View article

Les problèmes d'ordonnancement dans le secteur industriel sont en tête des problèmes d'optimisation les plus étudiés. Cependant, les approches de résolution ne sont pas adaptées à un environnement dynamique et de plus en plus incertain. Les travaux présentés dans cette thèse se situent dans le cadre de résolution du problème d'ordonnancement d'ateliers de type job shop fexible (FJSSP) sans et avec incertitudes. Nous avons proposé un algorithme d'optimisation par essaims particulaires (PSO) ainsi que deux architectures multi agent à base de PSO nommées MAPSO1 et MAPSO2 pour résoudre le problème FJSSP sans incertitudes. Après avoir testé nos algorithmes sur différents benchmarks , les résultats obtenues ont montré leurs efficacités. Nous avons proposé d'utiliser des systèmes embarqués pour le déploiement d'un processus d'optimisation intelligent et coopératif comme le PSO. Ainsi l'architecture MAPSO2 a été testée sur un système physiquement distribué comportant deux systèmes embarqués. Plusieurs améliorations ont été proposées donnant naissance à MAPSO2 + et MAPSO2++. Nous avons proposé aussi une approche prédictive basée sur PSO nommée 2s-PSO pour résoudre le problème FJSSP avec la prise en compte des pannes de machines. Les expérimentations ont montré que l'algorithme 2s-PSO augmente la robustesse et la stabilité de la solution. Ainsi, et comme dernière contribution, nous avons proposé une heuristique de ré-ordonnancement pour réparer l'ordonnancement en cas d’inefficacité sous incertitudes.