005 Optimisation de La Chaine Logistique Benqlilou 2012 PDF

Dr.
Chouaib BENQLILOU
OPTIMISATION DE LA CHAINE
LOGISTIQUE
[email protected]
2012-13
Prof. Chouaib BENQLILOU

Objectifs d‘apprentissage
 Apprendre à formuler un problème d'optimisation (linéaire, non linéaires,
variables continues et discrètes,…) ; définir une mesure de performance,
fixer les limites permises et les contraintes à respecter, préciser les
paramètres de décision
 Comprendre les principaux algorithmes d'optimisation deterministiques et

stochastiques et leurs applications en génie de procédés industriels; Choisir
l‘algorithme le plus adapté et le configurer
 Implémenter le système sur logiciels d‘optimisation (GAMS, Matlab,…) et

réaliser une analyse de sensibilité sur les « solutions optimales ».
Dr. Chouaib BENQLILOU

 Prise de décision optimale avec une connaissance
« complète »
 L‘ensemble des décisions possibles et
 Un critère pour comparer entre eux (bien quantifié)
Durée des feux rouges dans une ville
Présence d‘incertitude
 Investissement vs risque  modélisation stochastique

Introduction : Framework
Optimisation est toujours requise
a une certaine étape de
conception, d’exploitation Problème d’ ingénierie
Chain logistique
Ordonnancement,
RTO ….
inv
Exp.
Mise en équation
s Formulation mathématiquement en
Logiciel équation
y
Contenant des algorithmes
n
d‘optimisation Fonction a minimiser/maximiser
t
(detrministiques ou Des contraintes (in)égalité(procédé)
a
stochastiques) Des variables de décisions
x
(Excel, Matlab, GAMS)
e
Chain logistique Forecasting
Planification et
Problèmes d‘optimisation
Base de données dyn.
Scheduling
Sélection optimale
des consignes RTO
Réconciliation de
Régulateurs PID données
Fault diagnosis
Capteur et
actionneur Conception
Purdue
systeme Dr. Chouaib BENQLILOU
Introduction: Formulation mathématique
Classification des problèmes d‘optimisation LP, NLP, MILP, MINLP
Fonction objectif
 linéaire ou non linéaires Fonction économique,…
 simple ou multiple
Contraintes
 linéaires/non linéaires Modèle du procédé,…
 égalités/ inégalités
 limites supérieures/inferieurs des variables
Variables
 continue ou discrètes
Variables de décision Une variable ou plusieurs
Configurer les paramètres du solveur Itération, tolérance,…

SYSTÈME D‘OPTIMISATION
LINÉAIRE
Architecture de la SCM
 Réseaux de différents
 Fournisseurs
 Unités de production
 Centres de stockage / distribution
 Marché
 Moyens de transport

Les niveaux hiérarchiques de la SCM
 Design  décision stratégiques: emplacement des unités de production,
centres de distribution, fournisseurs; choix des technologies et options de
distribution.
 Tactique  décision de flux de matière: combien produire et ou; niveau de

production et de stockage (planification )
 Opérationnel  Organisation des ressources humaines et technique les

exigences du client (Ordonnancement)
 Quel produit (quoi), quelle quantité (combien), quel équipement (ou), quel moment
(quand) .
 batching, allocation, sequence, timing

Le modèle de
PURDUE  partie Dr. Chouaib BENQLILOU
économique
Vision de la SCM
 Difficultés relatives a la prise de décision:
 échelles temporelles et géographiques différents.
 réactivité devant un marche hautement variant (secteur

électronique; DELL)
 anticipé les exigences du client (ZARA)
 Cout associé a la SC dans le produit est de 10% (resp. 40%)

marché local (resp. marché international)
 …
Flux de données
 Coordonnées les différentes activités de la SC

 Synchroniser les 3 flux
 information
 matière
 financier (cash)
 Satisfaction des spécifications du marché

 Maximiser le bénéfice
Optimisation
 Design: décision stratégique (2 a 5 ans)
 maximiser le bénéfice annuel, cout d‘investissement, NPV
 Déterminer l‘emplacement des unités et centre de

distribution, choix des technologies et des moyens de
transport

Optimisation
 Planning: décision tactique (sur 1-24 mois)
 maximiser le profit ou minimiser les retards et le cout total
 Déterminer le niveau de production et de stockage
 Contraints, disponibilité de la matière première, capacité de

production, limites du stock
 Données, demande de chaque marché, cout de production,

cout de stockage et du transport, etc.
Optimisation
 Ordonnancement : décision opérationnelle (heures
et jours)
 maximiser la production pour une période de temps

donnée, minimiser le Makespan, minimiser le retard
 Déterminer le quoi, le quand, le combien et le ou
 Contraints, recette du processus, données de la

planification
Real-time optimisation (RTO)
 La conception du Contrôle permet d‘obtenir une réponse
raisonnable en boucle fermée devant des changements de
consignes (Set-Points - SP) et des perturbations.
 La détermination en temps réel (on-line) de consignes optimales (RTO)
Sélection optimale des SP est formulée comme un problème

d‘optimisation faisant intervenir un modèle économique (FO) et
le modèle du procédé en régime stationnaire (contraintes)
1. Un modèle en « état stationnaire » est plutôt utilisé que le modèle dynamique, étant
donné que le système est supposé opérer en régime permanent sauf quand les
consignes changent.
2. Le modèle économique  maximisation du profit ou l minimisation des couts,…

 L‘application de la RTO en industrie (contrôle superviseur)
 Optimiser les set-points sur une base économique

 S‘assurer du régime stationnaire
 Transférer les données

 Système de Contrôle Distribué ( DCS = {PID, PLC,…} )

 Un procédé permet de fabriquer deux produits E et F a partir de
deux matières premières A et B avec une limite d‘approvisionnement
Les transformations faisant intervenir A et B sont:
 Procédé P1 : A+B  E
 Procédé P2 : A+2B  F
Procédé Produit Cout Prix de Max. Cout
opération vente production fixes
1 E 15Dh/Kg 40Dh/kg 30.000Kg/j 200Dh/j
2 F 5Dh/kg 33Dh/kg 30.000Kg/j 350Dh/j
Matière Première Cout Disponibilité Max.

