Optimisation du coût d’un stock de pièces

de rechange par Algorithmes Génétiques

Naima ZERARI, Hayet MOUSS, et Nadia MOUSS

Laboratoire d’Automatique et Productique
Université de Batna, 1 Rue Chahid Med. El. Hadi Boukhlouf, 05000 Batna, Algeria.
[email protected]

RÉSUMÉ. Les entreprises industrielles, face à la concurrence, sont de plus en plus confrontées
aux impératifs de la modernisation des appareils productifs, de la qualité des produits et de
la réduction de leurs coûts. Elles accordent de plus en plus une forte importance à la fiabilité
de ces systèmes.
Ainsi, l’arrêt d’un équipement de production, peut engendrer des coûts énormes à
l’entreprise. Ces coûts induits par l’arrêt de la production suite à des pannes de machines
présentent un axe d’études mettant en évidence l’ampleur de l’effort nécessaire pour mettre
en place un système de gestion des stocks des pièces de rechange palliant dans ce domaine
les problèmes des gestionnaires dans le monde industriel. Ces derniers se préoccupent d’une
gestion des stocks de pièces de rechange efficace permettant d’éviter les ruptures des stocks
et par conséquent de l’arrêt de la production qui entraîne des pertes considérables à
l’entreprise. L’objet de cette communication est alors d’optimiser le stock des pièces de
rechange, en faisant recours à une des méthodes d’optimisation. L’occurrence des demandes
aléatoires, a suscité l’utilisation d’une méthode d’optimisation stochastique à savoir les
algorithmes génétiques.

ABSTRACT. Facing to competition, industrial companies are more and more confronted with
the requirements of the productive machines modernization, the quality of the products and
the reduction of their costs. They assign more and more a strong importance to the reliability
of these systems. So, a stop of any production equipment can cause to an enormous costs to
the company. These costs induced by the production stop caused by the machines breakdowns
present a way of studies highlighting the extent of the necessary effort to set up a stock
management system of spare parts in order to overcome the managers’ problems in the
industrial world. The latter is concerned with an effective stock management of spare parts
what avoid the stocks ruptures and consequently of the production stop which involves
considerable losses to the company. It is then a question of optimizing the spare parts stock,
by appealing one of the optimization methods.
The occurrence of the random demands caused the use of a stochastic optimization method
which is genetic algorithms.
MOTS-CLÉS : Optimisation, Gestion de stock, Algorithmes Génétiques
KEYWORDS: Optimisation, stock management Genetic algorithms

CPI2007 – Rabat, Maroc

2 CPI’2007 – Rabat, Maroc

1. Introduction

Les stocks sont des ressources matérielles qui ont une valeur économique et sont
inutilisées ou en attente d’utilisation. Les entreprises classent souvent leurs stocks
en plusieurs types (matières premières, en-cours de fabrication, produits finis et
pièces de rechange). Tous les stocks représentent un investissement dont le but est
de faciliter la production et le service des clients. Néanmoins, avoir des stocks
consomme des fonds qui ne rapportent pas comme s’ils étaient investis et pourraient
être nécessaire d’urgence ailleurs [4].
Pour autant, constituer et conserver un stock entraîne des coûts dont la
minimisation doit être un objectif important des gestionnaires : c’est le but des
modèles de gestion des stocks [2]. Ces derniers sont nombreux et se présentent selon
deux modes : avenir certain et avenir incertain auquel appartient le problème traité.

2. Présentation du problème

Les méthodes d’optimisation permettent de déterminer plusieurs solutions dans

l’espace d’état qui maximisent (ou minimisent) un critère. Dans notre cas, l’espace
d’état est constitué des paramètres des pièces de rechange à stocker à savoir taux de
panne et taux de réparation. Il s’agit donc d’un problème de gestion des stocks de
pièces de rechange spécifiquement les membranes. Ce qui nous amène à préciser
que la durée de réparation d’un matériel, et par conséquent sa disponibilité, dépend
fortement de l’existence d’un stock de pièces de rechange [11]. Un cas trop fréquent
est considéré, c’est celui d’un matériel entrant dans une chaîne de production dont la
défaillance entraîne l’arrêt de la production.
Les hypothèses sur le modèle sont les suivantes:
• Il y a n exemplaires de ce matériel en exploitation dans n chaînes de
production (un exemplaire dans chaque chaîne).
• Les pertes dues à l’arrêt de la production d’une chaîne sont
proportionnelles au temps d’arrêt ; soit Cp le coût par unité de temps.
• Le taux de défaillance du matériel varie dans un intervalle de confiance.
• Lorsqu’un matériel tombe en panne, si on a en stock une pièce (matériel) de
rechange, on considérera comme négligeable le coût et le temps de
réparation (échange).
• Le coût d’achat Ca des pièces.
• Les coûts seront actualisés de manière continue au taux d’actualisation i.
• La durée de vie des chaînes de production T.
Optimisation du coût d’un stock de pièces de rechange par Algorithmes Génétiques 3

