 quantite_min = MIN (Tab_quantit[i])
14 Fin pour
15 commande = 1
16 Fin Tant que
Fin
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
80

Figure 18 : Organigramme de la dmarche utilise
Notation :
t : unit de temps
: paramtre de la loi de poisson
f : fonction de densit de probabilit
F : fonction de cumul de probabilit
V = (v
1
, v
2
, , v
i
, , v
n
) : les niveaux de recompltement optimaux recherchs
Q = (q
1
, q
2
, , q
n
) : un vecteur de recompltement possible
Pnr
i
(t, q) : probabilit de non rupture pour le produit i au bout de t priode si le niveau de
recompltement est fix q
Pnr(t,Q) : probabilit de non rupture pour le vecteur de recompltement Q au bout de t priodes
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
81

Pr(t, Q) : probabilit de rupture de stock pour le vecteur de recompltement Q au bout de t priodes
Etape 1 : cration du vecteur de recompltement
Nous dfinissons un vecteur de niveau de recompltement possible V= (q
1
, q
2
, , q
i
, , q
n
) qui
regroupe les quantits de commande pour atteindre les niveaux de recompltement afin de pouvoir
calculer dune part le cot logistique engendr et dautre part la probabilit davoir une rupture pour
un des lments du vecteur V.
Etape 2 : calcul des probabilits de rupture
Pour chaque produit :
Dans un premier temps, nous calculons pour chaque produit la probabilit quil ny ait pas de rupture
de stock avant une date t pour un niveau de recompltement donn q. Dans notre cas, cette
probabilit est calcule partir de la fonction de rpartition de la loi de poisson de paramtre t*
pour la priode t ou P(X<t*).
Si f
i,t
est la densit de probabilit de la consommation en t jours pour le produit i, alors la probabilit
quil ny ait pas de rupture au bout de t jours est Pnr
i
(t, q) en variant t entre [1 .. T] et q entre [1
..Qmax].
,
,
,
. . . . (4.1)

Remarque : nous prenons un horizon de priode assez grand pour avoir des probabilits assez
significatives pour le calcul.
Nous obtenons une matrice deux dimensions [Quantit x Priode] dans laquelle toutes les
probabilits sont calcules pour chaque priode et chaque quantit.
Pour lensemble des produits :
La probabilit de navoir aucune rupture de stock avant la date t pour un vecteur de quantit Q est
calcule par le produit de chaque probabilit Pnr
i
(t, q) de chaque produit i qui lui correspond une
quantit commande q :
,

(4.2)
Nous obtenons une matrice une dimension [Priode] dans laquelle sont dfinies les probabilits de
navoir aucune rupture avant la date t pour chaque priode.
Nous dduisons partir de chacune de ces probabilits, la probabilit davoir une rupture de stock
en t pour le vecteur de recompltement possible Q. Cette probabilit Pr(t, Q) est gale la diffrence
entre la probabilit de navoir aucune rupture de stock avant la date t-1, Pnr(t-1, V), et la probabilit
de navoir aucune rupture de stock avant la date t, Pnr(t, V) :
, , , (4.3)
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
82

, , , , (4.4)

La somme de ces probabilits sur toutes les priodes pour un vecteur de recompltement Q vaut 1 si
on prend un horizon suffisamment important de calcul :
,

(4.5)
Etape 3 : tude des cots par priode de commande
Cot de passation de commande :
Le cot de passation de commande varie en fonction de la date de la rupture de stock, si la rupture a
eu lieu linstant t, le cot de commande par unit de temps est CPC(t) :

(4.6)

Cot de possession de stockage :
Hypothse : Si la rupture a eu lieu linstant t, on peut estimer que chaque produit a t consomm
linairement en suivant la moyenne journalire. Dans ce cas, certains produits sont en rupture et
dautres non.
Cs
i
= cot de stockage par priode du produit i par unit de temps

(4.7)

Pour le vecteur de recompltement possible Q, le cot de possession de stock par priode
est THc
Q
(t):

(4.8)
Cot total :
Le cot total sil y a rupture linstant t pour le vecteur de recompltement possible Q est C
Q
(t) :
(4.9)

On dduit de (4.9) et (4.4) la fonction de lesprance de cot C pour un vecteur de niveau de
recompltement Q donn. Cette esprance de cot C est alors le produit de la probabilit davoir une
rupture de stock par le cot total :
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
83

,

(4.10)
Conclusion : nous disposons dune fonction qui calcule lesprance de cot dun vecteur de
recompltement possible Q.
4.4 Optimisation mathmatique : dtermination des niveaux optimaux de
recompltement V
Dans ce paragraphe, nous dveloppons la troisime partie de lorganigramme prsent
prcdemment. Nous cherchons le vecteur de quantits qui engendre un cot logistique minimal en
se basant sur le travail de modlisation de lesprance de cot.
4.4.1 Etude de la convexit:
Il convient de sassurer de la convexit de lesprance de cot calcule prcdemment afin
dappliquer un algorithme doptimisation.
Le domaine de convexit est dfini par la runion du domaine de dfinition de lesprance de cot
pour chaque vecteur Q, comme suit :

Mathmatiquement, cette esprance de cot dfinie dans lquation 9 est prsente par la somme
(+) dun produit (x) de deux entits. Parmi ces deux entits, il y en a une qui reprsente une
probabilit calcule partir dune fonction de distribution. Ce qui rend ltude de la convexit de ce
domaine difficile.
En effet, ltude de la convexit de cette fonction avec des outils mathmatiques de base (soit par la
dfinition de la convexit, soit par lune des caractristiques) est une tche trs complexe imposant
lutilisation doutils trs sophistiqus. Nous pouvons faire rfrence aux travaux raliss dans le
centre GERAD (Groupe d'tudes et de recherche en analyse des dcisions) et principalement aux
travaux du professeur Franois Soumis (Soumis et al., 2001, 2002).
Nous nous limiterons donc vrifier graphiquement la convexit de cette fonction de cot.
4.4.2 Recherche du vecteur des niveaux de recompltement optimaux : proposition dune
heuristique doptimisation
Nous voulons minimiser notre fonction C. Pour cela nous nous donnons un point de dpart arbitraire
V
0
. Pour construire litr suivant V
1
il faut penser que nous voulons nous rapprocher du minimum de
C ; on veut donc que C(V
1
) < C(V
0
). On cherche alors V
1
sous la forme V
1
= V
0
+
1
d
1
o d
1
est un
vecteur non nul de R
n
et
1
un rel strictement positif. En pratique, nous cherchons d
1
et
1
pour que
C (V
0
+
1
d
1
) < C (V
0
). Quand d
1
existe nous disons que cest une direction de descente et
1
est le pas
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
84

de descente. La direction et le pas de descente peuvent tre fixes ou changer chaque itration. Le
schma gnral dune mthode de descente est le suivant :

V
0
R
n
donn
V
k+1
= V
k
+
k
d
k
, d
k
R
n
{0},
k
R
+
*,
O
k
et d
k
sont choisis de telle sorte que C (V
k
+
k
d
k
) < C (V
k
).
Cette mthode a pour avantage dtre trs facile mettre en uvre, mme si les conditions de
convergence sont assez lourdes (essentiellement cause de la stricte convexit).
Dans chaque itration, lalgorithme utilis a recours une fonction de calcul de cot. Cette fonction
dispose dun vecteur de quantits comme donnes dentre et dune valeur retourne qui
correspond au cot logistique de ce vecteur.
Lalgorithme compare le cot calcul chaque fois par rapport tous les vecteurs de quantits
possibles et ne retient que la valeur qui oriente lalgorithme dans le bon sens vers loptimum, c'est--
dire dans le sens de la descente. Le pas de notre algorithme est une unit de quantit, et la direction
de descente est dans le sens du cot minimal afin dobtenir le vecteur des niveaux de
recompltement optimaux recherch.

Algorithme 2 : recherche du vecteur de quantits optimales
Afin dillustrer nos propos, nous montrons un exemple numrique de trois produits. Nous calculons
le niveau de commande pour chaque produit en se basant sur le raisonnement ultrieur.
1 Entres :
2 nbre_produits // nombre de produits grs dans le stock
3 quantites_produits[] // tableau des quantits prsentes dans le stock
4 Calcul_Cout // fonction pour calculer le cot logistique
5 Sorties :
6 Cout // cot logistique
7 quantites_optimales // quantits optimales de commande
8 Cout_optimal // cot logistique optimal
9 Dbut
10 Amlior = 1 ;
11 Cout_optimal = Calcul_Cout(quantites_produit [0])
12 Tant que amlior = 1 Faire
13 Amlior = 0 ;
14 Pour toute combinaison Q de quantite de produit quantites_produit [] ;
15 If (Calcul_Cout(Q) < Cout_optimal )
16 Cout_optimal = Calcul_Cout(Q)17 Amelior = 1 ;
18 Fin tant que
19 Fin
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
85

Les calculs vont tre faits sur un univers de cinquante priodes [1, 50] avec des variations des
quantits commandes dans lintervalle [1, 20].
La demande suit la distribution de la loi de poisson avec un paramtre diffrent pour les trois
produits.
1
= 0.4,
2
= 0.8 et
3
= 1.2 sont les trois paramtres de la demande des trois produits
respectivement produit1, produit2 et produit3.
Pour chaque produit, nous allons gnrer la probabilit quil ny ait pas de rupture de stock avant une
date t [1, 50] pour une quantit donne q [1, 20]. Nous allons alors construire un tableau de
taille 20x50 en se basant sur la fonction de rpartition de paramtre
i
pour chaque produit i. ci-
dessous, nous prsentons le tableau pour le produit 1 (voir Tableau 6), nous avons donc besoin de
trois tableaux similaires celui-ci pour raliser lexemple. Nous les nommons tab1, tab2 et tab3 pour
les trois produits respectivement.
Tableau 6 : probabilit davoir une rupture de stock pour le produit 1 (tab1)
nb priode 1 2 3 4 5 6 7 8 9 10
0,4 0,8 1,2 1,6 2 2,4 2,8 3,2 3,6 4
Q
0 0,6703 0,4493 0,3012 0,2019 0,1353 0,0907 0,0608 0,0408 0,0273 0,0183
1 0,9384 0,8088 0,6626 0,5249 0,406 0,3084 0,2311 0,1712 0,1257 0,0916
2 0,9921 0,9526 0,8795 0,7834 0,6767 0,5697 0,4695 0,3799 0,3027 0,2381
3 0,9992 0,9909 0,9662 0,9212 0,8571 0,7787 0,6919 0,6025 0,5152 0,4335
4 0,9999 0,9986 0,9923 0,9763 0,9473 0,9041 0,8477 0,7806 0,7064 0,6288
5 1 0,9998 0,9985 0,994 0,9834 0,9643 0,9349 0,8946 0,8441 0,7851

Exemple : La cellule colore en rouge (0.4695) reprsente la probabilit quil ny ait pas de rupture de
stock avant la priode 7 si on complte le stock 2 units pour le produit 1 (
1
=0.4).
Le calcul de la probabilit quil ny ait pas rupture de stock pour un vecteur compos de trois
quantits des trois produits se dduit des trois tableaux tab1, tab2 et tab3.
Dans la deuxime ligne du tableau ci-dessous (Tableau 7), nous prenons lexemple dun vecteur
compos des trois quantits 2, 3 et 13 des trois produits 1, 2 et 3 respectivement. Nous calculons les
probabilits quil ny ait pas de rupture de stock pour ce vecteur de quantits en rcuprant de
chaque tableau tab1, tab2 et tab3 les probabilits quil ny ait pas rupture de stock pour les quantits
2, 3 et 13 respectivement et ceci pour toutes les priodes considres (50 priodes).
Dans la troisime ligne, nous dduisons les probabilits quil y ait rupture de stock.
Tableau 7 : probabilit davoir et ne pas avoir rupture de stock pour un vecteur de quantit (2, 3, 13)
Q1 Q2 Q3 t 1 2 3 4 5 6 7 8 9 10
2 3 13 pnr 0,9831 0,8775 0,6849 0,4718 0,2923 0,1650 0,0852 0,0403 0,0174 0,0069
2 3 13 pr 0,0169 0,1056 0,1926 0,2131 0,1795 0,1273 0,0797 0,0449 0,0229 0,0105

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
86

Nous prcisons que la somme des deux probabilits pour chaque instant t nest pas gale 1 puisque
nous calculons dans la deuxime ligne la probabilit davoir rupture de stock linstant associ cet
instant et ne doit pas avoir lieu avant.
Nous calculons le cot logistique total engendr par ce vecteur de quantits. Ce cot est compos
des cots de passation de commande et de possession de stock. Nous illustrons ce calcul dans le
tableau ci-dessous (Tableau 8) en se basant sur un cot de lancement gal 200 et des taux de
possession de 20 % du prix du produit.
Tableau 8 : calcul des cots

Finalement, lesprance de cot est calcule par dduction des deux rsultats prcdents, les
probabilits davoir une rupture de stock et le cot logistique global donc lesprance est gale la
somme sur toutes les priodes de la multiplication terme par terme. Le Tableau 10 montre
lesprance de cot calcule pour le vecteur V (3, 3, 13).
Tableau 9 : Esprance de cot calcul pour le vecteur V (3, 3, 13)
t 1 2 3 4 5 6 7 8 9 10
Esprance 109,28 = 3,6578 13,935 22,09 23,653 18,849 12,517 7,4603 4,0446 1,9961 0,895

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
87

Q1 Q2 Q3 Cout
1 1 1 164,64
1 1 2 145,16
1 1 3 135,37
1 1 4 131,01
1 1 5 129,10
1 1 6 128,23
1 1
1 1 9 127,54
1 1 10 127,50
1 1 11 127,48
1 1 12 127,47
1 1 13 127,46
1 1 14 127,47
1 2 13 115,63
1 3 13 114,55
1 4 13 117,23
2 3 13 109,66
3 3 13 109,28
4 3 13 109,36
4 4 13 117,65
5 4 13 117,99
5 4 14 118,04

Figure 19 : recherche du vecteur de quantits optimales
Dans la Figure 19, nous dtaillons la recherche de lesprance de cot. Nous ralisons lexprience
pour plusieurs combinaisons de vecteurs de quantits dans le but de minimiser le cot engendr. La
figure 22 illustre la convexit de cette esprance. Les valeurs indiques dans le tableau montrent le
droulement de lalgorithme, les lignes colores en jaune montrent le changement de combinaison
pour passer un autre couple de vecteur de quantits. La ligne colore en rouge montre le vecteur
optimum trouv. Le cot optimal est de 109,28 qui correspond au vecteur de quantits V (3, 3, 13).
Ces quantits reprsentent les niveaux de recompltement de stock atteindre chaque
rapprovisionnement.
4.5 Exprimentation et discussion
Afin de montrer la performance de la politique propose, il est indispensable de la comparer une
politique de rapprovisionnement de rfrence.
Pour ce faire, nous avons fait appel la simulation afin de :
- Gnrer la demande alatoirement en respectant les critres de la famille de produits
slectionn.
- Comparer les cots logistiques fournis par la politique propose et une deuxime politique de
rfrence
C
o
t
Quantit
Q1
Q2
Q3
Cout
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
88

4.5.1 Politique de rfrence:
La politique classique que nous avons retenu est une politique de rvision continue avec un niveau
de recompltement de stock S, en tenant compte des stocks de scurit.
Les auteurs, dans plusieurs travaux de littrature [Silver et al. 2003], proposent deux reprsentations
de cette politique, premirement par une approche squentielle et puis par une approche
simultane. Rappelons quun systme (s, S) suppose une rvision continue. Chaque fois que la
position du stock descend jusquau niveau de commande s ou plus bas, une commande est effectue
afin datteindre le niveau de recompltement de stock S. Lorsque toutes les transactions sont de la
taille de lunit, toutes les commandes sont de la taille S-s et sont effectues lorsque la position de
stock se trouve exactement au niveau s. Nous pouvons alors considrer que la quantit de
commande Q est gale S-s. dans le cas o les commandes peuvent tre de plusieurs units, la
quantit commande varie suivant la quantit manquante.
Nous prsentons par la suite lapproche squentielle prsente par Silver et al. [Silver et al. 2003]
afin de slectionner s et S sous des conditions de transaction de diffrentes tailles et qui rpercutent
le plus dans notre contexte particulier.
4.5.1.1 Dtermination des niveaux s et S
Dans cette approche, les auteurs slectionnent s et S simultanment et essayent aussi de prendre en
compte les quantits manquantes. Une rupture de stock arrive si la somme des quantits
manquantes et les quantits consommes pendant le dlai de rvision de la demande totale est
suprieure s. Ainsi, nous dfinissons la variable :

O z correspond aux quantits manques et x aux quantits consommes pendant le dlai de
rvision de la demande totale.
Dans la rfrence utilise, les auteurs prsentent un algorithme squentiel bas sur le calcul des
quantits manques, le taux derreur de prvision et la moyenne de la taille de transaction afin de
calculer les deux niveaux s et S.
Nous nous basons sur ce raisonnement pour dfinir la politique de rfrence que nous allons utiliser
pour faire la comparaison par rapport la politique propose dans ce chapitre.
Les niveaux s et S sont calculs comme suit :

(4.11)
(4.12)
Q
i
: quantit conomique de commande pour le produit i
Dans le cas o la demande est dfinie par la loi de poisson, le niveau de satisfaction clientle (k) est
de 100% puisque les ruptures de stock sont interdites, ces quations scrivent comme suit :
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
89

(4.13)
(4.14)
4.5.1.2 Calcul des cots :
Le calcul des cots dans la politique de rfrence se base sur les fonctions de calcul de cot
prsentes dans le chapitre prcdent (fonctions 4, 5, 6, 7 et 8). Le cot de passation de commande
englobe le cot de lancement de commande et le cot de transport puisque nous adoptons un
transport rapide et que les produits grs sont suffisamment petits pour tre transports par le
mme moyen transport, ce qui donne le mme cot de transport variable.
4.5.2 Validation
Nous avons ralis une srie de 32 simulations sous Excel, avec 470 demandes gnres chaque
simulation. La demande est gnre alatoirement en se basant sur la fonction de rpartition de la
loi de poisson. Les paramtres utiliss sont rsums dans le tableau suivant (Tableau 10):
Tableau 10 : valeurs numriques utilises
Variable Dsignation Valeur
i
Nombre de produits
10

Nombre de priode par simulation
470
A
jin

cot de passation de commande
normale, urgente
100, 400
h
jkin

Taux de possession de stock
20%

Paramtre de la loi de poisson
[1.. 10] par priode
Prix
Prix des produits
[100.. 300]

En se basant sur ces valeurs numriques, nous ralisons des simulations pour calculer le cot
logistique total sur lhorizon de 470 priodes dans chacune (voir Figure 20). Ce qui permet de
comparer les deux politiques avec les mmes donnes dentre notamment la demande. La
demande est gnre alatoirement et est utilise pour les deux politiques.

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
90

30 000
35 000
40 000
45 000
50 000
55 000
60 000
Cot Politique Rfrence
Cot politique propose

Figure 20 : comparaison des cots logistiques totaux
La diffrence entre les deux politiques est claire. Dans toutes les simulations, la politique de
rfrence surmonte la politique propose dun cart minimum de quelques milliers deuro.
Tandis que la variation de ces cots ([33000.. 44000] pour la politique propose) est due la
variation de la demande qui influence les quantits prsentes dans le stock do le cot de
possession.

