Modeling uncertainties within the rolling horizon and compiling solutions to lot sizing problems for tactical planning in a decentralized supply chain
Modélisation des incertitudes en horizon glissant et compilation de solutions de problèmes de lot sizing pour la planification tactique d'une chaîne logistique décentralisée
Abstract
In a decentralized, multi-actor supply chain, the different entities in the chain must periodically and independently plan and revise their plans using a rolling horizon planning process to coordinate. This coordination complicates information exchange and decision making, as it depends on updated data, possible disruptions, and changes in each actor's objectives. In practice, decision makers must balance the pursuit of profitability, the need to maintain stability, and the ability to respond quickly to changes in demand or other disruptions in the chain. The objective of this thesis is to propose two approaches to help actors coordinate their planning in a decentralized supply chain. The first proposal is based on the history of deterministic plans exchanged between two actors. We have tried to estimate the uncertainties on parts of a sliding horizon based on the instabilities observed in the successive plans of the history. The idea is to allow a decision maker to estimate the uncertainty of the plans received from his partners and to integrate this uncertainty in his own planning in order to improve the reactivity and flexibility of the chain. The approach uses unsupervised classification methods on plan histories, classifies rolling horizon periods and produces uncertainty models for each class. It also allowed us to study the propagation of instabilities in a supply chain based on models of actors' behavior in response to these disturbances. The second approach consists in studying the application of knowledge compilation to tactical planning, approached as a batch sizing problem. The proposal concerns the study of compilation languages that are sufficiently expressive to represent such problems. The objective is to allow a decision maker to better model his preferences and constraints, and to transmit to his partners not only a deterministic plan but also a compilation of plans close in terms of acceptability. The partners can thus make more informed and efficient planning decisions. In the framework of the ANR CAASC project, we tested and evaluated both approaches with simulated and real data, which allowed us to demonstrate their applicability and limitations in real situations. The results showed that both approaches can be useful to help actors to better coordinate their planning in a decentralized supply chain, by allowing a better modeling of uncertainties and degrees of freedom.
Dans une chaîne logistique décentralisée, multi-acteurs, les différentes entités de la chaîne sont amenées à planifier et à réviser leurs plans de manière périodique et indépendante, en utilisant, pour se coordonner, un processus de planification à horizon glissant. Cette coordination complexifie l'échange d'informations et les prises de décision, car elle dépend de l'actualisation des données, des perturbations possibles et des objectifs de chacun qui peuvent évoluer. De fait, les décideurs doivent trouver un équilibre entre la recherche de la rentabilité, la nécessité de maintenir la stabilité et la capacité de répondre rapidement aux changements de la demande ou aux autres perturbations de la chaîne. L'objectif de la thèse est de proposer deux approches pour aider les acteurs dans la coordination de leur planification dans une chaîne logistique décentralisée. La première proposition est basée sur l'historique des plans déterministes échangés entre deux acteurs. Nous avons cherché à estimer les incertitudes sur des parties d'un horizon glissant à partir des instabilités constatées dans les plans successifs de l'historique. L'idée est de permettre à un décideur d'estimer l'incertitude sur les plans reçus de ses partenaires pour intégrer cette incertitude dans sa propre planification et améliorer la réactivité et la flexibilité de la chaîne. L'approche utilise des méthodes de classification non supervisée sur l'historique des plans. Elle permet de classifier les périodes d'un horizon glissant, et de produire des modèles d'incertitude par classe. Elle nous a permis aussi d'étudier la propagation des instabilités dans une chaîne logistique en fonction de modèles de comportement d'acteurs face à ces perturbations. La deuxième approche consiste à étudier l'application de la compilation de connaissances à la planification tactique, qui est abordée comme un problème de Lot Sizing. La proposition concerne l'étude de langages de compilation suffisamment expressifs pour représenter de tels problèmes. L'objectif est de permettre à un décideur de mieux modéliser ses préférences et ses contraintes pour transmettre à ses partenaires non plus un plan déterministe mais une compilation de plans proches en termes d'acceptabilité. Les partenaires pouvant ainsi prendre des décisions de planification plus éclairées et plus efficaces. Cette thèse s'inscrivant dans le projet ANR CAASC, nous avons testé et évalué les deux approches avec des données simulées et réelles, ce qui nous a permis de démontrer leur applicabilité et leurs limites dans des situations réelles. Ces résultats ont montré que les deux approches peuvent être utiles pour aider les acteurs à mieux coordonner leur planification dans une chaîne logistique décentralisée, en permettant une meilleure modélisation des incertitudes et des degrés de liberté.
Domains
Other [cs.OH]
Origin : Version validated by the jury (STAR)