3. Modélisation du Problème

L’état du parc à chaque instant est caractérisé par le nombre de matériels en

fonctionnement et le nombre de matériel en stock illustré par la Figure 1.

Figure 1. Graphe d’état pour un stock

Où n : le nombre de matériels en fonctionnement ;

k : le nombre de matériels en stock ;
λ : taux de défaillance qui caractérise la défaillance d’un équipement. Il est
défini comme étant la probabilité conditionnelle que l’équipement tombe en panne
[9].
µ : taux de réparation d’un équipement. Ce paramètre exprime la probabilité
pour qu’une entité, qui a été en panne pendant un temps t, retrouve son aptitude à
remplir sa fonction dans l’unité de temps qui suit [12].

Soit Pm,l (t) la probabilité de se trouver dans l’état (m,l). Le coût moyen actualisé
d’être dans l’état (n-j, 0) avec j =1:n est :

∫
jCp Pn − j ,0 (t )e − it dt
0
(1)

D’où le coût moyen actualisé d’exploitation :

T n

∫ ∑ jP
− it
C (k ) = kCa + Cp n − j ,0 (t )e dt (2
0 j =1
Le problème est donc ramené au calcul des probabilités, qui sont les solutions du
système différentiel représenté par (3)

La résolution du problème passe obligatoirement par deux phases. Il s’agit de

résoudre en premier lieu le système d’équations différentielles définit par (3) par
discrétisation. Ensuite, rechercher l’extremum basé sur le modèle (2).

3.1. Optimisation du coût d’un stock de membranes

Parmi la diversité des applications des algorithmes génétiques qui a connu et connaît
encore un grand essor, l’accent est mis en particulier sur le problème de gestion des
stocks qui a préoccupé les gestionnaires dans le monde industriel depuis longtemps.
C’est pratiquement le cas du problème de recherche du niveau du stock conduisant à
un coût minimal dont le modèle mathématique antérieurement présenté par la
formule (2). En outre, comment avoir un niveau de stock suffisant, des pièces de
rechange fréquemment utilisées telle que les membranes en conservant un niveau de
service suffisant ? [4].
Le niveau du stock dépend naturellement de deux facteurs : les entrées et les sorties.
Il sera souvent impossible de jouer sur les sorties (appelées par la production) et la
seule façon de réguler le niveau moyen du stock consistera à modifier le mode des
entrées [4] [2].

3.2. Procédure de détermination par algorithme génétique

Il s’agit d’identifier le coût optimal de l’exploitation du stock ainsi que le vecteur

optimal des paramètres considérés par le modèle (2) à savoir le taux de défaillance,
taux de réparation, le niveau du stock. Ce vecteur sera considéré étant une solution
potentielle, du moment où on traite un problème stochastique qui par définition
admet des solutions approchées.
Ainsi, le développement de la procédure d’optimisation exige d’une part le
développement d’une procédure de résolution du système d’équations différentielles
et d’autre part une procédure de mise en œuvre de l’algorithme génétique durant
laquelle les opérateurs de l’évolution naturelle seront principalement appliqués sur
les individus suivant la fonction d’adaptation qui permet de les sélectionner. En
phase finale, le vecteur optimal des paramètres correspondants à la meilleure solution
approchée sera obtenu.
La démarche à suivre est décrite par les étapes résumées par l’organigramme 1. La
première étape (comme l’indique l’organigramme) consiste à introduire toutes les
données vitales à l’exécution. Par la suite un traitement répétitif s’opère de la
manière suivante :
• formation de la population initiale sur l’entièreté de l’espace de recherche
des paramètres relatifs au problème;
 Optimisation du coût d’un stock de pièces de rechange par Algorithmes Génétiques