Figure 21 : Pourcentage des gains raliss par la politique propose par rapport la politique de rfrence
Pour les mmes simulations ralises dans la Figure 20, nous dduisons le pourcentage de gain dans
chacune. Ces pourcentages varient entre 9% et 23% avec une moyenne de 15% sur lensemble.
12%
15%
13%
22%
16%
12%
20%
15%
12%
11%
14%
13%
16%
13%
15%15%
13%
13%
19%
18%
17%
15%15%
23%
15%
16%
23%
9%
14%
12%
16%
15%
0%
5%
10%
15%
20%
25%
Pourcentage de gain
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
91

Nous pouvons conclure donc que la politique propose est plus performante que la politique de
rfrence pour faire face aux problmes de rupture de stock en se basant totalement sur les
commandes urgentes, et ce pour lensemble des produits.
Une autre constatation aussi qui peut tre lorigine de ces gains, cest le regroupement des
produits en famille homogne, ce qui permet de gagner en termes de cot de passation de
commande.
Ces gains sont dus au fonctionnement de chaque politique. Nous montrons dans le Tableau 11 un
extrait du dploiement des deux politiques au cours du temps.
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
92

Tableau 11 : comparaison des quantits commandes entre la politique de rfrence et la politique propose
13 18 11 0 29 23 8 2 3 6
1 26 11 3 4 20 0 15 2 10
1 0 16 5 0 6 7 0 0 17
0 20 0 4 0 3 5 8 5 5
8 0 35 4 5 9 4 4 13 0
0 20 11 0 29 11 2 0 2 6
5 1 1 1 0 0 5 4 5 12
5 0 7 1 8 0 0 0 10 10
0 14 9 2 26 6 0 0 1 1
5 13 6 6 8 10 4 0 2 9
3 20 3 2 11 16 7 0 5 0
2 33 9 1 7 0 0 0 4 0
2 12 27 2 30 16 5 10 2 20
2 0 15 0 18 14 5 0 13 4
3 0 10 3 15 23 10 4 2 11
1 0 0 1 11 11 2 6 9 2
0 0 8 0 1 15 5 5 8 18
4 0 18 2 19 6 3 8 0 15
0 4 0 3 0 0 0 1 4 0
5 2 27 1 11 18 5 5 18 0
0 12 20 4 19 8 5 9 6 17
0 11 15 3 11 12 5 6 13 9
0 3 8 0 0 18 7 0 6 0
2 16 10 2 17 10 0 7 21 2
4 0 16 3 0 10 0 4 0 8
9 12 3 0 2 2 11 3 11 17
0 17 2 2 28 1 3 5 6 2
5 1 0 3 4 5 4 12 18 0
5 18 6 3 26 36 3 3 0 0
2 24 11 0 18 7 4 1 19 12
1 10 13 0 6 4 5 1 14 2
1 7 15 1 10 5 10 3 7 11
6 16 9 0 22 0 7 1 24 0
1 2 2 4 0 9 1 8 0 0
4 0 4 0 13 0 0 7 0 0
0 23 1 1 3 15 12 6 6 18
11 12 24 3 20 0 7 0 12 6
0 29 10 2 4 1 2 9 0 1
1 0 22 3 16 7 0 2 2 17
9 0 6 1 12 14 2 4 0 0
5 0 27 0 5 0 0 0 10 16
0 2 17 4 15 0 4 1 5 8
10 7 4 0 0 14 0 6 2 17
6 33 19 0 8 32 3 14 14 0
1 0 0 2 3 0 6 0 13 24
6 16 1 5 4 28 6 6 8 12
0 0 38 5 0 2 4 0 15 8
6 4 13 3 9 0 2 0 16 15
8 9 29 2 11 16 12 2 2 0
1 6 18 1 2 7 0 10 0 7
0 0 1 6 3 5 3 4 6 16
3 0 35 3 10 24 3 6 9 10
3 14 0 6 7 24 0 0 0 31
0 12 17 2 0 13 1 0 0 5
4 12 12 0 7 17 3 7 2 5
0 15 0 3 6 0 3 0 10 2
1 19 13 0 0 4 4 1 14 2
3 10 3 2 15 0 3 2 6 0
7 16 7 0 20 7 3 0 0 3
Demande
ss 5 14 15 3 12 12 6 6 9 11
S 20 59 65 13 52 52 26 26 39 46
31 0 62 0 0 0 0 0 34 0
0 86 0 0 0 74 22 0 0 49
0 0 0 0 0 0 0 24 0 0
0 0 0 15 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 0 73 0 0 0 0 0 0 0
0 0 0 0 67 0 0 0 0 0
0 0 0 0 0 0 23 0 0 50
20 0 0 0 0 0 0 0 38 0
0 68 0 0 0 0 0 0 0 0
0 0 0 16 53 61 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 65 0 0 0 0 0 0 0 0
0 0 77 0 0 0 0 26 0 0
0 0 0 0 70 0 31 0 0 0
18 0 0 0 0 64 0 0 0 47
0 0 0 0 0 0 0 0 45 0
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 24 0 0
0 0 0 13 0 0 0 0 0 0
0 0 83 0 61 0 0 0 0 0
0 0 0 0 0 59 0 0 0 59
0 0 0 0 0 0 32 0 47 0
0 0 0 0 0 0 0 0 0 0
0 48 0 0 0 0 0 31 0 0
0 0 0 12 0 0 0 0 0 0
24 0 54 0 0 0 0 0 38 0
0 0 0 0 62 46 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 72 0 0 0 0 25 24 0 0
0 0 0 0 50 47 0 0 51 43
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
21 0 56 0 0 0 23 0 31 0
0 0 0 13 0 0 0 0 0 0
0 0 0 0 48 0 0 0 0 0
0 70 0 0 0 0 0 26 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 21 0 0 53
25 0 67 0 0 0 0 0 0 0
0 0 0 0 57 51 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 14 0 0 0 0 37 0
0 0 0 0 0 0 0 36 0 41
22 71 67 0 0 46 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 25 0 50 44
0 0 0 15 0 0 0 0 0 0
0 0 81 0 0 0 0 0 0 0
21 0 0 0 52 53 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 28 0 48
0 0 54 18 0 0 0 0 33 0
0 61 0 0 0 66 0 0 0 0
0 0 0 0 0 0 24 0 0 41
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 56 0 0 0 0 0 0 0 0
0 0 0 0 68 0 0 0 32 0
quantits commandes dans le cas
de la politique de rfrence
S 27 81 90 18 72 72 36 36 54 63
26 46 47 14 84 42 16 3 25 28
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
20 67 81 18 46 49 23 31 37 60
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
12 92 54 13 82 48 16 10 14 30
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
15 6 78 10 75 87 30 29 54 50
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
15 54 72 12 49 60 28 29 57 53
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
12 60 19 8 76 49 14 21 43 14
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
24 70 68 9 74 33 42 26 63 37
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
31 71 105 10 60 68 11 36 33 59
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
21 29 81 17 27 46 30 8 54 59
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
7 20 54 16 22 60 6 20 15 64
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
15 84 52 7 48 41 17 10 32 17
quantits commandes dans le cas de
la politique propose

La diffrence entre les deux politiques se rsume principalement sur deux volets :
(i) La frquence de commande : il y a beaucoup plus de commande dans le cas de la politique de
rfrence puisque le rapprovisionnement est individuel pour chaque produit dans le stock.
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
93

(ii) Les quantits prsentes dans le stock : la prsence de stock de scurit oblige la prsente de
quantits importantes dans le stock, ce qui nest pas le cas dans la politique qui se base sur une
rupture dun produit pour commander pour lensemble des produits.
Dans ce dernier cas, la notion de famille de produits est importante pour esprer avoir une
priodicit gale pour tous les produits. Cest--dire quand un des produits arrive au niveau 0, le
reste y sont ou presque. Nous pouvons constater ce phnomne en comparant les quantits
commandes par rapport aux niveaux de commandes.
4.6 Conclusion
Au cours de ce chapitre, nous avons tudi un problme particulier de gestion combine de stock et
de transport. Nous nous sommes intresss spcialement une famille de produits qui prsentent
des caractristiques particulires telles que : une demande trs alatoire et ponctuelle, une
interdiction de rupture de stock, des prix de produits trs chers, des dlais de premptions trs
courts, .
Une gestion fine des produits de cette famille de produit est essentielle car les cots qui sy
rapportent peuvent tre trs levs en raison de leurs prix unitaires levs et de leurs faibles dlais
de premption.
Ceci nous a conduits proposer une nouvelle mthode de gestion des approvisionnements pour
laquelle nous avons dfini en premier lieu le contexte dapplication. Par la suite, nous avons prsent
un modle agrg bas sur des tats stationnaires afin dexpliquer la progression de la politique.
Puis, nous avons dfini le fonctionnement au cours du temps en dfinissant les relations des
paramtres quantitatifs de la politique de rapprovisionnement.
Cette politique est classe parmi celles bases sur un approvisionnement continu avec un niveau de
recompltement pour chaque produit de la mme famille.
Le dclenchement dun nouveau rapprovisionnement est conditionn par larriv dune rupture de
stock de lun des produits grs. Ceci provoque une commande de tous les produits de la mme
famille pour complter les niveaux actuels des stocks jusquaux niveaux de recompltement.
Ces niveaux sont calculs en se basant sur des modles mathmatiques dfinissant dune part les
probabilits davoir une rupture de stock chaque instant t et pour chaque quantit commande Q,
dautre part sur le cot logistique total. Nous en dduisons lesprance de cot pour chaque vecteur
de quantits commandes et nous appliquons un algorithme doptimisation pour chercher le vecteur
optimal qui dfinit les niveaux de recompltement.
Nous avons ralis une partie dexprimentation base sur des simulations afin dvaluer notre
politique et de la comparer par rapport une politique classique. Cette tude prsente des gains de
lordre de 15% quand le cot de commande urgente est quatre fois plus lev quune commande
normale.
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
94

Le chapitre suivant sera consacr une tude de classification de produits en familles homognes.
Lobjectif est de proposer une mthodologie gnrique pour classer les produits prsents dans le
stock en groupes homognes prsentant les mmes caractristiques. Cette classification permet de
distinguer les familles de produits et facilite lapplication des politiques de rapprovisionnement
proposes dans les chapitres 3 et 4.

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

95

Chapitre 5 : Classification des produits en
familles homognes

SOMMAIRE

Chapitre 5 : Classification des produits en familles homognes .................................. 95
5.1 Introduction ....................................................................................................................... 96
5.2 Travaux lis la classification dans le domaine logistique................................................ 97
5.3 Fouille de donnes ............................................................................................................ 99
5.4 Approche propose pour la classification des produits .................................................. 106
5.5 Cration des familles de produits .................................................................................... 111
5.6 Dploiement dun exemple ............................................................................................. 112
5.7 Conclusion ....................................................................................................................... 119

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
Chapitre 5 : Classification des produits en familles homognes
96

5.1 Introduction
La mise en place de politiques de rapprovisionnement est une tape cl dans le processus de
gestion combine des stocks et transports de produits. Dans le cas gnral, les produits sont trs
diversifis et lidentification des politiques savre une tche complexe. Le risque est alors double :
dfinir une politique pour chaque varit de produit et se retrouver avec un trs grand nombre de
politiques entrainant un problme de gestion et de maintenance de ces politiques ; dfinir une
politique gnrique pour lensemble des produits et grer nombre dentre eux de manire sous-
optimale.
Face ce problme nous avons choisi de dfinir des politiques de rapprovisionnement par classe de
produits comme ctait le cas des deux chapitres prcdents. Les produits seront ainsi classs dans
des classes homognes. Chaque classe aura sa propre politique qui va piloter le rapprovisionnement
de tous ses membres. Par ce choix, nous garantissons un nombre acceptable de politiques, do une
gestion et une maintenance de politiques la fois simple, efficace et matris.
Le problme devient alors un problme de caractrisation des classes de produits. Le domaine de la
logistique prsente quelques travaux qui ont trait ce sujet. Cependant la majorit des recherches se
base sur des algorithmes assez complexes et sont soumises la subjectivit des critres de
classification. De plus, la majorit de ces travaux prconise de figer la base des produits un instant
particulier ce qui suppose davoir une vision globale de tous les produits pour effectuer les calculs
des paramtres de classification. Tout nouveau produit engendre ds lors de nouveaux calculs, ce qui
pose problme dans un contexte o les produits voluent et changent frquemment.
Dans notre travail, nous avons essay de rpondre ces difficults en dfinissant les classes de
produits en se basant sur un chantillon de produits. Les classes sont identifies et par la suite
laide dun arbre de dcision, nous intgrons les nouveaux produits dans leurs classes adquates.
Nous nous sommes bass sur une mthode de classification qui a fait ses preuves dans le domaine de
lanalyse de donnes et plus prcisment dans lExtraction de Connaissances partir de Donnes
(ECD), rfrenc sous le nom de fouille de donnes ou encore sous le terme couramment utilis de
Datamining en anglais. Nous avons projet les principes de cette mthode sur notre problme de
classification de produit pour aboutir des classes homognes de produit.
La recherche dans le cadre dExtraction de Connaissances partir de Donnes est base sur les
statistiques. Ces notions sont trs rarement associes la recherche dans le domaine de la
logistique, d'o l'originalit de notre approche.
Nous ralisons un traitement de ces classes de produits afin dobtenir des familles de produits
partir dun filtrage par rapport des critres lis la mise en uvre des politiques de
rapprovisionnement.
La suite de ce chapitre snonce comme suit. Nous faisons une synthse bibliographique des
diffrentes mthodes classiques de classification dans le domaine logistique. Nous prsentons
ensuite des outils du domaine fouille de donnes, plus prcisment les outils que nous allons utiliser
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
97

dans notre tude. Puis, la partie principale de ce chapitre sera consacre la classification des
produits en classes homognes, laffectation des politiques de rapprovisionnement aux classes
cres et la cration dun arbre de dcision pour classer le reste des produits automatiquement. Un
exemple illustratif sera prsent dans lequel nous avons utilis des donnes relles pharmaceutiques
obtenues dans le cadre dune collaboration entre notre laboratoire et la pharmacie dtablissement
de lhpital Croix-Rousse Lyon.
5.2 Travaux lis la classification dans le domaine logistique
Plusieurs modles sont proposs pour rsoudre les problmes de classification et de gestion des
produits. Parmi ceux-ci on retient particulirement le systme ABC qui est, depuis son laboration
par Pareto dans les annes 1920, la mthode la plus utilise dans le domaine logistique.
La classification ABC permet de classer les produits stocks en trois groupes : (i) A : trs important (ii)
B : important (iii) C : moins important. Ce qui permet alors de regrouper les produits et les ressources
mobilises selon un critre dimportance. Cette mthode met en vidence les phnomnes de
concentration en traduisant le fait que certaines valeurs consommes ou critres suivent une loi
gausso-logarithmique. Le principe de base est de classer par valeur dcroissante les lments tudis
selon un critre danalyse dtermin, et de calculer les pourcentages cumuls. La recherche du
critre danalyse correspondant la classification dsire, les valeurs peuvent tre connues ou
calcules partir des valeurs connues. Nous obtenons ainsi la relation suivante :
- X% des lments reprsentent Y % de la valeur tudie.
Cependant, une des faiblesses de la classification ABC de base rside dans le fait quelle nest base
que sur un seul critre. Or, la plupart du temps, nous sommes devant la ncessit de considrer
dautres critres de classification. Ceci est bien montr dans plusieurs travaux qui sintressent la
classification pour lidentification des mthodes de rapprovisionnement (Guvenir and Erel 1998;
Huiskonen 2001; Partovi and Anandarajan 2002; Hadi-Vencheh 2010).
En effet, si nous nous plaons dans le contexte de classification des produits, nous pouvons
remarquer que dans beaucoup de cas plusieurs critres savrent importants dans lvaluation de
limportance des produits. Ce problme prend alors la forme dune classification multi critres
tudie par plusieurs chercheurs. En gnral, ils font appel des outils et des procdures de calcul
complexe pour effectuer cette classification ABC multi critres. Ils proposent chaque fois une
amlioration de cette mthode ABC classique.
Les premires amliorations de la classification ABC multi critres ont t faites dans les annes 80.
Flores and Whybark (Flores and Whybark 1986) proposent une mthodologie matricielle. Une
matrice de critres combins est constitue lorsque lon est en prsence de deux critres de
classification. Bien quelle reprsente un progrs dans la classification ABC multi critres, cette
mthode est difficile utiliser lorsquon doit prendre en compte plus de deux critres.
En 1990, Ernst et Cohen (Ernst and Cohen 1990) prsentent une mthodologie base sur le clustering
statistique. Lavantage majeur de cette approche est quelle peut prendre en compte des
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
98

combinaisons trs varies de critres de classification. Cependant, cette approche exige des donnes
substantielles. Lutilisation de lanalyse de facteurs, dans la procdure de clustering, rend cette
mthode difficile pratiquer dans lenvironnement de gestion de stock.
Le processus de lanalyse hirarchique prsent par Saaty (Saaty 1980) a t la base de plusieurs
travaux. Ce modle a t largement adopt par les chercheurs dans le contexte classification ABC
(Partovi and Burton 1993; Gajpal, Ganesh et al. 1994; Partovi and Hopton 1994). Lavantage de cette
approche rside dans le fait quelle intgre beaucoup de critres et facilite la gestion du systme
tudi, mais elle prsente la faiblesse dtre trop soumise la subjectivit dans lintgration des
critres.
Egalement dans la mthode ABC et afin de dterminer la partition de lespace de description la plus
convenable pour caractriser les diffrents modes de fonctionnement, loprateur peut faire appel
aux diffrents modes dapprentissage en fonction de ses connaissances. En effet, quand seule la
connaissance des experts est utilise pour lidentification des diffrents tats fonctionnels du
processus de classification peuvent apparatre plusieurs situations:
- Lexpert nest capable dexprimer quune connaissance partielle du processus,
- Il est conscient de lexistence de plusieurs tats mais il ignore comment les identifier en utilisant
les donnes historiques et celles disponibles en ligne,
- Il na pas une ide claire des tats reconnatre.
Il a aussi t fait appel lintelligence artificielle comme mthode de classification multi critres.
Guvenir et Erel (Guvenir and Erel 1998) se sont bass sur les algorithmes gntiques comme
mthode de classification. Dautres techniques ont t appliques telles que les rseaux de neurones
proposs par Partovi et Anandarajan (Partovi and Anandarajan 2002). Ces deux techniques se basent
sur des heuristiques qui ne peuvent convenir tous les environnements de travail (Ching-Wu, Gin-
Shuh et al. 2008).
Rcemment (Ramanathan 2006) a prsent un mode de classification simple qui se base sur
loptimisation linaire et qui sapparente lanalyse denveloppement de donnes. Dans son
approche propose, lauteur utilise une fonction objectif pondre (un poids pour chaque critre),
cette fonction est utilise pour agrger les caractristiques d'un produit dans le stock en termes de
diffrents critres pour une seule valeur. Cette valeur reprsente le score optimal d'un produit.
Les poids sont affects aux critres en utilisant l'objet d'optimisation
Le modle utilise une fonction objectif de maximisation que tous les critres sont supposs tre en
corrlation avec le niveau d'importance pour chaque produit. Le modle donne le score optimal pour
chaque article. Pour obtenir les rsultats optimaux des autres produits dans le stock, le modle doit
tre utilis en changeant plusieurs fois la fonction objectif. Ces scores peuvent tre utiliss pour
classer les articles en stock.
Nous pouvons constater que cette dernire suggestion reprsente la faiblesse de la mthode ABC
multi critres. En effet, nous nous retrouvons face un problme assez complexe si nous sommes
obligs dappliquer cette mthode sur une base de donnes qui prsente plusieurs articles.
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
99

