KRAM Zakaria

REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE
MINISTERE DE L’ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE
UNIVERSITE MOHAMED BOUDIAF - M’SILA

FACULTE DES MATHEMATIQUES ET
DE L’INFORMATIQUE
DEPARTEMENT D’INFORMATIQUE
MEMOIRE de fin d’étude

Présenté pour l’obtention du diplôme de MASTER
Domaine : Mathématiques et Informatique
Filière : Informatique
Spécialité : Informatique Décisionnelle et Optimisation
Par : KRAM Zakaria
SUJET
Insertion d'une opération dans un problème

d'ordonnancement a machines parallèles
Soutenu publiquement le : / /2019 devant le jury composé de :
Dr. Mouhoub Nacer Eddine Université de M’sila Rapporteur

……………………………… Université de M’sila Président
……………………………… Université de M’sila Examinateur
Promotion : 2018 /2019

Remerciements
Je tiens tout d'abord à remercier Dieu le tout-puissant et Le Miséricordieux, qui m’a donné
la vie et la force ainsi que le courage et l’audace pour dépasser toutes les difficultés, d’avoir
suivis et accomplis toutes les étapes de mes études.
En second lieux je tiens à remercier mon encadreur Mr. MOUHOUB NACER EDDINE
Je remercier aussi Mr. GUERNA Abderrahim et Mr. BOUNIF Mohamed El-Hadi pour
m’avoir assister et m’aides par leurs précieux conseils et de m’avoir offerts toutes les
possibilités telle que suivent et prestation de documentations nécessaires pour la réalisation de
mon mémoire de fin d’étude.
Et je remercier aussi tous les professeurs qui aide moi des deux années de master au
l’université Mohamed BOUDIAF M’sila.
Enfin je tiens aussi à remercier tous mes amis et collègues d’étude qui mon aider de près
ou de loin d’avoir réalisé ce travail.
~I~
Dédicace
Toutes les lettres ne sauraient trouver les mots qu’il faut… Tous les mots ne
sauraient exprimer la gratitude, l’amour, Le respect, la reconnaissance… Aussi,
c’est tout simplement que Je dédie ce travail qui n’aura jamais pu voir le jour sans
les soutiens
Indéfectibles et sans limite de mes chers parents (KRAM Merzoug et ATTIA
Malika) qui ne cessent de me donner avec amour le nécessaire pour que je puisse
arriver à ce que je suis aujourd’hui.
Que dieux vous protège et que la réussite soit toujours à ma portée pour que je
puisse vous combler de bonheur.
Je dédie aussi ce travail à :

 Mes grands-parents.
 Mes frères, ma sœur
 Mes frères qui je connaît dans ma vie.
 Mes oncles, mes tantes et leur famille.
 Tous mes cousins et cousines.
 Tous mes amis, mes collègues et tous ceux qui m’estiment
 A mon encadreur Mr. Mouhoub Nacer Eddin
~ II ~
Table des matières
Introduction Générale 1
Chapitre 1 : Problème du l'optimisation combinatoire
1- Introduction 3
2- Définition 3
3- Résolution d’un problème d’optimisation combinatoire 3

4- Les méthodes de résolution. 4
4-1. Les méthodes exactes 4

4.1.1 - La méthode de séparation et évaluation 5
4.1.2 - Programmation dynamique 5
4.1.3 - Programmation linéaire 6
4.2 - Les méthodes approchées 7
4.2.1 - Les méthodes heuristiques 7

4.2.2 - Les méta-heuristiques 8
4.2.3 - Classification des méthodes méta-heuristiques 9
5- La complexité 10
5.1 - complexités d’un algorithme 10
5-2 -La complexité problématique 10
Chapitre 2 : Problème d’ordonnancement
1- Introduction 12
2- Définition 12
3- Les domaines concernés 12
4- Les objectifs de l'ordonnancement 13
5- Les éléments d’un problème d’ordonnancement 12

6- Résolution d’un problème d’ordonnancement 16
7- Représentation des problèmes d’ordonnancement 16
7.1 - Le diagramme de Gantt 17
7.2 - Graphe potentiel-tâches 17
7.3 - Method PERT (Program Evaluation and Research Task). 18
~ III ~
Chapitre 3 : Problème d’ordonnancement d'atelier
1 - Introduction 19
2 - Définition 19
3 - schémas de classification 20
4 - Les types des Problèmes 21
4.1- Les problèmes à une machine 21

4.2- Les problèmes à machines parallèles 21
4.3 – Les problèmes de Flow Shop 22
4.4 – Les problèmes de Job Shop 23
4.5- Les problèmes d’Open Shop 23
5 - La notion de la flexibilité 24
5.1- le Flow shop hybride 25
5.2- le Job shop flexible 25
6 - La complexité 26
Chapitre 4 : Les problèmes d’ordonnancement de machine parallèle
1 - Introduction 27
2– Définition 27
3- Makespan (𝑪𝒎𝒂𝒙). 27
4 - Les Différents modèles 28
5 - Les modèles mathématique des problèmes à machines parallèles 28
6 - Représentation des problèmes d’ordonnancement 29
7- Insertion d’une tâche venant 30

8- Deux méthode de résolution 30
8.1- L’algorithme génétique 30
8.1.1- Définition 30
8.1.2- Présentation 30
8.1.3 – Les étapes de l’algorithme génétique 31
8.2- L’algorithme glouton 36
~ IV ~
Chapitre 5 : Conception et réalisation
1 - Introduction 37
2 – Le langage Java 37
3 - Le problème d’un machine parallèle 37
4 - Les méthodes de résolution de notre problème 38
4.1 - L’algorithme génétique 38
4.2 - L’algorithme glouton 38

5 - Le schéma de réalisation de problème 39
6 - La Conception du code 40
7- La réalisation 41
8- L’implémentation de l’algorithme génétique 42
8.1-Codage 42
8.2- initialisation de population 42

8.3- Fonction d’évaluation (fitness). 40
8.4- Sélection 44
8.5- Croisement 44
8.6- Mutation 44
8.7- Critère d’arrêt 44
9 - L’implémentation de l’algorithme glouton 44
10 – L’insertion d’une nouvelle tâche dans l’ordonnancement 45
11 - Comparaison 46
Conclusion générale 47
~V~
Liste des Figures
Figure 1.1 Classification des méthodes d’optimisation combinatoire
Figure 1.2 La divisions en sous-problèmes.
Figure 1.3 La représentions des modules de codage
Figure 1.4 La représentions de la sélection par roulette
Figure 1.5 La représentions de la sélection par tournois
Figure 1.6 La représentation de croissement a un point
Figure 1.7 La représentation de croissement a un multipoints
Figure 1.8 La représentation de croissement uniforme
Figure 1.9 La représentation de mutation
Figure 2.1 Les Domaines concernés des problèmes d’ordonnancement
Figure 2.2 La caractéristique d’une tache.
Figure 2.3 Le diagramme de Gantt
Figure 2.4 Graphe potentiel-tâches d'un ordonnancement
Figure 3.1 Les types de machine.
Figure 3.2 Les problèmes d’ordonnancement a une machine
Figure 3.3 Les problèmes d’ordonnancement a machines parallèles
Figure 3.4 La représentation d’un problème d’ordonnancement cheminement unique (flow-
shop)
Figure 3.5 La représentation d’un problème d’ordonnancement cheminement multiple (job
shop)
Figure 3.6 La représentation d’un flow show hybride à « k » étages
Figure 3.7 Le représentation d’un Job shop simple & hybride
Figure 5.1 Le schéma de réalisation de problème
Figure 5.2 L’interface graphique de l’application
Figure 5.3 Le tableau des tâches
Figure 5.4 L’insertion des données
Figure 5.5 La population que on a sélectionnée (100 individu)
Figure 5.6 Le diagramme de Gantt de l’AG
Figure 5.7 Le diagramme de Gantt de l’algorithme Glouton
Figure 5.8 Le diagramme de Gantt de AG après l’ajoutons une tâche
Figure 5.9 Le diagramme de Gantt de Algorithme Glouton après
~ VI ~
Liste des Tables
Tab 5.1 Le tableau des tâches
Tab 5.2 : le tableau des tâches après l’ajoutons une tâche4
List des abbreviations

FIFO: First in First Out
SPT: Shortest Processing Time
LPT: Longest Processing Time
EDD: Earliest Due Date
SRPT: Shortest Remaining Processing Time
AG : Algorithme Génétique
PL : Programmation Linéaire
ST : Slack Time
~ VII ~
~8~
~9~
Introduction Générale
L’organisation et la gestion de la production conditionnent le succès des projets du monde

de l’entreprise et de la recherche. Dans ce processus, la fonction ordonnancement vise à
organiser l’utilisation des ressources technologiques ou humaines pour répondre à une demande
ou satisfaire un plan de production préparé par la fonction planification. Ainsi, des programmes
ambitieux privés ou publics ont recours à la fonction ordonnancement pour appréhender la
complexité, améliorer les délais ou même s’adapter à des évènements imprévus. Les problèmes
d’ordonnancement apparaissent dans de nombreux domaines :l’industrie (atelier, gestion de
production), la construction (suivi de projets), mais aussi l’informatique(gestion des processus)
et l’administration (emplois du temps).
Un problème d’ordonnancement est composé de façon générale d’un ensemble de tâches

soumises à certaines contraintes, et dont l’exécution nécessite des ressources. Résoudre un
problème d’ordonnancement consiste à organiser ces tâches, c’est-à-dire à déterminer leurs
dates de démarrage et d’achèvement, et à leur attribuer des ressources, de telle sorte que les
contraintes soient respectées. Les problèmes d’ordonnancement sont très variés. Ils sont
caractérisés par un grand nombre de paramètres relatifs aux tâches (morcelables ou non,
indépendantes ou non, durées fixes ou non), aux ressources (renouvelable sou consommables),
aux types de contraintes portant sur les tâches (contraintes temporelles, fenêtres de temps . . .),
aux critères d’optimalité liés au temps (délai total, délai moyen, retards . . .), aux ressources
(quantité utilisée, taux d’occupation . . .) ou à d’autres coûts (production, lancement, stockage
. . .). Parmi tous ces problèmes, nous nous intéresserons à l’optimisation de critères réguliers
pour des problèmes d’atelier et de fournées classés NP-Difficiles.
Dans un problème d’atelier, une pièce doit être usinée ou assemblée sur différentes
machines. Chaque machine est une ressource disjonctive, c’est-à-dire qu’elle ne peut exécuter
qu’une tâche à la fois, et les tâches sont liées exclusivement par des contraintes l’enchaînement.
Plus précisément, les tâches sont regroupées en « n » entités appelées travaux ou lots. Chaque
lot est constitué de « n » tâches à exécuter sur « m » machines distinctes.
Il existe Une classification très répandue des ateliers, du point de vue ordonnancement,
est basée sur les différentes configurations des machines. Les modèles les plus connus sont ceux
d’une machine unique, de machines parallèles, d’un atelier à cheminement unique (flow shop)
ou d’un atelier à cheminement multiple (job shop). Un critère d’optimalité souvent étudié est la
minimisation du délai total de l’ordonnancement (makespan).
1
Ce mémoire est composé de cinq chapitres dont nous présentons une brève description
dans les paragraphes suivants :
Le premier chapitre, qui présente les problèmes optimisation combinatoires et les

différentes manières de résoudre ce type de problèmes.
Le deuxième chapitre de cette thèse, nous études les problèmes d’ordonnancement,