• application des opérateurs de reproduction, de croisement et de mutation

afin d’exploiter au mieux les caractéristiques de la population courante et
d’obtenir d’une amélioration en terme de qualité des solutions de
l’ensemble de la population ce qui crée une nouvelle population;
• sélection de l’individu de bonne qualité représentant ainsi une solution
potentielle et construisant un vecteur des optima locaux ;
Dès lors, ce traitement se répète autant de fois jusqu’à ce que le critère d’arrêt
soit satisfait. L’arrêt du processus est essentiel du point de vue pratique. Si l’on a
peu ou pas d’information sur la valeur cible de l’optimum recherché, il est délicat de
savoir quand arrêter l’évolution. C’est le cas du problème traité. Il paraît alors
judicieux d’utiliser la politique la plus courante et la plus simple est sans conteste
d’effectuer un nombre prédéfini d’itérations. A la fin du traitement, la solution
finale du problème sera sélectionnée à partir du vecteur des optima locaux ainsi que
le vecteur des valeurs y correspondantes.

Début

Introduction des données indispensables à

l’exécution de l’AG, Expression du modèle

Formation de la population initiale dans l’espace de recherche des

Evaluation des individus en s’appuyant sur la fonction

Sélection des meilleurs individus

Application des opérateurs génétiques : croisement mutation

Obtention de la solution potentielle construisant le vecteur

O
Gen<
N

Sélection de l’optimum global et le vecteur des paramètres y

Impression des résultats numériques et graphiques

Fin

Organigramme 2. La recherche du coût optimum par l’AG

CPI’2007 – Rabbat, Morocco

3.3. Résolution par algorithme génétique

La procédure d’optimisation est implémentée suivant l’organigramme. Il démarre avec

l’acquisition des différentes données relatives aux paramètres considérés par le
problème qui sont principalement :
• taux de défaillance λ des membranes définit sur l’intervalle
[ ]
640.10 −4 ,900.10 −4 ;
• taux de réparation µ définit sur l’intervalle [0.2,0.9] ;
• coût d’achat unitaire Ca = 1730 DA;
• coût de perte Cp = MTTR × quantité perdue × prix unitaire
1
Où MTTR (Mean Time To Repair) = [11].
μ
Quantité perdue (pendant l’absence de la production) = 12000 bouteilles.
Prix unitaire = 19 DA.
La mise en œuvre d’un algorithme génétique implique la mise au point de plusieurs
opérateurs. Dans un premier temps, il convient de choisir un codage par conséquent
le codage binaire est adopté. GOLDBERG a proposé d’appliquer autant que faire se
peut un alphabet de cardinalité minimale lors de la recherche d’un codage. Il note
que l’alphabet binaire a été et restera utile pour une large variété de problèmes à
résoudre [7] [6]. Un chromosome est donc représenté par une chaîne de bits
identifiant les paramètres du problème.
Le codage ainsi défini, sollicite une autre étape; celle de la détermination de la
population initiale qui doit être la plus diverse possible. Cette population est générée
aléatoirement sur tout le domaine de définition de chaque paramètre mis en jeu.
Pour le problème traité, une population de 100 individus a paru un bon compromis
entre temps de calcul et les résultats obtenus.
L’aspect aléatoire permet de visiter plusieurs zones de l’espace de recherche et par
conséquent augmenter la probabilité de trouver la solution optimale du problème.
L’application des opérateurs génétiques (la sélection, le croisement et la mutation),
pour l’évolution des populations et la génération de nouvelles solutions, est une
autre étape. Pour la mise au point de notre algorithme génétique, la sélection de la
Roulette a été adoptée. Cette sélection basée sur le principe de la roue de loterie,
favorise les individus forts.
L’opérateur de croisement qui permet l’exploration de l’espace de recherche en
créant de nouveaux individus est essentiel pour la convergence d’un algorithme
génétique [8]. A cet effet le croisement des solutions du problème de gestion des
stocks nécessite une adaptation au type de codage utilisé ce qui entraîne l’emploi
automatique du croisement binaire et spécifiquement le croisement binaire en 1-
point avec une probabilité de 0.75. Ce choix semble judicieux vu le type du codage
adopté.
 Optimisation du coût d’un stock de pièces de rechange par Algorithmes Génétiques

Afin d’introduire des petites modifications à certaines solutions de chaque

population, la mutation est considérée dans le processus de recherche génétique
avec une faible probabilité soit 0.01. Elle permet d’altérer les gènes du chromosome.
Du moment où le codage employé est binaire, la mutation doit l’être aussi.
Pour mettre fin à l’exécution de l’algorithme génétique, un critère d’arrêt est
indispensable. Une stratégie couramment employée qui consiste à stopper
l’algorithme dès qu’un nombre maximal d’itérations est atteint a été adoptée. Il en
résulte alors un vecteur des optima locaux ainsi que celui des valeurs des paramètres
qui ont conduit à chaque solution optimale. Une dernière étape doit permettre de
sélectionner la solution finale depuis les vecteurs ainsi crées.