(Zhou and Khotanzad 2007) ont propos une mthode de classification floue base sur lutilisation
des algorithmes gntiques. Les rsultats de ces classifications compars ceux obtenus par
Ramanathan et ceux dautres classifications apparaissent comme meilleurs mais ne rpondent pas
totalement aux exigences de fiabilits des mthodes de classification des produits dans le domaine
logistique.
En rsum, ces mthodes prsentent chacune quelques faiblesses :
- Lappel des outils et des procdures de calcul complexe et manuel pour effectuer une
classification ABC multi critres
- Lutilisation des approches qui exigent lutilisation des donnes substantielles ainsi que
lutilisation de lanalyse de facteurs de classification
- Lutilisation des mthodes qui se basent sur la subjectivit dans lintgration des critres,
- Le manque de fiabilit dans certaines mthodes
La mthode de classification utiliser doit fournir lexpert plusieurs alternatives dapprentissage
pour identifier et caractriser les tats fonctionnels du systme. Ainsi, la sparation en rgions de
lensemble des observations utiliser pour lapprentissage peut se raliser selon un tiquetage des
observations imposes par lexpert (apprentissage supervis), ou de faon automatique
(apprentissage non supervis). Une combinaison des deux types dapprentissage peut tre
galement envisage. Tous ces outils se situent dans le domaine de la fouille des donnes. Notre
tude se focalise surtout sur les outils qui vont nous servir comme solutions pour rpondre notre
besoin de classification des produits en classes homognes. Lutilisation de ces outils prsente
plusieurs avantages :
- Lintervention des experts est limite la phase amont, lors de la cration de larbre de dcision,
- La probabilit de classer convenablement un nouvel lment est suprieure 96%,
- Un temps de rponse rapide pour la cration des classes de produits ainsi que pour la gestion des
nouveaux produits,
- Les outils de fouilles de donnes ne sont pas soumis la subjectivit des critres,
5.3 Fouille de donnes
5.3.1 Introduction
La fouille de donnes (Jambu 1999; Tuffry 2005) ou encore analyse intelligente des donnes,
dsigne lensemble des mthodes destines lexploration et lanalyse des donnes informatiques,
de faon automatique ou semi-automatique, en vue de dtecter dans ces donnes des rgles, des
tendances inconnues ou caches, des structures particulires restituant lessentiel de linformation
pertinente. La fouille de donnes permet dajouter de lintelligence aux archives de donnes pour tre
capable ensuite de dcider .
Daprs (Elghazel 2007) : la fouille de donnes traduit lensemble des techniques descriptives (ou
exploratoires) visant mettre en vidence des informations prsentes mais caches par le volume des
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
100

donnes (classification automatique), ou aussi prdictives cherchant extrapoler de nouvelles
informations partir des informations prsentes dans les donnes (classement, prdiction) .
Dans un premier temps, nous abordons le problme de la classification automatique. La classification
automatique ou analyse de clusters (clustering en anglais) est la tche qui classe des produits
htrognes en un certain nombre de classes homognes, appels clusters.
Dans le clustering, il ny a pas de variable cible privilgie et on ne dispose daucune autre
information pralable que la description des donnes en une liste de variables communes. Cest pour
cette raison que nous dirons que le clustering est une tche dapprentissage "non supervise" o les
enregistrements sont regroups en fonction de leur similitude de manire vrifier les deux
proprits suivantes (Elghazel 2007):
- Les objets dune mme classe (cluster ou groupe) sont aussi similaires que possible : cest
lhomognit intraclasse (cohsion) qui traduit cette caractristique.
- Les objets appartenant des classes diffrentes sont aussi diffrents que possible : la plus grande
htrognit interclasse (sparation) est recherche .

Les rsultats de ltape de classification doivent tre traits et analyss afin de dterminer une
certaine signification pour les clusters crs. Dans le domaine logistique, ces derniers peuvent
indiquer diffrents caractristiques des classes de produits et par la suite orienter le choix de la
politique de rapprovisionnement pour chacune des classes.
En effet, le clustering dtermine des groupes de produits susceptibles dtre soumis une gestion
dtermine, chaque classe regroupant des produits ragissant identiquement.
Dans un second temps, nous abordons aussi le problme du classement (ou aussi classification
supervise).
Cette technique est considre comme lune des techniques de la fouille de donnes les plus anciennes
et les plus souvent utilises, que ce soit en marketing pour identifier le profil dun client, en logistique
pour connatre les critres dun produit, le classement de donnes squentielles suppose que chaque
squence temporelle dune population donne appartient une classe prdfinie et cherche
dterminer automatiquement la catgorie correspondante toute nouvelle squence introduite dans
le systme. Au cours des dernires annes, plusieurs techniques de classement de donnes
squentielles ont t dveloppes. Les plus rpandues sont les approches base de prototypes et les
approches base de modles. Dans ce cadre, nous essayons de dvelopper un module de prdiction
en exploitant des trajectoires qui nous ramnent des classes prdfinies. Ce module utilise une
mthode descendante hirarchique sous la forme dun arbre de dcision. Cette dernire opre en
segmentant lensemble des produits en classes de produits (Elghazel 2007).
5.3.2 Mode dapprentissage
5.3.2.1 Critres de classification
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
101

Comme pour toutes les mthodes de fouilles, les donnes non structures ne sont pas directement
analysables par les techniques de classification automatique : elles se prsentent le plus souvent sous
la forme dun tableau rectangulaire avec en lignes les individus (objets, entits, produits, etc.) et en
colonnes des variables (attributs, critres, etc.) (Voir Tableau 12) .
Tableau 12 : Tableau de donnes (Elghazel 2007)
Variables
Y
X

.

On distingue schmatiquement deux types de variables : les variables quantitatives dites aussi
numriques et les variables qualitatives dites aussi catgorielles.
5.3.2.2 Les variables quantitatives
Guvenir et Erel (Guvenir and Erel 1998) dfinissent la variable quantitative comme : une variable
quantitative prend des valeurs ordonnes (comparable par la relation dordre ) pour lesquelles des
oprations arithmtiques telles que diffrence et moyenne aient un sens. Une variable quantitative
peut tre binaire, continue ou discrte. Les variables binaires ne peuvent prendre que deux valeurs, le
plus souvent associes {absence, prsence} ou {succs, chec}. Les variables continues ou dchelle
sont les variables dont les valeurs forment un sous-ensemble infini de lensemble des rels .
Les variables discrtes sont celles dont les valeurs forment un sous-ensemble fini ou infini de
lensemble N des entiers naturels.
5.3.2.3 Classification non supervise
Il nest pas toujours possible de disposer des connaissances a priori sur les caractristiques des
modes de fonctionnement et lexpert ne peut pas affecter chaque observation une situation.
Lobjectif est de proposer une structure de classe, dans un ensemble dobservations, en trouvant des
ressemblances entre ces observations. Autrement dit, lauto-apprentissage (classification non
supervise) consiste en la dcouverte, partir des informations contenues dans un ensemble de
donnes, de classes ou groupes de classes caractrisant les diffrents modes de fonctionnement
(Elghazel 2007).
I
n
d
i
v
i
d
u
s

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
102

De cette faon, la mthode de classification propose une premire partition lexpert qui, ensuite,
doit valider ces rsultats en prenant en compte sa connaissance ainsi que les lois physiques rgissant
le comportement du processus.
Plusieurs mthodes peuvent assurer la classification non supervise. Nous prsentons par la suite la
mthode la plus rpandue sur laquelle nous allons nous baser dans notre tude.
5.3.2.4 Mthodes de coalescence : K-moyenne
Nous nous sommes bass sur les travaux de thse de Kempowsky (Kempowsky 2004) et de Nadia
Kanaoui (Kanaoui 2007) pour prsenter cette mthode de coalescence.
Les techniques de coalescence (regroupement ou en anglais clustering ) essayent de trouver une
partition de lespace en regroupant les lments, de nature quantitative x appartient R
D
, dun
ensemble X= {x
1
, , x
N
} en un nombre K de groupes (ou classes), selon leurs ressemblances ou bien
leur proximit (Kaufman and Rousseeuw 1990).
Typiquement, le concept de similitude est dfini partir de la distance ente un vecteur de donnes
et le prototype (centre) du groupe (classe). Ces groupes doivent satisfaire deux critres (Jain, Murty
et al. 1999):
- Chaque groupe ou classe est homogne : les objets appartenant au mme groupe ou classe
doivent tre similaires entre eux (le plus proche possible).
- Chaque groupe ou classe doit tre distinct des autres : les objets qui appartiennent au mme
groupe doivent tre diffrents des objets appartenant dautres groupes (le plus loign possible
des autres groupes) .
Les mthodes de classification sont bases sur le systme de loptimisation itrative dune fonction
objectif permettant dobtenir des classes homognes et les plus distinctes possibles.
Algorithme K-moyennes
Selon (MacQueen 1967) : lalgorithme le plus connu des mthodes de regroupement est celui des K-
moyennes (K-means). Cet algorithme ralise une partition stricte (dure), c'est--dire que chaque
objet nest assign qu une seule classe. Il sagit dune procdure simple et itrative dont lide
gnrale est de classer un ensemble X= {x
1
, .., x
N
} dlments dans un nombre K de groupes
(clusters) fixs lavance .
Chaque lment est un vecteur x appartient R
D
. La partition est faite de telle faon que les lments
lintrieur dun groupe sont les plus semblables possible, et les plus distincts des lments
appartenant dautres groupes. Le groupement est ralis en deux tapes : dabord, il faut dfinir les
k centres ou prototypes de chaque groupe ; ensuite, chaque lment est associ au groupe dont il est
le plus proche du centre.
Ainsi, chaque groupe est caractris par son centre v
k
et par les lments qui lui ont t associs. Le
centre du groupe est le point dans lespace D-dimensionnel qui minimise la somme de la distance de
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
103

tous les lments qui font partie du groupe. Ici, D correspond au nombre de caractristiques de
lespace de reprsentation.
Lalgorithme est utilis pour minimiser de la fonction objectif :

O D
kna
dfinit la mesure de distance entre lobjet x
n
et le prototype v
k
au sens dune mtrique dfinie
par la matrice A :

La forme des groupes est dtermine par le choix de la matrice A dans lquation prcdente. Un
choix trs commun est A=I, ce qui donne la distance euclidienne [BAB, 1998] :

Cette distance est la plus utilise dans lalgorithme des K-moyennes et elle induit une partition en
hyper-sphres de dimension D. un autre choix, pour A, est une matrice diagonale qui utilise les
variations dans les directions des coordonnes de lespace de reprsentation. Ceci produit la norme
diagonale et gnre des classes hyper-ellipsodales, parallles aux axes de lespace de reprsentation.
Finalement, A peut tre dfinie comme linverse de la matrice de covariance de lensemble X : A=M
-1

Dans cette quation, correspond la valeur moyenne de lensemble des lments X. dans ce cas, la
matrice A induit la norme de Mahalanobis dans lespace D. Avec cette norme, les classes sont
reprsentes par des hyper-ellipses dont lorientation est arbitraire, dfinie par les valeurs propres de
M, comme le montre la figure suivante (Figure 22) .

Figure 22 : Mesures de distance pour le regroupement (Babuska 1998)
Lalgorithme simplifi est donn ci-dessous :
Algorithme K-Moyennes (Babuska 1998):
Entre : K groupes (1<K<N)
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
104

1 choisir le centre initial des k groupes (alatoirement)
2 affecter chaque lment xn au groupe dont il est le plus proche
3 recalculer le centre vk de chaque groupe
4 rpter 2 et 3 jusqu ce que : stabilisation des centres ou nombre ditrations t (fix) atteint.
Mme sil peut tre dmontr que lalgorithme converge toujours, il ne trouve pas forcement la
configuration optimale, correspondant au minimum global de la fonction objective donne par
lquation (3). Ceci correspond un problme doptimisation multimodal .
5.3.2.5 Classification supervise
Lorsque loprateur connat a priori les modes rels de fonctionnement contenus dans lensemble
dapprentissage, nous parlons dun apprentissage dirig ou impos par lexpert. En effet, lexpert
tiquette les observations qui daprs lui, reprsentent le mieux les diffrents situations. De cette
faon, les paramtres de chaque classe seront une combinaison des caractristiques des
observations imposes par lexpert.
Nous allons expliquer une des mthodes les plus utilises dans le cas de la classification supervise.
5.3.2.6 Arbre de dcision
Nous nous sommes bass sur le mme travail de Kempowsky (Kempowsky 2004) afin de prsenter
cette partie.
Selon (Michie, Spiegelhalter et al. 1994) : Les arbres de dcision sont des outils puissants et trs
rpandus pour la classification et la prdiction . Ce qui les rend attractif est le fait quils peuvent tre
reprsents comme des rgles exprimes de faon interprtable. Dans des applications o
lexplication des causes ou des raisons dune dcision est cruciale, les experts ont besoin doutils qui
permettent de reconnatre et de valider les connaissances dcouvertes issues des donnes, dans le
contexte du diagnostic. Il existe une varit dalgorithme pour la construction des arbres de dcision
qui offrent la qualit dinterprtation souhaite.
Selon (Kempowsky 2004) : Les arbres de dcision sont des classificateurs avec une structure
arborescente. Ils ralisent une recherche top-down (de haut en bas). Chaque nud reprsente une
dcision, ou un test, effectuer sur un attribut donn des individus. Le nud initial sappelle racine.
Deux (ou plus) branches peuvent tre issues dun nud selon que la dcision prendre soit de type
binaire ou non. Les nuds intermdiaires sont des nuds de dcision. Les nuds terminaux se
nomment feuilles, et cest l que la dcision est prise pour affecter un individu une classe existante.
Les conditions principales, pour lextraction des connaissances partir de la construction darbres de
dcision, sont les suivantes (Figure 23):
- Les classes auxquelles les individus sont assigns doivent tre tablies lavance,
- Une quantit suffisante dexemples (individus) reprsentatifs des classes est ncessaire,
- Pour chaque nud de dcision, lattribut appropri doit tre choisi .
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
105

Figure 23 : Exemple d'un arbre de dcision (Kempowsky 2004)
Lalgorithme ID3 (et son successeur C4.5) de J.R Quinlan (Quinlan 1986) et lalgorithme CART
(classification And Regression Tree) (Duda, Hart et al. 2001) sont les algorithmes les plus connus
darbres de dcision. Le critre dvaluation dans lalgorithme ID3 est le choix dun attribut
examiner chaque nud de dcision. Le but est de choisir, dans tout lespace de reprsentation,
lattribut qui spare le mieux les individus de lensemble de lapprentissage. Pour choisir quel attribut
est le plus appropri, c'est--dire celui avec la distribution de classe la plus non-homogne (Mitchell
1997), lalgorithme emploie le concept dentropie, issu de la thorie de linformation. Lentropie
caractrise la puret, ou lhomognit, dune collection dindividus :

O :
- n
b
est le nombre dindividus dans la branche b dun attribut A de lespace de reprsentation,
- n
bk
est le nombre dindividus dans la branche b dun attribut pour la classe k,
- n
N
est le nombre total dindividus dans toutes les branches.
La procdure suivre est la suivante : dabord, il faut trouver la faon dont lattribut distribue les
individus dans les classes selon chaque branche. Ensuite, il faut calculer lentropie moyenne de chaque
attribut et choisir celui pour lequel lentropie est moindre ; il sera le premier attribut tre test. La
procdure de slection dun nouvel attribut et la partition des individus est rpte pour chaque
nud, en nutilisant que les individus associs au nud. Ainsi, les attributs qui ont dj t tests ne
sont pas inclus, de faon ce que chaque attribut soit test au moins une fois dans un des chemins
possibles. Ceci est fait jusqu ce que :
- Chaque attribut ait t dj inclus, ou que
- Les individus lis ce nud feuille aient tous la mme classe assigne (leur entropie est zro).
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
106

Il ny a aucune restriction pour la nature des donnes classifier : les arbres de dcision peuvent
manipuler des variables continues (discrtises) et symboliques. Un autre avantage des arbres de
dcision est leur capacit gnrer des rgles comprhensibles, tout en ralisant la classification sans
exiger beaucoup de calcul. Ils fournissent une indication claire sur les attributs les plus reprsentatifs
pour la classification ou la prvision. Un inconvnient des arbres de dcision est que la plupart dentre
eux examinent seulement un champ (attribut) la fois. Dailleurs, ils peuvent tre informatiquement
coteux dans leur construction, de par leur croissance combinatoire .
5.3.2.7 Apprentissage supervis-actif
Nous pouvons constater quentre lapprentissage dirig et lauto-apprentissage il existe une
troisime situation dapprentissage pour laquelle une information partielle sur les donnes
dapprentissage est disponible. En fait, lexpert na pas besoin dtiqueter toutes les observations de
lensemble dapprentissage, il peut laisser des lments sans classe, soit parce quil considre que
certains ne sont pas assez reprsentatifs, soit parce quil ne possde pas les connaissances pour
dterminer si ces lments correspondent un type de comportement.
A ce moment-l, lalgorithme dapprentissage peut effectuer une premire classification pour obtenir
les paramtres de classes. Ensuite, les observations qui nont pas t attribues une classe seront
utilises, soit pour faire voluer les classes existantes, soit pour en crer de nouvelles.
Cette mme procdure peut tre ralise dune autre faon : dans un premier temps, un auto-
apprentissage donnant lieu une classification est ralis. Dans un deuxime temps, laide dun
nouveau jeu de donnes, un autre apprentissage est effectu, celui-ci autorisant la modification
et/ou la cration des classes obtenues prcdemment.
5.4 Approche propose pour la classification des produits
A la lumire de ltat de lart prsent prcdemment, il est temps de situer notre approche par
rapport aux mthodes prsentes.
La dmarche complte dexploitation des donnes peut se rsumer en quatre phases, selon les
travaux de Liu et Motoda (Liu and Motoda 1998) (Figure 24):

Figure 24 : Les 4 phases de l'exploitation des donnes

Acquisition Prtraitement Fouille de donnes Post-traitement
Collecte des
donnes brutes
Slection des
donnes afin de
crer un ensemble
de donnes
Choix de la
modlisation
adquate et de la
mthode utiliser
Evaluation et
interprtation des
rsultats
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
107