voyons les différent domaines et l’objectif de l’ordonnancement, puis nous verrons les
différents éléments du problème d’ordonnancement. Le troisième chapitre nous allons
expliquer les problèmes d’atelier et présent leur schéma de classification, en suite a expliqué
les types de problèmes d’ordonnancement d’ateliers et leur complexité. Ensuite en le quatrième
chapitre on explique seulement sur les problèmes de Machine parallèle, dans le dernier chapitre
je créé une application qui présenté un ordonnancement final avec le digramme de Gantt, et ces
ordonnancements traités avec un algorithme génétique, et je proposé une solution pour ajoute
une tâche qui arrivante aléatoire dans l’ordonnancement.
Enfin, nous terminons par une conclusion, quelques remarques et perspectives.
2
Chapitre 1 Problème du L'optimisation combinatoire
1- Introduction
L’optimisation combinatoire, aussi appelée optimisation discrète, est une branche de

l'optimisation en mathématiques appliquées et en informatique, également liée à la recherche
opérationnelle, l'algorithmique et la théorie de la complexité.
Dans ce chapitre introductif, nous Savoir d’abord la définition d’un problème

d’optimisation combinatoire, et comment faire une résolution, et ensuite on a voire les
différentes méthodes de résolution un problème d’optimisation combinatoire.
2 - Définition
L'optimisation combinatoire est minimiser ou maximiser une fonction souvent appelée
fonction coût, d'une ou plusieurs variables soumises à des contraintes. L'optimisation
combinatoire occupe une place très importante en recherche opérationnelle, en mathématiques
discrètes et en informatique. Son importance se justifie d'une part par la grande difficulté des
problèmes d'optimisation et d'autre part par de nombreuses applications pratiques pouvant être
formulées sous la forme d'un problème d'optimisation combinatoire. [MR 08]
Bien que les problèmes d'optimisation combinatoire soient souvent faciles à définir, ils
sont généralement difficiles à résoudre. En effet, la plupart de ces problèmes appartiennent à la
classe des problèmes NP-difficiles et ne possèdent donc pas à ce jour de solution algorithmique
efficace valable pour toutes les données. [AL 10]
3- Résolution d’un problème d’optimisation combinatoire

Résoudre un problème d’optimisation combinatoire nécessite l’étude de trois points
particuliers :
 La définition de l’ensemble des solutions réalisables.
 L’expression de l’objectif à optimiser.
 Le choix de la méthode d’optimisation à utiliser.
3
Les deux premiers points relèvent de la modélisation du problème, le troisième de sa

résolution. Afin de définir l’ensemble des solutions réalisables, il est nécessaire d’exprimer
l’ensemble des contraintes du problème. Ceci ne peut être fait qu’avec une bonne connaissance
du problème sous étude et de son domaine d’application.
4- Les méthodes de résolution
La principale difficulté à laquelle est confronté un décideur, en présence d’un problème

d’optimisation est celui du choix d’une méthode efficace capable de produire une solution
optimale en un temps de calcul raisonnable.
Dans la littérature, on distingue essentiellement deux classes des méthodes, (Figure 1.1)
Les méthodes exactes Les méthodes approchés
Programmation Programmation Evaluation et Heuristique Méta heuristique

dynamique linéaire séparation spécifiques
A* Simplex Population
Solution
Hill climbing Recuit simule Recherche Colonies de Algorithme

Tabou fourmis génétique
Figure 1.1 : Classification des méthodes d’optimisation combinatoire
 Les méthodes exactes Assurant la résolution des problèmes en un temps polynômial

 Les méthodes approchées(heuristiques) Permettant de trouver une solution proche
de l’optimale en un temps tolérable. [AK 12]
4.1 - Les méthodes exactes
Ces méthodes sont généralement utilisées pour résoudre des problèmes de petite taille.
Dans ce cas, le nombre de combinaisons possibles est suffisamment faible pour pouvoir
explorer l’espace de solutions en un temps raisonnable. On distingue trois sous-classes de
4
méthodes exactes la procédure de séparation et d’évaluation (Branch and Bound) , la

programmation dynamique et la programmation linéaire . [KB 17]
4.1.1 - La méthode de séparation et évaluation (Branch and Bound)
L’algorithme de séparation et évaluation, plus connu sous son appellation anglaise

Branch and Bound (BB), repose sur une méthode arborescente de recherche d’une solution
optimale par séparations et évaluations, en représentant les états solutions par un arbre d’états,
avec des nœuds, et des feuilles.
L’algorithme de séparation et évaluation est basé sur trois axes principaux
 L’évaluation Permet de réduire l’espace de recherche en éliminant quelques sous-

ensembles qui ne contiennent pas la solution optimale.
 La séparation Consiste à diviser le problème en sous-problèmes. Ainsi, en résolvant
tous les sous problèmes et en gardant la meilleure solution trouvée, on est assuré
d’avoir résolu le problème initial. Cela revient à construire un arbre permettant
d’énumérer toutes les solutions.
 La stratégie de parcours Il existe trois parcours possible de l’arbre
 La profondeur d’abord Cette stratégie avantage les sommets les plus éloignés de
la racine en appliquant plus de séparations au problème initial. Cette voie mène
rapidement à une solution optimale en économisant la mémoire.
 Le meilleur d’abord Cette stratégie consiste à explorer des sous-problèmes
possédant la meilleure borne. Elle permet aussi d’éviter l’exploration de tous les
sous problèmes qui possèdent une mauvaise évaluation par rapport à la valeur
optimale.
 La largeur d’abord Cette stratégie favorise les sommets les plus proches de la
racine en faisant moins de séparations du problème initial. Elle est moins efficace
que les deux autres stratégies présentées. [BB 08]
4.1.2 – La programmation Dynamique

La programmation dynamique a été appelée comme cela depuis 1940 par Richard
Bellman et permet d’appréhender un problème de façon différente de celle que l’on pourrait
imaginer au premier abord.
5
Le concept de base est simple, une solution optimale est la somme de sous-problèmes
résolus de façon optimale. Il faut donc diviser un problème donné en sous-problèmes et les
résoudre un par un. (Figure 1.2)
La méthode comprend deux étapes
 Prolonger le problème dans une famille de sous problèmes de même nature.
 Relier par une relation de récurrence les solutions optimales de ses sous-ensembles.
La Programmation Dynamique est une méthode exacte de résolution de problèmes
d’optimisation, due essentiellement à R. Bellman (1957).
Bien que très puissante, son cadre d’application est relativement restreint, dans la
mesure où les problèmes qu’elle adresse doivent vérifier un principe dit principe d’optimalité
qui stipule qu’une solution optimale d’un problème de taille n peut s’exprimer en fonction de
la solution optimale de problèmes de taille inférieure à « n ». [HF 16]
Sous-problèmes Trouvé en 4
Problème 1 2 3 1 2 3
Division Résolution
Principal 4 5 6 4 5 6
7 8 9 7 8 9
Figure 1.2 : La division en sous-problèmes
4.1.3 - La programmation linéaire

La programmation linéaire (PL) est une branche de l’optimisation permettant de résoudre
de nombreux problèmes économiques et industriels. La programmation linéaire désigne la
manière de résoudre les problèmes dont la fonction objective et les contraintes sont toutes
linéaires.
Si l’ensemble de solutions possibles « S » est formulé comme un ensemble de variables
à valeurs dans l’ensemble des réels « R » et si on a des contraintes à satisfaire des inégalités
linéaires et si « f » est une fonction linéaire en ces variables, on parle alors d’un problème de
programmation linéaire (PL).
Plusieurs problèmes réels de recherche opérationnelle peuvent être exprimés comme un
problème de PL. Pour cette raison un grand nombre d’algorithmes pour la résolution d’autres
6
problèmes d’optimisation sont fondés sur la résolution de problèmes linéaires. Un programme

linéaire peut être défini comme suit
« X » est un vecteur n-dimensionnel représentant la solution qui doit être optimisée. C’est un
vecteur de la même taille représentant la fonction objectif « 𝐶 𝑇 𝑋» De même, la matrice « A »
représente avec le vecteur « b » les contraintes du problème linéaire.
Une solution d’un programme linéaire est une affectation de valeurs aux variables du
problème. Une solution est réalisable si elle satisfait toutes les contraintes du problème.
L’algorithme d’optimisation le plus couramment utilisé en programmation linaire est
l’algorithme du simplex. [HT 07]
Ainsi, étant donné un ensemble d’inégalités linéaires sur « n » variables réelles,
l’algorithme peut trouver la solution optimale pour un problème linéaire d’une manière itérative
en démarrant avec une solution initiale. [AL 10]
4.2 - Les méthodes approchées

Une méthode heuristique ou approchée est une méthode d’optimisation qui a pour
but de trouver une solution réalisable de la fonction objective en un temps raisonnable, mais
sans garantie d’optimalité. L’avantage principale de ces méthodes est qu’elles peuvent
s’appliquer à n’importe quelle classe de problèmes, faciles ou très difficiles, d’un autre côté les
algorithmes d’optimisation tels que les algorithmes de recuit simulé, les algorithmes tabous et
les algorithmes génétiques ont démontré leurs robustesses et efficacités face à plusieurs
problèmes d’optimisation combinatoires.
Les méthodes approchées englobent deux classes
 Les méthodes heuristiques
 Les méta-heuristiques
4.2.1 - Les méthodes heuristiques

Les heuristiques sont des méthodes empiriques basées sur des règles simplifiées
pour optimiser un ou plusieurs critères. Le principe général de ces méthodes est d’intégrer des
7
stratégies de décision pour construire une solution proche de l’optimum, tout en essayant de
l’obtenir en un temps de calcul raisonnable. [AK 12]
 FIFO (First In First Out) la première tâche qui vient est la première tâche
ordonnancée.
 SPT (Shortest Processing Time) la tâche ayant le temps opératoire le plus court est
traitée en premier lieu.
 LPT (Longest Processing Time) la tâche ayant le temps opératoire le plus important
est ordonnancée en premier lieu.
 EDD (Earliest Due Date) la tâche ayant la date due la plus petite est la plus
prioritaire.
 SRPT (Shortest Remaining Processing Time) cette règle, servant à lancer la tâche
ayant la plus courte durée de travail restant à exécuter, est très utilisée pour minimiser
les encours et dans le cas des problèmes d’ordonnancement préemptifs.
 ST (Slack Time) à chaque point de décision, l’opération ayant la plus petite marge
temporelle est prioritaire. Faute de disponibilité des ressources de production, cette
marge peut devenir négative.
4.2.2 - Les méta-heuristiques

Le mot méta-heuristique est dérivé de la composition de deux mots grecs
 Heuristique qui vient du verbe heuriskein et qui signifie ‘trouver’.
 Méta qui est un suffixe signifiant au-delà dans un niveau supérieur.
Face aux difficultés rencontrées par les heuristiques pour avoir une solution réalisable de
bonne qualité pour des problèmes d’optimisation difficiles, les méta-heuristiques ont fait leur
apparition.
Sont des méthodes inspirées de la nature, ce sont des heuristiques modernes dédiées à la
résolution des problèmes et plus particulièrement aux problèmes d’optimisation.
Ces algorithmes sont plus complets et complexes qu’une simple heuristique, et permettent
généralement d’obtenir une solution de très bonne qualité pour des problèmes issus des
domaines de la recherche opérationnelle ou de l’ingénierie dont on ne connait pas de méthodes
efficaces pour les traiter ou bien quand la résolution du problème nécessite un temps élevé ou
une grande mémoire de stockage.
Les méta-heuristiques se sont des méthodes inspirées de la nature, ce sont des heuristiques
modernes dédiées à la résolution des problèmes et plus particulièrement aux problèmes
8
d’optimisation, qui visent d’atteindre un optimum global généralement enfoui au milieu de

nombreux optimal locaux.
4.2.3 - Classification des méthodes méta-heuristiques

Il existe plusieurs façons de classer les méta-heuristiques, on en donne quelques
une, et nous adopterons celle faisant la différence entre les méthodes de trajectoire et les
méthodes basées sur une population. [PM 05]
1. Méthodes de trajectoire elles manipulent une seule solution à la fois et tentent

itérativement d’améliorer cette solution. Elles construisent une trajectoire dans l’espace
des solutions en tentant de se diriger vers des solutions optimales. Par exemple le recuit
simulé.
Le recuit simulé
Le recuit simulé est une méta heuristique inspirée d’un processus utilisé en
métallurgie. Ce Processus alterne des cycles de refroidissement lent et de réchauffage
(recuit) qui tendent à Minimiser l’énergie du matériau. Elle est aujourd’hui utilisée en
optimisation pour trouver les extrémaux d’une fonction. Elle a été mise au point par trois
chercheurs de la société IBM, S.Kirkpatrick, C.D.Gelatt et M.P.Vecchi en 1983 et
indépendamment par V.Cerny en 1985. Le recuit simulé s’appuie sur l’algorithme de
Métropolies, qui permet de décrire le comportement d’un système en équilibre
thermodynamique à une certaine température T, partant d’une configuration donnée
(solution initiale). Par analogie avec le processus physique, la fonction objective à
minimiser deviendra l’énergie E du système. [WL 05]
2. Méthodes qui travaillent avec une population de solutions en tout temps on

dispose d’une “base” de plusieurs solutions, appelée population. L’exemple le plus
connu est l’algorithme génétique. [SD 14].
Les algorithmes génétiques