4. Présentation des Résultats

La procédure décrite précédemment a été donc concrétisée et les résultats recherchés

ont été identifiés par l’algorithme génétique. L’ensemble des programmes de ce
dernier a été développé sous l’environnement Matlab. Après plusieurs exécutions de
l’algorithme avec différentes valeurs, les résultats obtenus sont interprétés par les
graphiques ci-dessous.

Figure 2. Evolution de l’optimum en fonction du nombre d’itérations

Figure 3. Evolution de la
quantité à stocker en
fonction du nombre
d’itérations
 Figure 4. Taux de défaillance et taux de réparation relatifs au niveau du stock

Figure 5. Taux de défaillance et taux de réparation relatifs à l’optimum

5. Synthèse et Analyse des Résultats

Les résultas expérimentaux sur le problème d’optimisation montrent bien l’existence

d’une relation entre les résultats trouvés et les paramètres de l’algorithme génétique.
Si ce dernier est riche quant à la diversité des solutions générées, il est difficile à
paramétrer (taille de la population, nombre de générations, probabilité de
croisement, probabilité de mutation). Par ailleurs la détermination de la taille
optimale de la population reste encore un sujet de recherche sans réponse. Toutefois,
 Optimisation du coût d’un stock de pièces de rechange par Algorithmes Génétiques

un constat était évident pour le problème d’optimisation du coût du stock des

membranes, l’utilisation d’une population de petite taille aboutit rapidement à la
solution même avec un nombre important d’évaluations de la fonction d’adaptation,
comme l’indique le tableau 1. Il semble donc que choisir une population de petite
taille n’est pas une voie prometteuse malgré qu’un tel choix ne soit pas coûteux en
terme de temps
Taux Taux
Taille Nombre Quantité
Pc Pm Optimum panne réparatio
population générations stockée
n
4 10 75% 10% 7050,96 4 0.802 0.088
4 80 75% 10% 8651,94 5 0.684 0.056

Tableau 1. Optimum identifié par des populations de petites tailles

L’algorithme génétique qui a l’avantage d’améliorer au cours de son exécution
la meilleure solution potentielle identifiée à la fin de chaque génération a adopté une
certaine stratégie. Celle-ci consiste à conserver à chaque fois la meilleure solution
entre celle en cours et sa précédente. De cette façon, il ne garde que les bonnes
solutions puisqu’il délaisse une solution si l’antécédente est plus meilleure. Ce
mécanisme est déclenché à la fin de chaque génération pour en garder la meilleure
solution qui sera la base de la prochaine génération. L’objectif de cette stratégie est
l’amélioration des solutions dès la première génération jusqu’à la fin du processus
descriptif de l’algorithme génétique.
Les résultats obtenus avec les paramètres pris en compte sont résumés par le
tableau 2. En effet, on retrouve la quantité de pièces de rechange devant être
présente dans le stock qui minimise le coût de son exploitation. Dans ces conditions,
on retrouve aussi le taux de défaillance qui doit être autant que possible petit (dans
son domaine de définition) car on vise toujours ne pas avoir de panne et le taux de
réparation qui doit être autant que possible élevé du moment où on doit réparer
rapidement.
Taille Nombre Quantité Taux Taux
Pc Pm Optimum
population générations stockée panne réparation
100 70 75% 10% 6989,61 3 0.6020 0.0656

Tableau2. Récapitulatif des résultats de l’application de l’AG

Le bon choix de la quantité à stocker des pièces de rechange permet de maîtriser le

bon fonctionnement des machines ce qui entraîne une productivité continue. En
revanche, si un arrêt se produit pour cause de panne de l’équipement de production
et que le stock ne dispose pas de la quantité suffisante, alors des coûts énormes
peuvent être engendrés à l’entreprise (pénalités pour les livraisons en retard, perte
de clientèle,…); les pannes pénalisent la rentabilité. Une bonne quantité des pièces
CPI’2007 – Rabbat, Morocco

stockées réduit les risques d’arrêt de productivité et par conséquent les pertes en
matière de délai, de panne et de rentabilité seront maîtrisées.

