Data driven optimisation models for the operations planning in industrial supply chains - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2023

Data driven optimisation models for the operations planning in industrial supply chains

Modèles d’optimisation basés sur les données pour la planification des opérations dans les Supply Chain industrielles

Résumé

With the increasing complexity of supply chains, automated decision-support tools become necessary in order to apprehend the multiple sources of uncertainty that may impact them, while maintaining a high level of performance. To meet these objectives, managers rely more and more on approaches capable of improving the resilience of supply chains by proposing robust solutions that remain valid despite uncertainty, to guarantee both a quality of service and a control of the costs induced by the production, storage and transportation of goods. As data collection and analysis become central to define the strategy of companies, a proper usage of this information to characterize more precisely these uncertainties and their impact on operations is becoming a major challenge for optimizing modern production and distribution systems. This thesis addresses these new challenges by developing different mathematical optimization methods based on historical data, with the aim of proposing robust solutions to several supply and production planning problems. To validate the practical relevance of these new techniques, numerical experiments on various applications compare them with several other classical approachesfrom the literature. The results obtained demonstrate the value of these contributions, which offer comparable average performance while reducing their variability in an uncertain context. In particular, the solutions remain satisfactory when confronted with extreme scenarios, whose probability of occurrence is low. Finally, the computational time of the procedures developed remain competitive, making them suitable for industrial-scale applications.
Face à la complexité croissante des chaînes logistiques, l’utilisation d’outils d’aide à la décision automatisés devient nécessaire pour appréhender les multiples sources d’incertitude susceptibles de les impacter tout en garantissant un niveau de performance élevé. Pour répondre à ces objectif, les managers ont de plus en plus recours à des approches capables d’améliorer la résilience des chaînes logistiques en proposant des solutions robustes face aux aléas, pour garantir à la fois la qualité de service et la maîtrise des coûts liés à la production, au stockage et au transport de biens. Alors que la collecte et l’analyse des données occupe une place croissante dans la stratégie des entreprises, la bonne exploitation de ces informations afin de caractériser plus précisément ces incertitudes et leur impact sur les opérations devient un enjeu majeur pour optimiser les systèmes de production et de distribution modernes. Cette thèse se positionne au cœur de ces nouveaux défis en développant différentes méthodes d’optimisation mathématiques reposant sur l’utilisation de données historiques, dans le but de proposer des solutions robustes à plusieurs problèmes d’approvisionnement et de planification de production. Des expérimentations numériques sur des applications de natures diverses permettent de comparer ces nouvelles techniques à plusieurs autres approches classiques de la littérature pour valider leur pertinence en pratique. Les résultats obtenus démontrent l’intérêt de ces contributions, qui offrent des performances moyennes comparables tout en réduisant leur variabilité en contexte incertain. En particulier, les solutions restent satisfaisantes lorsqu’elles sont confrontées à des scenarios extrêmes, dont la probabilité d’apparition est faible. Enfin, les temps de résolution des procédures développées restent compétitifs et laissent envisager la possibilité d’une mise en œuvre sur des cas d’application à l’échelle industrielle.
Fichier principal
Vignette du fichier
2023IMTA0389_Loger-Benoit.pdf (2.38 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-04497849 , version 1 (11-03-2024)

Identifiants

  • HAL Id : tel-04497849 , version 1

Citer

Benoit Loger. Data driven optimisation models for the operations planning in industrial supply chains. Operations Research [math.OC]. Ecole nationale supérieure Mines-Télécom Atlantique, 2023. English. ⟨NNT : 2023IMTA0389⟩. ⟨tel-04497849⟩
36 Consultations
6 Téléchargements

Partager

Gmail Facebook X LinkedIn More