Ordonnancement d’un atelier Flow shop par Métaheuristique récente
Des informations générales:
Master |
Le niveau |
Ordonnancement d’un atelier Flow shop par Métaheuristique récente |
Titre |
| Génie industriel – Productique |
SPECIALITE |
Page de garde:
Sommaire:
Chapitre 1: L’ordonnancement des activités de production
1.1. Introduction
1.2. Production et gestion de production
1.3. Décomposition du système de production
1.3.1. Système physique de production
1.3.1.1. Le système de décision
1.3.1.2. Le système d’information
1.3.2. La gestion de production
1.3.2.1. Définition et rôle de la gestion de production
1.3.2.2. Organisation hiérarchique de la gestion de production
1.4. Présentation du problème d’ordonnancement
1.4.1. Définition du problème d’ordonnancement
1.4.2. Les tâches
1.4.3. Les Ressources
1.4.3.1. Les ressources renouvelables
1.4.3.2. Les ressources consommables
1.4.3.3. Les ressources partageables
1.4.4. Les contraintes
1.4.4.1. Les contraintes endogènes
1.4.4.2. Les contraintes exogènes
1.4.5. Les objectifs
1.5. Les problèmes d’atelier multi-machines
1.5.1. Le type flow-shop
1.5.2. Le type job-shop
1.5.3. Le type open-shop
1.6. Conclusion
Chapitre 2: Les métaheuristiques
2.1. Introduction
2.2. Généralités sur les méthodes approchées
2.3. Les Heuristiques
2.3. Les métaheuristiques
2.3.1. Définition de Métaheuristique
2.3.2. Les Métaheuristiques à base de solution unique
2.3.2.1. Le Recuit Simulé (SimulatedAnnealing)
2.3.2.2. La recherche Tabou (Tabu Search)
2.3.3. Les métaheuristiques à base de population de solutions
2.3.3.1. Les Colonies de Fourmis (Ant Colony Optimization)
2.3.3.2. Les essaims particulaires (Particle Swarms Optimization)
2.3.3.3. L’algorithme de la recherche coucou
2.4. Les algorithmes génétiques
2.4.1. Le codage des données
2.4.2. Génération de la population initiale
2.4.3. Fonction d’adaptation (Fitness)
2.4.4. Sélection
2.4.4.1. Sélection uniforme
2.4.4.2. Sélection par tournoi
2.4.4.3. Élitisme
2.4.5. Croisement
2.4.5. Mutation
2.5. L’algorithme de la recherche d’harmonie (Harmony search)
2.5.1. Analogie entre la musique d’improvisation et l’optimisation
2.5.2. Les avantages de la recherche d’Harmonie
2.6. Conclusion
Chapitre 3: Adaptation de l’algorithme génétique et la recherche d’harmonies et résultats de simulation
3.1. Introduction
3.2. Adaptation de l’algorithme génétique
3.2.1. Différents paramètres de l’algorithme génétique
3.2.1.1. Le codage
3.2.1.2. La sélection
3.2.1.3. Le croisement
3.2.1.4. La mutation
3.2.2. La population initiale
3.2.3. L’évaluation des individus
3.3. Adaptation de la recherche d’harmonie
3.3.1. Différents paramètres de la recherche d’harmonie
3.3.1.1. Initialisation de la population
3.3.1.2. Génération de nouvelles solutions
3.3.1.3. Modification de la population
3.3.1.4. Vérification du critère d’arrêt
3.5. Comparaison entre les principes des deux techniques
3.6. Résultats de simulation
3.6.1. Etude de sensibilité de l’algorithme génétique et la recherche d’harmonie
3.6.2. Résultats de simulation pour les différentes classes de problèmes
3.4. Conclusion
Conclusion générale
Référence bibliographie
1.1. Introduction
1.2. Production et gestion de production
1.3. Décomposition du système de production
1.3.1. Système physique de production
1.3.1.1. Le système de décision
1.3.1.2. Le système d’information
1.3.2. La gestion de production
1.3.2.1. Définition et rôle de la gestion de production
1.3.2.2. Organisation hiérarchique de la gestion de production
1.4. Présentation du problème d’ordonnancement
1.4.1. Définition du problème d’ordonnancement
1.4.2. Les tâches
1.4.3. Les Ressources
1.4.3.1. Les ressources renouvelables
1.4.3.2. Les ressources consommables
1.4.3.3. Les ressources partageables
1.4.4. Les contraintes
1.4.4.1. Les contraintes endogènes
1.4.4.2. Les contraintes exogènes
1.4.5. Les objectifs
1.5. Les problèmes d’atelier multi-machines
1.5.1. Le type flow-shop
1.5.2. Le type job-shop
1.5.3. Le type open-shop
1.6. Conclusion
Chapitre 2: Les métaheuristiques
2.1. Introduction
2.2. Généralités sur les méthodes approchées
2.3. Les Heuristiques
2.3. Les métaheuristiques
2.3.1. Définition de Métaheuristique
2.3.2. Les Métaheuristiques à base de solution unique
2.3.2.1. Le Recuit Simulé (SimulatedAnnealing)
2.3.2.2. La recherche Tabou (Tabu Search)
2.3.3. Les métaheuristiques à base de population de solutions
2.3.3.1. Les Colonies de Fourmis (Ant Colony Optimization)
2.3.3.2. Les essaims particulaires (Particle Swarms Optimization)
2.3.3.3. L’algorithme de la recherche coucou
2.4. Les algorithmes génétiques
2.4.1. Le codage des données
2.4.2. Génération de la population initiale
2.4.3. Fonction d’adaptation (Fitness)
2.4.4. Sélection
2.4.4.1. Sélection uniforme
2.4.4.2. Sélection par tournoi
2.4.4.3. Élitisme
2.4.5. Croisement
2.4.5. Mutation
2.5. L’algorithme de la recherche d’harmonie (Harmony search)
2.5.1. Analogie entre la musique d’improvisation et l’optimisation
2.5.2. Les avantages de la recherche d’Harmonie
2.6. Conclusion
Chapitre 3: Adaptation de l’algorithme génétique et la recherche d’harmonies et résultats de simulation
3.1. Introduction
3.2. Adaptation de l’algorithme génétique
3.2.1. Différents paramètres de l’algorithme génétique
3.2.1.1. Le codage
3.2.1.2. La sélection
3.2.1.3. Le croisement
3.2.1.4. La mutation
3.2.2. La population initiale
3.2.3. L’évaluation des individus
3.3. Adaptation de la recherche d’harmonie
3.3.1. Différents paramètres de la recherche d’harmonie
3.3.1.1. Initialisation de la population
3.3.1.2. Génération de nouvelles solutions
3.3.1.3. Modification de la population
3.3.1.4. Vérification du critère d’arrêt
3.5. Comparaison entre les principes des deux techniques
3.6. Résultats de simulation
3.6.1. Etude de sensibilité de l’algorithme génétique et la recherche d’harmonie
3.6.2. Résultats de simulation pour les différentes classes de problèmes
3.4. Conclusion
Conclusion générale
Référence bibliographie
Télécharger:
Pour plus de
sources et références universitaires
(mémoires, thèses et articles
), consultez notre site principal.