6. Conclusion

L’aspect maintenance industrielle joue aujourd’hui un rôle déterminant dans la

conduite de la production industrielle. Elle a acquis dans l’entreprise une position
clef. Que ce soit dans le domaine de la gestion de production ou dans celui du
pilotage d’un atelier de production. La gestion du stock est un problème difficile qui
recouvre souvent des enjeux économiques de première importance. Cette
importance devient cruciale lorsqu’il touche deux fonctions aussi importantes
qu’antagonistes au sein de l’entreprise que le sont la production et la maintenance.
Ces deux fonctions agissent sur les mêmes ressources. En effet, la production
oeuvrant quotidiennement sur

des équipements que la maintenance doit garder toujours en état de fonctionnement

en disposant d’un niveau de stock jugé satisfaisant de pièces de rechange. Pour
arriver à cette satisfaction, une méthode stochastique a été adoptée. Il s’agit des
algorithmes génétiques qui présentent des caractéristiques intéressantes les rendant
populaires, notamment grâce à sa facilité d’emploi. Ses points forts sont une certaine
robustesse due à l’utilisation de l’aléatoire et une facilité de mise en œuvre.
L’implémentation de l’algorithme génétique, a en particulier permis d’apprécier
l’importance de la définition de la fonction d’adaptation dans le processus
d’optimisation. En outre, la force de cet algorithme par exploration globale de
l’espace des paramètres d’autant qu’il ne nécessite aucun calcul des dérivées ou
encore sans connaissance explicite du domaine de travail en manipulant simplement
des chaînes de bits et en utilisant des opérateurs simples qui ne mettent en jeu que
des procédures aussi peu complexes que la génération des nombres aléatoires, la
copie des chaînes et les échanges des parties de chaînes.
Ainsi, la mise en œuvre de l’algorithme génétique et son application, ont permis
d’obtenir les résultats recherchés relatifs au problème de détermination du coût
optimal du stock se traduisant par le coût optimal, la quantité à être en stock ainsi
que les paramètres des pièces de rechange mis en jeu à savoir le taux de panne et le
taux de réparation.
D’un autre point de vue, la force de l’algorithme génétique est plus considérée avec
la montée en puissance exponentielle du matériel informatique qui a diminué la
contrainte en termes de temps d’exécution.

7. Bibliographie

[1] Frederic Alexandre : « Intelligence neuromimétique », Habilitation à diriger des

recherches. Université Henri Poincaré, Nancy I, 1997.
 Optimisation du coût d’un stock de pièces de rechange par Algorithmes Génétiques

[2] Claude Alazard et Sabine Separi : « Contrôle de gestion Manuel et applications », D E C

F. Paris, Dunod, 2001.
[3] Sana Ben Hamida : « Algorithmes évolutionnaires, Prise en compte des contraintes et
application réelle », 2001.
[4] Daniel Dewolf : « Gestion de la production », Université de Liège, 2003.
[5] Renaud Dumeur : « Synthèse de comportements animaux individuels et collectifs par
Algorithmes Génétiques », Université de Paris-8, 1994.
[6] Dominique Francisci : « Algorithmes évolutionnaires et optimisation multi-objectifs en
Data mining », Rapport de recherche, Laboratoire I3S, Sophia Antipolis, 2002
[7] David E.Goldberg : « Algorithmes génétiques Exploitation, optimisation et apprentissage
automatique », Addison-Wesley, France, SA, 1994.
[8] Youssef Harrat, « Contribution à l’ordonnancement conjoint de la production et de la
maintenance : Application au cas d’un job Shop », Thèse de doctorat, Université de
Franche-comté. L’U.F.R des sciences et techniques, 2003.
[9] Hedi Kaffel : « La maintenance Distribuée : Concept, Evaluation et mise en œuvre »,
Thèse de doctorat, Université Laval (QUEBEC), 2001.
[10] Nicolas Monmarché : « Algorithmes de fourmis artificielles : applications à la
classification et à l’optimisation », Thèse de doctorat, Université de tours, 2000.
[11] Alain Pages & Michel Gondran : « Fiabilité des systèmes », Paris, Eyrolles,
1980(Collection de la direction des études et recherches d’électricité de France)..
[12] Alain Villemeur, « Sûreté de fonctionnement des systèmes industriels, fiabilité- facteurs
humains –informatisation », Paris, Eyrolles, 1988. (Collection de la direction des études
et recherches d’électricité de France).