A 15Dh/kg 40.000kg/j
B 20Dh/kg 30.000kg/j
Les étapes qui devront être considère pour résoudre pratiquement
un problème d‘optimisation:
ETAPE 1 : Identifier les variables du procédés (les variables d‘entrées et de
sorties les plus importantes, elles sont utilisées dans la fonction objectif et les
contraintes)
La quantité de A, B, E et F [x1, x2, x3, x4]
ETAPE 2 : choisir et formuler la fonction objectif

Ventes des produits – cout d‘exploitation – cout de la matière première
40x3  33x4   15x1  20x2   15x3  5x4  350  200

ETAPE 3 : i) développer et construire le modèle du procédés (bilan matière et
énergie) et ii) des contraintes physiques, opératoires (de stockage), de sécurités
Kg reac/ kg produit
et environnementales
0  x1  40000
x3  x1  x2 0  x2  30000
x4  x1  2x2 0  x3  30000
0  x4  30000
ETAPE 4 : simplifier le modèle d’optimisation ainsi formuler (linéarisation)
ETAPE 5 : choisir l’algorithme d’optimisation adéquat, le configurer et « estimer » la

solution initiale
ETAPE 6 : faire une étude de sensibilité (pour voir quels sont les paramètres les plus
importants pour trouver l’optimum)
Conception
 Les variables de décision sont définit sur la base de  l‘analyse
des degrés de liberté (NV – NE)
 Les contraintes sont principalement ceux relatives aux limites max et
min des variables et ceux relatives au procédé (BM, BE,…) 
simulateur, ANN,…
 Généralement la fonction objectif est un compromis entre le cout
d‘exploitation et le cout d‘investissement  www.chempute.com;
www.chemengineer.miningco.com
Comment déterminer le diamètre optimal d‘une « conduite »

Pour un fluide non compressible de viscosité et densité données

C0
C  C1 D L  0.142
1.3
m 2.8  0.2  0.2 D 4.8 L
Conception 
Cinv  C1 D n L, n  1.3
FO C0 mP
Cope  ,  : efficacite de la pompe

 D 2 
m   v m  debit massique
Contraintes
 4 
2 fv 2 L
P  v  vitesse du fluide
D
0.2
  
f  0.046 Re 0.2  0.046  f  facteur de friction
 Dv 
Variables f, D,v,P

Conception
m  50 kg / s
  60 kg / m3
  6.72 x10  4 kg / s.m
  0.6
C1  5.7 Dh / m.année

C0  0.59 Dh / année  / kgm2 / s 3 

Planification de production (LP)
 Procédé de production multi-produit et multi-purpose offrant une
grande flexibilité (batch)  maximisation d‘utilisation du système
(p.e. extraction par CO2 supercritique)
Déterminer
Quoi?
Quand?
Ou?
Comment?

Réconciliation de Données (QP)
Courant l/s variance

Fi
F1 10 1
MP réacteur dist
F2 10.5 300
F3 5.5 2
F4 6 0.5
2
 Fi  Fi * 
   
min  
s.t. F1*  F2* Solver d’EXCEL
F F F
2
*
3
*
4
*
Option  complément  atteindre  solver
observabilite ( A, C ) Menu  données
Pondération (favorisé les

variables ayant une variance Dr. Chouaib BENQLILOU
réduite)
Planification de production d‘une raffinerie
x1
Pétrole brut # 1 Essence Q1
x2 Raffinerie A
Pétrole brut # 2
Kérosène Q2
x3
Pétrole brut # 3 Fuel Q3
x4
Raffinerie B Résidu Q4
x5
Pétrole brut # 4
 Différent type de pétrole avec divers propriétés et temps de

livraison  problème LP

x1 x2 x3 x4 x5 Prix de vente Demande max
$/br 1000 br/sem
P1 0.6 0.5 0.3 0.4 0.4 45 170
P2 0.2 0.2 0.3 03 0.1 30 85
P3 0.1 0.2 0.3 0.2 0.2 15 85
P4 0 0 0 0 0.2 60 20
Prix brut $/br 15 15 15 25 25

Cout ope $/br 5 8.5 7.5 3 2
Brut dispo 100 100 100 200
1000 br/sem
Qp  a p1 x1  a p 2 x2  a p3 x3  a p 4 x4  a p5 x5
 
Max  v p Q p   c p Q p 

 p c 
st.
x1  S1
x2  S 2
x3  S3
x4  x5  S 4
Q p  a p1 x1  a p 2 x2  a p 3 x3  a p 4 x4  a p 5 x5 , p  1,..,4
Qp  Dp
Qp  0
xc  0, c  1,...,5 Dr. Chouaib BENQLILOU
Estimation de paramètre
Représentation correct du procédé sous étude

 coefficient de transfert de chaleur
 activité du catalyseur
 encrassement d‘un échangeur de chaleur
 …

LP résolution
LP sans contrainte 1D (détermination de la fraction
f ' x1 
vaporisée dans une distillation flash)
xk 1  xk  '' f '' x1   0
f x1 
Méthode de Newton
La majorité des problèmes d’optimisation considères des

contraintes
Pour des problèmes linéaires la solution se trouve sur
la frontière de l‘espace des solution faisables
Méthode deterministique: Une recherche prédéterminée et n‘introduisant aucune étape
aléatoire :
I. direct n‘utilisant pas le gradient simplexe (Dantzig 1947), point intérieur
(Karmarkar 1984), …
II. indirecte utilisant le gradient (la dérivée) gradient descendant,…

OPTIMISATION COMBINATOIRE
MILP/MINLP
Chouaib BENQLILOU
MILP / MINLP
• objectifs:
Comment formuler un problème d‘optimisation

faisant intervenir des variables continues et discrètes
MILP / MINLP
Algorithme branch and bound

MILP
Pour certain problème les variables de décision prennent des valeurs

entières (p.e. nombre de compresseur, affectation des taches aux
ressources 0 ou 1,…)
 Résoudre le problème en supposant qu’il est linéaire puis on

arrondit les valeurs réels aux entiers les plus proches.
 Enumérer toutes les solutions faisables est tout simplement

impossible (p.e. pour un système contenant 50 variables pouvant
prendre la valeur 0 ou 1 on 250 solutions)  si en plus on considère
que les variables sont entières l’explosion combinatoire est
immense (NP-hard).