Les algorithmes génétiques (AGs) sont des algorithmes d’optimisation stochastique
fondés sur les mécanismes de la sélection naturelle et de la génétique. Leur
fonctionnement est extrêmement simple. On part avec une population de solutions
potentielles (chromosomes) initiales arbitrairement choisies. On évalue leur performance
9
(fitness) relative. Sur la base de ces performances on crée une nouvelle population de
solutions potentielles en utilisant des opérateurs évolutionnaires simples : la sélection, le
croisement et la mutation. On recommence ce cycle jusqu’à ce que l’on trouve une
solution satisfaisante. [TV 01]
5- La complexité
A première vue, comment déterminer un algorithme efficace ? Pour un problème donné,
chercher un algorithme efficace, veut dire trouver un algorithme où le temps nécessaire à son
exécution ne soit pas trop important. Un problème est dit facile si on peut le résoudre facilement,
c'est-à-dire s‘il ne fait pas trop de temps pour arriver à la solution. Donc, s‘il existe un
algorithme efficace pour un problème donné, alors ce dernier est dit facile.
Un problème pour lequel on ne connaît pas d‘algorithme efficace, est ce qu‘il est facile
ou difficile ?
De nombreux chercheurs se sont penchés sur ce genre de problèmes et ils ont développé une
théorie appelée de la complexité. Nous n‘allons pas détailler cette théorie, mais nous allons,
quand même donner une idée globale du sujet en question. [MA 11].
5.1 - complexités d’un algorithme

L’objectif de la théorie de complexité est d’analyser les couts de résolutions surtout en
termes de temps de calcul. Elle vise aussi à classer les problèmes en plusieurs niveaux de
difficulté. Une étude a prouvé que les problèmes d’ordonnancement sont des problèmes
difficiles.
En général, la complexité algorithmique se mesure par rapport à deux paramètres :
- Le temps alloué pour l’exécution de l’algorithme : il est relatif au nombre d’instructions à
exécuter ainsi qu’à la taille des données manipulées.
- Espace mémoire requis : associé à la taille d’instance d’un problème donné. [MA 11].
5-2 La complexité problématique

La complexité problématique est relative au problème à résoudre ainsi que la méthode de
résolution adoptée pour élaborer la solution optimale par rapport au critère retenu.
 Un problème de décision comprend deux parties : une partie donnée du problème et un
processus binaire ayant « oui » ou « non » comme réponse possible.
 Un problème de recherche est un problème constitué d’un ensemble de données dont

chacun représente un ensemble de solutions. Donc, la résolution d’un problème de recherche
10
consiste à trouver pour chaque ensemble de données D des solutions S associées. Un problème
d’optimisation est un problème de recherche en associant à chaque solution une valeur
qualitative. A chaque problème d’optimisation, on peut associer un problème de décision (par
exemple l’exclusion ou l’inclusion d’une solution dans les futures générations pour les AG),
donc l’étude de la complexité du problème de décision peut donner des indications au problème
d’optimisation associé.
La théorie de la complexité permet de classer les problèmes en deux classes P et NP. La
classe P regroupe les problèmes qui peuvent être résolus par des algorithmes polynomiaux. Un
algorithme est dit polynomial, lorsque son temps d’exécution est borné par O(P(x)) ou p est un
polynôme et x est la longueur d’entrée d’une instance du problème. Les algorithmes dont la
complexité ne peut pas être bornée polynomilement sont qualifiés d’exponentiels et
correspondent à la classe NP. Un problème de décision est dit NP-complet s’il appartient à la
classe NP et il résolu, au mieux, en un temps exponentiel. Un problème d’optimisation est dit
NP-Difficile, si le problème de décision associé est NP-complet [MA 11].
11
Chapitre 02 Les problèmes d’ordonnancement
Chapitre 02 Les problème d’ordonnancement
1- Introduction
Un problème d'ordonnancement consiste à organiser dans le temps la réalisation de

tâches, compte tenu de contraintes temporelles (délais, contraintes d'enchaînement) et de
contraintes portant sur la disponibilité des ressources requises.
Dans ce chapitre nous pouvons voir les différents domaine concernés l’ordonnancement
et ses objectif, on a vu les différents éléments d’un problème de ordonnancement, et à la fin on
voire comment Résoudre un problème d’ordonnancement.
2- Définition
Un problème d'ordonnancement peut être considéré comme un sous problème de

planification dans lequel il s'agit de décider de l'exécution opérationnelle des tâches (jobs)
planifiées, et ainsi d'établir leur planning d'exécution et leur allouer des ressources visant à
satisfaire un ou plusieurs objectifs sous une ou plusieurs contraintes.
En se basant sur les concepts de tâche, ressource, contrainte et objectif, l'ordonnancement
peut également être défini comme :
« Ordonnancer un ensemble de tâches, c’est programmer leur exécution en leur allouant les
ressources requises et en fixant leur date de début ». [SO 11]
3- Les domaines concernés [MA 05]
Gestion de projet Ateliers de production
Projet Production
Ordonnancement
Administration Informatique
Gestion des ressources Exécution des programmes
humaines emplois du temps optimisation de code
Figure 2.1 : Les domaine concernés des problèmes d’ordonnancement
12
4- Les objectifs de l'ordonnancement

Le traitement de l'ordonnancement dans la littérature s'est tout d'abord orienté vers une
optimisation monocritère. L'environnement manufacturier évoluant rapidement et la
concurrence devenant de plus en plus acharnée, les objectifs des entreprises se sont diversifiés
et le processus d'ordonnancement est devenu de plus en plus multicritère. Les critères que doit
satisfaire un ordonnancement sont variés. D'une manière générale on distingue plusieurs classes
d'objectifs concernant un ordonnancement.
 Les objectifs liés au temps
L’ordonnancement joue sur la classification des tâches pour minimiser le temps
total d'exécution, du temps moyen d'achèvement, des durées totales de règles ou des
retards par rapport aux dates de livraison.
 Les objectifs liés aux ressources
L’ordonnancement pour objectifs d’optimisation l’utilisation des ressources ou le
nombre de ressource nécessaires pour réaliser un ensemble de tâches…etc ;
 Les objectifs liés au coût
Ces objectifs sont généralement de minimiser les couts, de lancement, de
production, de stockage, de transport, etc.
 Les objectifs liés à l'énergie ou au débit
Les objectifs à satisfaire au niveau de l'ordonnancement son issus des objectifs
globaux de l'entreprise par décomposition. Cette décomposition conduit à une structure
d'objectifs qui permet de gérer les contradictions et les compromis.
5- Les éléments d’un problème d’ordonnancement

L’ordonnancement est décrit généralement par les quatre éléments sont retenus pour
décrire d’une façon explicite un ordonnancement, ces éléments sont : les tâches, les ressources,
les contraintes et les critères à prendre en considération lors du processus d’optimisation. Dans
ce qui suit, on donnera une définition détaillée de chacun de ces éléments.
 Les tâches
Une tâche (task en l’anglais) fait référence à la réalisation d’une opération, cette dernière
étant caractérisée par des informations pertinentes nécessaires à la résolution du problème
étudié. Ces informations peuvent être différentes selon des critères (l’objectif de l’étude et le
point de vue). A titre d’exemple, le planeur s’intéressera au temps requis pour réaliser
13
l’opération sur une machine donnée, au type de ressources que cette opération consomme et à
la quantité, tandis que l’opérateur va lui s’intéresser au procédé de réalisation de l’opération.
Dans le cadre des problèmes d’ordonnancement, parmi les informations utiles, on trouve
le temps nécessaire pour la réalisation d’une tâche, la(les) ressource(s) qu’elle requiert (une
ressource étant renouvelable ou non), une date de début au plus tôt, une date de fin souhaitée et
une date de fin impérative. Des contraintes de précédence conditionnent l’exécution d’une tâche
par rapport à la fin d’exécution d’autres tâches. Une tâche est alors considérée comme
l’exécution d’une opération sur une certaine machine. Plusieurs tâches peuvent être regroupées
pour constituer un « job » pour lequel on donne la gamme de production. Il est également
nécessaire de connaitre la nature de la tâche, par exemple savoir si une tâche est interruptible
ou non, c'est-à-dire de savoir si le traitement d’une tâche sur une ressource donnée peut
s’interrompre pendant une certaine durée et de le poursuivre ensuite, cela se traduit par
l’autorisation de la préemption des tâches ou non. Les notations suivantes sont introduites pour
décrire une opération. Chaque variable, représentera une information particulière se rapportant
à la réalisation de l’opération :
 ri : Pour représenter la date de disponibilité de la tâche « i » (release date).
 t i : Pour représenter la date de début de la tâche « i » (start date).
 ci : Pour représenter la date de fin d’exécution de la tâche « i » (completion time).
 di : Pour représenter la date d’échéance de la tâche « i » (due date).
 pi : Pour représenter la durée opératoire de la tâche « i » (processing time date).
 F = ci – ri : Pour représenter la durée de séjour de l’opération « i » sur la machine
avant qu’elle redevienne disponible (flow time).
 Li = ci − di : Exprime le retard algébrique (lateness) entre la fin d’exécution de la
tâche « i » par rapport à sa date d’échéance .
 Ti =max(Li , 0) : Qui exprime le retard absolu de la tâche « i » (tardiness) .
 Ei =max(− Li , 0) : Qui exprime l’avancement (earliness) de la tâche « i » .
Ces variables sont notamment retenues dans la littérature pour représenter une opération.
La « Figure 2.2 » montre les relations entre les différentes variables représentant une tâche.
14
Figure 2.2 : La caractéristique d’une tache
 Les ressources
Deux familles de ressources existent
La première famille de ressources est dite renouvelable c'est-à-dire que ces ressources
sont réutilisables après la fin d’exécution des opérations. Cette famille est assemblée de
machines d’hommes et des outils de productions. Généralement des ressources additionnelles
sont considérées comme par exemple l’utilisation des moyens de transport, ou des robots, ou
des ressources d’un autre genre comme les buffers d’entrée/sortie. Pendant ces ressources on
distingue aussi, des ressources disjonctives qui ne peuvent exécuter qu’une seule opération à la
fois et des ressources cumulatives qui savent exécuter plusieurs opérations à la fois par exemple
des machines parallèles, notons qu’une machine fait partie de l’ensemble des ressources
renouvelable : une machine de capacité 1 est une ressource disponible en un unique exemplaire.
La deuxième famille est dite consommable et regroupe toutes les ressources qui
deviennent indisponibles après une utilisation, par exemple des matières premières de l’argent,
de l’énergie etc.
 Les contraintes
Les contraintes expriment les restrictions que peuvent prendre conjointement les variables
de décision. Donc les contraintes nous renseignent sur les limites imposées par
l’environnement. On distingue plusieurs types de contraintes, qui sont, Les contraintes de
positionnement temporelles, Pour la réussite d’un projet ou d’un plan de production, on doit se
soumettre aux impératifs de production (réalisation) traduits par le respect d’un planning fixé
avant. Au niveau global on parlera d’une date de lancement d’une tâche et d’une date de
livraison. A un autre niveau de détail plus fin, pour une tâche ou une opération. Ce dernier
15
niveau se traduit par la définition des dates suivante : date de disponibilité « ri », date
d’échéance « di ».
Les contraintes de précédence, une contrainte qui lie le début d’une activité à la fin d’un
autre est appelée contrainte de succession ou de précédence. Les gammes opératoires sont un
exemple de ces contraintes, d’autres contraintes sont imposées dans certain cas telles que les
contraintes de synchronisation, de simultanéité, ou de recouvrements etc.
Les contraintes de ressources représentent le fait que les activités requièrent tout au long
de leur exécution une certaine quantité de ressources, elle concernent les deux points suivants :
 L’utilisation de ces ressources (leur nature, la quantité nécessaire, et les
caractéristiques d’utilisation).
 La disponibilité et la quantité de ces ressources.
Ces contraintes nous donnent une information précise sur la nature de l’atelier, et influencent
le choix des méthodes d’optimisation, Il est important de noter qu’en fonction des objectifs de
l’étude, ces contraintes peuvent être strictes ou non. Lorsqu’elles sont strictes, elles constituent
des obligations à respecter. Lorsqu’elles ne sont pas strictes, on peut ne pas les satisfaire et on
les appelle alors des contraintes de préférence. [LA 01]
6- Résolution d’un Problème d’ordonnancement

