Canada Spends Logo

Explore our Budget 2026 analysis

Grant: Discovery Grants Program - Individual

Université Laval

$20,000.00

Systèmes de planification et d'ordonnancement auto-adaptatifs

FY 2015-16

Summary
Planifier et ordonnancer les opérations dans le domaine des ressources naturelles revêt un défi particulier. Alors que les systèmes manufacturiers standards sont dits «convergents» (on assemble plusieurs composants pour obtenir un produit), dans le domaine des ressources naturelles on est plutôt en présence de flux «divergents» (plusieurs produits sont fabriqués simultanément à partir d'un seul et même intrant). Un exemple de co-production est la transformation d'un billot de bois en planches. Les propriétés physiques du billot définiront la combinaison des différents produits que nous obtiendrons (simultanément) en procédant au débitage. La transformation du billot contribue donc à satisfaire simultanément des commandes pour plusieurs produits différents. A l'inverse, un même produit peut être fabriqué à partir de différents billots alternatifs donnant des co-produits différents. Ce contexte (co-production en présence de processus de production alternatifs) rend la prise de décision passablement complexe. Lors de l'arrivée de nouvelles commandes, on ne peut se contenter d'ajouter de nouvelles opérations au plan de production. Il faut revoir de manière intégrée l'ensemble des opérations déjà choisies (planification) et leur ordonnancement afin de déterminer comment on va répondre au nouveau besoin tout en respectant les engagements passés. Il s'agit d'un problème que l'entreprise doit être en mesure de résoudre rapidement afin de pouvoir donner une réponse à son client. Comme il s'agit de problèmes combinatoires, chercher la solution optimale implique inévitablement de procéder par essai-erreur; affectant l'une après l'autre des valeurs aux variables définissant le problème. La stratégie de résolution choisie (l'ordre dans lequel les variables et leurs valeurs seront essayées) a un impact sur le temps de résolution. Dans le cadre de travaux précédents, nous avons développé des stratégies de résolution sur mesure pour certains problèmes (ex. séchage et rabotage du bois d'ouvre). Elles se sont avérées assez performantes pour être utilisées par l'industrie. Plusieurs de celles-ci ont été inspirées par les façons de faire des planificateurs humain avec qui nous avons collaboré. En effet, on trouve souvent en entreprise un expert qui a développé une habilité à résoudre un problème. Il est alors possible pour le chercheur de généraliser l'approche de l'expert pour tirer une stratégie de résolution qui sera ensuite utilisée pour trouver plus rapidement la solution optimale. Ce travail est cependant à refaire pour chaque nouveau problème et demande un niveau d'expertise scientifique élevé. C'est un frein à la mise en ouvre par l'industrie de systèmes de planification et d'ordonnancement utilisant l'optimisation, qui se contente alors d'heuristiques. Nous proposons maintenant de développer des algorithmes qui découvriront automatiquement de nouvelles stratégies de résolution par mimétisme, c'est-à-dire en observant comment un expert s'y prend pour résoudre un problème. Le défi est donc de pouvoir identifier automatiquement la relation statistique qui lie chaque décision prise par l'humain à l'état du système à ce moment, de manière à ce que l'ordinateur puisse reproduire la stratégie de l'humain dans un contexte d'optimisation. Nos analyses préliminaires indiquent que les approches employées par les experts ayant inspiré les stratégies que nous avons déjà publiées auraient pu être découvertes de cette manière. Nous allons donc automatiser le processus, afin de « redécouvrir » nos stratégies de résolution (à titre de preuve de concept) et ensuite appliquer l'engin d'apprentissage à de nouveaux problèmes pour découvrir de nouvelles stratégies.
Program
Discovery Grants Program - Individual
Location
Quebec, Canada
Recipient Type
Academia
Type
Grant
Source
NSERC's Awards Data