MILP problème classique (knapsack)
 on a « n » objets, chaque objet « i » a un poids « wi » et une
valeur « vi »
 déterminer l‘ensemble des objets a mettre dans le sack pour que
le poids ne dépasse pas W et pour avoir la meilleure valeur totale
 n 
max   yi vi 
 i 1 
s.c.
n
 y w W
i 1
i i
yi  0,1 variable binaire indicant si l' objet est choisis ou pas

MILP problème classique (traveling salesman)
 un camion de distribution commence sa tournée a Casablanca, visite un
ensemble de ville une seul fois et retourne a la ville d‘origine.
formuler le problème d’optimisation qui permet de déterminer le
cout minimal de se parcours
 n n 
min   yij cij 

 j 1 i 1 
s.c.
n
y
i 1
ij  1, j
n
 yij  1, i
j 1
i j
yii  0; yij  0,1 variable binaire indicant si l' agent voyage de la ville i a la j
MILP
Formulation de décisions logiques au moyen de variables binaires
 Si une caractéristique existe la variable binaire prends la valeur 1 sinon la
J valeur 0
 yj 1
j 1
On voudrais choisir une seule option parmi J
possibilités
 yj  m
j 1
On voudrais choisir au max « m » options parmi J
possibilités
yk  y j  0 Si l‘option « k » et choisi l‘option « j » devras aussi

être choisis
Une variable binaire « y » pourra être utiliser pour
x  Uy  0, x0 forcer une variable continue x a être nulle avec U un
« grand nombre »
B&B exemple d‘illustration
L’énumération des solutions entiers présente une structure
arborescente  branch and bound B&B
 Initialement les variables binaires peuvent être considérées comme des variables
continues appartenant a l‘intervalle [0,1] et le problème de minimisation peut être
résolus comme un LP (relaxer)
 La valeur de la fonction objectif ainsi relaxer donne la borne inferieure (lower

bound)
 La valeur non-entière pourra être fixer à 0 ou 1 et le problème LP est refait
(branch)
 la meilleure solution non relaxer correspondante a une solution entière fournis la
borne supérieur (upper bound)
ub  lb
 tolerance (0.05)
On coupe par optimalité // 1  lb
infaisabilité // Dr. Chouaib BENQLILOU
B&B exemple d‘illustration
max f = 86y1 + 4y2 + 40y3
0  yj 1 s.c. 774y1 + 76y2 + 42y3 <875

67y1 + 27y2 + 53y3 <875
y1 , y2 , y3 = 0, 1
129.1  [1, 0.776,1]
En profondeur d‘abord
126  [1, 0,1] 128.11 [0.978, 1,1]
44 [0, 1, 1] 113.81 [1, 1,0.595]
Meilleure solution d‘abord 90  [1, 1,0] Infaisable

MILP / MINLP
• algorithme:
Dans chaque nœud de l‘ arborescence on relaxe le

problème MILP (resp. MINLP) et on résout un
problème LP (resp. NLP) au moyen de la méthode
adopté par exemple simplex (resp. GRG)

MILP / MINLP  (SEQUENCE)
Séquence de N=4 produits dans un procédé de M=3 unités afin de
minimiser le makespan:
Temps d‘opération
1 2 3 P1 P2 P3 P4
1 3.5 4.0 3.5 12.0
2 4.3 5.5 7.5 3.5
3 8.7 3.5 6.0 8.0
C jk temps quand le produit j sort de l' unité k

 jk temps d' operation du produit j dans l' unité k
CNM temps quand le produit N sort de l' unité M ( Makespan)

C10 temps ou le produit 1 entre dans l' unité 1(initialeme nt )
MILP / MINLP
FO CNM
Contraintes de temporisation
1- Le produit passe a l‘unité k si auparavant il a terminé l‘unité k-1
C j ,k C j ,k 1 j ,k , j  1...N k  2...M
2- Le produit j sort de l‘unité k une fois j-1 est fait dans k (2 produits dans
la meme k).
C j ,k C j 1,k  j ,k , j  1...N k  1...M
3- Si un produit termine l‘unité k, il passe a l‘unité k+1 une fois disponible.
C j ,k C j 1,k 1, j  1...N k  1...M  1
MILP / MINLP
Contraintes de séquence d’opération

X j ,i produit j se trouve dans la position i de la séquence
Un produit devra occupé une seul position dans la séquence

4
X
i 1
j ,i  1, j  1...4
Pour chaque position dans la séquence on affecte un seul produit
4
X
j 1
j ,i  1, i  1...4
Le temps d‘opération correspondant a l‘assignation Xji.
4
 j ,k   X j ,i i ,k , j, k
i 1
OPTIMISATION
INTRODUCTION A GAMS
Chouaib BENQLILOU
Optimisation (GAMS Tutorial)
Optimisation Code
Méthodes
Méthodes heuristiques
exacts (stochastiques)
B&B MINLP GA SA RT

C’est Quoi GAMS ?
 Systeme de modelisation algebriqaues
 Modelisation lineaire non-lineaire et combinatoire
 Tres performant pour les problemes larges et complexes
 Algorithmes pour la resolution de: LP, NLP, MILP et MINLP:
 MINOS, CONOPT,…
GAMS (General algebraic modeling systems)

MS Excel (GRG)
Matlab (Optimisation Toolbox)

Un exemple sur GAMS: problem de Transport
Distances
Marchés
Usine Fes Meknes Marrak. Stock
Casa 2.5 1.7 1.8 350

Tanger 2.5 1.8 1.4 600
Demande 325 300 275
Minimiser : le cout de Transport

Sous contraintes de : Satisfaire la demande et la capacite du stock
Cout unitaire du transport

Indices (or sets):

i unités de production
j marchés
sets
i usines /Casa, Tanger/
j marches /Fes, Meknes, Marrakech/;
 Declarer et nommer les sets

 Assigner leurs memberes entre des slashes / … , …, … /
 Terminer chaque instruction par (;).
Données (or parameters):

ai stock de chaque unité i (colis)
bj demande de chaque marché j (colis)
cij cout de trasnport de i vers j ($/case)
GAMS utilise les formats suivants

pour introduire les données :
 Tables
 Parameters
 Scalar
Parameters
d(j) demande de chaque marche /Fes 325, Meknes 300, Marrakech 275/
p(i) capacité de production de chaque unité /Casa 350, Tanger 600/;
 Declarer les parametres et leur domaines a(i) and b(j)

 Les valeurs sont introduites entre les / … /
 Couples element–valeur devrons etre separées par des ‘,’ ou
introduits sur des lignes separées.