Résoudre un problème d’ordonnancement, c'est choisir pour chaque tache une date de
début, de telle sorte que les contraintes du problème soient respectées (la solution est alors dite
admissible ou réalisable) et qu'un ou plusieurs critères donnés soient optimisés.
La résolution d’un problème d’ordonnancement doit concilier deux objectifs :
 L’aspect statique consiste à générer un plan de réalisation des travaux sur la base des
données prévisionnelles.
 L’aspect dynamique consiste à prendre des décisions en temps réel, compte tenu de
l’état des ressources et l’avancement dans le temps des différentes taches.
7 -Représentation des problèmes d’ordonnancement

Il existe des sortes de représentations possibles d’un problème d’ordonnancement, le
diagramme de Gantt, le graphe Potentiel-Tâches et la méthode PERT.
16
7.1 - Le diagramme de Gantt

La représentation par Le diagramme de Gantt est la plus courante pour l'ordonnancement.
Celui-ci représente une opération par un segment ou une barre horizontale, dont la longueur est
proportionnelle à sa durée opératoire.
Donc, sur ce diagramme sont indiqués, selon une échelle temporelle : l'occupation des machines
par les différentes tâches, les temps morts et les éventuelles indisponibilités des machines dues
aux changements entre produits. [JH 06]
Deux types de diagramme de Gantt sont utilisés : Gantt ressources et Gantt tâches (voir la Figure
2.3)
Le diagramme de Gantt ressource, est composé d'une ligne horizontale pour chaque ressource
(machine). Sur cette ligne, sont visualisées les périodes d'exécution des différentes opérations
en séquence et les périodes de l'oisiveté de la ressource.
Le diagramme de Gantt tâches permet de visualiser les séquences des opérations des
tâches, en représentant chaque tâche par une ligne sur laquelle sont visibles, les périodes
d'exécution des opérations et les périodes ou la tâche est en attente des ressources.
Figure 2.3 Le diagramme de Gantt
7.2- Graphe potentiel-tâches

Cette outil graphique a été développé grâce à la théorie des réseaux de Pétri qui ont surtout
servi à modéliser les systèmes dynamiques à évènements discrets.
Dans ce genre de modélisation, les tâches sont représentées par des nœuds et les
contraintes par des arcs, comme le montre la (Figure 2.4). Ainsi, les arcs peuvent être de deux
types
• les arcs conjonctifs illustrant les contraintes de précédence et indiquant les durées des
tâches.
• les arcs disjonctifs indiquant les contraintes de ressources
17
6
a f
0 3
3 d 2
0
S b S’
4
3
0 e
c S 6
Figure 2.4 Graphe Potentiel-Tâches d'un ordonnancement
Dans l’exemple représenté dans « Figure 4.2 » la tâche « f » ne peut s'exécuter que si a et d ont
été réalisées. Donc, pour exécuter « a » il faut 6 mois et pour exécuter « d » il faut 2+3 mois.
La tâche « f » ne pourra commencer au plus tôt que 6 mois après le début du projet : c'est donc
le plus long chemin entre « a » et « f ».
- la durée du projet, qui correspond au plus long chemin entre S (tâche de début du projet) et
S’ (tâche de fin du projet).
7.3 - Method PERT (Program Evaluation and Research Task)

Cette représentation, semblable à la précédente, permet de représenter une tâche par un
arc, auquel est associé un chiffre qui représente la durée de la tâche. Entre les arcs, figurent des
cercles, appelés sommets ou événements, qui marquent l’aboutissement d’une ou de plusieurs
tâches. Ces cercles sont numérotés afin de suivre l’ordre de succession des divers évènements.
Les méthodes graphiques ont connu une très importante évolution surtout avec l’apparition des
Réseaux de Pétri, qui permettent de traduire plusieurs notions fondamentales ayant un lien avec
les problèmes d’ordonnancement, telles que :
 Les conflits sur les ressources.

 Les durées opératoires certaines.
 Les durées opératoires aléatoires.
 Les gammes.
 Les disponibilités, les multiplicités et les capacités de ressources
la répétitivité, etc. ….
18
Chapitre 3 Les problèmes d’ordonnancement d'atelier
1- Introduction
L'ordonnancement d'atelier consiste à organiser dans le temps le fonctionnement

d'un atelier pour utiliser au mieux les ressources humaines et matérielles disponibles dans le but
de produire les quantités désirées dans le temps imparti.
Dans ce chapitre on peut expliquer c’est quoi un problèmes d’ordonnancement d’atelier,

et on peut connu aussi ses schémas de classification, on peut faire une recherche sur les type de
problème d’ordonnancement d’atelier, et en fin on peut voir la complexité des problèmes et
sont types.
2 –Définition :
Dans un problème d’atelier, une pièce doit être usinée ou assemblée sur différentes
machines. Chaque machine est une ressource disjonctive, c’est-à-dire qu’elle ne peut exécuter
qu’une tâche à la fois, et les tâches sont liées exclusivement par des contraintes d’enchaînement.
Plus précisément, les tâches sont regroupées en « n » entités appelées travaux ou lots.
Chaque lot est constitué de « m » tâches à exécuter sur « m » machines distinctes, et dans le cas
des problèmes d’atelier, une tâche est une opération, une ressource est une machine et chaque
opération nécessite pour sa réalisation une machine.
Dans le modèle de base de l'ordonnancement d’atelier, l'atelier est constitué de « m »

machines, « n » travaux (jobs), disponibles à la date 0, doivent être réalisés, un travail i est
constitué de ni opérations, l'opération j du travail i est notée (i,j) avec (i, 1) < (i, 2) < ... < (i, ni)
si le travail i possède une gamme ( A < B signifie A précède B). Une opération (i,j) utilise la
machine 𝑚𝑖𝑗 pendant toute sa durée 𝑝𝑖𝑗 et ne peut être interrompue .
Un atelier se définit par le nombre de machines qu’il contient et par son type. Une
classification peut exister selon le nombre des machines et l'ordre d'utilisation des machines,
pour réaliser un travail (par exemple fabrication d’un produit qui dépend de la nature de
l'atelier).
19
Solon les caractéristiques des machines on peut distinguer plusieurs types des problèmes (voir
la figure 3.1).
Machines
En séries Parallèles
Open-shop Flow-shop Job-shop Identiques Uniformes Quelconque
Figure 3.1. Les types des machines [SO 11]
3 - Schémas de classification [SO 11]
Nous suivons les schémas de classification proposée par Graham 1979, Classification à trois
champs α, β, γ :
 α: environnement machine.
 𝛼1 : Prend des différents caractères selon le type de problème.
 𝛼 2 : Désigne le nombre de machine. Si α2 est entier positive, le nombre de machine
supposé constant .si α2 est absent alors ce nombre est supposé arbitraire.
 β: les caractéristiques des tâches.
 𝛽1 = 𝑃𝑚𝑡𝑛 si la préemption des tâches est autorisée, sinon β1 est absent.
 S’il y a des contraintes de précédence entre les tâches β2 {prec, chain, tree }, sinon
𝛽 2 est vide.
 𝛽 3 = 𝑟𝑖 si les dates de début au plus tôt 𝑟𝑖 (ou dates de disponibilité) des tâches ne
sont pas forcément identiques, sinon ( j, 𝑟𝑖 = 0) β3 est absent.3
 𝛽 4 = j si la tâche ou le job possède une date de fin obligatoire.
 γ : le (ou les) critère(s) à optimiser.
20
4 - Les types des Problèmes
4.1- Problèmes à une Machine
Toute tâche 𝐽𝑗 ,j∊ {1,….,n} de durée 𝑃𝑗 (processing time) s’exécute sur une machine qui
ne peut traiter plus qu’une tache à la fois [IB 14] .Le champ α1 est absent et α2 = 1 (Figure 3.2).
Figure 3.2 : Les problèmes d’ordonnancement a une machine. Tirée de [1]
4.2- Problèmes à machines parallèles

Toute tâche 𝐽𝑗 , j∊ {1,….,n} peut être exécutée indifféremment sur une des « m » machines
mises en parallèle . [IB 14]
Figure 3.3 Les problèmes d’ordonnancement a machine parallèle. Tirée de [1]
21
 Si toutes les machines ont la même vitesse d’exécution des tâches, les machines sont
appelées « identiques » et le problème noté (P).
 Si les machines sont différentes par leur vitesse d’exécution et la vitesse de chaque
machine est constante et ne dépend pas de l’ensemble des tâches, elles sont dites «
uniformes ». (Q).
 Si les vitesses d’exécution des machines dépendent des tâches et sont différentes alors
elles sont dites « quelconques » ou différentes (R).
4.3 - Problèmes de Flow Shop
La gamme de fabrication, qui correspond à l'ordre d'exécution des opérations au sein des
travaux, est linéaire, fixée à l'avance et identique pour tous les travaux, ce qui permet de
numéroter les machines dans l'ordre d'exécution des opérations à traiter [IB 14]. Selon les types
de produits élaborés, on distingue la production continue et la production discrète. La
production continue est caractérisée par 12 la fluidité de son processus et l’élimination du
stockage. C'est le cas notamment dans les raffineries, les cimenteries, les papeteries... La
production discrète de masse s’applique principalement aux produits de grande consommation
fabriqués à la chaîne (automobile, la majorité du domaine du textile, machines-outils…) (Figure
3.4).
Parmi les caractéristiques d’un problème de cette catégorie
 Il existe au minimum « n! » différentes solutions où « n » est le nombre de travaux à

réaliser. Notons que n! = n*(n-1) *(n-2) …*1.
 Une grande productivité mais une faible flexibilité. (Voir la notion de la flexibilité en
bas)
Figure 3.4 La représentation d’un problème d’ordonnancement cheminement unique