L'acquisition de donnes correspond la collecte des donnes partir de multiples sources
d'information et dans diffrents formats. Dans notre cas, nous prsenterons une tude de la chaine
logistique de distribution de mdicaments. Nous avons rcupr les donnes brutes de la pharmacie
dtablissement de lhpital Croix-Rousse de Lyon.
Le prtraitement consiste slectionner les donnes afin de crer un ensemble de donnes
homognes et pouvant tre traites. Nous nous intresserons aux donnes lies aux mthodes de
gestion des produits dans le stock et le transport. Nous dfinissons partir de ces donnes des
critres de classification pour les utiliser dans la phase suivante. Ce travail sera dcrit dans le
paragraphe 5.4.1.
La fouille de donnes consiste slectionner la mthode utiliser et son application. Nous nous
basons sur des outils de classification supervise (les arbres de dcision) et non supervise (la
mthode de coalescence (K-moyenne)).
Le post-traitement consiste valuer et interprter les rsultats obtenus. Les rsultats de la phase
prcdente sont sous la forme de classes de produit affects des politiques de
rapprovisionnement. Nous traitons ces classes pour crer des familles de produits pour la mise en
uvre des politiques.
Nous rappelons que notre objectif nest pas de proposer une nouvelle mthode de classification dans
le domaine de la fouille de donnes, mais plutt dappliquer les mthodes slectionnes et dfinies
prcdemment pour rsoudre le problme de classification des produits afin de crer des classes
homognes et de proposer un outil de classification automatique du reste des produits. Loriginalit
de notre approche est de combiner ces outils du domaine de la fouille de donnes pour rpondre
un problme dans le domaine de la logistique. En effet, le but de notre travail est de classer les
produits prsents dans le stock afin dassurer une certaine homognit dans chaque classe, ceci
nous permettra par la suite de (i) affecter plus aisment une politique de rapprovisionnement pour
chaque classe en se basant sur les caractristiques de chacun, (ii) classer automatiquement les
nouveaux produits en se basant sur un arbre dcisionnel dduit des rsultats ultrieurs et (iii) dfinir
des familles de produits pour la mise en uvre de ces politiques.
Nous avons essay de proposer une classification qui rponde aux hypothses suivantes :
- Le choix du nombre de classes cres est fix a priori
- Une forte cohsion intra classe et une nette sparation interclasse est assure
- Elle permet de traiter aussi bien les donnes de descriptions classiques (numriques et
catgorielles) que les donnes de descriptions symboliques (ensembles de valeurs)
- Elle fournit une reprsentation des classes de la partition obtenue
- Elle permet dobtenir un taux lev de produits correctement classs par larbre de dcision
Ces hypothses nous ont amens considrer de plus prs les mthodes de classification base de
la fouille de donne, qui nous ont sembl ouvrir dintressantes opportunits pour la problmatique
de classification des produits dans le domaine logistique.
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
108

5.4.1 Critres de classification des produits
Nous avons constitu une famille de critres traduisant les aspects pertinents du problme de
dcision. Les critres sont des expressions quantitatives de points de vue ou dobjectifs, ou
daptitudes ou de contraintes relatives au contexte rel, qui permettent dapprcier des alternatives
(Simos 1989). Lensemble des critres doit possder certaines proprits : exhaustivit, non
redondance, cohrence, indpendance, (Roy and Bouyssou 1993). De plus, ces critres doivent
possder deux qualits importantes : tre lisibles, c'est--dire ils doivent constituer un nombre
suffisamment restreint pour quil soit possible de raisonner sur cette base et tre oprationnels,
c'est--dire tre accepts comme la base de travail pour la suite de ltude (Mousseau, Roy et al.
2000).
En effet, le choix des critres de classification est bas sur ces recommandations thoriques et sur
des besoins pratiques. Ces besoins sont dduits des caractristiques logistiques des produits qui
peuvent orienter les experts dans le choix de la politique dapprovisionnement.
Face aux problmes de loptimisation combine des stocks et de transport, de la gestion multi-
produits, dune demande alatoire, Nous devons couvrir ces aspects afin de dfinir des critres
permettant par la suite de crer des classes de produits vrifiant des caractristiques similaires.
En effet, nous avons dfini sept critres destins nous orienter dans le choix de la politique de
rapprovisionnement pour chaque classe cre. Principalement, ces critres utiliss dans les deux
chapitres prcdents, couvrent les aspects stock, transport et demande.
Les critres sont :
C1 : frquence optimale de livraison unitaire (individuelle) : ce critre nous permet de traiter laspect
temporel et organisationnel dune politique de rapprovisionnement. En effet, la gestion dun
ensemble de produits suggre le regroupement de ces produits en une seule commande, do la
ncessit davoir une vision sur la frquence de livraison pour dcider de la priode de
rapprovisionnement.
C2 : ratio 1 = cart type de la demande / moyenne de la demande : ce ratio permet davoir une
visibilit sur la variabilit de la demande et par la suite sur les quantits quil faudrait commander et
stocker.
C3 : dlai de livraison : pour optimiser le dlai de rapprovisionnement dune classe de produits, il
faut les regrouper de telle sorte que lensemble des produits dune famille aient un dlai de livraison
similaire.
C4 : prix des produits : ce critre peut tre important pour prendre plusieurs dcisions en liaison
directe avec la manire de grer les produits dans le stock. Les cots des produits interviennent dans
le calcul des cots de possession de ces produits, des cots de rupture,
C5 : dlai de premption : cest un critre discriminant pour regrouper les produits qui ont le mme
dlai de premption. Ce critre intervient pour calculer les priodes pendant lesquelles les produits
peuvent tre gards dans les stocks.
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
109

C6 : ratio 2 = Cot possession / Cot de rupture : ce critre nous permet de dcider si nous devons
disposer de stocks de scurit car les cots de rupture sont nettement suprieurs aux cots de
possessions ou si nous prenons le risque de garder le minimum de quantit et acceptons de payer les
cots de rupture en cas de commande non satisfaite.
C7 : ratio 3 = Cot de passation de commande / Cot produit : ce ratio nous guide dans le choix de
regroupement du maximum de produits dans une mme commande afin de minimiser le cot de
passation de commande rapport larticle, ou au contraire, de grer ces produits sparment.
5.4.2 Cration des classes de produit
Dans cette partie du processus de classification, nous nous sommes bass sur la mthode K-moyenne
de classification non supervis prsente prcdemment.
Cette mthode nous donne la possibilit de dfinir le nombre de cluster lavance. Le choix du
nombre de classes de produits est dterminant dans la suite du processus de classification et de
spcification dans ltape daffectation des politiques de rapprovisionnement. Deux solutions
peuvent tre envisages : soit adopter un nombre minimum de clusters et affecter chacun une
politique, soit adopter un grand nombre de clusters et affecter par la suite une politique un ou
plusieurs clusters.
Dans la suite, nous retenons la premire solution qui nous vite une deuxime classification pour
regrouper les clusters avant de les affecter aux politiques. Cette deuxime classification prsente
linconvnient majeur damplifier lintervention des experts du domaine pour tudier tous les
clusters crs.
5.4.3 Attribution des politiques de rapprovisionnement pour chaque classe de produits
Chaque classe est reprsente par la moyenne calcule des valeurs normalises des critres
quantitatifs. Ceci donne les caractristiques de chaque classe par rapport lensemble des critres, A
partir des caractristiques de chaque classe de produit, le gestionnaire peut dterminer quels sont
les critres les plus discriminants dans lespace de reprsentation, c'est--dire ceux qui ont le plus
dinfluence dans la caractrisation des classes. Pour ce faire, il est possible de calculer lentropie de
chaque critre par rapport chaque classe. Ainsi le critre avec la plus petite entropie sera le plus
discriminant, et celui avec la plus grande entropie est celui qui apporte le moins dans la
caractrisation des classes de produits.
Comme nous lavons prcis dans le paragraphe Classification non supervise , lauto-
apprentissage permet linterprtation des classes en termes de modes de fonctionnement ou dtats
fonctionnels. En effet, certaines classes obtenues prsentent parfois des caractrisations trs
proches et le gestionnaire peut dcider daffecter ces classes une seule classe. Pour raliser
lagrgation des classes dans une seule classe significative, le gestionnaire peut alors sappuyer sur la
reprsentation graphique des caractristiques des classes et de la similitude des valeurs par rapport
chaque critre. Lobjectif est de donner lexpert des moyens pour mieux exploiter les rsultats de
la classification lors de linterprtation et la validation des classes.
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
110

Les rsultats de cette tape sont :
- Cration des classes de produits homognes par rapport lensemble des critres
- Affectation des politiques de rapprovisionnement pour chaque classe
Laffectation des politiques de rapprovisionnement aux classes de produits ncessite aussi une
connaissance de la typologie de ces politiques. Dans le cas o une ou plusieurs classes de produits
prsentent des caractristiques qui nentrent pas dans le cadre des politiques classiques, il va falloir
identifier ces classes, les analyser et proposer la politique la plus adapte.
5.4.4 Classification automatique des produits
Aprs avoir cr des classes de produits homognes et affect de politiques de rapprovisionnement
chacune dentre elles, nous proposons un outil de classification pour classer le reste des produits
ou les nouveaux produits dune faon automatique.
Pour ce faire, nous nous sommes bass sur les arbres de dcision prsents prcdemment comme
outil de classification supervise et expliqus dans la thse de L.Pichot (Pichot 2006) qui a fait sa
thse au sein de notre laboratoire.
Un arbre de dcision est une reprsentation graphique d'une procdure de classification. Il est
constitu de trois types dlments : les nuds, les branches, et les feuilles. Chaque nud reprsente
un sous-ensemble de produits et est associ un critre, chaque branche est associe lune des
modalits de ce critre.
Les feuilles, ou nuds terminaux, reprsentent les diffrentes classes dappartenance des produits.
Soient (Figure 25):
i
: lensemble des produits associs la feuille i
F
i
: la feuille tiquete i
N
j
: le nud j
A
j
: le critre associ au nud j
m
k
j
: la modalit k du critre j

Figure 25 : exemple darbre de dcision (Pichot 2006)

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
111

Afin de classer un nouvel produit, larbre est parcouru en partant de la racine. Le critre
correspondant au nud est test et la branche correspondant la sortie approprie est alors choisie.
Le processus est ritr jusqu ce quune feuille soit rencontre et le produit alors identifi comme
appartenant la classe dsigne par la feuille.
Le principe est de diviser les produits de l'ensemble de lchantillon dapprentissage par des tests
dfinis laide des critres jusqu ce que lon obtienne des sous-ensembles de produits ne contenant,
peu derreur prs, que des produits appartenant tous une mme classe.
Les diffrentes tapes de construction dun arbre de dcision sont les mmes pour toutes les
mthodes (Pichot 2006):
- Etat initial : larbre est vide, le nud courant est la racine (comprenant lensemble des produits)
- Etape 1 : dterminer si le nud courant est terminal, si cest le cas, tiqueter le nud courant
comme une feuille. Le nud courant est terminal s'il n'y a plus de critres disponibles, c'est--dire
que sur le chemin menant de la racine au nud courant tous les tests disponibles ont t utiliss
tous les produits du nud courant sont dans une mme classe.
- Etape 2 : slectionner un test associer un nud et crer un sous arbre. Le choix du test est
effectu laide de fonctions mesurant " le degr de mlange " des diffrentes classes.
- Etape 3 : choisir un nud non tudi et rpter le processus ltape 1 jusqu lobtention dun
arbre de dcision.
- Etape 4 : laguer larbre de dcision obtenu. L'objectif de la phase d'lagage est de diminuer la
taille de larbre. Cette opration revient dtruire les sous arbres afin dobtenir un arbre ayant un
meilleur pouvoir de gnralisation.
Les arbres de dcision sont recommands dans le cas o les variables de classification ont des
pouvoirs discriminants plus ou moins importants et identifiables .
Les rsultats de cette tape se rsument dans la cration de larbre de dcision qui permettra par la
suite de classer le reste des produits dune faon automatique. Cette solution prsente des
avantages du point de vue efficacit et du point de vue temps dexcution.
5.5 Cration des familles de produits
Laffectation des politiques dapprovisionnement aux classes de produits est une tape prliminaire
qui doit tre suivie au niveau oprationnel danalyse de chaque classe en vue de grouper les produits
en familles homognes. Ce regroupement en familles de produits est ncessaire dans le cas dun
approvisionnement multi produits. En effet, les produits formant la mme famille doivent rpondre
quelques exigences afin de permettre leur rassemblement dans une mme commande.
Les familles dune mme classe de produits vont tre gres par la mme politique de
rapprovisionnement.
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
112

Cette structuration en familles de produits est base sur une classification hirarchique par rapport
un certain nombre de critres discriminants. Ces critres identifient des groupes de produits dans
chaque classe rendant leur gestion commune ralisable.
Les critres utiliss :
- Source dapprovisionnement : le regroupement des approvisionnements ne peut tre fait que
pour des produits provenant dun mme fournisseur.
- Frquence de rapprovisionnement : dans le but de retenir une mme priode de
rapprovisionnement pour un ensemble de produits, il est important de grouper les produits
ayant des frquences optimales dapprovisionnement similaires.
- Dlai de livraison : ce critre peut tre fondamental dans le choix dune politique. En effet, nous
distinguons principalement trois types de familles de produits. La famille regroupant des produits
dlai de rapprovisionnement nul, dlai court et dlai important.
5.6 Dploiement dun exemple
Afin dillustrer ces principes et mthodes, nous allons dvelopper un exemple du processus de
classification et de cration de familles de produits.
5.6.1 Critres de classification
Dans cet exemple nous avons tudi des donnes relles rcupres de la pharmacie
dtablissement de lhpital Croix-Rousse de Lyon. Nous avons analys ces donnes et avons pu
extraire un chantillon de 200 produits pharmaceutiques avec leurs caractristiques au regard des
critres de classification utiliss.
Le tableau ci-dessous (Tableau 13) prsente quelques statistiques sur les valeurs numriques
considres. Ces rsultats sont obtenus en se basant sur des outils de calcul dExcel.

Tableau 13 : Base de donnes des produits
Min Max Moyenne Ecart type
moyen
C1 : frquence optimale de livraison unitaire 1 8 3,45 2
C2 : ratio 1 = cart type de la demande / moyenne de la
demande
0.16 3 1 0.66
C3 : dlai de livraison 0 8 3.06 2.338
C4 : Cot des produits 10 100 40 24.804
C5 : dlai de premption 2 12 6,78 3,13
C6 : ratio 2 = Cot possession / Cot de rupture 0,4 2.4 1,35 0.62
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
113

C7 : ratio 3 = Cot de passation / Cot produit 0.06 0,5 0.27 0.11

Nous utilisons le logiciel Weka pour appliquer la dmarche de classification propose. Ce logiciel
est trs riche, programm en JAVA, donc potentiellement excutable sur tous les systmes
d'exploitation. Le contenu scientifique est trs solide, il fait rfrence chez les chercheurs dans le
domaine de l'apprentissage automatique. Les principaux points forts de ce logiciel sont (Lechevallier
2010):
- Un logiciel libre (en particulier gratuitement) disponible sous la licence publique gnrale GNU,
- Un logiciel trs portable car il est entirement implment en Java et donc fonctionne sur
quasiment toutes les plateformes modernes, et en particulier sur quasiment tous les systmes
d'exploitations actuels.
- Un logiciel complet, il contient les prprocesseurs de donnes et des techniques de
modlisation,
- Un logiciel facile utiliser par un novice en raison de l'interface graphique qu'il contient.
La figure suivante (Figure 26) prsente une vue statistique de nos produits par rapport aux critres
de classification.

Figure 26 : Les critres de classification
Le bloc A : nous retrouvons les sept critres de classification.
Le bloc B : nous retrouvons des informations sur les produits par rapport au premier critre
slectionn dans le bloc A.
Le bloc C : nous retrouvons la distribution des cots des produits.
La Figure 27 montre la distribution de tous les produits par rapport lensemble des critres. Nous
remarquons que les produits prsents dans la base de donnes sont trs htrognes par rapport
A
B
C
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
114

ces critres de classification, ce qui justifie une tude de classification pour retrouver une certaine
homognit dans les classes cres.

Figure 27 : Distribution des produits par rapport tous les critres

5.6.2 Cration des classes de produits dans lexemple
La Figure 28 donne les caractristiques des classes obtenues aprs un apprentissage dirig. Il y a
quatre classes, chaque classe est caractrise par une moyenne de chacun des sept descripteurs.
Le bloc A : dans cette zone, nous pouvons choisir la mthode de classification non supervise, dans
notre cas la mthode k-means. Nous pouvons aussi choisir le nombre de cluster souhaits.
Le bloc B : ce bloc prsente le rsultat de classification, nous retrouvons les quatre clusters {0, 1, 2,
3}, ainsi que le nombre de produits dans chacun {35, 54, 51, 60} respectivement.
Nous retrouvons aussi toutes les informations caractrisant chaque famille de produits. Ces
informations sont prsentes sous la forme dune moyenne par rapport chaque critre de
classification.
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
115

Figure 28 : cration de clusters

La Figure 29 donne la distribution des produits par rapport au critre prix dans les quatre clusters
crs.

Figure 29 : Distribution des produits par rapport au critre prix
5.6.3 Affectation des politiques de rapprovisionnement
Laffectation dune politique de rapprovisionnement une classe de produit rsultant de cette
classification est une tche trs dlicate qui exige des connaissances du domaine logistique et de
diffrentes mthodes de rapprovisionnement. En effet, cette classification propose des classes
B
A
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
116

homognes par rapport lensemble des critres, il va falloir trouver un quilibre pour dcider du
type de la politique utilise pour chaque classe.
Si nous observons les caractristiques de chaque classe cre, nous pouvons faire quelques
suggestions en vue de dfinir des politiques adquates. Nous pouvons galement identifier les
classes de produits tudies dans les deux chapitres prcdents.
- Classe 1 (cluster 2) : les critres les plus discriminants dans cette classe sont :
- C1 (frquence optimale de livraison) : cette classe prsente la moyenne la plus faible par
rapport ce critre. Largement au-dessous de la moyenne de tous les produits prsents,
cette caractristique nous informe que cette classe rassemble les produits qui ont une
frquence optimale de livraison faible. Le regroupement par famille des produits pour cette
classe permet daugmenter leur frquence dapprovisionnement et donc de rduire les
stocks.
- C4 (cot des produits) : cette classe regroupe les produits les plus chers avec une moyenne
trs suprieure la moyenne de lensemble des produits. Ceci a un impact, dune part sur le
le ratio associ au sixime critre (C6), et dautre part, sur le septime critre (C7), ce qui
explique que la moyenne de ce dernier critre est la plus faible.
- C5 (dure de vie) : cette classe regroupe les produits avec des dures de vie limites. Cette
caractristique oblige le gestionnaire de proposer une politique de rapprovisionnement qui
limite la dure de possession des produits dans le stock pour ne pas avoir des produits
prims.
Cette classe de produits correspond aux critres tudis dans le quatrime chapitre. Nous pouvons
affecter donc la politique propose dans ce chapitre cette classe de produits que nous noterons
politique 2.
- Classe 2 (cluster 1 & 0): cette classe regroupe les produits les plus consomms. La frquence
optimale de livraison (C1) est la plus leve pour les quatre classes cres. Le critre C5 (dure
de vie) montre que cette classe regroupe des produits qui ont des dures de vie leves. Le ratio
du sixime critre est le plus faible par rapport aux quatre classes, ce qui implique que le cot de
possession est faible par rapport au cot de rupture.
Nous pouvons conclure pour cette classe que tous les critres suggrent lutilisation dune
politique de rapprovisionnement priodique. Ce systme a t largement tudi dans la
littrature et ne fait pas lobjet dune tude approfondie dans cette thse. Nous noterons la
politique associe chaque classe par politique 3 pour le cluster 0 et politique 4 pour le cluster 1.
- Classe 3 (cluster 3): cette classe rassemble les produits consommation (C1) et variabilit (C2)
moyenne. Le dlai de livraison est faible mais suprieur la classe de produits dans le cluster 2.
Cette classe regroupe des produits aux prix assez levs mais videmment moins chers que les
produits de la classe 1. Ce qui influence directement les moyennes des deux derniers critres qui
sont proches des moyennes de lensemble des produits. Tandis que le dlai de premption est un
peu au-dessous de la moyenne, suprieur la moyenne du cluster numro 2, et infrieur aux
moyennes dans les deux autres clusters.
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
117

Cette classe de produits correspond aux critres tudis dans le troisime chapitre. Nous pouvons
affecter donc la politique propose dans ce chapitre cette classe de produits que nous noterons
politique 1.
5.6.4 Cration de larbre de dcision
Dans la Figure 30, nous reprsentons larbre de dcision, cet arbre est constitu par 10 niveaux et 19
feuilles. Plusieurs chemins peuvent aboutir une seule politique, ce qui explique le nombre de
feuilles finales.