 Declarer les parametres et leur domaines

 Données sont introduit convenablment comme suit:
Table di(i,j) distance entre les villes
Fes Meknes Marrakech

Casa 340 240 200
Tanger 360 300 500;
 Un scalaire est contruit comme un parametre sans domaine.
Scalar f prix en dirhams par kg et par 1000 kilometres /9/ ;
GAMS fera les calculs nécessaires
Parameter c(i,j);
c(i,j) = f * di(i,j) / 1000 ;
Variables de decision:
xij = quantité a envoyé de l’unité i au marché j (colis), ou xij≥
0, pour tout i, j
Variables
x(i,j) quantité kg de i a j
OF cout de transport global ;
Positive Variable x ;
free Variable OF ;
 Les variables de decision sont exprimées ainsi que leur indices.

 Les types de variables sont: FREE, POSITIVE, NEGATIVE, BINARY, or INTEGER.
 La variable ―objective‖ est declarée sans induce et devar etre FREE.
.lo = lower bound

.up = upper bound
Constraintes: satisfaire
la capacité de stock de i: ∑j xij ≤ ai , pour tout i
les demandes du marché j: ∑i xij ≥ bj , pout tout j
Fonction objectif
Minimiser ∑i ∑j cij xij ($K)
Equations
cout fonction objective
capacite(i) capacite i
demande(j) demande j ;
cout .. OF =e= sum((i,j), c(i,j)*x(i,j)) ;

capacite(i) .. sum(j, x(i,j)) =l= p(i) ;
demande(j) .. sum(i, x(i,j)) =g= d(j) ;
Model transport /all/ ;

 On donne un nom au modele (TRANSPORT) et on peut dpecifié entre les
slahes quelles equations on peut inclure (ALL).
Solve transport using lp minimizing OF;

 On specifié a GAMS quel modele on utilisera avec quel Solver (LP) et on
indique la direction de l’optimmisation (MINIMIZING, MAXIMIZING) ainsi que
la variable objectif.
Display x.l, OF.l ;

http://www.gams.com
i. Exemple du B&B
ii. Assignation de courrants aux echangeurs de chaleurs
iii. Supply chain plannning d‘une Raffinerie

iv. Supply Chain Scheduling-sequencing

Allocation
Cout d‘assignation
Ech 1 Ech 2 Ech 3 Ech 4
Cour 1 94 1 54 68
Cour 2 74 10 88 82
Cour 3 73 88 8 76
Cour 4 11 74 81 21
max f = 86y1 + 4y2 + 40y3

s.c. 774y1 + 76y2 + 42y3 <875
67y1 + 27y2 + 53y3 <875
y1 , y2 , y3 = 0, 1

Allocation
$TITLE Test Problem
* Assignment problem for heat exchangers from pp.409-410 in
* "Optimization of Chemical Processes" by Edgar and Himmelblau
SETS
I streams / A, B, C, D /
J exchangers / 1*4 / ;
TABLE C(I,J) Cost of assigning stream i to exchanger j
1 2 3 4
A 94 1 54 68
B 74 10 88 82
C 73 88 8 76
D 11 74 81 21 ;
VARIABLES X(I,J), Z ;
BINARY VARIABLES X(I,J);
EQUATIONS ASSI(J), ASSJ(I), OBJ;
OBJ.. Z =E= SUM( (I,J), C(I,J)*X(I,J) ) ;

ASSI(J).. SUM( I, X(I,J) ) =E= 1;
ASSJ(I).. SUM( J, X(I,J) ) =E= 1;
MODEL HEAT / ALL / ;
SOLVE HEAT USING MIP MINIMIZING Z; Dr. Chouaib BENQLILOU

x1 x2 x3 x4 x5 Prix de vente Demande max
$/br 1000 br/sem
P1 0.6 0.5 0.3 0.4 0.4 45 170
P2 0.2 0.2 0.3 0.3 0.1 30 85
P3 0.1 0.2 0.3 0.2 0.2 15 85
P4 0 0 0 0 0.2 60 20
Prix brut $/br 15 15 15 25 25

Cout ope $/br 5 8.5 7.5 3 2
Brut dispo 100 100 100 200
1000 br/sem
Qp  a p1 x1  a p 2 x2  a p3 x3  a p 4 x4  a p5 x5
Ordonnancement (séquence) multi-produit
Flowshop
Séquence de N=4 produits dans un procédé de M=3 unités afin de
minimiser le makespan:
Temps d‘opération
1 2 3 P1 P2 P3 P4
1 3.5 4.0 3.5 12.0
2 4.3 5.5 7.5 3.5
3 8.7 3.5 6.0 8.0

OPTIMISATION
NON LINÉAIRE
Chouaib BENQLILOU
Problèmes NLP
La fonction objectif ou au moins une contrainte est une
équation non linéaire
x  x1 , x2 ,...; xn 
T
f ( x)
g i (x)  bi i  1,2,..., m
h j ( x)  c j j  1,2,..., r
 Transformer les inégalités en égalités,

 Transformer un problème avec contraintes a un autre sans
Problèmes NLP
1. Programmation linéaire séquentielle (SLP) on linéarise le problème (i.e.
fonction objectif et contraintes) autours d‘un point et successivement on
applique les algorithmes LP
2. Programmation quadratique sequentielle (SQP) on linéarise les contraintes et

on assume que la fonction objectif est quadratique  c‘est un QP qui est
résolus dans chaque itération.
3. Gradient Réduit Généralisé (GRG, GRG2) (le plus robuste)
4. Conditions d‘optimalités du 1er et 2eme ordre (nécessaires et suffisantes)

1. Lagrangien (contraintes d‘égalité) ;
2. Kuhn-Truck-Condition (contraintes d‘inégalité )
L’optimum global n’est pas assuré  MultiStart

NLP Lagrangien
   
m
Lx,    f x     j g j x   b j
j 1
hj x  0
*
j
 x Lx,  j 
x ,   0
*
j
*
conditions d‘optimalité de premier ordre (nécessaire)
g j x * sont linearemen t independant

f x * est tjs colineaire avec g x * mais de sens opposées
 quelle est la contrainte qui affecte le plus la valeur

fonction objectif
NLP Analyse de Sensibilité
min f x1, x 2  x1  x2 1/ 2
b
s.c. x1  x2   
* *
*  2b 1/ 2
2
x12  x22  b FO  2b 
1 / 2
 *
x1  x2  c
La contrainte avec le multiplicateur de Lagrange le plus

