Constraint learning to enhance the precision of lot-sizing and scheduling models

Apprentissage de contraintes pour améliorer la précision des modèles de planification et ordonnancement Les décisions de fabrication s'appuient souvent sur des modèles mathématiques pour suggérer des décisions aux responsables en charge de la production. Par exemple, les modèles de dimensionnement des lots sont couramment utilisés pour planifier la production des entreprises. Dans ces modèles, la consommation de la capacité du plan est déterminée par une approximation grossière qui ne tient pas compte de toutes les complexités rencontrées dans l'atelier de production. Bien que cette approximation permette une résolution efficace du modèle, la décision qui en résulte conduit généralement à des erreurs lorsque le plan est exécuté dans l'atelier. Cette thèse vise à utiliser l'apprentissage automatique pour améliorer les modèles traditionnellement utilisés dans la recherche opérationnelle pour les problèmes industriels. Cette méthodologie vise à remplacer certaines parties d’un modèle mathématique (contraintes, objectifs) par des modèles d'apprentissage automatique (régression linéaire, réseaux de neurones, etc.) préalablement entraînés sur des données disponibles. Ces outils peuvent s’appuyer sur la quantité massive de données générées dans l'atelier et des sources de données externes pour prendre de meilleures décisions. Cette approche est évaluée sur un problème de dimensionnement des lots où les contraintes liées à la consommation de la capacité sont remplacées par des modèles d'apprentissage automatique. Le modèle qui en résulte détermine des plans de production optimaux pour lesquels les quantités produites restent réalisables une fois transférées vers l'atelier. L'outil qui en résulte est adapté aux systèmes de production actuels, qui sont de plus en plus reconfigurables et en constante évolution. Le modèle peut également être réappris à partir des données de l'atelier au fur et à mesure que des changements se produisent dans l'atelier, ce qui évite à un expert de devoir modifier le modèle d'optimisation à chaque fois que l'atelier évolue.