Figure 30 : Arbre de dcision

Nous montrons dans la figure suivante (Figure 31) quelques rsultats statistiques de la cration de
larbre de dcision. Nous remarquons principalement que le pourcentage des lments classs
correctement est gal 97%, ce qui reprsente un taux satisfaisant dans le domaine logistique et
particulirement pour laffectation des nouveaux produits leurs politiques convenables en se
basant sur cette arbre de dcision.
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
118

Figure 31 : Paramtres statistiques sur l'efficacit de l'arbre de l'arbre de dcision
5.6.5 Cration des familles de produits dans lexemple
En analysant chaque classe de produits, nous pouvons constater que nous avons regroup les
produits en familles homognes afin de dfinir pour chacune une politique de rapprovisionnement.
Nous prcisons que la cration de familles de produits nest obligatoire que pour les produits grs
de manire collective ce qui correspond aux cas traits aux chapitres 3 et 4. Lorsque les produits sont
grs individuellement, le rattachement dun produit une classe est suffisant.
Une sous classification en familles de produits est envisageable dans chaque classe pour mettre en
place les politiques de rapprovisionnement.
- Source dapprovisionnement : Pour les produits des classes 1 et 3, le regroupement en famille
impose que les produits soient commands chez le mme fournisseur. On peut ds lors associer
une (ou plusieurs) famille de produits chaque fournisseur.
- Frquence de consommation : nous pouvons considrer aussi que les produits de la mme
famille ont la mme moyenne de consommation afin de calculer plus facilement une priode de
rapprovisionnement.
- Dlai de livraison : dans le cas de la politique propose dans le chapitre 4, nous regroupons tous
les produits de cette famille qui peuvent tre rapprovisionns avec un dlai de livraison nul.
Dans le cas de la premire politique propose (chapitre 3), il suffit de regrouper les produits
ayant des dlais courts et gaux.
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
119

5.7 Conclusion
Le but de ce chapitre est de prsenter une dmarche permettant lattribution de politiques
dapprovisionnement aux produits et leur ventuelle classification en famille. Le problme que nous
avons rencontr vient du fait que le nombre de produits est assez important (contexte multi-
produits). Mettre en place des politiques de rapprovisionnement dans un tel contexte est difficile.
En fait, soit on choisit une politique assez gnrique pour lensemble des produits, soit des politiques
trs spcifiques pour chaque produit. Dans les deux cas, la gestion des produits va tre trs difficile
avec un grand risque derreur et un manque de fiabilit dans les dcisions.
En se basant sur ce constat, notre proposition est de considrer lensemble des produits, analyser cet
ensemble et le structurer en plusieurs sous ensemble auxquels sont attribus des politiques
adquates. Ce choix est lorigine du travail effectu dans ce chapitre pour une classification multi
critres de produits en familles homognes.
Dans cette optique, la premire partie de ce chapitre a t consacre une synthse bibliographique
des diffrentes mthodes classiques de classification dans le domaine logistique. Puis, un tat de lart
sur les outils de classification inspirs du domaine de la fouille de donnes a t prsent.
Nous nous sommes bass dans un premier temps sur la classification supervise et plus
particulirement sur la mthode de coalescence k-moyenne pour crer des familles de produits
homognes. Les clusters crs dans cette tape sont analyss par des experts du domaine logistique
pour affecter une politique de rapprovisionnement chaque famille. Dans un deuxime temps,
nous avons propos un outil de classification supervise (arbre de dcision) afin daffecter aux
nouveaux produits la politique dapprovisionnement la plus adapte.
Nous avons prsent en fin de chapitre un exemple complet bas sur des donnes relles
pharmaceutiques pour montrer la faisabilit et lefficacit de la mthode de classification propose.
Dans la suite de ce rapport, nous nous basons sur cette tude de validation et dexprimentation afin
de mettre en uvre de la dmarche tudie dans cette thse sur le cas de la pharmacie
dtablissement Croix-Rousse de Lyon.

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
120

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

121

Chapitre 6 : Analyse des deux politiques
proposes : performance et sensibilit
SOMMAIRE

Chapitre 6 : Analyse des deux politiques proposes : performance et sensibilit ...... 121
6.1 Introduction ..................................................................................................................... 122
6.2 Analyse de la politique propose dans le troisime chapitre ......................................... 122
6.3 Analyse de la politique propose dans le quatrime chapitre ........................................ 130
6.4 Conclusion ....................................................................................................................... 138

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
Chapitre 6 : Exprimentation et validation
122

6.1 Introduction
Nous valuons dans ce chapitre les performances de nos politiques de rapprovisionnement
proposes dans le troisime et quatrime chapitre.
Les exprimentations sont conduites afin de dterminer les contextes dapplication ainsi que les
performances de chaque politique par rapport certains paramtres dcisionnels dans le domaine
de la gestion des approvisionnements.
Les paramtres retenus sont les suivant : prix de produits , caractristique de la demande et
diffrence entre le cot de passation de commande urgente et normale .
6.2 Analyse de la politique propose dans le troisime chapitre
Nous ralisons cette tude exprimentale afin de montrer lapport dune politique propose par
rapport une politique de rfrence, et ce, en faisant varier plusieurs paramtres dentre utiliss
dans nos simulations.
Nous nous sommes bass sur les mmes quations de calculs de cots logistiques et sur les mmes
simulateurs que ceux utiliss dans le troisime chapitre (la mme politique de rfrence (R, S) mono-
produit). Nous faisons varier dans chaque simulation un seul paramtre et gardons le reste des
paramtres dans leurs intervalles indiqus dans les hypothses de dfinition de la politique.
6.2.1 Slection de la classe de produits
Nous rappelons que la classification des produits en classes homognes, ralise dans le cinquime
chapitre est faite partir des donnes relles extraites de la base de donnes de la pharmacie de
lhpital Croix Rousse.
Comme indiqu, la classe de produits tudie dans le troisime chapitre nest pas homogne (grande
varit des cots et de la demande selon les produits) et regroupe de fait tous les produits livrs par
un mme fournisseur. Tous ces produits partagent nanmoins les caractristiques suivantes :
- Une demande alatoire et rptitive : cette caractristique est reprsente par le deuxime
critre de classification.
- Un dlai de livraison constant : cette caractristique est reprsente par le troisime critre. Le
dlai est un peu suprieur deux units de temps.
- Une dure de vie moyenne des produits : cette caractristique est reprsente par le cinquime
critre. Ce dlai nest ni le plus court ni le plus lev. Il correspond un dlai limit qui exige des
conditions particulires dans la dfinition de la politique de rapprovisionnement.

Dans le tableau ci-dessous (Tableau 14), nous rsumons les valeurs numriques caractrisant la
classe (classe 3) des produits obtenue aprs classification.

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
123

Tableau 14 : valeurs des caractristiques de la classe de produits
Valeurs
C1 : frquence optimale de livraison unitaire 2,566
C2 : ratio 1 = cart type de la demande / moyenne de la demande 0,97
C3 : dlai de livraison 2.38
C4 : cot des produits 40,5
C5 : dlai de premption 5,76
C6 : ratio 2 = Cot possession / Cot de rupture 1,15
C7 : ratio 3 = Cot de passation / Cot produit 0.22

6.2.2 Caractrisation de la famille de produits retenu
Nous avons effectu ces simulations sur une famille de produits pour laquelle :
- La frquence de rapprovisionnement est gale 3 units de temps.
- Le dlai de livraison est gal 2 jours (2 unit de temps).
6.2.3 Analyse par rapport au paramtre prix de produit
Nous ralisons une tude de sensibilit par rapport au paramtre prix des produits afin de
montrer les gains raliss par la politique propose pour plusieurs intervalles distincts de prix.
Nous ralisons des simulations en faisant varier ce paramtre afin de calculer le cot logistique total
de la politique de rfrence ainsi que la politique propose. Nous dduisons entre autre les
pourcentages de gains raliss dans chaque intervalle de prix.
Nous ralisons des simulations selon 5 cas diffrents montrs dans la figure suivante (Figure 32):
- Les prix des produits varient dans lintervalle [10 .. 30]
- Les prix des produits varient dans lintervalle [30 .. 50]
- Les prix des produits varient dans lintervalle [100.. 120]
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
124

Figure 32: comparaison des gains pour chaque intervalle de prix de produits
5,5%
6,7%
5,6%
6,5%
5,0%5,0%
7,0%
8,6%
8,2%
7,2%
0,0%
1,0%
2,0%
3,0%
4,0%
5,0%
6,0%
7,0%
8,0%
9,0%
10,0%
s1 s2 s3 s4 s5 s6 s7 s8 s9 s10
[10..30]
4,3%
6,1%
6,7%
4,7%
6,7%
4,3%
3,9%
2,9%
5,9%
4,5%
0,0%
1,0%
2,0%
3,0%
4,0%
5,0%
6,0%
7,0%
8,0%
s1 s2 s3 s4 s5 s6 s7 s8 s9 s10
[30..50]
4,7%
2,3%
3,0%
3,9%
3,4%
3,5%
5,2%
2,7%
2,8%
3,6%
0,0%
1,0%
2,0%
3,0%
4,0%
5,0%
6,0%
s1 s2 s3 s4 s5 s6 s7 s8 s9 s10
[100..120]
1,8%
2,2%
2,1%
2,2%
1,7%
3,0%
2,0%
1,6%
1,2%1,2%
2,4%
0,0%
0,5%
1,0%
1,5%
2,0%
2,5%
3,0%
3,5%
s1 s2 s3 s4 s5 s6 s7 s8 s9 s10
[200..220]
1,1%
1,8%
1,8%
1,6%
1,4%
1,4%
1,3%
1,1%
0,9%
1,7%
0,0%
0,2%
0,4%
0,6%
0,8%
1,0%
1,2%
1,4%
1,6%
1,8%
2,0%
s1 s2 s3 s4 s5 s6 s7 s8 s9 s10
[300..320]
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
125

Les gains diminuent proportionnellement laugmentation des prix des produits. Dans le premier et
le deuxime cas o les prix sont faibles, les gains sont considrables (moyenne des gains de 6,5%
dans le premier cas), tandis que dans les deux derniers o les prix sont trs levs, les gains sont
faibles avec une moyenne de 1,3% pour le dernier cas.
Cette diminution en pourcentage des gains rsulte du fait que la mutualisation est dautant plus
intressante que les cots des produits sont faibles, les cots de passation de commande et de
transport tant alors proportionnellement plus levs. De plus dans ce cas les commandes anticipes
de produits peuvent provoquer des cots supplmentaires qui dpassent les cots de passation de
commande en cas de rupture.
6.2.4 Analyse par rapport aux paramtres de la demande
Nous effectuons une deuxime analyse de sensibilit par rapport aux paramtres de la demande,
savoir la moyenne et lcart type. Nous allons tudier les variations des cots logistiques par rapport
la variation de lcart type de la demande. Nous avons ralis ces simulations en nous basant sur
les mmes valeurs numriques utilises dans le troisime chapitre, et en dfinissant quatre cas
diffrents :
Cas I.1 : les simulations sont ralises avec 470 gnrations de demande avec une priodicit T=6. Ce
qui donne un horizon de simulation de 78 priodes. Dans ce cas, la moyenne est gale lcart type
et varient dans lintervalle [1..50].
Nous reprsentons dans la figure (Figure 33) la variation des cots logistiques de la politique
propose ainsi que la politique de rfrence. Pour chaque simulation, nous calculons aussi le gain
ralis.
Cas I.1 : 10 produits avec une moyenne gale lcart type variant entre 5 et 50

Figure 33 : 1
er
cas : variation des cots logistiques
P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 p. propose rfrence % de gain I.1
I.1 50 5 30 50 45 45 40 35 40 15 124 978 132 255 5,5%
I.1 30 10 40 20 40 45 40 5 25 20 99 610 104 668 4,8%
I.1 20 40 40 25 15 45 35 35 25 25 106 020 112 415 5,7%
I.1 50 35 20 5 45 5 50 15 25 15 92 649 96 882 4,4%
I.1 10 20 25 30 45 40 25 35 50 50 127 699 134 060 4,7%
I.1 35 40 40 10 15 10 15 10 25 20 76 259 81 300 6,2%
I.1 50 10 25 20 35 25 35 25 35 15 99 598 105 081 5,2%
I.1 50 30 25 35 25 25 45 10 15 40 100 688 106 191 5,2%
I.1 35 30 5 20 50 10 10 5 30 5 75 895 80 905 6,2%
I.1 30 35 35 30 10 30 15 25 50 15 102 054 109 057 6,4%
I.1 50 35 20 40 20 10 35 50 10 10 95 059 100 207 5,1%
I.1 30 40 35 5 45 5 5 20 50 25 94 248 98 109 3,9%
I.1 20 30 45 10 25 5 25 40 30 10 90 844 95 252 4,6%
I.1 15 10 10 25 25 30 30 5 40 35 96 304 102 772 6,3%
I.1 50 30 5 30 30 40 40 40 5 10 97 990 104 083 5,9%
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
126

Cas I.2 : les simulations sont ralises avec 470 gnrations de demande avec une priodicit T=4. Ce
qui donne un horizon de simulation de 117 priodes. Dans ce cas, la moyenne est gale lcart type
et varient dans lintervalle [10..120].
ralis.

Figure 34 : 2
me
Cas II.1 : les simulations sont ralises avec 470 gnrations de demande avec une priodicit T=9.
Ce qui donne un horizon de simulation de 52 priodes. Dans ce cas, la moyenne est gale lcart
type et varient dans lintervalle [1..30].
ralis.

Figure 35 : 3
me
P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 p. propose rfrence % de gain I.2
80 40 10 40 10 40 90 10 30 80 130 723 139 834 6,5%
20 30 10 30 30 60 60 70 60 70 147 545 158 017 6,6%
10 40 20 40 50 50 90 50 100 30 158 810 168 760 5,9%
90 90 90 20 60 30 40 50 60 90 164 361 173 115 5,1%
100 10 90 40 80 100 40 80 90 10 170 231 180 128 5,5%
80 10 30 70 10 70 20 80 100 80 177 430 189 092 6,2%
70 50 20 50 90 80 60 20 10 90 150 893 163 326 7,6%
90 20 30 30 20 40 20 80 60 40 130 158 138 430 6,0%
70 60 40 20 30 10 90 20 10 70 120 612 129 133 6,6%
70 40 100 70 100 40 40 20 40 30 157 578 166 192 5,2%
100 60 80 90 100 50 20 30 70 30 154 988 164 251 5,6%
70 50 20 40 30 80 70 60 80 20 160 018 169 770 5,7%
70 60 50 100 100 30 100 10 90 60 180 514 192 305 6,1%
70 10 10 30 30 80 100 20 60 30 144 195 152 050 5,2%
80 50 80 80 80 50 100 70 80 50 180 972 193 393 6,4%
P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 P11 P12 P13 P14 P15 P16 P17 P18 P19 P20 propose rfrence % de gain
6 27 27 9 15 30 9 27 9 27 18 3 3 12 24 24 30 3 21 9 110 337 112 887 2,3%
9 27 12 6 9 24 6 21 15 9 15 24 30 24 27 3 6 21 30 27 119 055 120 824 1,5%
24 3 21 21 18 21 15 18 12 15 27 30 6 27 27 15 24 24 24 24 128 183 131 373 2,4%
6 15 30 21 21 15 21 6 3 30 21 30 27 3 30 24 18 15 27 27 133 054 136 597 2,6%
9 30 15 18 9 15 3 12 27 12 21 3 6 27 3 30 6 27 24 27 109 882 113 096 2,8%
3 9 15 6 21 30 3 3 30 21 9 30 15 24 18 21 18 30 27 24 129 341 132 896 2,7%
12 15 24 9 9 3 30 24 30 30 12 15 30 24 27 9 27 24 15 30 129 917 133 451 2,6%
24 12 30 21 18 15 15 30 21 12 12 6 12 15 18 15 6 9 21 18 107 673 109 028 1,2%
12 27 6 12 27 21 6 18 9 12 18 18 6 27 24 24 3 3 3 30 103 333 105 807 2,3%
12 30 27 6 30 24 24 30 21 24 15 27 12 15 12 30 3 12 21 24 121 972 126 628 3,7%
18 21 21 15 12 15 9 3 6 15 12 24 18 27 3 27 15 18 3 27 108 529 109 777 1,1%
18 6 15 18 30 6 9 15 18 21 9 18 18 9 6 21 21 21 21 30 115 134 117 652 2,1%
3 27 6 6 12 9 6 30 27 21 24 12 21 30 15 6 3 9 18 30 113 269 118 206 4,2%
24 30 9 6 3 9 24 27 3 27 9 15 6 27 9 30 15 12 15 18 107 177 108 963 1,6%
27 18 27 15 6 9 18 24 24 27 24 18 6 3 3 21 6 30 12 24 109 978 112 185 2,0%
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
127

Cas II.2 : les simulations sont ralises avec 470 gnrations de demande avec une priodicit T=9.
Ce qui donne un horizon de simulation de 52 priodes. Dans ce cas, la moyenne est gale lcart
type et varient dans lintervalle [1..60].
ralis.

Figure 36 : 2
me
La comparaison des gains raliss dans chaque contexte et fournie figure suivante (Figure 35). Le gain
maximal est obtenu dans le deuxime cas I.2 (10 produits avec une grande variation dans la
demande). Ensuite vient le cas I.1 (10 produits avec une variation plus faible) puis le cas II.2 (20
produits avec une grande variation de la demande). Le contexte le moins favorable est le cas II.1 (20
produits avec une variation plus faible).