élevé est celle qui affecte le plus la FO  analyse de
sensibilité des paramètres

NLP Les inégalités
 permettent Pour entendre l‘idée des multiplicateurs de

Lagrange pour traiter les contraintes d‘inégalités :
Les conditions de Kuhn-Tucker (KKT)
 
r
Lx, u   f x    u j h j x   c j
j 1
 
h j x*  c j
u *j  0
   
u *j h j x*  c j  0
NLP Les inégalités
min f x1, x 2  x1 x2 u = 0.5

x1= 3.54
s.c.  
g x1, x 2  x1  x2  25
2 2
x2=-3.54
Lx, u   f x   u 25  x12  x22 

dL dL dL
   0;
dx1 dx2 du
u  0,
u.x12  x22  25  0
x12  x22  25
NLP Conditions d’optimalités
conditions d‘optimalité du second ordre

(nécessaire et suffisante)
 Pour garantir l‘optimum global il faudra calculer la dérivée

seconde et vérifier que la matrice Hessien du Lagrangien est
semi-définie positive (i.e. tous les déterminants sub principaux
sont positifs).
T

y  Lx, λ, u  y  0
2
x 
NLP SLP
 On linearise la fonction objectif « f » et les contraintes

« g » autour du point x0 : la valeur initiale de x 
0

f x   f ( x )  f ( x ) x
0

T
Série de Taylor d‘ordre 1

 
g j x   g j ( x 0 )  g j ( x 0 ) x
T
1. On borne Δx pour limiter l‘erreur d‘approximation -1< Δx <1

2. On résout le problème linéaire pour trouver les « Δxi »
3. On évalue le nouveau point x0 +Δx
• S’il y a une amélioration il devient le nouveau point sinon on
réduit le Δx et on reviens a l’étape 2
Le plus utilisé en pratique traitant des problèmes très large: supérieur a 100 var. ou cont.
Convergence lente au voisinage de l‘optimum : manque de visibilité de la « courbe »
NLP SLP
0
 0

f x   f ( x )  f ( x ) x
T
Point initial (xc, yc)= (2,2)
min 2 xc  2x  y c  y  6  2x  y

min 2x  y s.c.
s.c. xc2  2 xc x  yc2  2 yc y  8  4x  4y  25
xc2  2 xc x  yc2  2 yc y  4x  4y  7
x  y  25
2 2
2  x  0
x2  y2  7 2  y  0
x0  1  x  1
 1  y  1
y0
x, y opt  1,1  ( xn , yn )  ( xc , yc )  (1,1)

NLP Gradient Réduit Généralisé
1. Identifier les variables indépendantes / dépendantes.
 Les équations (p.e. bilan matière) sont alors utilisées pour

déterminer la valeur des variables dépendantes
 Chaque itération de calcul un nouvel ensemble de variables

indépendantes est suggéré.
p. e. 100 Variables et 95 équations  5 variables de

décision

NLP Gradient Réduit Généralisé
(la FO est uniquement fonction des var. indépendante )
1 Calculer le gradient de « f » au point actuel xc on vérifie la condition de

convergence
2 Calculer la direction de recherche dc en utilisant le gradient de « f » au

point xc,
3 Déterminer la distance α, le plus souvent une approximation de la valeur

qui minimise la fonction objectif f(xc + α dc) et elle est utilisée pour
déterminer le point suivant xn = xc + α dc
4 Remplacer le point xc par xn est retourner a l’étape 1
Le plus robuste-
Gradient Réduit Généralisé
NLP
min x2  y2
s.c. x y 4
x  4 y
y est la variable independente ou non basique
x est la variable dependante ou basique
F  y   4  y   y 2 la FO reduite
2
F  y   8  4 y  0 gradient reduit
y c  0  x c  4  F 0  8
Gradient Réduit Généralisé
NLP
 F  yc   8 la " direction" de recherche
yn  yc  d  0   8
 le " pas"de recherche est choisi pour minimiser g   F yc  d 
g   4  8   8 
2 2
dg 
 64  256  0
d
  1 / 4  y n  2 xn  2

MSEXCEL
NLP SQP
 La méthode SQP résout une séquence de problème quadratique

(approximation aux problèmes non linéaires)
 la fonction objectif  quadratique

les contraintes  linéarisation
Lx,    f x   T .g ( x)

 on résout le QP
 T 1 T 2 
min x f x  .x  xx L.x 
 2 
s.c. g  g.x  0

NLP
Dernier théorème de Fermat: le plus grand problème de

mathématique de tous les temps
 Théorème — Il n'existe pas de nombres entiers non

nuls x, y et z tels que:
x y z
n n n
n3
Impossible d‘avoir un algorithme qui peut résoudre

d‘une façon efficiente tous les problèmes NLP
Design of Multiproduct Batch Plant
 maximiser l‘utilisation des unités batch ‗j‘ (s‘approcher a un
procédé continu)
 pas de stock intermédiaires (ZW, UIS)
 pas d‘incertitudes
 la présence de procédé semi-continus SC ‗k‘: pompes,
centrifugeuses, échangeurs de chaleurs,…)
Position du Problème
En considère que l‘ensemble des étapes (j ou k) pour produire un
ensemble de produits ‗i‘, on voudrait concevoir un procédé
multiproduit afin de satisfaire une production Qi dans un horizon
de temps H Dr. Chouaib BENQLILOU
Variables de décisions
Capacite de chaque etape batch V j 

Capacite de chaque train de SC Rk 
Batch Size Bi 
Cycle time Tij 
Temps d' operation SC  ik 
Nombre d' unité en parallele dans chaque etape m j 

Données du problèmes
Sij size factor i par rapport a j   kg/m 3
Dik duty factor i par rapport a k   kg/m3

V max , V min catalogues systemes batch  j  m 3
R max
, R min
catalogues systemesSC  k  m /h
3
Qi Quantite a produire de chaque produit i  m 3

H horizon de temps disponible pour la production
cij temps d' operation de i dans j
Contraintes
V j  Bi Sij j V j
max
 Vj  V j
min
j
Rk 
Bi Dk
k R max
k  Rk  R min
k k
 ik
Tij 

 i ,k  P  cij B
0
ij i
d ij
  i , k 1
Qi L
H  .Ti
Bi
mj
nombre de batch x cycle time  H Ti  max Ti ,ij .
L
 L