(flow-shop) Tirée de [1 ]
22
4.4 – Les problèmes de job shop

La gamme de fabrication est linéaire et fixée à l'avance, mais peut varier d'un travail à
l'autre. Une tâche peut revenir une seconde fois sur la même machine [IB 14]. L’une des
caractéristiques d’un atelier à cheminement multiple est que la demande pour un produit
particulier est généralement d’un volume petit ou moyen. Une autre caractéristique est la
variabilité dans les opérations et un mix produit constamment changeant (Figure 3.5).
Figure 3.5 La représentation d’un problème d’ordonnancement cheminement multiple (job

shop). Tirée de [1 ]
 Le nombre d’opération n’est pas forcément le même pour tous les jobs.
 Chaque job a son propre ordre de passage sur les machines.
Parmi les autres caractéristiques d’un problème d’ordonnancement dans un atelier à
cheminements multiples.
 Le nombre de solutions possibles est de l’ordre de (n!)m, où n est le nombre de tâches
à effectuer et m le nombre de machines. Notons qu’une tâche veut dire la même chose
qu’un travail.
 Le problème est considéré parmi les problèmes les plus difficiles à traiter.
4.5 – Les problèmes d’open shop

C’est un modèle d’atelier moins contraint que le Flow shop et le job shop, car l’ordre des
opérations n’est pas fixe à priori. [IB 14]
23
Le problème d’ordonnancement consiste d’une part à déterminer le cheminement de

chaque travail et d’autre part à ordonnancer les travaux en tenant compte des gammes trouvées
(Un problème de type open shop est un job shop dans lequel les contraintes de précédence sont
relâchées. C'est à dire, les opérations peuvent être effectuées dans n’importe quel ordre).
5 -La notion de la flexibilité

La flexibilité est une mode de gestion de la main d’œuvre qui permet aux entreprises
d’adapter rapidement la production et l’emploi (l’offre) aux fluctuations rapides des
commandes des clients (demande), et il y a cinq types de flexibilité du travail
 La flexibilité externe quantitative qui permet de faire fluctuer les effectifs de
l’entreprise en fonction des besoins en ayant recours aux licenciements et aux contrats
de travail de courte durée.
 La flexibilité externe qualitative (ou externalisation) qui « consiste à déplacer sur une
autre entreprise le lien contractuel avec le travailleur » en aillant recours par exemple
aux travailleurs intérimaires ou à l’externalisation d’un certain nombre d’activités
annexes à la production (gardiennage, restauration, nettoyage…).
 La flexibilité salariale qui permet de faire varier à travers la rémunération des salariés,
le coût de la masse salariale de l’entreprise. Elle « est conçue comme un moyen de
répercuter sur les salaires les évolutions du chiffre d’affaire et de coûts de revient de
l’entreprise en fonction des mouvements conjoncturels ».
 La flexibilité interne quantitative qui consiste à faire varier la quantité d’heures
travaillées pour un effectif donné. Elle peut être réalisée par des modulations
saisonnières à partir d’un contrat portant sur une durée annuelle, des temps partiels,
des travails intermittents, des heures supplémentaires...
 La flexibilité interne qualitative (ou flexibilité fonctionnelle) qui « consiste, à quantité
de travail donnée, à employer les travailleurs à des fonctions variables en fonction des
besoins de la chaîne de production ou des fluctuations de la production ».
Afin d’être toujours plus réactives et productives, les entreprises ont cherché à augmenter
la flexibilité de leurs systèmes de production. Pour atteindre ce but, il est possible de multiplier
le nombre des machines qui peuvent réaliser une même opération.
Ces machines, considérées comme identiques dans le cadre de cette thèse, sont regroupées en
étage ou cellule. Et pour cela on peut distinguer autres types d’atelier
24
5.1. Flow shop hybride

Le flow shop hybride est une généralisation du flow shop classique au cas où plusieurs
machines sont disponibles sur un ou plusieurs étages pour exécuter les différentes tâches du
flow shop. Ces problèmes présentent alors une difficulté supplémentaire par rapport aux
problèmes sans flexibilité des ressources. En effet, la machine qui sera utilisée pour exécuter
une opération n’est pas connue d’avance, mais doit être sélectionnée parmi un ensemble donné
pour construire une solution au problème [SO 11] (voir la figure 3.6).
Etage 1 Etage 2 Etage k
J1 1 1 1
J2 2 2 2
Stock Stock Stock
Jn M1 Mk
M2
Jobs en Jobs finis

attente
Figure 3.6 La représentation d’un flow show hybride à « k » étages
5.2- Job shop flexible

Le job shop flexible est une extension du modèle job shop classique. Sa particularité
essentielle réside dans le fait que plusieurs machines sont potentiellement capables de réaliser
2 Machine
5 Machine 3 Machine
4 Machine
Figure 3.7 : représentation d’un Job shop simple & hybride
25
un sous ensemble d’opérations. Plus précisément, une opération est associée à un ensemble
contenant toutes les machines pouvant effectuer cette opération. [MK 08] (voir la figure 3.7).
6 - La complexité
La complexité de les problèmes d’ordonnancement d’atelier , généralement elle classée

dons la class NP-difficile , car la complexité de les algorithme utilisé ne peut pas bornée
polynomilement , sauf le problème a une machine elle classé dans la classe P , car est une
problème qui peuvent être résolus par des algorithmes polynomiaux
26
Chapitre 4 Les problèmes d’ordonnancement à machines parallèles
1- Introduction
Dans ce chapitre, nous allons définir c’est quoi les problèmes d’ordonnancement à
machines parallèles, et nous savoir les des méthodes de représentation de ces types de problème.
2 – Définition
Le principe des problèmes d’ordonnancement à machines parallèles est Chaque job est
constitué d’une seule opération et chaque opération peut être réalisée par n’importe laquelle des
machines, disposées en parallèles, mais n’en nécessite qu’une seule. On considère dans toute
cette section le critère de minimisation de la durée totale. Dans le cadre de l'informatique on
peut ainsi modéliser les « m » processeurs d'une machine parallèle. Ces problèmes sont presque
toujours NP-difficiles.
3- Makespan (𝑪𝒎𝒂𝒙)
Le makespan représente le temps de fin d’exécution du dernier job dans une séquence. Il
est l’un des critères les plus utilisés pour évaluer le coût d’un ordonnancement. En minimisant
ce critère, on peut améliorer le rendement et réduire le temps moyen d’inactivité des machines.
La minimisation du makespan s’accompagne généralement de contraintes qui peuvent être
temporelles ou liées aux ressources. Les contraintes temporelles se divisent en deux catégories
: des contraintes de temps alloué (impératif de gestion : délai de livraison, disponibilité,
achèvement) et des contraintes d’antériorité (cohérence technologique : gammes de fabrication,
inégalité de potentiels : précédence). Les contraintes liées aux ressources peuvent être des
contraintes disjonctives (une tâche i doit s’exécuter avant ou après une tâche}) ou des
contraintes cumulatives (respect des capacités des ressources).
On peut aussi considérer d’autres critères de performance, tels que le temps moyen
d’achèvement des jobs, le temps total de traitement, le temps de retard total, le temps d’attente
des jobs, le taux d’occupation de machines, le nombre de jobs en retard, le temps de séjour d’un
job dans le système avant sa réalisation, etc. [BS 08]
27
4- Les différents modèles

Pour permettre la classification des problèmes d'ordonnancement, ceux-ci ont été séparés
en deux grands modèles suivant les tâches à exécuter
 Les modèles dits statiques : le nombre de tâches à exécuter et leurs dates de
disponibilité sont connus à l'avance et ne peuvent être modifiés par la suite,
 Les modèles dynamiques : les tâches arrivent de façon aléatoire. Leurs nombres, ainsi
que leurs dates de disponibilité ne sont pas connus à l'avance.
5- Les modèles mathématique des problèmes à machine parallèle

Après les études des modèles mathématiques, les données du problème et le modèle qui
s’expriment de la manière suivante :
 𝑛 : le nombre de tâches.
 𝑚 : le nombre de machines.
 𝑗 : l’indice de la tâche, où 𝑗=1,…..𝑛.
 𝑘 : l’indice de la machine, où 𝑘=1,…..𝑚 .
 𝑟 : la position de la tâche dans une machine, où 𝑟=1,…..𝑛𝑘.
 𝑟𝑗𝑘 : date de début.
 𝑑𝑗𝑘 : date de fin la tâche 𝑗.
 𝑠𝑗𝑘 : temps de préparation de la tâche 𝑗 effectuée immédiatement après la tâche 𝑖 sur une
machine.
 𝑝𝑗𝑘 : temps opératoire de la tâche 𝑗.
 𝑐𝑗𝑘 : date de fin d’exécution de la tâche 𝑗.
 𝑇𝑗𝑘 : retard réel de la tâche 𝑗.
 𝐶𝑚𝑎𝑥 : makespan.
 𝑛𝑘 : nombre des tâches affectées à la machine 𝑘.
Minimiser (𝐶𝑚𝑎𝑥, Σ𝑇). (1)

Sous contraintes :
∑𝑛𝑗=1 𝑋𝑗𝑘𝑟 𝑘=1,2,…., 𝑚 𝑟=1,2,…, 𝑛𝑘 (2)
𝑚
∑𝑘=1 ∑𝑛𝑘
𝑟=1 𝑋jkr 𝑗=1,2,…..,𝑛 (3)
𝑃[𝑘𝑟] = ∑𝑛𝑗=1 𝑋𝑗𝑘𝑟 𝑃𝑗𝑘 𝑟𝑖𝑗 𝑘=1,2,….,𝑚 𝑟=1.2,….. 𝑛𝑘 (4)
28
𝑆[𝑘𝑟] = ∑𝑛𝑖=1 ∑𝑛𝑗=1 𝑋𝑗𝑘𝑟 𝑦𝑖𝑗 𝑆𝑖𝑗 𝑘=1,2,…..,𝑚 𝑟=1,2,…. 𝑛𝑘 (5)

𝑟[𝑘𝑟] = ∑𝑛𝑗=1 𝑋𝑗𝑘𝑟 𝑟𝑗𝑘 𝑘=1,2,…..,𝑚 𝑟=1,2,…. 𝑛𝑘 (6)
𝑑[𝑘𝑟] =∑𝑛𝑗=1 𝑋𝑗𝑘𝑟 𝑑𝑗𝑘 k=1,2,……..,m r = 1,2,……., 𝑛𝑘 (7)
𝐶[𝑘𝑟] = max(𝐶[𝑘,𝑟−1] + 𝑠[𝑘𝑟] , 𝑟[𝑘𝑟] ) + 𝑃[𝑘𝑟] k=1,2,.,m r = 1,2... 𝑛𝑘 (8)
𝑇[𝑘𝑟] = max(𝐶[𝑘𝑟] − 𝑑[𝑘𝑟] , 0) k=1,2.. , m r = 1,2,., 𝑛𝑘 (9)
𝑚 𝑛
𝐶𝑚𝑎𝑥 = 𝑚𝑎𝑥𝑘=1 𝑚𝑎𝑥𝑟=1
𝑘
𝐶[𝑘𝑟] k= 1,2,... m r = 1,2,.. 𝑛𝑘 (10)
𝑛𝑘
∑ 𝑇𝑗𝑘 = ∑𝑚
𝑘=1 ∑𝑟=1 𝑇[𝑘𝑟] k = 1,2….. m r = 1,2,… 𝑛𝑘 (11)
𝑋𝑗𝑘𝑟 = 0 or 1 k = 1,2,….. mr = 1,2, … 𝑛𝑘 j=1,2,…..n (12)
𝑌𝑖𝑗 = 0 or 1 i=1,2,……..n j=1,2,……..n (13)
La fonction (1) exprime directement les objectifs de notre problème, i.e., la minimisation
du makespan et la minimisation de la somme des retards.
Les contraintes (2) et (3) sont des contraintes de singularité des tâches sur la machine k
et à la position r. Elles garantissent qu’il y a seulement une tâche sur la machine k et à la position
r, et que chaque tâche est déplacée seulement une fois sur ces machines.
La contrainte (4) calcule la durée d’opération de la tâche qui est en position r sur la
machine k. La contrainte (5) définit le temps de préparation de la tâche qui est en position r sur
la machine k.
Les contraintes (6) - (9) concernent respectivement la date de début au plus tôt, la date de
fin au plus tard, la date de fin d’exécution et le retard réel de la tâche qui est en position r sur la
machine k.
Les contraintes (10) et (11) représentent le calcul du makespan et de la somme des retards.
La variable binaire 𝑋𝑗𝑘𝑟 est égale à 1, si la tâche j est ordonnée en position r sur la machine k et
0 sinon. La variable binaire 𝑌 𝑖𝑗 contrôle la position relative de deux tâches i et j. Si la tâche i
précède immédiatement la tâche j, alors 𝑌 𝑖𝑗 est égale à 1, sinon elle est égale à 0. Par contre, si
j’est la premier tâche (j=1), alors 𝑌𝑖𝑗 est égale à 1, car aucune tâche ne précède j [BE 15].
6 - Représentation des problèmes d’ordonnancement à machines parallèles