Figure 37 : comparaison des gains dans les quatre cas
P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 P11 P12 P13 P14 P15 P16 P17 P18 P19 P20 propose rfrence % de gain
30 54 30 48 18 24 30 24 54 30 24 54 36 18 6 36 12 54 42 42 179 491 186 528 3,8%
60 30 6 6 12 12 6 30 6 6 48 60 60 60 6 18 60 60 60 36 199 626 204 332 2,3%
42 18 6 42 60 60 54 48 6 60 12 6 12 48 60 30 60 42 60 24 202 162 208 040 2,8%
54 60 6 6 48 6 6 54 12 54 54 36 54 24 42 36 54 60 12 54 203 516 209 605 2,9%
18 36 36 42 54 30 18 48 30 24 30 54 18 24 54 30 6 24 42 36 179 059 187 578 4,5%
48 36 24 24 36 60 18 54 48 6 54 24 12 42 18 6 24 48 36 12 169 412 172 537 1,8%
36 12 36 12 18 36 30 42 42 12 48 24 42 30 42 12 24 48 12 54 176 357 182 129 3,2%
12 24 30 48 54 54 18 36 12 60 60 36 24 48 48 24 42 24 30 6 181 228 183 963 1,5%
18 48 42 42 48 60 24 48 6 54 12 12 42 36 6 60 48 18 54 18 187 540 191 116 1,9%
48 18 12 18 36 60 42 60 30 24 54 36 60 42 36 6 54 6 30 6 182 679 185 975 1,8%
60 48 6 24 54 48 42 12 30 24 60 30 6 48 60 24 54 42 12 42 192 468 198 625 3,1%
30 54 24 48 18 60 30 30 18 6 6 48 6 36 36 18 54 24 60 54 180 745 191 452 5,6%
48 54 60 48 42 30 6 60 24 6 60 60 42 24 60 12 6 6 12 12 163 556 167 186 2,2%
24 60 12 24 42 54 18 18 12 30 54 54 36 30 24 42 42 12 18 36 174 108 178 234 2,3%
30 42 54 36 30 48 12 12 30 48 12 18 6 6 6 18 18 6 6 42 129 570 132 264 2,0%
18 48 30 48 18 48 24 18 12 48 54 12 30 30 36 6 12 60 6 18 161 284 166 437 3,1%
0%
1%
2%
3%
4%
5%
6%
7%
8%
s1 s2 s3 s4 s5 s6 s7 s8 s9 s10 s11 s12 s13 s14 s15
P
o
u
r
c
e
n
t
a
g
e

d
e

g
a
i
n
numro de simulation
% de gain II.1
% de gain II.2
% de gain I.1
% de gain I.2
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
128

En rsum, la politique propose est plus performante lorsque la variation de la demande est grande
et que la famille de produits est compose par un petit nombre de produits. Dans ce contexte, la
variation de demande provoque un nombre de rupture plus important et qui gnre un cot de
passation de commande supplmentaire. Ce dernier cot couvre le cot de possession de commande
supplmentaire dans le cas dune commande anticipe pour minimiser le risque davoir rupture de
stock. Dans un premier temps, au cours de la priode quand un produit dpasse le niveau s, la
commande passe tient en compte ce produit et tous les produits qui prsentent un risque
significatif davoir une rupture avant la fin de la priode. Dans un deuxime temps, quand nous
anticipons commander les produits de lensemble P
sur
et qui nous apporte un gain en cas de
commande par anticipation.
Nous allons tudier dans le paragraphe suivant, le cas dune demande variable en changeant la
valeur de lcart type. Nous avons ralis des simulations avec une moyenne m variant dans
lintervalle [5..50] et un cart type = 2 m. La figure suivante (Figure 38) montre les pourcentages de
gain sur les 32 simulations ralises.

Figure 38 : pourcentage de gain dans le cas = 2 m
Avec 8,2% de moyenne sur lensemble des simulations, les gains raliss dans ce contexte sont plus
importants que lors des tudes prcdentes. Ce qui signifie que la politique propose est plus
performante quand la variation de demande est plus grande et quand lcart type est trs lev.
6.2.5 Analyse par rapport au ratio : cot de commande urgente / cot commande normale
Dans ce paragraphe, nous analysons le comportement de la politique propose par rapport au ratio r
avec :

7,1%
8,5%
6,2%
7,2%
6,8%
7,0%
8,3%
9,3%
9,9%
6,1%
7,1%
7,3%
8,4%
7,5%
9,4%
8,8%
10,2%
8,0%
8,5%
7,4%
7,3%
9,0%
7,7%
9,4%
7,8%
9,1%
8,5%
8,3%
10,1%
8,3%
9,2%
8,4%
0,0%
2,0%
4,0%
6,0%
8,0%
10,0%
12,0%
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
129

La diffrence entre le cot dune commande urgente et une commande normale est trs significative
dans le calcul du cot logistique total dans les deux politiques. Limpact de ce ratio est important
puisque dans la politique propose ainsi que dans la politique de rfrence, on utilise les deux types
de commandes.
Le but est de trouver lquilibre entre la minimisation des ruptures de stock qui se transforment en
commandes urgentes, et laccroissement des quantits stockes.
La Figure 39 montre une comparaison des cots logistiques calculs pour les deux politiques en
faisant varier le ratio r. Le ratio r prend les valeurs de 1, 2 et 3.

Figure 39 : comparaison des cots logistiques en variant le ratio r
Dans le cas o le cot de commande urgente est de deux ou trois fois suprieur au cot dune
commande normale, la politique de rfrence prsente un cot trs lev par rapport la politique
propose.
Cependant, ce gain est faible ou mme inexistant quand le ratio r = 1, c'est--dire la politique
propose ne prsente pas de gain quand le cot de commande urgent est gale la commande
normale. Ce qui nous parait trs logique vu que lavantage de la politique propose est de diminuer
le nombre de commande urgente en faveur des cots supplmentaires de possession de stock.
6.2.6 Synthse
Lobjectif de cette tude exprimentale est de dterminer un contexte prcis dapplication de la
politique propose, et danalyser son comportement en cas de changement de plusieurs paramtres
dentre du systme.
Dans les trois analyses ralises, nous avons not des gains importants pouvant tre expliqus par
plusieurs facteurs :
5,5%
4,8%
5,7%
4,4%
4,7%
6,2%
5,2% 5,2%
6,2%
11,7%
11,4%
12,1%
10,0%
11,6%
12,6%
13,4%
14,0%
14,2%
-2,0%
0,0%
2,0%
4,0%
6,0%
8,0%
10,0%
12,0%
14,0%
16,0%
s1 s2 s3 s4 s5 s6 s7 s8 s9
r=1
r=2
r=3
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
130

- La gestion multi produits permet, dans la plupart des cas, davantager le rapprovisionnement
moindre cot avec un taux de service dtermin. En effet, lhomognit des produits
slectionns, grce la cration des classes et, par la suite des familles de produits sur une base
de caractristiques bien tudies, savre dterminant.
- La gestion simultane du stock et du transport permet davoir plusieurs gains relatifs
loptimisation intgre des cots logistiques. En effet, lquilibre que nous avons toujours essay
de retrouver entre la minimisation, la fois des quantits stockes et des cots de transport,
nous a conduit prendre des dcisions en tenant en compte de lensemble des contraintes du
problme pos.
- La cohrence des hypothses dfinies permet aussi de dterminer un contexte dapplication
prcis de la politique de rapprovisionnement.
6.3 Analyse de la politique propose dans le quatrime chapitre
Nous ralisons les mmes expriences sur la politique propose dans le quatrime chapitre afin de
montrer lapport en termes de gains de cots logistiques, en la comparant la politique de rfrence
((s, S) mono-produit).
Dans cette section, conformment la prcdente, nous nous sommes bass sur les mmes
quations de calculs de cots logistiques et les mmes simulateurs utiliss dans le quatrime
chapitre, en faisant varier chaque fois un des paramtres utiliss, et ce, afin dtudier lefficacit
de la politique propose dans des contextes diffrents.
Nous rappelons que la politique propose se base principalement sur la passation de commande
urgente chaque rupture de stock. Le rapprovisionnement est ralis pour lensemble des produits
appartenant la mme famille de produits.
6.3.1 Slection de la classe de produits
Nous rappelons les caractristiques de la classe de produits tudie par la politique propose dans ce
chapitre. Ces caractristiques sont identifies par la classification ralise dans le cinquime
chapitre :
- Une demande trs alatoire et ponctuelle : cette caractristique est reprsente par le deuxime
critre de classification. Nous sommes dans le cas o lcart type de la demande est presque le
double de la moyenne C2=1,86. Ceci prouve la grande variabilit de cette demande.
- Un dlai de livraison nul : cette caractristique est reprsente par le troisime critre. Le dlai
est presque nul dans ce cas C3=0,33. Pour cela, nous pouvons supposer que les ruptures de stock
sont transformes directement en commandes urgentes. Ceci reprsente une condition
ncessaire pour mettre en place la politique propose.
- Le cot des produits : cette caractristique est reprsente par le quatrime critre. Cette classe
regroupe les produits les plus chers C4=74,9 ; do la ncessit de ne pas avoir de fortes
quantits dans le stock puisque leur dtention entrane des cots de possession levs.

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
131

- La dure de vie des produits : cette caractristique est reprsente par le cinquime critre. Ce
dlai est plus court que les autres, et correspond un dlai critique qui nous contraint
minimiser la possession des produits dans le stock afin dviter leur premption.

Dans le Tableau 15, nous rsumons les valeurs numriques utilises pour la classe (classe 2) de
produits rsultante de la classification.
Tableau 15 : les moyennes des caractristiques de la famille de produits
Valeurs
C1 : frquence optimale de livraison unitaire 1,64
C2 : ratio 1 = cart type de la demande / moyenne de la demande 1,89
C3 : dlai de livraison 0,33
C4 : Cots des produits 74,90
C5 : dlai de premption 3,09
C6 : ratio 2 = Cot possession / Cot de rupture 0,61
C7 : ratio 3 = Cot de passation / Cot produit 0.20

Nous rappelons aussi que cette classe de produits reprsente 26% des produits dans la base de
donnes pharmaceutiques tudie dans le cinquime chapitre.
6.3.2 Slection de la famille de produits
La slection des familles de produits est base sur les mmes critres prsents dans le cinquime
chapitre. Nous les rsumons ci-dessous :
- Source dapprovisionnement : la contrainte principale est de slectionner une famille de produits
o tous les produits peuvent tre approvisionns partir du mme fournisseur.
- Frquence de rapprovisionnement : nous avons slectionn une famille de produits avec une
frquence de consommation trs faible. Cette frquence reflte la consommation irrgulire des
produits dans cette classe, qui prsente donc la moyenne la plus faible par rapport aux autres
classes cres dans la classification.
- Le dlai de livraison est nul.
6.3.3 Analyse par rapport au paramtre prix de produit
Le premier paramtre tudier est le prix des produits . Ce paramtre reprsente une contrainte
forte dans la dfinition de la politique puisque nous avons initialement suppos que cette politique
est destine aux produits chers ; ce qui exige de minimiser les quantits stockes, puisque la
possession de ces produits cote cher proportionnellement leur prix puisque ce dernier cot
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
132

varient en fonction des prix des produits, et peut donc provoquer plusieurs situations de ruptures de
stock.
Nous essayons ainsi de voir linfluence de ce paramtre par rapport lefficacit de la politique de
rapprovisionnement propose.
Dans la Figure 40, nous comparons les cots logistiques calculs pour la politique propose et la
politique de rfrence sur plusieurs intervalles de prix de produits. Ces intervalles varient du moins
cher (par exemple : [10 30], [30 50]), au plus cher (par exemple [180 - 200], [300- 320])
par rapport aux valeurs dfinies dans la classe de produits tudie.

Figure 40 : variation de cots logistiques par rapport au prix des produits
Nous constatons que la diffrence entre les deux politiques est plus importante pour des produits
cot lev. En effet, la politique propose prsente un gain significatif partir de lintervalle de cot
[50 - 70], et ce gain crot quand les cots des produits augmentent.
Dans la Figure 41, nous montrons les pourcentages de gain raliss dans chaque intervalle de cot de
produits.
Nous ralisons aussi dautres simulations, avec des intervalles de cots et un cart type important.
Ces expriences permettent de voir si la politique propose rpond efficacement la variation des
cots de produits. Les trois intervalles tudis sont [10 - 100], [100 - 200] et [200 - 300].
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
133

Figure 41 : pourcentage des gains raliss par la politique propose en faisant varier les prix des produits
Dans la premire srie dexprimentation, nous notons des gains importants dans les intervalles de
cot lev. Le gain le plus lev est de 21,5% qui correspond lintervalle de [180 - 200[.
Dans la seconde srie exprimentation, le gain le plus important est obtenu dans lintervalle de cot
[100 - 200 [. Nous constatons que le gain est important mme lorsque lcart type lev,
lintervalle dans lequel la politique est la plus efficace tant lintervalle [100 - 200 [.
Nous pouvons conclure que cette politique est bien adapte pour grer des produits chers mme
avec un cart type important.
6.3.4 Analyse par rapport aux paramtres de la demande
Le deuxime paramtre tudier dans ce paragraphe est la demande. Nous allons faire varier la
demande en utilisant plusieurs valeurs du paramtre de la loi de poisson utilise.
Dans la dfinition de la politique, nous avons suppos que la demande est alatoire et ponctuelle.
Nous lavons reprsente numriquement par la loi de poisson puisque cette loi est approprie pour
les vnements rares ou les vnements avec une probabilit faible et sans mmoire. Le but de cette
tude est de dterminer un contexte dapplication prcis de la politique propose, et de confirmer la
concordance de la classe de produits rsultant de la classification du cinquime chapitre.
% des gains; [10 -
30[; 4,1%
% des gains; [30 -
50[; 10,4%
% des gains; [50 -
70[; 14,6%
% des gains; [100 -
120[; 18,6%
% des gains; [180 -
200[; 21,5%
% des gains; [300 -
320[; 14,3%
[10 - 30[
% des gains; [10
- 100[; 14,2%
% des gains;
[100 - 200[;
20,0%
% des gains;
[200 - 300[;
15,9%
[10 - 100[
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
134

Nous faisons varier sur plusieurs valeurs entre {2, 3, 4, 5, 6, 7, 10, 12 et 14}. Ces valeurs couvrent un
horizon suffisant pour tudier lefficacit de la politique propose par rapport la politique de
rfrence.

Figure 42 : comparaison des cots logistiques en fonction de la demande
Pour des petites valeurs de , lcart entre les deux politiques est faible, tandis que pour les valeurs
plus grandes, le cot logistique de la politique de rfrence dpasse celui de la politique propose.
Cet cart se rduit pour les grandes valeurs quand =12 ou =14. Dans ces deux derniers cas, la
demande devient trs importante avec des grandes quantits, et nous sortons du contexte principal
de la politique propose.
Nous dtaillons dans la Figure 43 les pourcentages de gain obtenus en appliquant la politique
propose par rapport la politique de rfrence pour les diffrentes valeurs de .

Figure 43 : pourcentage des gains obtenus en fonction de la demande
% de gain ; =2;
6,2%
% de gain ; =3;
9,4%
% de gain ; =4;
10,7%
% de gain ; =5;
13,8%
% de gain ; =6;
13,9%
% de gain ; =7;
14,5%
% de gain ; =10;
12,9%
% de gain ; =12;
10,9%
% de gain ; =14;
5,2%
Demande
=2 =3
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
135

Les pourcentages de gain les plus levs correspondent aux valeurs de comprises entre =5 et
=10. Ces valeurs dfinissent une demande alatoire avec des quantits importantes ; ce qui peut
contraindre mettre en place une politique approprie pour une meilleure gestion
dapprovisionnement.
6.3.5 Analyse par rapport au ratio : cot de commande normale / cot de commande
urgente
Nous pouvons constater que les carts de cot entre la politique propose et la politique de
rfrence dpendent principalement de lcart entre le cot de commande normale et le cot de
commande urgente. Puisque nous nous basons que sur des commandes urgentes dans la politique
propose et combinons commandes normales et urgente pour lautre. Nous pouvons alors dfinir,
comme dans le cas prcdent, un paramtre de proportion entre les deux cots.

La figure ci-dessous (Figure 44) montre la variation des cots des deux politiques en fonction de ce
ratio.

C
o
t

l
o
g
i
s
t
i
q
u
e

Numro de simulation
variation du cot logistique (r=2,5)
politique de rfrence
politique propose
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
136

Figure 44 : analyse des cots
Pour les vingt simulations ralises, nous remarquons que la politique propose prsente presque
toujours un gain significatif par rapport la politique de rfrence, et ceci, pour les trois premires
valeurs du ratio r. Nous pouvons en conclure que mme lorsque le cot de commande urgente est
C
o
t

l
o
g
i
s
t
i
q
u
e

Numro de simulation
Variation des cots logistiques (r=3,75)
politique propose
C
o
t

l
o
g
i
s
t
i
q
u
e
Numro de simulation
variation des cots logistiques (r=5)
politique propose
C
o
t

l
o
g
i
s
t
i
q
u
e
Numro de simulation
variation des cots logistiques (r=7)
politique propose
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
137

cinq fois plus lev que le cot de commande normale, notre politique est prfrable. Ce nest que
lorsque le cot de commande urgente est sept fois plus lev que le cot normal, que le cot de la
politique propose peut dpasser celui de la politique de rfrence.
Lorsque ce ratio prend successivement les valeurs 2.5, 3.75, 5 et 7 les gains respectifs sont de 12.1 %,
10.8 %, 5.3 % et 2.7 % par rapport la politique de rfrence (Tableau 16 et Figure 45). Nous nous
sommes bass sur les valeurs numriques prsentes prcdemment pour raliser ces simulations.
Tableau 16 : variation des taux de gain par rapport aux ratios
r = 2.5 r = 3.75 r = 5 r = 7,5
Politique
propose
Politique
classique
Politique
propose
Politique
classique
Politique
propose
Politique
classique
Politique
propose
Politique
classique
Moyenne
des cots
14138 12422 18286 16320 21490 20348 27528 26776

Figure 45 : pourcentage de gain
Nous pouvons conclure que la politique propose est prfrable la politique traditionnelle tant que
le cot dune commande urgente nest pas excessif, au regard du cot dune commande normale.
6.3.6 Synthse
Dans cette partie, nous avons tudi un contexte particulier dapprovisionnement. Ce contexte est
caractris par la gestion de produits prsentant des caractristiques assez sensibles (prix levs,
demande trs alatoire et ponctuelle, interdiction de rupture, ). La politique propose pour une
meilleure gestion avec un cot minimal se base sur la notion des commandes rapides et sur le
regroupement des produits en familles homognes. Plusieurs hypothses ont t proposes pour la
mise en uvre de cette politique. Nous avons t contraints raliser des exprimentations et des
analyses, afin de prciser le contexte dapplication de la politique de rapprovisionnement propose,
et de montrer la variation des gains par rapport plusieurs paramtres.
Srie1; r =2,5;
12,1%
Srie1; r = 3,75;
10,8%
Srie1; r = 5; 5,3%
Srie1; r = 7,5;
2,7%
p
o
u
r
c
e
n
t
a
g
e

d
e

g
a
i
n
variation de la valeur de r
pourcentage de gain par rapport la variation de r
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
138

Lanalyse de sensibilit ralise sur les trois paramtres cot de produits , demande et
rapport entre cot de passation dune commande urgente / normale permet de tirer quelques
conclusions :
- La gestion en familles de produits permet de minimiser le nombre de commandes passes,
surtout du fait que nous adoptons dans la politique propose le principe de la commande
urgente dclenche lorsquun des produits de la famille arrive en rupture de stock. Il est
important, dans ce cas, de regrouper les produits qui prsentent les mmes caractristiques
afin davoir un comportement similaire pour lensemble des produits dune famille : par exemple,
quand un produit arrive au niveau de rupture, le reste des produits y parvient, ou presque).
- Lutilisation des commandes urgentes permet de minimiser les quantits en stock, et de
supprimer les stocks de scurit. Le gain obtenu au niveau du cot de possession de stock
dpasse alors gnralement le surcot induit en termes de transport. Lanalyse ralise par
rapport au ratio r montre lampleur de ce gain ainsi que les limites de la proposition.
6.4 Conclusion
Nous avons pu montrer dans ce chapitre les gains raliss par les politiques proposes si on les
compare aux politiques de rfrences dans diffrents contextes. Nous avons ralis des analyses par
rapport aux trois paramtres : cot de produits , demande et rapport entre cot de
passation dune commande urgente / normale pour les deux politiques proposes. Ces analyses ont
conduit aux rsultats suivants :
(i) Par rapport au paramtre cot de produits : les rsultats obtenus confirment le choix de
chaque politique dans son contexte dtude. La politique propose dans le troisime chapitre
prsente des gains significatifs pour les prix faibles de produits, alors que la deuxime politique
(chapitre 4) a les mmes effets dans le cas de prix levs.
(ii) Par rapport au paramtre demande : les rsultats issus des exprimentations confirment que
la premire politique propose est destine une demande alatoire rptitive et la deuxime
politique une demande trs alatoire et ponctuelle.
(iii) Par rapport au paramtre r : nous ralisons des gains importants dans le cas o la diffrence
entre le cot dune commande urgente et celui dune commande normale nest pas trop
importante, et ce, dans les deux politiques. Cependant, nous enregistrons des gains plus
importants dans la deuxime politique quand ce ratio est lev ; ce qui est normal puisque la
politique propose est base sur les commandes urgentes dans tous les cas.
Finalement, les rsultats trouvs dans ce chapitre confirment lintrt ainsi que les domaines
dapplication de chacune des mthodes proposes.