As published

Application id
RGPIN-2014-04551
Name nom
Gaudreault, Jonathan
Department département
Informatique et de génie logiciel
Organization id
51
Institution établissement
Université Laval
Province en
Québec
Province fr
Québec
Country en
CANADA
Country fr
CANADA
Fiscal year exercice financier
2015
Competition year année de concours
2014
Award amount
20000
Program id
RGPIN
Program name en
Discovery Grants Program - Individual
Program name fr
Programme de subventions à la découverte - individuelles
Group en
Discovery grants programs
Group fr
Programmes de subventions à la découverte
Committee code
1509
Committee name en
Civil, Industrial and Systems Engineering
Committee name fr
Génie civil, industriel et des systèmes
Area of application code
801
Area of application group en
Information and communication services
Area of application group fr
Services d'information et de télécommunications
Area of application en
Computer software
Area of application fr
Logiciel
Research subject code
1606
Research subject group en
Industrial engineering
Research subject group fr
Génie industriel
Research subject en
Operations management
Research subject fr
Gestion de la production
Partie
2
Nb partie
5
Application title
Systèmes de planification et d'ordonnancement auto-adaptatifs
Keyword
NSERC
Application summary
Planifier et ordonnancer les opérations dans le domaine des ressources naturelles revêt un défi particulier. Alors que les systèmes manufacturiers standards sont dits «convergents» (on assemble plusieurs composants pour obtenir un produit), dans le domaine des ressources naturelles on est plutôt en présence de flux «divergents» (plusieurs produits sont fabriqués simultanément à partir d'un seul et même intrant). Un exemple de co-production est la transformation d'un billot de bois en planches. Les propriétés physiques du billot définiront la combinaison des différents produits que nous obtiendrons (simultanément) en procédant au débitage. La transformation du billot contribue donc à satisfaire simultanément des commandes pour plusieurs produits différents. A l'inverse, un même produit peut être fabriqué à partir de différents billots alternatifs donnant des co-produits différents. Ce contexte (co-production en présence de processus de production alternatifs) rend la prise de décision passablement complexe. Lors de l'arrivée de nouvelles commandes, on ne peut se contenter d'ajouter de nouvelles opérations au plan de production. Il faut revoir de manière intégrée l'ensemble des opérations déjà choisies (planification) et leur ordonnancement afin de déterminer comment on va répondre au nouveau besoin tout en respectant les engagements passés. Il s'agit d'un problème que l'entreprise doit être en mesure de résoudre rapidement afin de pouvoir donner une réponse à son client. Comme il s'agit de problèmes combinatoires, chercher la solution optimale implique inévitablement de procéder par essai-erreur; affectant l'une après l'autre des valeurs aux variables définissant le problème. La stratégie de résolution choisie (l'ordre dans lequel les variables et leurs valeurs seront essayées) a un impact sur le temps de résolution. Dans le cadre de travaux précédents, nous avons développé des stratégies de résolution sur mesure pour certains problèmes (ex. séchage et rabotage du bois d'ouvre). Elles se sont avérées assez performantes pour être utilisées par l'industrie. Plusieurs de celles-ci ont été inspirées par les façons de faire des planificateurs humain avec qui nous avons collaboré. En effet, on trouve souvent en entreprise un expert qui a développé une habilité à résoudre un problème. Il est alors possible pour le chercheur de généraliser l'approche de l'expert pour tirer une stratégie de résolution qui sera ensuite utilisée pour trouver plus rapidement la solution optimale. Ce travail est cependant à refaire pour chaque nouveau problème et demande un niveau d'expertise scientifique élevé. C'est un frein à la mise en ouvre par l'industrie de systèmes de planification et d'ordonnancement utilisant l'optimisation, qui se contente alors d'heuristiques. Nous proposons maintenant de développer des algorithmes qui découvriront automatiquement de nouvelles stratégies de résolution par mimétisme, c'est-à-dire en observant comment un expert s'y prend pour résoudre un problème. Le défi est donc de pouvoir identifier automatiquement la relation statistique qui lie chaque décision prise par l'humain à l'état du système à ce moment, de manière à ce que l'ordinateur puisse reproduire la stratégie de l'humain dans un contexte d'optimisation. Nos analyses préliminaires indiquent que les approches employées par les experts ayant inspiré les stratégies que nous avons déjà publiées auraient pu être découvertes de cette manière. Nous allons donc automatiser le processus, afin de « redécouvrir » nos stratégies de résolution (à titre de preuve de concept) et ensuite appliquer l'engin d'apprentissage à de nouveaux problèmes pour découvrir de nouvelles stratégies.