Dans les problèmes d’ordonnancement à machines parallèles, on peut afficher les
ordonnancements pour nous problèmes avec le diagramme de Gantt, car il est permis de
visualiser les séquences des opérations des tâches, en représentant chaque tâche par une ligne sur
29
laquelle sont visibles, les périodes d’exécution des opération et les périodes ou la tâche est en
attente des ressources.
7- Insertion d’une tâche venant aléatoirement
Une approche basée sur le contexte aléatoire, c’est la méthode d’insertion des tâches dans
un ordonnancement prévisionnel. Cette méthode consiste à sélectionner et choisir le bon endroit
(emplacement) où ces nouvelles tâches doivent être inclues. Dans la littérature on trouve que
l’utilisation de la méthode d’insertion de tâches n’été pas limitée au problème
d’ordonnancement d’une seule ressource, mais aussi pour plusieurs ressources (comme les
ressources humaines dans les problèmes de d’ordonnancement de la maintenance).
8- Deux méthodes de résolution

Pour résoudre ce problème nous avons opté pour deux méthodes célèbres à caractère
approché :
8.1- Les algorithmes génétiques
8.1.1- Définition
Les algorithmes génétiques (GA) ont été proposés par JOHN HOLLAND dans les années
70, sont des techniques de recherche et d’optimisation stochastique dérivées de la génétique et
des mécanismes de la sélection naturelle et de l’évolution. Leurs champs d’application sont très
vastes optimisation de fonctions (cout ou les pertes), planification, et bien d’autres domaines.
La raison de ce grand nombre d’application est claire, la simplicité et l’efficacité. [BB 12]
Les algorithmes génétiques sont des algorithmes d’optimisation s’appuyant sur des
techniques dérivées de la génétique et des mécanismes d’évolution de la nature sélections,
croisements, mutations, etc. Ils appartiennent á la classe des algorithmes évolutionnaires.
[CE 01] On peut dire que l’algorithme génétique est une méthode de programmation qui
repose sur le principe de l’évolution pour effectuer la recherche d’une solution adéquate à un
problème.
8.1.2- Présentation
Les techniques de recherche et d’optimisation sont en général classées en trois catégories.
Énumératives, déterministes et stochastiques. Les AGs font partie de la troisième catégorie et
quatre caractéristiques les distinguent des autres techniques d’optimisation.
• Ils utilisent un codage des paramètres et non les paramètres eux-mêmes.
• Ils travaillent sur une population d’individus (ou de solutions).
30
• Ils n’utilisent que les valeurs de la fonction à optimiser, pas sa dérivée, ou une autre
connaissance auxiliaire.
• Ils utilisent des règles de transition probabilistes et non déterministes
8.1.3 – Les étapes de l’algorithme génétique
• Génération de la population initiale

Plusieurs mécanismes de génération de la population initiale sont utilisés dans la
littérature. Le problème principal dans cette étape est le choix de la taille de la population. Si la
taille de la population est trop grande, le temps de calcul augmente et demande un espace
mémoire important. Par contre, une population de taille très petite, la solution obtenue n’est pas
satisfaisante. Il faut donc trouver le bon compromis.
• Evaluation (Fitness)
Une fonction d’évaluation est utilisée pour mesurer les performances de chaque individu,
qui correspond à une solution donnée du problème à résoudre. Cette fonction permet d’évaluer
la capacité d’un individu à survivre en lui affectant un poids appelé fitness. La force de chaque
chromosome de la population est calculée an que les plus forts soient retenus dans la phase de
sélection, puis modifiées dans la phase de croisement et mutation.
La fonction d’évaluation dépend d’un problème à un autre. Par exemple, dans le cas des
problèmes d’ordonnancement, cette fonction peut prendre différents critères (makespan, retard,
etc.)
• Codage des individus

Un principe de codage de l’élément de population. Cette étape associe à chacun des points
de l’espace d’état une structure de données. Elle se place généralement après une phase de
modélisation mathématique du problème traité. La qualité du codage des données conditionne
le succès des algorithmes génétiques. Les codages binaires ont été très utilisés à l’origine.
Figure 4.1 La représentions des modules de codage
31
Les codages réels sont désormais largement utilisés, notamment dans les domaines
applicatifs pour l’optimisation de problèmes à variables réelles. (Figure 4.1)
• L’opérateur de sélection
La sélection consiste à choisir des individus qui permettront de générer de nouveaux
individus. Plusieurs méthodes existent pour sélectionner des individus destinés à la
reproduction. On citera les deux méthodes classiques les plus utilisées.
La sélection par la roulette
La sélection des individus par le système de la roulette s’inspire des roues de loterie.
À chacun des individus de la population est associé un secteur d’une roue. L’angle du
secteur étant proportionnel à la qualité de l’individu qu’il représente. Vous tournez la roue et
vous obtenez un individu. Les tirages des individus sont ainsi pondérés par leur qualité. Et
presque logiquement, les meilleurs individus ont plus de chance d’être croisés et de participer
à l’amélioration de notre population. (Figure 4.2) Illustre une population de 5 individus dont les
performances sont représentées en roulette.
Figure 4.2 La représentions de la sélection par roulette
La sélection par tournoi
Le principe de la sélection par tournoi augmente les chances pour les individus de piètre
qualité de participer à l’amélioration de la population. Le principe est très rapide à implémenter.
32
Un tournoi consiste en une rencontre entre plusieurs individus pris au hasard dans la population.
Le vainqueur du tournoi est l’individu de meilleure qualité. Cette méthode est en général
satisfaisante. (Voir la Figure 4.3).
Figure 4.3 La représentions de la sélection par tournois
 L’opérateur de croisement
Le croisement est une étape de recombinaison essentielle de l’algorithme évolutionnaire

car il permet l’exploration de l’espace de recherche. Une fois la population intermédiaire
déterminée, les individus sont aléatoirement répartis en couples. Les chromosomes sont alors
copiés et recombinés de façon à former, en général, deux descendants possédant des
caractéristiques issues des deux parents. On forme ainsi la génération suivante.
L’opérateur de croisement opère avec une probabilité « pc », fixée selon le problème

concerné. Plus ce taux est élevé, plus il y a de nouvelles structures qui apparaissent dans la
population. Mais, s’il est trop élevé, les bonnes solutions risquent d’être modifier trop vite par
rapport à l’amélioration que peut apporter la sélection. D’autre faible, la recherche risque de
stagner, à cause part, si le taux de croisement est très du faible taux d’exploration.
Parmi les méthodes de croisement les plus utilisées on peut souligner trois opérateurs le
croisement à un point, le croisement multipoints et le croisement uniforme.
Croisement à un point
Il s’agit de choisir, au hasard, un point de croisement pour chaque couple de

chromosomes et d’effectuer un échange des ensembles d’allèles se trouvant de part et d’autre
de ce point entre les deux parents. (Figure 4.4).
33
Figure 4.4 La représentation de croissement a un point
On peut étendre ce principe en découpant le chromosome non pas en 2 sous chaînes, mais
en 3, 4, etc.
Croisement multipoints
Dans ce cas, plusieurs points de croisement sont sélectionnés et il y a un échange des

différentes parties d’allèles cernées par ces points, entre les parents. (Figure 4.5)
Figure 4.5 La représentation de croissement a un multipoints
Croisement uniforme
Il opère à l’aide d’un masque qui représente les tirages aléatoires, pour décider de la
transmission de la valeur de l’allèle à l’un ou l’autre des descendants. Si, à la même position
que l’allèle, la valeur du masque est égale à 1, l’allèle du parent 1 passe à celui de l’enfant 1 et
l’allèle du parent 2 passe à l’enfant 2. Sinon, c’est l’inverse qui se produit. D’autres types de
croisement, plus spécifiques au problème traité, peuvent bien entendu être utilisés dans le cadre
d’un algorithme génétique. L’efficacité du croisement dépend souvent de son adaptation au
problème (voir la figure 4.6).
Figure 4.6 La représentation de croissement uniforme
34
• L’opérateur de Mutation
La mutation est définie comme étant la modification aléatoire de la valeur d’un allèle dans
un chromosome. Elle joue le rôle de bruit, empêche l’évolution de se figer et garantit que
l’optimum global peut être atteint.
Cet opérateur évite donc une convergence prématurée vers les optimums locaux. Il est
appliqué avec une probabilité fixée « pm ». Le taux de mutation rend la recherche trop aléatoire
s’il est trop élevé. Par ailleurs, s’il est trop faible, la recherche risque de stagner (Figure 4.7).
Figure 4.7 La représentation de mutation
Existence d’autres façons d’effectuer des mutations:

 Transposition de deux allèles consécutifs.
 Transposition d’allèles dans un chromosome.
 Inversion de l’ordre des allèles présents entre deux coupes.
8.1.3 - Critères d’arrêt
Le critère d’arrêt indique que la solution est suffisamment approchée de l’optimum.
Plusieurs critères d’arrêt de l’algorithme génétique sont possibles. On peut arrêter
l’algorithme après un nombre de générations suffisant pour que l’espace de recherche soit
convenablement exploré, ce critère peut s’avérer coûteux en temps de calcul si le nombre
d’individus à traiter dans chaque population est important. L’algorithme peut aussi être arrêté
lorsque l’évolution de la population est ralentie. On peut aussi envisager d’arrêter l’algorithme
lorsque la fonction d’adaptation d’un individu dépasse un seuil fixé au départ. Nous pouvons
également faire des combinaisons des critères d’arrêt précédents.
8.2- L'algorithme glouton

Lors de la résolution d’un problème d’optimisation, la construction d’une solution se fait
souvent de maniéré séquentielle, l’algorithme faisant à chaque étape un certain nombre de
choix. Le principe glouton consiste à faire le choix qui semble le meilleur sur le moment (choix
local), sans se préoccuper des conséquences dans l’avenir, et sans revenir en arrière. Un
35
algorithme glouton est donc un algorithme qui ne se remet jamais en question et qui se dirige
le plus rapidement possible vers une solution. Aveuglé par son appétit démesuré, le glouton
n’est pas sûr d’arriver à une solution optimale, mais il fournit un résultat rapidement. Même si
la solution n’est pas optimale, il n’est pas rare que l’on s’en contente (par exemple pour un
problème NP-difficile). On rentre alors dans le monde des algorithmes d’approximation.
Pour que la méthode gloutonne ait une chance de fonctionner, il faut que le choix local aboutisse
à un problème similaire plus petit. La méthode gloutonne ressemble ainsi à la programmation
dynamique. Mais la différence essentielle est que l’on fait d’abord un choix local et on résout
ensuite un problème plus petit (progression descendante). En programmation dynamique, au
contraire, on commence par résoudre des sous-problèmes, dont on combine ensuite les résultats
(progression ascendante)
36
Chapitre 5 Conception et réalisation
1-Introduction
Dans ce chapitre, nous allons passer à la conception et l’implémentation d’un problème