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

139

Chapitre 7 : Conclusion gnrale
SOMMAIRE

Chapitre 7 : Conclusion gnrale ............................................................................. 139
7.1 Problmatique tudie .................................................................................................... 140
7.2 Bilan de notre approche et des rsultats obtenus .......................................................... 140
7.3 Perspectives ..................................................................................................................... 141

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
140

Dans cette conclusion gnrale, nous rappelons la problmatique tudie puis prsentons un bilan
de notre dmarche et des rsultats obtenus pour laide loptimisation des cots logistiques dans
deux contextes diffrents. Enfin, des perspectives seront proposes.
7.1 Problmatique tudie
La chane logistique peut tre assimile un modle squentiel dactivits organises autour dun
rseau dentreprises dont le but est de mettre un produit ou un service la disposition du client dans
des conditions optimales en termes de quantit, de date, de lieu,
A cet gard, la gestion de la chane logistique suppose de planifier et de contrler les stocks et le
transport de manire coordonne des fournisseurs jusquaux utilisateurs finaux.
Dans ce contexte, la comptitivit dune entreprise ncessite la prise en compte simultane de
nombreux facteurs. Les nouvelles formes de concurrence, en particulier la mondialisation des
marchs, ont conduit porter une attention particulire aux fonctions dapprovisionnement et de
distribution physique des marchandises.
Dans notre thse, nous nous intressons au problme doptimisation des cots lis au stockage et
aux flux physiques des produits. Le but est de proposer des mthodes de gestion combine de stock
et de transport adaptes des contextes particuliers afin de minimiser les cots logistiques
engendrs dans un rseau logistique multi produits, multi niveaux avec une demande probabiliste.
7.2 Bilan de notre approche et des rsultats obtenus
Nous prsentons nos apports scientifiques en rappelant les problmatiques traites et les solutions
proposes.
Au cours de cette thse, nous nous sommes intresss aux verrous scientifiques suivants :
- Gestion combine de stock et de transport.
Nous proposons une optimisation intgre des cots de stockage et de transport dans la mme
fonction objective en considrant plusieurs modes de transport (livraison normale et livraison
durgence) et en prenant en compte des contraintes lies aux moyens de transport (capacits de
camion par type).

- Identification des problmes lis des contextes particuliers et proposition de mthodes de
gestion spcifiques
Nous avons identifi une liste de critres discriminants pour caractriser des problmatiques de
gestion des approvisionnements et proposer des mthodes de gestion adaptes ces contextes.
o Une premire politique de rapprovisionnement a t propose pour grer des produits
caractriss par une demande alatoire avec des variations importantes. Il sagit dune
politique de gestion priodique par famille de produits. A chaque priode, une dcision
dapprovisionnement est prise au regard de latteinte ou non du niveau de commande pour
chacun des produits avec possibilit dapprovisionnement par anticipation de certains
produits pour minimiser les cots de transport. Ce raisonnement est implment laide de
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
141

mthodes heuristiques. Le contexte optimal dapplication de cette politique est celui o un
mme fournisseur fournit un nombre limit de produits un mme client et que ces
produits prsentent des caractristiques fort diffrentes en termes de demande et de cot.
o Une deuxime politique de rapprovisionnement a t propose pour grer des produits
faisant lobjet dune demande trs alatoire et ponctuelle. Cette politique est base sur les
ruptures de stock. A chaque rupture dun produit, il y a dclenchement dun
rapprovisionnement de tous les produits de sa mme famille. Les quantits commandes
sont calcules en se basant sur des modles mathmatiques dfinissant les probabilits de
rupture de stock chaque instant t en fonction de la quantit commande Q.

- Constitution de familles de produits
Nous avons propos une mthode de classification multicritres afin de constituer des groupes de
produits relevant dune mthode de gestion dtermine. Nous avons droul cette dmarche sur un
exemple en se basant sur donnes relles issues dune chaine pharmaceutique aval.

- Analyse de performances de ces politiques dapprovisionnement
Nous avons ralis des simulations pour comparer les politiques de rapprovisionnement
proposes et des politiques de rfrences dfinies dans la littrature et effectu des analyses de
sensibilits par rapport plusieurs critres afin de dfinir le contexte dapplication idal de chaque
politique de rapprovisionnement.
7.3 Perspectives
Ce travail ouvre plusieurs perspectives de recherche.
La gestion de la chaine logistique doit aujourdhui intgrer la problmatique du dveloppement
durable. Il serait intressant dintgrer des critres environnementaux et socitaux pour le choix des
politiques dapprovisionnement et loptimisation de leurs paramtres.
Nous envisageons par ailleurs dintgrer la possibilit de fractionnement de lots afin doptimiser les
cots logistiques lies.
Enfin une meilleure prise en compte des dlais de premption, que ce soit dans le domaine
alimentaire ou le domaine pharmaceutique semble ncessaire. En particulier, nous envisageons
dintgrer dans nos modles les cots lis la perte des produits prims en vue de loptimisation
des quantits commandes.

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
142

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
Rfrences
143

Rfrences

Abdul-Jalbara, B., J. Gutierreza, et al. (2003). "Policies for inventory/distribution systems:The effect of
centralization vs. decentralization." Int. J. Production Economics 81-82: 281-293.

Abou-El-Ata, M. O. and K. A. M. Kotb (1997). "Multi-item EOQ inventory model with varying holding
cost under two restrictions: a geometric programming approach." Production Planning & Control :
The Management of Operations 8(6): 608 - 611.

Akbalik, A. (2006). Optimisation de la gestion intgre des ux physiques dans une chane logistique :
extensions du probleme de dimensionnement de lot. Grenoble, Institut National Polytechnique De
Grenoble.

Akbari Jokaar, M. R., Y. Frein, et al. (2000). Sur lvolution du concept de logistique. RIRL 2000. Trois
Rivires

Akbari Jokaar, M. R., Y. Frein, et al. (2002). "L'volution du concept de logistique. ." Revue Franaise
de Gestion Industrielle, 21(3).

Akcali, E. and Z. P. Bayindir (2006). "Analyzing the effects of inventory cost setting rules in a
disassembly and recovery environment." International Journal of Production Research 99(1): 1 - 22.

Alwan, L. C., J. J. Liu, et al. (2003). "Stochastic characterization of upstream demand processes in a
supply chain." IIE Transactions 35(3): 207 - 219.

Angerhofer, B. J. and M. C. Angelides (2000). System dynamics modelling in supply chain managment:
research review. . Proceedings of the 2000 Winter Simulation Conference, .

Arntzen, B. C., G. G. Brown, et al. (1995). "Global supply chain management at digital equipment
corporation." Interfaces vol 25(N1): 69-93

ASLOG (2003). Rfrentiel de la performance logistique. E. ASLOG.

Atkins, D. R. and P. O. Iyogun (1988). "Periodic versus can-order policies for coordinated multi-item
inventory systems. ." Management Science 34(6) 791796.

Aydn, A. and S. T. Christopher (2004). "A model for analyzing multi-channel distribution systems."
european Journal of Operational Research : Production, Manufacturing and Logistics 163: 802-824.

Baboli, A., M. a. Pirayesh Neghab, et al. (2008). "An algorithm for the determination of the economic
order quantity in a two-level supply chain with transportation costs: comparison of decentralized
with centralized decision." Journal of systems science and systems engineering vol. 17: 353-366.

Babuska, R., Ed. (1998). Fuzzy Modeling for control. Massachusetts, USA.

Bahloul, K., A. Baboli, et al. (2010). A new replenishment policy based on mathematical modeling of
inventory and transportation costs with probabilistic demand. International Conference of Modeling
and Simulation Tunisia.

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
Rfrences
144

Balintfy, J. L. (1964). "On a basic class of multi-item inventory problems." Management Science 10(2)
287297.

Barnes-Schuster, D., Y. Bassok, et al. (2002). "Optimizing delivery lead time/inventory placement in a
two-stage production/distribution system." european Journal of Operational Research : Production,
Manufacturing and Logistics

Bartezzaghi, E. and R. Verganti (1995). "Managing demand uncertainty through order overplanning."
International Journal of Production Economics No. 40: 107-120.

Beamon, B. M. (1998). "Supply chain design and analysis : Models and methods." International
Journal of Production Economics 55(3) 281-294.

Beamon, B. M. and V. C. P. Chen (2001). "Performance Analysis of Conjoined Supply Chain."
International Journal of Production Research 39(14): 3195-3218.

Benkherouf, L. and S. P. Sethi (2010). "Optimality of (s,S) policies for a stochastic inventory model
with proportional and lump-sum shortage costs." Operations Research Letters 38: 252-255.

Bennett, S. A. (1986). "Decentralized Purchasing with Centralized Control." Management Quarterly
vol. 27(n 1): 40-42.

Bertazzi, L. and M. G. Speranza (1999). "Inventory control on sequences of links with given
transportation frequencies." Int. J. Production Economics 59: 261-270.

Bhatnagar, R., P. Chandra, et al. (1993). "Models for multi-plant coordination. ." European Journal of
Operational Research 67: 141-160.

BONTOUX, B. (2008). Techniques hybrides de recherche exacte et approche : application des
problmes de transport. Information, Structures, Systmes Laboratoire dInformatique (EA 931).
MARSEILLE, UNIVERSIT DAVIGNON ET DES PAYS DE VAUCLUSE.

Bouchriha, H. (2002). faire ou faire-faire dans la conception d'une chaine logistique:un outil d'aide a
la decision. Grenoble, Institut National Polytechnique De Grenoble.

Burns, L. D., R. W. Hall, et al. (1985). "Distribution strategies that minimize transportation and
inventory costs." Operation research vol 33: pp 469-490, .

Burns, L. D., R. W. Hall, et al. ( 1985). "Distribution strategies that minimize transportation and
inventory costs. ." Operations Research, 33(3) 469-490.

Cardos, M. and J. P. Garcia-Sabater (2005). "Designing a consumer products retail chain inventory
replenishment policy with the consideration of transportation costs." International Journal of
Production Economics 104: 525535.

Cavinato, J. L. (1991). "Evolving Procurement Organizations: Logistics Implications." Journal of
Business Logistics 13: 27-45.

Cetinkaya, S., F. Mutlu, et al. (2005). "A comparison of outbound dispatch policies for integrated
inventory and transportation decisions." European Journal of Operational Research
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
Rfrences
145

Cetinkaya, S., F. Mutlu, et al. (2006). "A comparison of outbound dispatch policies for integrated
inventory and transportation decisions." european Journal of Operational Research 171: 1094-1112.

Chan, F. T. S., S. H. Chung, et al. (2004). "A heuristic methodology for order distribution in a demand
driven collaborative supply chain." International Journal of Production Research 42(1): 1--19.

Chandra, P. and M. Fisher (1994.). "Coordination of production and distribution planning." European
Journal of Operational Research, 72: 503-517.

Cheaitou, A. (2008). Stochastic Models for Production/Inventory Planning: Application to Short Life-
Cycle Products. Paris COLE CENTRALE PARIS.

Chen, J.-M. and T.-H. Chen (2005). "The multi-item replenishment problem in a two-echelon supply
chain: the effect of centralization versus decentralization." Computers & Operations Research 32:
31913207.

Cheng-Liang, C., W. Bin-Wei, et al. (2003). The Optimal Profit Distribution Problem in A Multi-Echelon
Supply Chain Network: A Fuzzy Optimization Approach.

Cheng-Liang, C. and L. Wen-Cheng (2004). "Multi-objective optimization of multi-echelon supply
chain networks with uncertain product demands and prices." Computers and Chemical Engineering
28: 11311144.

Chi, C. (2001). "A note on optimal policies for a periodic inventory system with emergency orders."
Computers & Operations Research 28: 93-103.

Chiang, C. and G. J. Gutierrez (1997). "Optimal Control Policies for a Periodic Review Inventory
System with Emergency Orders." Naval Research Logistics, Vol. 45

Ching-Wu, C., L. Gin-Shuh, et al. (2008). "Controlling inventory by combining ABC analysis and fuzzy
classification." Computers & Industrial Engineering 55: 841851.

Colin, J. and G. Pach (1988). La logistique de distribution. Paris.

Corbett, C. J. and K. Rajaram (2006). "A generalization of the inventory pooling effect to nonnormal
dependent demand. ." Manufacturing & Service Operations Management 8 330350.

Croom, S., O. Romano, et al. (2000). "Supply chain management: an analytical framework for critical
literature review. ." European Journal of Purchasing & Supply Management 6: 67-83, .

Das, C. and R. Tyagi (1997). "Role of inventory and transportation costs in determining the optimal
degree of centralization " Transportation Research 33: 171-179.

Devernay, P. (1997). "Le transport, "moteur" de la chane logistique " LOGISTIQUE ET MANAGEMENT
vol 5 (n1): p. 75-79, .

Dubois, D. and H. Prade (2004). "Possibilistic logic : a retrospective and prospective view." Fuzzy Sets
and Systems 144: 3-23.

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
Rfrences
146

Duda, R., P. Hart, et al. (2001). Pattern Classification. Chapitre 4: Nonparametric Technique.

Dullaert, W., B. Vernimmen, et al. (2007). "Revisiting Service-level Measurement for an Inventory
System with Different Transport Modes." Transport Reviews : A Transnational Transdisciplinary
Journal 27(3): 273 - 283.

Edward A., S., P. David F., et al. (2003). Inventory Management and Production Planning and
Scheduling.

Elghazel, H. (2007). Classification et Prvision des Donnes Htrognes : Application aux Trajectoires
et Sjours Hospitaliers. LIESP. lyon, UCBL.

Eppen, G. D. (1979). "Effects of centralization on expected costs in a multi-location newsboy
problem." Management Science 25(5): 498501.

Ernst, R. and M. A. Cohen (1990). "Operations related groups (ORGs) : A clustering procedure for
production / inventory systems." Journal of Operations Management 9 (4): 574598.

Fargier, H. and C. Thierry (2000). "The use of possibilistic decision theory in manufacturing planning
and control: recent results in Fuzzy Master Production Scheduling." Advances in Scheduling and
Sequencing under fuzziness: p. 45-59, .

Farmer., D. (1997). "Purchasing myopia-revisited. ." European Journal of Purchasing & Supply
Management, 3: 1-8.

Federgruen, A., H. Groenevelt, et al. (1984). "Coordinated replenishments in a multi-item inventory
system with compound poisson demands." Management Science 30(3) 344357.

Federgruen, A. and P. Zipkin (1984). "A combined vehicle routing and inventory allocation problem."
Operations Research 32(5) 1019-1037.

Feng, H., K. Muthuraman, et al. (2007). The Impact of Demand Correlation on Replenishment Policies
for Multi-Product Stochastic Inventory Systems with Joint-Replenishment Costs. M. R. P. S. N. IROM-
08-08. Texas.

Flores, B. E. and D. C. Whybark (1986). "Multiple criteria ABC analysis." International Journal of
Operations and Production Management 6(3): 3846.

Gajpal, P. P., L. S. Ganesh, et al. (1994). "Criticality analysis of spare parts using the analytic hierarchy
process." International Journal of Production Economics 35 (13): 293297.

Galasso, F. (2007). Aide la planification dans les chanes logistiques en prsence de demande
flexible. Toulouse, Institut national polytechnique de Toulouse.

Geunes, J. and P. M. Pardalos ( 2003). "Network optimization in supply chain management and
nancial engineering : an annotated bibliography. ." Networks, 42(2) 66-84,.

Geunes, J. and A. Z. Zeng (2001). "Impacts of inventory shortage policies on transportation
requirements in two-stage distribution systems." European Journal of Operational Research 129:
299-310.
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
Rfrences
147

Giri, B. C. and T. Dohi (2009). "Cost-effective ordering policies for inventory systems with emergency
order." computers & Industrial Engineering 57: 1336-1341.

Gorder, V. (1990). Moving back to centralization. Credit. vol.16, : pp.12-15.

Grabot, B., L. Geneste, et al. (2005). "Integration of uncertain and imprecise orders in the MRP II
method." International Journal of Intelligent Manufacturing, No. 16(2).

Guvenir, H. A. and E. Erel (1998). "Multi criteria inventory classication using a genetic algorithm."
European Journal of Operational Research 105: 2937.

Guvenir, H. A. and E. Erel (1998). "Multi criteria inventory classication using a genetic algorithm."
European Journal of Operational Research 05: 2937.

Hadi-Vencheh, A. (2010). "An improvement to multiple criteria ABC inventory classification."
European Journal of Operational Research 201(3): 962-965.

Haksever, C. and J. Moussourakis (2005). "A model for optimizing multi-product inventory systems
with multiple constraints." International Journal of Production Economics 97(1): 18-30.