Fonction Objectif  cout investissement
 M
 k 
 
M
min  m j a jV j   bk Rk 
j
j
 j 1 
V , R , B ,T , m
j 1

OPTIMISATION
GLOBALE
Chouaib BENQLILOU
Optimum local vs global
Si la FO est discontinue ou présente plusieurs extremum

Si la FO et/ou les contraintes ne sont pas convexes
difficultés d‘assurer un optimum global

Optimisation stochastique
I. Méthode stochastique: on utilise un choix aléatoire pour guider la recherche et

on peut tolérer une détérioration de la fonction objectif
I. leurs points forts résident dans le fait de pouvoir traiter des problèmes
d‘optimisation difficiles (irrégularité de l‘espace de faisabilité) et
garantissent l‘obtention de l‘optimum global
II. cependant il peuvent être très lentes pour converger et généralement on
devrais l‘adapter pour des problèmes particuliers

Algorithmes génétiques GA (1)
I. Dans les GA au lieu d‘avancer point par point on avance population par population
(ensemble de points exemple température, pression, concentration) On crée
aléatoirement une population initiale (généralement entre 30-50 membre)
II. On définit un codage pour la détermination de l‘individus (p.e. vecteur contenant des
variables binaires 0 ou 1 correspondant a la décision de placer ou non un capteur)
On définit un codage pour représenter chaque membre (individus) de la
population  les variables de décision = chromosome
III. On détermine une fonction « fitness » pour évaluer les individus de la population 
la fonction objectif

Algorithmes génétiques GA (2)
I. On utilise trois operateur s
I. Reproduction (sélection) des individus avec une probabilité proportionnelle a

leur fonction objectif (roulette) probabilité PS
II. Crossover reviens a combiner deux individus pour en produire deux autres sur la
base d‘une certain probabilité PC: le point de coup est choisis aléatoirement
III. Mutation permet de créer un nouveau individus (chromosome) en « mutant » une

partie aléatoirement avec une probabilité PM (une fois le crossover effectue
(comme dans la théorie de l’évolution cette probabilité PM est très réduite)
II. Critère pour arrêter la recherche (la différence ente la moyenne et valeur max de la
fonction fitness ou un certain nombre de génération)
Adéquate pour l‘optimisation multi-objectif

Recuit simulé (1)
Pour un processus physique a Les molécules sont capables

haute température les de s‘organiser pour donner un
molécules liquides bougent On réduit la cristal parfais au MINIMUM
librement les unes au autres température d‘énergie
Si cette réduction est trop rapide il donnera pas un cristal parfais plutôt un état amorphe
Métallurgie  recuit simulé (simulated anneling)

simulannealbnd
Recuit simulé (2)

La variable de décision est T et la fonction objectif est l‘énergie E
 Ek 1  Ek   probabilité de distribution de

P  exp   Boltzman
 T 
1. Si Ek+1> Ek  la probabilité P > 1 le mouvement est
arbitrairement assigner a une probabilité de 1 et le système
devras toujours accepter un tel mouvement
2. Si P = 0 le mouvement est rejeté.
3. Si 0 < P < 1  (on accepte le mouvement même s‘il empire la

FO, pour décider on compare P avec un numéro aléatoire entre
0 et 1 si P > a ce numéro on accepte le mouvement
4. on réduit la température
Contraintes
contraintes sont difficilement modélisable et/ou drivée n’est pas

facilement calculable  On pourra notamment utiliser un modèle
empirique ANN ou un simulateur de procédé en connexion avec un
logiciel d‘optimisation (Matlab / EXCEL / Aspen / Connectivity)

Fonction Objectif (cout investissement)
Fonction objectif (investissement)
M ( type _ equipement)
 Capacite E 
Cout E  Cout B   . f Matiere. fTemp . f Pr es
 Capacite B 
ii  1
nombreAnnee
CoutAnnuel  Cout E . , i  taux interet
1  i nombreAnnee
1

Fonction Objectif (cout exploitation)
1. Matières premières, catalyseurs.

2. Utilities: Electricité, fuel, vapeur (BP,MP,HP,); eau de
refroidissement; réfrigération, air comprimé, gaz
inerte.
3. Ressources humaines.
4. Maintenance (6% investissement).
Peters MS, Timmerhaus KD and West RE (2003)

Plant Design and Economics for Chemical Engineers,
5th Edition, McGraw-Hill, New York.
Fonction Objectif (cout exploitation)
 Eau de refroidissement  Energie de pompage de l‘eau en haut de la tour
+ énergie de ventilateur de l‘air
QC  TH  TC 
 Système de réfrigération W  
0.6  TC 
 Vapeur haute pression  différence d‘enthalpie* efficacité de la chaudière
(85%)* cout du fuel.
 Vapeur moyenne pression (turbine a vapeur)  cout de la VHP – puissance

produite par la turbine (différence d‘enthalpie *débit molaire (ou massique)
* efficacité de la turbine.
 Air comprimé  puissance du compresseur * efficacité.

k 1 / k

kRT1  P2  
W    1 k  C p / Cv
k  1  P1  

Air comprimé P2 = 215.44 Kpa; P3 = 464.16 KPa
 Pour assurer une compression désirée on utilise plusieurs compresseurs en

série. Minimiser le W pour la compression de l’air de 10KPa a 1000KPa
en utilisant 3 compresseurs et deux refroidisseurs afin d’assurer que la
température d’entrée dans chaque compresseur n’est pas élevée T1,
considérez k = 1.4.
k 1 / k k 1 / k k 1 / k

kRT1  P2   P3   P4  
W          3 k  C p / Cv
k  1  P1   P2   P3  

 La condition nécessaire W W

P2 P3
 0  P2*  P12 P4  1/ 3

; P3*  P42 P1 
1/ 3
 La condition suffisante  matrice Hessien en utilisant P2 et P3 trouvées

antérieurement: 2W definit positive (determinant  0)
Fonction Objectif (évaluation projet)
Période de retour Retour d’ investissement
Cashflow _ annuel
ROI 
InvInitial
La valeur de la monnaie changent avec le temps
Valeur actuelle Nette IRR