M-machine en parallèle et on a voir aussi comment ajoute un tache ce problème.
2 –Le langage Java
Java est un langage de programmation orienté objet créé par James Gosling et Patrick
Naughton, employés de Sun Microsystems, avec le soutien de Bill Joy (cofondateur de Sun
Microsystems en 1982), présenté officiellement le 23 mai 1995au SunWorld.
La société Sun a été ensuite rachetée en 2009 par la société Oracle qui détient et maintient
désormais Java.
La particularité et l'objectif central de Java est que les logiciels écrits dans ce langage doivent
être très facilement portables sur plusieurs systèmes d’exploitation tels
que Unix, Windows, Mac OS ou GNU/Linux, avec peu ou pas de modifications, mais qui ont
l'inconvénient d'être plus lourd à l'exécution (en mémoire et en temps processeur) à cause de sa
machine virtuelle. Pour cela, divers plateformes et Framework associés visent à guider, sinon
garantir, cette portabilité des applications développées en Java
 Java FX
Avec l'apparition de Java 8 en mars 2014, JavaFX devient l'outil de création d'interface
graphique officiel de Java, pour toutes les sortes d'application (applications mobiles,
applications sur poste de travail, applications Web…), le développement de son prédécesseur
Swing étant abandonné (sauf pour les corrections de bogues). Java FX est une pure API Java
(le langage de script spécifique qui lui a été un temps associé est maintenant abandonné). Java
FX contient des outils très divers, notamment pour les médias audio et vidéo, le graphisme 2D
et 3D, la programmation Web, la programmation parallèle, etc
3- Le problème d’une machine parallèle
Le principe de problème d’ordonnancement à machine parallèle est Chaque job est

constitué d’une seule opération et chaque opération peut être réalisée par n’importe laquelle des
machines, disposées en parallèles, mais n’en nécessite qu’une seule. On considère dans toute
37
cette section le critère de minimisation de la durée totale, Ces problèmes sont presque toujours
NP-difficiles.
4- Les méthodes de résolution de notre problème
J’ai utilisé deux algorithme pour résoudre ce problème, AG et l’algorithme glouton car
4.1- L’algorithme génétique
Nous avons choisi la méthode algorithme génétique pour résoudre notre problème de
machine parallèle presque cette méthode il possédé plusieurs avantages comme
• Ils sont adaptables à plusieurs types des problèmes
• Robustes
• Faciles à implémenter
• Faciles à hybrider
• Faciles à paralléliser
4.2- L’algorithme glouton

Est un algorithme qui suit le principe de faire, étape par étape, un choix optimum local,
dans l'espoir d'obtenir un résultat optimum global. Par exemple, dans le problème du rendu de
monnaie (donner une somme avec le moins possible de pièces), l'algorithme consistant à répéter
le choix de la pièce de plus grande valeur qui ne dépasse pas la somme restante est un algorithme
glouton. Dans les cas où l'algorithme ne fournit pas systématiquement la solution optimale, il
est appelé une heuristique gloutonne. L'illustration ci-contre montre un cas où ce principe est
mis en échec.
Exemple Rendu de monnaie
Suivant le système de pièces, l'algorithme glouton est optimal ou pas. Dans le système de
pièces européen (en centimes : 1, 2, 5, 10, 20, 50, 100, 200), où l'algorithme glouton donne la
somme suivante pour 37 : 20+10+5+2, on peut montrer que l'algorithme glouton donne toujours
une solution optimale. Dans le système de pièces (1, 3, 4), l'algorithme glouton n'est pas
optimal, comme le montre l'exemple simple suivant. Il donne pour 6 : 4+1+1, alors que 3+3 est
optimal. Tirée de [2]
38
5- Le schéma de réalisation de problème
Une tâches(n)
Une machine(m)
-durée d’exécution
-1 seul job pour chaque machine
-la position dans la machine
-Cmax
L’algorithme génétique L’algorithme

glouton
La population
-Les individu (« m » machine et « n »
jobs , fonction fitness , probabilité de
croissement , probabilité de mutation ) .
- Max itération
La sélection
- Génération
-sélectionné la périmer
solution
Le croissement
-Croisé un individu par l’individu suivant.
-La somme de Pc(i)+Pc(i+1) < Pc.
-Vérifié que les deux nouveaux individus contiennent
les mêmes taches.
La mutation
Non
-Choisie aléatoirement d’individu
.
La sélection
-La sélection de individu en peut croisé dans le
génération suivant, elle basé sur la fonction
L’insertion d’une nouvelle tache
fitness de chaque individu.
-Choisie la machine qui contient le minimum
Oui Cmax .
Critère d’arrêt
Figure 5.1 Le schéma de réalisation de problème

39
6- La conception du code
Figure 5.2 Les procédures de code
La figure 5.2 représenté tous les procédures que je créé pour réaliser mon problème dans la
figure 5.3 j’ai expliqué comment les procédures travaillant.
Tache Machine
ArrivTache Position
System
Itération
Génération
Main
Figure 5.3 La représentante des procédures du code
40
« Tache » c’est la fonction que je créé les taches.
« Machine » c’est la fonction que je créé les nombres des machines, et je utilisé la fonction des
« Tache ».
«ArrivTache » c’est le partie que je créé un nouvelle tâche, et je donné « Tache » comme un
donnée.
« Position » c’est la fonction qui je créé pour savoir la position de la tache dans la machine.
« Itération » dans cette fonction j’ai inséré la nouvelle tâche, et calcule les Cmax de chaque
machine.
« System » j’ai codé les étapes de les deux algorithme, en plus l’interface graphique (buttons,
scrollpane, text field …).
« Génération » c’est la fonction pour créer la critère d’arrête de AG, utilisant la fonction de
« Itération ».
« Main » c’est la fonction qui peut exécuter du programme.
7-La réalisation
Figure 5.4 L’interface graphique de l’application
41
De la figure 5.4, j’ai expliqué comment créé mon interface graphique. La premier
sélection représente le tableau des taches et sont durée des exécutions , la deuxième sélection
représentent les buttons que je utilisée dans mon problème , il y a le bouton « ajouté » , qui peut
inséré un tache dans le table dès les taches , il y a aussi un bouton qui « supprimé » un taches
de le tableau , le bouton « sauvegarder » sont travail est de enregistre notre tableau des taches
dans le ordinateur de forma fichier texte avec un extension (.txt) , si le fichier est déjà sur
l'ordinateur , on peut utiliser les bouton ouvrir et on peut sélection le ficher . Pour la troisième
partie de l’interface, c’est la partie que je entre les donnée de l’algorithme que je utilise pour
affiche la bonne solution de mon problème avec les tableau des taches que je contiens, la
quatrième partie c’est une diagramme qui affiché la change de Cmax dans les Générations .
8- L’implémentation de l’algorithme génétique
Dans ce problème j’utilise l’algorithme génétique pour résoudre ce problème et donnée

le meilleur ordonnancement pour les taches que je contiens (figure 5.6)
Après ajouté les nombres des taches ou bien sélectionné le fichier texte À partir de l’ordinateur
8.1-Codage
Le chromosome représentant l’individu ou la solution. Une population sera donc un

ensemble de permutations de « n » tâches.
8.2- initialisation de population
Après la sélection des taches en peut utiliser, on peut sélectionner les nombres des
machines on peut utiliser, dans notre problème on peut utiliser plus de 2 machine (m>2), et
l’algorithme peut générer aléatoirement les tache dans les machines. Pour crée une population
des individué, et chaque individué contient a un ordonnancement pour les taches (figure 5.5)
Exemple 1
Figure 5.5 le tableau des tâches
42
Nous ajoutons 15 taches dans le tableau des taches avec leur durée d’exécution.
Tache 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Durée 28 24 45 45 55 21 34 22 41 49 17 17 10 48 19
Tab 5.1 Le tableau des tâches
Après on peut enter les données on peut utiliser pour générer la population.
De la (figure 5.5) en peut entrer le nombre de machines pour données et le nombre des
itérations qui généré les nombres des chromosomes ou bien individué, et chaque individué
contient un ordonnancement pour le problème.
Figure 5.6 L’insertion des données
Figure 5.7 La population que on a sélectionnée (100 individu)

43
8.3-Fonction d’évaluation (fitness)
Le fitness croit inversement avec la fonction objective quand le problème est de

minimisation les durées des tâches. La fonction fitness d’un individu « xi », f(xi) est ∑C(xi) où
C(xi) la longueur de la durée de l’ordonnancement obtenu pour chaque machine. La probabilité
de sélection d’un individu prob(xi)=Cmax(xi)/ ∑C(xi).
8.4- Sélection
A chaque génération ou itération, on cherche à choisir les individus à reproduire. La

probabilité de sélectionner un individu est proportionnelle à son fitness. La méthode de
sélection utilisée est basée sur le principe de la roulette biaisée individu fort peut être sélectionné
plusieurs fois, et un individu faible peut ne pas l’être.
8.5- Croisement
Pour chaque chromosome il contient un probabilité de croisement qui on a créé aléatoire

, pour faire le croisement on peut test la probabilité de croisement pour chaque deux
chromosome , si « ∑𝑃𝐶𝑖 +𝑃𝐶𝑖+1 < Pc » on faire le croisement , et je utilise le croisement
multipoints . Ils préservent la faisabilité des parents. Si les deux parents sont réalisables alors
leurs fils le seront aussi.
8.6- Mutation
On a utilisé la mutation qui pour le chromosome d’un individu, transpose un certain

nombre de fois, deux tâches consécutives choisies aléatoirement.
8.7-Critère d’arrêt
On a choisi d’arrêter le déroulement de l’algorithme si on atteint un certain nombre de

générations. (De notre exemple on a sélectionné 20 génération)
9- L’implémentation de l’algorithme glouton
Un algorithme glouton est un algorithme qui suit le principe de faire, étape par étape, un
choix optimum local, dans l'espoir d'obtenir un résultat optimum global (figure 5.7)
44
Figure 5.8 Le diagramme de Gantt de l’AG
Figure 5.9 Le diagramme l’algorithme glouton
10– L’insertion d’une nouvelle tâche dans l’ordonnancement
L'insertion d'une tâche fait partie du modèle dynamique, car les taches arrivent de façon
aléatoire et leurs dates de disponibilité ne sont pas connus à l’avance, donc on gére ce problème
d’insertion où le minimum Cmax de l’ordonnancement est dans la machine.
On utilise les données de « exemple 1 » et après on achoisi le meilleur ordonnancement avec

l’algorithme génétique, et l’algorithme glouton, et en peut ajouter une tâche et leur durée durée
de tâche= 5).
45
Figure 5.10 Le diagramme de Gantt de AG après l’ajoutons une tâche
Figure 5.11 Le diagramme de Gantt de Algorithme Glouton après
Tache 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Durée 16 11 46 21 37 49 47 47 21 16 17 41 42 28 49 5
Tab 5.2 : le tableau des tâches après l’ajoutons une tâche
11 - Comparaison
Considérons le cas du problème avec deux algorithmes, l'algorithme local qui donne une
solution local est l’algorithme glouton (voir la figure 5.4), est l’algorithme global qui donne une
solution globale est l‘algorithme génétique (voir la figure 5.3). On a vu que l'ordonnancement
de l’algorithme génétique meilleur que l’algorithme glouton car, il donne Cmax minimum part
à port l’algorithme glouton. Après l’ajout d’un nouveaux tâche on peut choisir la machine qui
contient le minimum Cmax (min Cmax) est on peut ajouter cette tâche à la fin de
46
l’ordonnancement de cette machine, (voir la figure 5.6 et la figure 5.7), on peut voir que le
Cmax ne change pas dans les deux algorithmes.
47
Conclusion générale
Conclusion Générale
L’ordonnancement repose essentiellement sur la résolution de problèmes combinatoires.

