Description
Titre : Optimisation multi-objectifs du problème d’ordonnancement dynamique de job shop double flexible avec prise en compte des facteurs humains
Composition du jury :
- Ouajdi Korbaa - Professeur, ISITCOM, Université de Sousse, Tunisie - Rapporteur
- Abdelghani Bekrar - Maître de conférences, HDR, Université Polytechnique Hauts-de-France, France - Rapporteur
- Hamid Alaoui - Professeur, Université d’Artois, France - Examinateur
- Yannick Naudet - Lead Scientist, ADR, Luxembourg Institute of Science and Technology, Luxembourg - Examinateur
- Imed Riadh Farah - Professeur, MSE, Université de la Manouba, Tunisie - Examinateur
- Daria Battini - Professeure, University of Padova, Italie - Examinateur
- Hind Bril El-Haouzi - Professeure, Université de Lorraine, France - Directeur de thèse (UL)
- Olfa Belkahla Driss - Maître de conférences, HDR, École supérieure de commerce, Université de la Manouba, Tunisie - Directeur de thèse (ENSI)
Résumé :
La transition du paradigme centré sur la machine de l’Industrie 4.0 vers la vision résiliente, durable et centrée sur l’humain de l’Industrie 5.0 souligne la nécessité d’intégrer davantage les facteurs humains dans les systèmes d’ordonnancement de la production. Pourtant, la littérature sur le problème d’ordonnancement flexible de type job shop considère encore majoritairement les opérateurs comme de simples contraintes de ressources ou comme des critères d’évaluation en fin d’horizon, tandis que les travaux consacrés à l’ordonnancement dynamique demeurent principalement focalisés sur les perturbations liées aux machines. Les interactions entre l’évolution de l’état des opérateurs et les décisions d’ordonnancement restent ainsi insuffisamment prises en compte. Cette thèse répond à cette gap en formulant et en résolvant le problème d’ordonnancement dynamique double flexible de type job shop avec fatigue des opérateurs (DyDFJSP-WF). Dans ce problème, machines et opérateurs sont modélisés conjointement comme des ressources flexibles, tandis que la fatigue est représentée comme une variable d’état dynamique évoluant au cours de l’exécution de l’ordonnancement et influençant les décisions futures. L’étude débute par l’analyse du DFJSP-WF statique avant d’être étendue au contexte dynamique. Le problème statique est d’abord formulé puis résolu à l’aide d’un algorithme d’optimisation évolutionnaire multi-objectif basé sur la décomposition (IMOEA/D), permettant de concilier efficacité de production et dégradation de la qualité induite par la fatigue. Sur cette base, une revue systématique de la littérature consacrée à NSGA-III et à l’apprentissage par renforcement appliqués à l’ordonnancement met en évidence la complémentarité de ces approches pour la résolution de problèmes dynamiques comportant un grand nombre d’objectifs. Ces constats conduisent au développement d’un cadre hybride RL–NSGA-III associant un plan de référence prédictif généré par NSGA-III à une couche réactive fondée sur deux agents Proximal Policy Optimization (PPO). Le cadre proposé intègre des modèles de fatigue calibrés à partir de données issues de capteurs portables afin de permettre l’allocation personnalisée des pauses et l’adaptation en
temps réel aux perturbations de production. La validation expérimentale est menée à deux échelles. Sur des instances de référence, les approches proposées produisent des fronts de Pareto de meilleure qualité que plusieurs méthodes multi-objectifs de l’état de l’art. Sur des instances industrielles construites à partir de données réelles collectées auprès d’opérateurs équipés de capteurs portables, le cadre hybride permet de concilier gestion personnalisée de la fatigue et réordonnancement en temps réel face aux perturbations.
Mots-clés : Ordonnancement de type job shop double flexible; contrainte de double ressource, ordonnancement dynamique; fatigue des opérateurs; production centrée sur l’humain; Industrie 5.0; optimisation multi-objectif; NSGA-III; apprentissage par renforcement; MOEA/D; Proximal Policy Optimization
Un lien visio sera ouvert sur Teams
https://teams.microsoft.com/meet/387617064951261?p=jX6YuQUjygMFLCNnSI