(mesure du Profit) utilisation efficace du Capital
Cashflow
NPV   i  NPV  0
n 1  i n
Application
 Quel est le projet le plus intéressant d‘un point de vue
économique
Année cash flow
0 -10 -10
1 1,6 6,5
2 2,8 5,2
3 4 4
4 5,2 2,8
5 6,4 1,6
projet A Projet B
taux int 0,10
Contraintes : Modèle
du procédé (ANN, Fonction Objectif
ASPEN, EXCEL)
Algorithmes d’optimisation
• GA (Matlab)
• EXCEL (GRG)
• GAMS (Dicopt, MINOS, CPLEX)
Optimisation du mix énergétique
fuel Chaudière
Moy Pression
Puissance elec
condensat
Moy Pression
Bas Pression
Production de l‘acide sulfurique  production de la pression haute vapeur  trois turbo-

alternateurs, deux chaudières, deux groupes électrogènes contrat ONE
OPTIMISATION DE LA
CHAINE LOGISTIQUE
Chouaib BENQLILOU
Optimisation d‘une SC
SC Stratégique/ Tactique (Planning) Intégration
 « r » Matières Premières vont être utilisées par « j » différentes

technologies se trouvant dans « s » sites de productions.
 Les produits réalisées dans les sites sont envoyées aux « w »

centre de distribution qui alimentent a leurs tours « m » marches
potentielles sur une horizon de temps constitué de « t » périodes.
Site
production:
Centres de
Fournisseur Marchés
distribution
technologie
 Décisions:
 Matière première ‗r‘ achetée pour ‗s‘ le long de ‗t‘

 Capacité de production dans ‗s‘ avec ‗j‘
 Production réalisée par la tech. ‗j‘ dans le site ‗s‘ le long de t
 Quantité envoyée de ‗s‘ vers les centre de dist. (CD) ‗w‘
 Stockage dans le site ‗s‘ le long de ‗t‘
 Capacité de stockage dans le CD ‗w‘ le long de ‗t‘
 Quantité vendue de ‗w‘ vers ‗m‘
 Installer ou non une technologie ‗j‘ dans le site ‗s‘.

 Le Centre de distribution ‗w‘ ouvert ou fermé.
La Tech j est elle installée
Combien je produis avec Tech j Le CD est il ouvert
Combien je peux stocker Combien je peux stocker
Site
production: Centres de
Fournisseur distribution
Tech 1
Marchés
Tech 2
Centres de
distribution
Site Marchés
production:
Centres de
Tech 1 distribution
Tech 2
Flux de matière sur t périodes de temps

 La fonction Objectif:
 Net Present Value (NPV)  Valeur Actualisée Nette
 Revenues en terme du CashFlow sur le période sous étude
 - Cout
 De la Matière Première
 Du Stockage
 De la Production
 Du Transport
 Investissement initiale
 technologie
 centre distribution
 capacité de production Taux d‘actualisation
 Financement (Site de Production / Commercialisation)
 Mobilisation de créances nées a l‘étranger :
 90 
Escompte E 1  i.   PT Prix de vente
v
 360 
 90 
 1  i '.  P v
Cours de change a Terme CT  C A . 360   T encaisseme nt a terme
 1  i. 90  CT
 
 360 
 Quelles sont les contraintes?
 Bilan Matière
 SP  la MP est transformée en produit dans les SP
 SP  variation du stock PF = production – envois vers les CD
 CD  variation du stock = E-S
 Capacités
 SP production est entre la capacité min. et max.
 CD  on pourra pas envoyer de ‗s‘ vers ‗w‘ s‘il y pas espace
 CD  le stock max ne devra pas être dépasser

 Quelles sont les contraintes?
 Marchés et Fournisseurs
M  la somme des ventes satisfait le marche
 F  on peut pas acheter au-delàs des disponibilités du marché
 Design SP
 on peut produire une quantité entre la capacité min et
 SP
max de chaque technologie dans chaque SP.

 j les technologie utilisées / t1, t2/

 r les matières premières / benzène, butane, électricité/
 s les sites de production /s1*s4/
 w les centres de distribution /w1*w3/
 m les marchés considérés /m1*m7/
 t les périodes sous études /p1*p4/
Spécifier l‘emplacement des fournisseur, SP, CD ainsi que les marchés sur cette base
Introduise les donnés correspondant pertinentes:
Un produit p
 Prix unitaire de transport et distance ente r s ; sw et w m
 Prix de la chaque MP dans chaque période r t

 Disponibilité maximale de chaque MP r
 MP r utilisée dans chaque technologie rj
 Utilisation minimale de chaque technologie j

 Quantité de chaque MP utilisé par chaque technologie r j
 Capacité de production minimale moyennant la tech j dans le site s j s
 Capacité de production maximale moyennant la tech j dans le site s j s
 Capacité maximale de stockage des CD

 Demande du marché m sur chaque période m t
 Cout unitaire de production par chaque technologie dans chaque site js
 Cout unitaire de stockage dans chaque SP pour chaque période s  t
 Cout unitaire de stockage dans chaque DC pour chaque période w  t
 Prix du produit sur chaque marche et pour chaque période m t

 taux d’actualisation
 Cout d’investissement sur les CD
 Cout d’investissement de chaque technologie dans chaque site j s (en terme

d’investissement de base)
 Cout unitaire de chaque tech dans chaque SP j s (en terme de cap. de
production) Dr. Chouaib BENQLILOU
 binary variable
 Techselect(j,s) technologie selectionée dans le site s
 CDselect(w) CD selectioné;
 positive variable
 achat(r,s,t) MP r achetée pour s le long de t
 ventes(w,m,t) quantité vendue de w vers m
 Production(j,s,t) production réalisé par la technologie j dans le site s pout t
 PFtrans(w,s,t) quantité envoyé de s vers w pour t
 CapProd(j,s) capacité de production dans s avec j
 StockSP(s,t) stockage dans le site s
 StockCD(w,t) stockage dans les DC