Ces problèmes consistent à rechercher, dans un ensemble de solutions possibles, une solution
particulièrement intéressante au regard d’un ou de plusieurs critères. Ces problèmes sont pour
plupart NP-complets.
Le problème traité dans ce travail est le problème d’ordonnancement de M-Machines

identiques en parallèle et comment insérer une opération dans le problème et en vue de
minimiser le Makespan (Cmax).
Dans ce mémoire, nous nous sommes, tout d’abord, intéressés à l’étude des problèmes de
l'optimisation combinatoire avec leurs méthodes de résolution pour trouver de bonnes solutions
aux problèmes correspondants, à savoir des méthodes exactes (programmation linéaire,
séparation et évaluation) et des méthodes approchées (recuit simulé, recherche tabou,
algorithmes génétiques). Nous sommes penchés sur les problèmes d’ordonnancement dans sa
globalité, avec ses différentes composantes (tâches, ressources, contraintes, critères), et aussi
avec les différents types d’ateliers étudiés.
Deux méthodes de résolution ont été suggérées basées sur les algorithmes génétiques et
l'algorithme glouton, et qui ont été proposée pour la résolution de problème d'insertion d'une
opération dans un problème d'ordonnancement a machines parallèles.
La comparaison des deux méthodes a montré la supériorité de la solution globale sur la

solution locale, c-à-d la supériorité des algorithmes génétiques sur l'algorithme glouton.
Malheureusement, le facteur temps ne nous a pas permis de faire une étude statistique pour
prouver cela. C'est l'une des projets qui restent à faire.
48
Bibliographie
[AL 10] Abdesslam Layeb. « Utilisation des Approches d’Optimisation Combinatoire pour la
Vérification des Applications Temps Réel,Thèse de Doctorat, Université Mentouri de
Constantine ».(2010)
[AK 12] Asma Karray. « Contribution à l’ordonnancement d’ateliers agroalimentaires utilisant
des méthodes d’optimisation hybrides,thése de doctorat ,Ecole centrale de Lille Universite de
Tunis El Mmanar Ecole Nationale D’ingenierus de TUNIS ». (2012)
[BB 08] Boris Bontoux. « Techniques hybrides de recherche exacte et approchée : application
à des problèmes de transport,thése de doctorat , l’Université d’Avignon et des Pays de Vaucluse
». (2008)
[BB 12] Bouabdallah Benamara. « Application des algorithmes génétiques Au dispatching
économique et environnemental, thése de master,Université de biskra ». (2012)
[BE 15] Bounif M. E., Optimisation à base de simulation pour le développement des syst-mes
décisionnels, Thèse Doctorat 3éme cycle en informatique, université de M’sila, 2014/2015
[BS 08] El Bahloul S., Flow-shop à deux machines avec des temps de -latence : approche exacte
et heuristique, mémoire présenté comme exigence partielle, Université du Québec partielle de
la maitrise en informatique,2008.
[CE 01] C. Eyquem et A. Montaut. « Les Algorithmes Génétiques ». (2001)

[HF 16] Hamdaoui Fawzia. « Contribution à la resolution du probléme du sac à dos
multidimensionnel n à choix multiple,thése de magister,Université des Sciences et de la
Technologie d’Oran Mohamed Boudiaf ».(2016)
[HT 07] Hamdy A. T. « Operations Research: An Introduction, 8th ed., Prentice Hall ». (2007)
[IMB 14] Imen Medhbi Brinis, « Ordonnancement d'ateliers de traitements de surfaces pour
une production mono-robot/multi-produits : Résolution et étude de la robustesse » Thèse en vue
de l’obtention du garde Docteur en Spécialité « Automatique, génie informatique, traitement
du signal et images » le 16 mai 2014
[JH 06] Jeffrey W. Herrman, & al. Handbaook of Production Scheduling, Springer NY, 2006.
[KB17] Kacem B. « Ordonnancement multicritère des job-Shop flexibles : formulation, bornes
inférieures et approche évolutionniste coopérative. Thèse de Doctorat, Université des Sciences
et Techniques de Lille1 ». (2017)
[LA 01] Letouzey A. ordonnancement interactif basé sur des indicateurs. 2001.
[MA 05] : Mohamed Ali Aloulou, « Introduction aux problèmes d’ordonnancement », le 28
novembre 2005, LAMSADE, Université Paris Dauphine.
49
[MA 11] Meziane M. E. A., Optimisation par phases pour les problèmes d’ordonnancement des
ateliers de type job-shop totalement flexibles, Mémoire de magister en des sciences, Université
d’Oran, Algérie 2011.
[MK 08] Mebarek Kebabla, « Utilisation des stratégies méta-heuristiques pour
l’ordonnancement des ateliers de type job shop » Mémoire en vue de l’obtention du Diplôme
de Magister, présenté au laboratoire d’Automatique et Productique LAP. le 02 juillet 2008.
[MR 08] Mostepha, R : Résolution de problèmes d’optimisation combinatoire par systèmes
artificiles auto-organisés. Thèse de magister, Université Mentouri de Constantine ,2008.
[PM 05] Palpant M. « Recherche exacte et approchée en optimisation combinatoire : schémas
d’intégration et applications. Thèse de Doctorat, Université d’Avignon ». (2005)
[SD 14] S. Le Digabel. « Introduction aux métaheuristiques , Ecole Polytechnique de Montréal
». (2014)
[SO 11] Samia Ourari, « L’ordonnancement déterministe à l'ordonnancement distribué sous
incertitude », le 28 janvier 2011, Thèse en vue de l’obtention du garde de docteur de l’Université
de TOULOUSE.
[TV 01] Thomas Vallée et Murat Yıldızoglu« Présentation des algorithmes génétiques et de
leurs applications en Economie » Université Montesquieu Bordeaux IV Avenue Léon Duguit
2001.
[WL 05] Wafaa LABBI et Mourad BOUDHAR « Méta heuristiques pour un problème
d’ordonnancement sous contraintes de préparation » Laboratoire RECITS, Faculté de
Mathématiques, USTHB BP 32 El-Alia, BEZ, Alger, Algérie 2015,
Les sites web

[1] https://fr.wikipedia.org/wiki/Ordonnancement_d%27atelier
[2] http://sdz.tdct.org/sdz/les-algorithmes-gloutons.html
50
‫الملخص‬
‫المشكلة التي تتناولها هذه المذكرة اضافة عملية بعد جدولة العمليات على مجموعة أجهزة متوازية بنفس الصفات من أجل‬
‫قمنا بدراسة طريقة تستند إلى الخوارزميات‬. ‫ يمكن إجراء العمليات بالتوازي على عدة أجهزة‬,‫تقليل من وقت االتمام االكبر‬
.‫و الخوارزمية الجشعة وبرمجناها لحل المشكلة‬، ‫الجينية‬
‫ الخوارزمية الجينية خوارزمية الجشعة‬,‫ وقت االتمام االكبر‬,‫ االت متوازية متطابقة‬,‫ الجدولة‬:‫الكلمات الرئيسية‬
Résumé
Le problème traité dans ce mémoire concerne l’insertion d’un novelle opération dans
l’ordonnancement à machines parallèles en vue de minimiser le makespan. Les opérations
peuvent être exécutées en parallèle sur plusieurs machines. Une méthode a été suggérée basée
sur les algorithmes génétiques, et l’algorithme glouton ont été, ensuite, proposée pour la
résolution de problèmes.
Mots clés : Ordonnancement, machines parallèles identiques, le makespan, algorithm
génétique, algorithm glouton.
Abstract
The problem addressed in this thesis concerns is to add a new job to the scheduling of
operations on identical parallel machines in order to minimize the Makespan. The operations
can be performed in parallel on multiple machines. A method was suggested based on genetic
algorithms and glouton algorithm, then it was used for solving the problem.
Key words: Scheduling, identical parallel machines, the makespan, genetic algorithme ,
Greedy algorithme
51

KRAM Zakaria

Transféré par

Droits d'auteur :

Formats disponibles

KRAM Zakaria

Transféré par

Informations du document

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

KRAM Zakaria

Transféré par

Droits d'auteur :

Formats disponibles

REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE

MINISTERE DE L’ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE

UNIVERSITE MOHAMED BOUDIAF - M’SILA

MEMOIRE de fin d’étude

Par : KRAM Zakaria

Insertion d'une opération dans un problème

Soutenu publiquement le : / /2019 devant le jury composé de :

Dr. Mouhoub Nacer Eddine Université de M’sila Rapporteur

Promotion : 2018 /2019

suivis et accomplis toutes les étapes de mes études.

possibilités telle que suivent et prestation de documentations nécessaires pour la réalisation de

mon mémoire de fin d’étude.

l’université Mohamed BOUDIAF M’sila.

ou de loin d’avoir réalisé ce travail.

sauraient exprimer la gratitude, l’amour, Le respect, la reconnaissance… Aussi,

Indéfectibles et sans limite de mes chers parents (KRAM Merzoug et ATTIA

arriver à ce que je suis aujourd’hui.

puisse vous combler de bonheur.

Je dédie aussi ce travail à :

Chapitre 1 : Problème du l'optimisation combinatoire

3- Résolution d’un problème d’optimisation combinatoire 3

4-1. Les méthodes exactes 4

4.2.1 - Les méthodes heuristiques 7

Chapitre 2 : Problème d’ordonnancement

5- Les éléments d’un problème d’ordonnancement 12

4 - Les types des Problèmes 21

4.1- Les problèmes à une machine 21

Chapitre 4 : Les problèmes d’ordonnancement de machine parallèle

5 - Les modèles mathématique des problèmes à machines parallèles 28

6 - Représentation des problèmes d’ordonnancement 29

7- Insertion d’une tâche venant 30

8.2- L’algorithme glouton 36

3 - Le problème d’un machine parallèle 37

4 - Les méthodes de résolution de notre problème 38

4.1 - L’algorithme génétique 38

4.2 - L’algorithme glouton 38

8- L’implémentation de l’algorithme génétique 42

8.2- initialisation de population 42

8.7- Critère d’arrêt 44

9 - L’implémentation de l’algorithme glouton 44

10 – L’insertion d’une nouvelle tâche dans l’ordonnancement 45

List des abbreviations

L’organisation et la gestion de la production conditionnent le succès des projets du monde

Un problème d’ordonnancement est composé de façon générale d’un ensemble de tâches

Le premier chapitre, qui présente les problèmes optimisation combinatoires et les

Le deuxième chapitre de cette thèse, nous études les problèmes d’ordonnancement,

Enfin, nous terminons par une conclusion, quelques remarques et perspectives.

Chapitre 1 Problème du L'optimisation combinatoire

L’optimisation combinatoire, aussi appelée optimisation discrète, est une branche de

Dans ce chapitre introductif, nous Savoir d’abord la définition d’un problème

3- Résolution d’un problème d’optimisation combinatoire

 L’expression de l’objectif à optimiser.

 Le choix de la méthode d’optimisation à utiliser.

Les deux premiers points relèvent de la modélisation du problème, le troisième de sa

4- Les méthodes de résolution

La principale difficulté à laquelle est confronté un décideur, en présence d’un problème

Les méthodes exactes Les méthodes approchés

Programmation Programmation Evaluation et Heuristique Méta heuristique

Hill climbing Recuit simule Recherche Colonies de Algorithme

Figure 1.1 : Classification des méthodes d’optimisation combinatoire