Hassan, T. (2006). Logistique hospitalire : organisation de la chane logistique pharmaceutique aval
et optimisation des flux de consommables et des matriels usage unique. Lyon, UNIVERSIT
CLAUDE BERNARD - LYON 1.

Heskett, J. (1978). "La logistique lment clef de la stratgie." 53-65.

Hill, R. M. (1999). "The optimal production and shipment policy for the single-vendor single-buyer
integrated production-inventory problem. ." International Journal of Production Research, 37(11):
2463-2475.

Hnaien, F., X. Delorme, et al. (2010). "Multi-objective optimizationforinventorycontrolintwo-
levelassemblysystems under uncertainty of lead times." computers & Operations Research 37: 1835-
1843.

Hoque, M. A. (2007). "An alternative model for integrated vendor–buyer inventory under
controllable lead time and its heuristic solution." International Journal of Systems Science 38(6): 501
- 509.

Hsieh, T.-P. and C.-Y. Dye (2010). "Optimal replenishment policy for perishable items with stock-
dependent selling rate and capacity constraint." computers & Industrial Engineering 59: 251-258.

Huang, G. Q., J. S. K. Lau, et al. (2003). "The impacts of sharing production information on supply
chain dynamics: a review of the literature." International Journal of Production Research 41(7): 1483
- 1517.

Huang, H. C., E. P. Chew, et al. (2004). "A two-echelon inventory system with transportation capacity
constraint." European Journal of Operational Research : Production, Manufacturing and Logistics
167: 129143.

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
Rfrences
148

Hui-Ling, Y. (2004). "Two-warehouse inventory models for deteriorating items with shortages under
inflation." European Journal of Operational Research 157 344356.

Huiskonen, J. (2001). "Maintenance spare parts logistics : Special characteristics and strategic
choices." International Journal of Production Economics 71: 125133.

Hwarng, H. B., C. S. P. Chong, et al. (2005). "Modelling a complex supply chain: understanding the
effect of simplified assumptions." International Journal of Production Research 43(13): 2829 - 2872.

Iglehart, D. (1963). "Optimality of (s,S) policies in infinite-horizon dynamic inventory problem."
Management Science 9 259267.

Ignall, E. (1969). " Optimal continuous review policies for two product inventory systems with joint
setup costs." Management Science 15(5): 278283.

Iyogun, P. (1992). "Lot-sizing algorithm for a coordinated multi-item, multi-source distribution
problem." European Journal of Operational Research, 59 393-404.

Jain, A. K., M. N. Murty, et al. (1999). "Data clustering: A review." ACM Cumputing Surveys 31(3).

Jambu, M. (1999). Introducion au Data Mining. Paris.

Jong, J. F. and H. M. Wee (2007). "A near optimal solution for integrated production inventory
supplier-buyer deteriorating model considering JIT delivery batch." International Journal of Computer
Integrated Manufacturing 99999(1): 1 - 12.

Kanchanasuntorn, K. and A. Techanitisawad (2004). "An approximate periodic model for fixed-life
perishable products in a two-echelon inventorydistribution system." Int. J. Production Economics
100: 101115.

Kanaoui Nadia, "Contribution l'Etude et la Mise en Oeuvre d'Approches Hybrides d'Aide
au Diagnostic aux Domaines Biomdical et Industriel'', at Paris-East University,
Senart, France, December 17, 2007,

Kang, J.-H. and Y.-D. Kim (2010). "Coordination of inventory and transportation managements in a
two-level supply chain." Production Economics 123: 137-145.

Kaufman, L. and P. J. Rousseeuw (1990). Finding Groups in Data: An Introduction to Cluster Analysis.
Wiley. New York.

Kempowsky, T. (2004). Surveillance de processus base de mthodes de classification : conception
d'un outil d'aide pour la detection et le diagnostic des dfaillances. Laboratoire d'analyse et
d'architecture des systmes du CNRS. Toulouse, INSA.

Kim, S.-L. and D. Ha (2003). "A JIT lot-splitting model for supply chain management : Enhancing
buyer-supplier linkage. ." International Journal of Production Economics, 86: 1-10.

Kirche, E. and R. Srivastava (2005). "An ABC-based cost model with inventory and order level costs: a
comparison with TOC." International Journal of Production Research 43(8): 1685 - 1710.

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
Rfrences
149

Kok, T. G. and J. C. Fransoo (2003). Planning Supply Chain Operations: definition and comparison of
planning concepts.

Kutanoglu, E. and D. Lohiya (2007). "Integrated inventory and transportation mode selection : A
service parts logistics system." Transportation Research Part E

Kutanoglu, E. and D. Lohiya (2008). "Integrated inventory and transportation mode selection : A
service parts logistics system." Transportation Research Part E 44: 665-683.

Labidi, K. (2005). Contribution la modlisation et l'analyse de performances des systmes
logistiques l'aide d'un nouveau modle de rseau de Petri stochastiques Troyes Universit de
technologie de Troyes

Lakhal, S., A. Martel, et al. (2001). "On the optimization of supply chain networking decisions."
European journal of operational research N 129, : pp 259-270,.

Lambert, D. M., J. R. Stock, et al. (1998). Fundamentals of Logistics Management. Burr Ridge, Illinois.

Lechevallier, Y. (2010). Approche Data Mining par WEKA INRIA-Rocquencourt.

Lee, D.-J. and I.-J. Jeong (2009). "Regression approximation for a partially centralized inventory
system considering transportation costs." computers & Industrial Engineering 56: 1169-1176.

Lee, S. B. and P. H. Zipkin (1989). "A dynamic lot-size model with make or buy decision."
Management sciences vol 35, (No 4,): pp 447-458, .

Lee, W.-C. (2005). "Inventory model involving controllable backorder rate and variable lead time
demand with the mixtures of distribution." Applied Mathematics and Computation 160: 701-717.

Lei, L., S. Liu, et al. (2006). "On the integrated production, inventory, and distribution routing
problem." IIE Transactions 38(11): 955 - 970.

Li, J., T. C. E. Cheng, et al. (2007). "Analysis of postponement strategy for perishable items by EOQ-
based models." international Journal of Production Economics 107: 31-38.

Li, J. and L. Liu (2005). "Supply chain coordination with quantity discount policy." Int. J. Production
Economics 101: 89-98.

Lian, Z., X. Liu, et al. (2009). "A perishable inventory model with Markovian renewal demands." Int. J.
Production Economics 121: 176-182.

Liang, T. F. (2006). "Integrating production-transportation planning decision with fuzzy multiple goals
in supply chains." International Journal of Production Research 9(1): 1 - 18.

Lin, F. R. and M. J. Shaw (1998). "Reegineering the Order Fulfillment Process in Supply Chain
Networks,." International Journal of Flexible Manufacturing Systems, 10,: 197-229, .

Liu, H. and H. Motoda (1998). Feature Extraction, Construction and Selection : A data mining
perspective.

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
Rfrences
150

Lo, H. K. and W. Y. Szeto (2001). "ADVANCED TRANSPORTATION INFORMATION SYSTEMS: A COST-
EFFECTIVE ALTERNATIVE FOR NETWORK CAPACITY EXPANSION?" Journal of Intelligent
Transportation Systems 6(4): 375 - 395.

Lodree, E., W. Jang, et al. (2004). "Minimizing response time in a two-stage supply chain system with
variable lead time and stochastic demand." international Journal of Production Research 42(11):
2263 - 2278.

MacQueen, J. (1967). Some methods for classification and analysis of multivariate observations.
Proceeding of the 5th Berkeley Symposium on Mathematical Statistics and Probability USA.

Madadi, A., M. E. Kurz, et al. (2010). "Multi-level inventory management decisions with
transportation cost consideration." Transportation Research Part E 46: 719-734.

Martel, A. (2001). Cots logistiques et cration de valeur. Cours MBA gestion manufacturire et
logistique : Conception et Gestion de chanes logistiques,. U. L. Facult de sciences et
dAdministration. Qubc, Canada. chapitre 2, : pp 51-94, .

Martel, A. (2001b). choix de moyens de transport. Cours MBA gestion manufacturire et logistique :
Conception et Gestion de chanes logistiques, . U. L. Facult de sciences et dAdministration. Qubc,
Canada,.

Martel, A. and U. Vankatadri (1999). Optimizing supply network structures under economies of scale.
Canada, Universit Laval.

Mason, S. J., P. M. Ribera, et al. (2003). "Integrating the warehousing and transportation functions of
the supply chain. ." Transportation Research, Part E 39 141-159,.

Matta, R. D. and T. Miller (2004). "Production and inter-facility transportation scheduling for a
process industry. ." European Journal of Operational Research, 158: 72-88, .

Mehrabikoushki, A. (2008). Partage dinformation dans la chane logistique : Evaluation des impacts
sur la performance dune chane logistique des modes de collaboration mis en oeuvre entre les
partenaires et des informations changes. Lyon, Institut National des Sciences Appliques de Lyon.

Melchiors, P. (2002). "Calculating can-order policies for the joint replenishment problem by the
compensation approach." European Journal of Operation Research 141 587595.

Michie, D., D. J. Spiegelhalter, et al. (1994). "Machine learning, Neural and Statistical Classification."
Ellis Horwood series in artificial Intelligence.

Mishra, A. K. (2004). "Selective discount for supplierbuyer coordination using common
replenishment epochs." european Journal of Operational Research : Production, Manufacturing and
Logistics 153: 751-756.

Mitchell, T. (1997). "Decision Tree Learning " Machine Learning, The McGraw-Hill Companies Inc. :
52-78.

Mousseau, V., B. Roy, et al. (2000). "Elaboration d'un outil d'aide la dcision en vue de l'volution
de la tarification des transports publics en Ile de France." Journal of Decision Systems 9(2) 289-315.
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
Rfrences
151

Nielsen, C. and C. Larsen (2005). "An analytical study of the q(s, s) policy applied to the joint
replenishment problem. ." European Journal of Operation Research 163: 721732.

Ouyang, L.-Y. and H.-C. Chang (2002). "Lot size reorder point inventory model with controllable lead
time and set-up cost." international Journal of Systems Science 33(8): 635 - 642.

Pan, Z., J. Tang, et al. (2009). "Synchronization of inventory and transportation under flexible vehicle
constraint: A heuristics approach using sliding windows and hierarchical tree structure." Operations
Research : Production, Manufacturing and Logistics 192: 824-836.

Park, Y. B. (2005). "An integrated approach for production and distribution planning in supply chain
management." International Journal of Production Research, 43(6) 1205-1224.

Partovi, F. Y. and M. Anandarajan (2002). "Classify inginventory using an articial neural network
approach." Computers and Industrial Engineering 41: 389404.

Partovi, F. Y. and M. Anandarajan (2002). "Classifying inventory using an articial neural network
approach." international Journal Computers and Industrial Engineering 41: 389404.

Partovi, F. Y. and J. Burton (1993). "Using the analytic hierarchy process for ABC analysis."
International Journal of Production and Operations Management 13 (9): 2944.

Partovi, F. Y. and W. E. Hopton (1994). "The analytic hierarchy process as applied to two types of
inventory problems." International Journal of Production and Inventory Management 35 (1): 1319.

Pichot, L. (2006). Stratgie de dploiement d'outils de pilotage de chaines logistiques : Apport de la
classification. PRISMA. Lyon, INSA.

Qin, J., F. Shi, et al. (2009). "Optimal Model and Algorithm for Multi-Commodity Logistics Network
Design Considering Stochastic Demand and Inventory Control." Systems Engineering - Theory &
Practice 29(4): 176-183.

Qu, W. W., J. H. Bookbinder, et al. (1999). "An integrated inventorytransportation system with
modified periodic policy for multiple products
" European Journal of Operational Research 115: 254-269.

Quinlan, J. R. (1986). "Introduction of decision Trees " Machine Learning 1: 81-106.

Ramanathan, R. (2006). "ABC inventory classication with multiple-criteria using weighted linear
optimization." international Journal Computers and Operations Research 33 (3): 695700.

Rieksts, B. Q. and J. Ventura (2008). "Optimal inventory policies with two modes of freight
transportation." operations Research : Production, Manufacturing and Logistics 186: 576-585.

Riopel, D., A. Langevin, et al. (2003). The network of logistics decisions. Technical Report GERAD-
2003-13, GERADE.

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
Rfrences
152

Rosenblatt, M. J. (1981). "Multi-item inventory system with budgetary constraint: A comparison
between the Lagrangian and the fixed cycle approach." International Journal of Production Research
19 (4): 331339.

Roy, B. and D. Bouyssou (1993). Aide multicritres la dcision : mthodes et cas Economica.

Rushton, A. and R. Saw (1992). "A Methodology for Logistics Strategic Planning." International
Journal of Logistics Management vol 3, n1.

Saaty, T. L. (1980). The analytic hierarchy process. NY:McGraw-Hill, NewYork.

Sabri, E. H. and B. M. Beamon (2000). "A multi-objective approach to simultaneous strategic and
operational planning in supply chain design." OMEGA, The International Journal of Management
Science, 28: pp 581-598.

Schmitt, A. J., L. V. Snyder, et al. (2010). "Inventory systems with stochastic demand and supply :
Properties and approximations." European Journal of Operational Research : Production,
Manufacturing and Logistics 206: 313328.

Selda, T. and J. L. J. Emmett (2010). "Inventory decisions for emergency supplies based on hurricane
count predictions." Int. J. Production Economics 126: 6675.

Sgren Glud, J. and T. Anders (1998). "An inventory model with Poisson demands and emergency
orders." Int. J. Production Economics 56-57 275-289

Silver, E. A. (1974). " A control system for coordinated inventory replenishment." International
Journal of Production Research 12: 647670.

Silver, E. A. and D. P. Bischak (2011). "The exact fill rate in a periodic review base stock system under
normally distributed demand." OMEGA, The International Journal of Management Science 39: 346
349.

Simchi-Levi and S.-L. Kaminsky (2000). Designing and Managing the Supply Chain

Simchi-Levi, D., P. Kaminsky, et al. (2003). Designing & Managing the Supply Chain. Mc-Graw Hill, .

Simos, J. (1989). l'valuation environnementale : un processus cognitif ngoci. DEPARTEMENT DE
GENlE RURAL. LAUSANNE, EPFL.

Skouri, K. and S. Papachristos (2002). "A continuous review inventory model, with deteriorating
items, time-varying demand, linear replenishment cost, partially time-varying backlogging." Applied
Mathematical Modelling 26: 603617.

Song, J. (1998). "On the order fill rate in a multi-item, base-stock inventory system. ." Operations
Research 46(6): 831-845.

Srinivasa Raghavan, N. R. and N. Viwanadham (2002). Stochastic models for analysis of supply chain
networks, . Proceedings of the American Control Conference,, Anchorage, AK.

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
Rfrences
153

Stanislaw, B. (2005). "Turnpike policies for periodic review inventory model with emergency orders."
Int. J. Production Economics 9394 357373.

Sven, A. (2007). "A heuristic for triggering emergency orders in an inventory system." European
Journal of Operational Research : Production, Manufacturing and Logistics 176: 880-891.

Sven, A. and Z. Wen-Fa (1999). "A joint replenishment policy for multi-echelon inventory control."
International Journal Production Economics 59: 243-250.

Swenseth, S. R. and M. R. Godfrey (2002). "Incorporating transportation costs into inventory
replenishment decisions." Int. J. Production Economics 77: 113-130.

Tan, K. C. (2001). "A framework of supply chain management literature. ." European Journal of
Purchasing & Supply Management 7: 39-48,.

Tchokogu, A. and J. Nollet (1998). Le pendule de la centralisation dcentralisation : une analyse de
la dynamique des structures en gestion des achats Cahier de recherche. G. d. r. CHANE. Montral 98-
01: 15

Tersin, R. (1980). Principles of Inventory and Material Management. . New York.

Teunter, R. and D. Vlachos (2001). "An inventory system with periodic regular review and flexible
emergency review " IIE Transactions 33: 625-635.

Toomey, J. W. ( 2000). Inventory Management: Principles, Concepts and Techniques. . Kluwer
Academic Publishers.

Tuffry, S. (2005). Data Mining et statistique dcisionnelle L'intelligence dans les bases de donnes.
Paris.

Tyworth, J. E. and A. Ruis-Torres (2000). "Transportations role in the sole versus dual-sourcing
decision." International Journal of Physical Distribution & Logistics Management, vol 30, (N 2, ): pp
128-144, .

Vallin, P. (1999). La logistique : modles et mthodes du pilotage des flux. Paris.

Vallin, P. (2003). La logistique - modles et mthode du pilotage des flux, .

Veinott, A. and H. Wagner (1965). "Computing optimal (s,S) inventory policies. ." Management
Science 11 525-552.

Verwijmeren, M., P. Van Der Vlist, et al. (1996). "Networked inventory management information
systems: Materializing supply chain management. ." International Journal of Physical Distribution and
Logistics Management vol. 26, n 6: pp. 16-31. .

Vidal, C. J. and M. Goetschalckx (1998). "Strategic production-distribution models : A critical review
with emphasis on global supply chain models." European Journal of Operational Research: 1-18.

Viswanathan, S. (1997). "Periodic review (s, s) policies for joint replenishment inventory systems."
Management Science 43(10) 14471454.
t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2
Rfrences
154

Waters, C. D. J. (1992). Inventory Control and Management.

Watson, K. and T. Polito (2003). "Comparison of DRP and TOC financial performance within a multi-
product, multi-echelon physical distribution environment." international Journal of Production
Research 41(4): 741 - 765.

Xu, S. H. (1999). "Structural analysis of a queueing system with multiclasses of correlated arrivals and
blocking." Operations Research 47(2) 264276.

Yokoyama, M. (2002). "Integrated optimization of inventory-distribution systems by random local
search and a genetic algorithm." Computers & Industrial Engineering 42: 175-188.

Zadeh, L. A. (1978). " Fuzzy sets as a basis for a theory of possibility." Fuzzy Sets and Systems 1(1): 3-
18.

Zermati, P. and F. Mocellin (2005). Pratique de la Gestion des Stocks. .

Zhao, Q. h., S. Chen, et al. (2010). "Integration of inventory and transportation decisions in a logistics
system." Transportation Research Part E 46: 913-925.

Zhaoa, Q.-H., S.-Y. Wang, et al. (2004). "Model and algorithm of an inventory problem with the
consideration of transportation cost." Computers & Industrial Engineering 46: 389-397.

Zheng, Y. and A. Federgruen (1991). "Finding optimal (s,S) poolicies is about as simple as evaluating a
single policy." Operations Research 39: 654665.

Zhou, E. and A. Khotanzad (2007). "Fuzzy classier design using genetic algorithm." international
journal of the Pattern Recognition 40: 34013414.

t
e
l
-
0
0
6
9
5
2
7
5
,

v
e
r
s
i
o
n

1

-

7

M
a
y

2
0
1
2

These Khaled Bahloulthèse Doctorales

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

These Khaled Bahloulthèse Doctorales

Uploaded by

Copyright:

Available Formats

Numro d'ordre : 2011 ISAL 0031 Anne 2011

Institut National des Sciences Appliques de Lyon

Vrifier condition de commande : couverture des cots

You might also like