 EQ1(w,t).. sum( s, PFtrans(w,s,t)) + StockCD(w,t-1) =e=
sum(m,ventes(w,m,t)) + StockCD(w,t);
 EQ2(r,s,t).. achat(r,s,t) =e= sum((j), MPused(r,j)*Production(j,s,t));
 EQ3(s,t).. sum(j,Production(j,s,t))+StockSP(s,t-1) =e=

sum(w,PFtrans(w,s,t))+StockSP(s,t);
 EQ4(j,s).. Techselect(j,s)*lowCap(j,s)=l=CapProd(j,s);
 EQ4B(j,s).. CapProd(j,s)=l=HiCap(j,s)*Techselect(j,s);
 EQ5(j,s,t).. TechMinUse(j)*CapProd(j,s)=l=Production(j,s,t);
 EQ5(j,s,t).. TechMinUse(j)*CapProd(j,s)=l=Production(j,s,t);
 EQ5B(j,s,t).. Production(j,s,t)=l=CapProd(j,s);
 EQ6(w,t).. StockCD(w,t)=l=MaxStockCap(w)*CDselect(w);
 EQ7(w,t).. sum((s),PFtrans(w,s,t)) =l= MaxStockCap(w)*CDselect(w)
 EQ8(m,t).. sum((w),ventes(w,m,t))=g=demandePF(m,t);

 EQ9(r,t).. sum((s),achat(r,s,t))=l=MPdisponible(r);
 eq_costRM(t).. costRM(t)=e=sum((s,r),(MPprix(r,t)*achat(r,s,t)));
 eq_costst(t).. costst(t) =e= sum((w),(StockCostCD(w,t)*StockCD(w,t))) +

sum((s),(StockCostSP(s,t)*StockSP(s,t)));
 eq_costPR(t).. costPR(t)=e=sum((s,j),(ProdCostPU(j,s)*Production(j,s,t)));
 eq_costTR(t)..
costTR(t) =e= sum((w,m),
(distCDM(w,m)*TransCostCDM*ventes(w,m,t)))+sum((r,s),(distFSP(s)*TransCost
FSP*achat(r,s,t)))+sum((w,s),(distCDSP(w,s)*TransCostSPCD*PFtrans(w,s,t)));

 eq_totalcost(t).. totalcost(t)=e=costRM(t)+costPR(t)+costst(t)+costTR(t);
 eq_revenue(t).. revenue(t)=e=sum((w,m),(ventes(w,m,t)*PFprix(m,t)));
 eq_profit(t).. profit(t)=e=revenue(t)-totalcost(t);
 eq_investissem..
 investissement=e=sum((j,s),Techselect(j,s)*Techinvest(j,s))+sum((w),CDselect(w)
*CDinvest(w))+sum((j,s),CapCostPU(j,s)*CapProd(j,s));
 eq_NPV.. NPV=e=sum((t),profit(t)/power((1+RR),(ord(t)-1)))-
investissement ;

 model SCMoptimisation /all/;
 solve SCMptimisation using minlp maximizing NPV;

 Livre
Edgar T.F., Himmelblau D.M. et Ladson L.S. Optimization of chemical

Processes, 2nd Edition. McGraw-Hill. (2001)
Mah R.S.H. et Seider W.D. Foundations of Computer-aided chemical
process design. Vol. 1 (1981)
Brinnkhuis J. et Tikhomirov V., Optimization: Insights and aplications.
Princton series in applied mathematics. (2005)
 Logiciel
Matlab Optimization Toolbox
Solver MS-EXCEL
GAMS (algebraic modelling systems)

005 Optimisation de La Chaine Logistique Benqlilou 2012 PDF

Transféré par

Droits d'auteur :

Formats disponibles

005 Optimisation de La Chaine Logistique Benqlilou 2012 PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

005 Optimisation de La Chaine Logistique Benqlilou 2012 PDF

Transféré par

Droits d'auteur :

Formats disponibles

Dr.

Prof. Chouaib BENQLILOU

 Comprendre les principaux algorithmes d'optimisation deterministiques et

 Implémenter le système sur logiciels d‘optimisation (GAMS, Matlab,…) et

Dr. Chouaib BENQLILOU

Durée des feux rouges dans une ville

Dr. Chouaib BENQLILOU

Variables de décision Une variable ou plusieurs

Configurer les paramètres du solveur Itération, tolérance,…

Dr. Chouaib BENQLILOU

 Centres de stockage / distribution

Dr. Chouaib BENQLILOU

 Tactique  décision de flux de matière: combien produire et ou; niveau de

 Opérationnel  Organisation des ressources humaines et technique les

 batching, allocation, sequence, timing

 échelles temporelles et géographiques différents.

 réactivité devant un marche hautement variant (secteur

 anticipé les exigences du client (ZARA)

 Cout associé a la SC dans le produit est de 10% (resp. 40%)

 Coordonnées les différentes activités de la SC

 Satisfaction des spécifications du marché

 maximiser le bénéfice annuel, cout d‘investissement, NPV

 Déterminer l‘emplacement des unités et centre de

Dr. Chouaib BENQLILOU

 maximiser le profit ou minimiser les retards et le cout total

 Déterminer le niveau de production et de stockage

 Contraints, disponibilité de la matière première, capacité de

 Données, demande de chaque marché, cout de production,

 maximiser la production pour une période de temps

 Déterminer le quoi, le quand, le combien et le ou

 Contraints, recette du processus, données de la

Sélection optimale des SP est formulée comme un problème

2. Le modèle économique  maximisation du profit ou l minimisation des couts,…

Dr. Chouaib BENQLILOU

 L‘application de la RTO en industrie (contrôle superviseur)

 Optimiser les set-points sur une base économique

 Transférer les données

Dr. Chouaib BENQLILOU

Matière Première Cout Disponibilité Max.

ETAPE 2 : choisir et formuler la fonction objectif

40x3  33x4   15x1  20x2   15x3  5x4  350  200

ETAPE 5 : choisir l’algorithme d’optimisation adéquat, le configurer et « estimer » la

Comment déterminer le diamètre optimal d‘une « conduite »

Dr. Chouaib BENQLILOU

Dr. Chouaib BENQLILOU

Dr. Chouaib BENQLILOU

Dr. Chouaib BENQLILOU

Courant l/s variance

Pondération (favorisé les

 Différent type de pétrole avec divers propriétés et temps de

Dr. Chouaib BENQLILOU

Prix brut $/br 15 15 15 25 25

Représentation correct du procédé sous étude

Dr. Chouaib BENQLILOU

La majorité des problèmes d’optimisation considères des

Dr. Chouaib BENQLILOU

Comment formuler un problème d‘optimisation

Algorithme branch and bound

Dr. Chouaib BENQLILOU