Titre : Résolution Exacte de problèmes d’Optimisation liés à l’Efficacité Énergétique des Systèmes de Production
Début de thèse : 2023
Fin de thèse : 2026
Résumé : Le contexte international actuel et les enjeux environnementaux rendent cruciales les questions énergétiques, que ce soit en termes de sobriété, d’autonomie, de sécurisation des approvisionnements ou de transition progressive vers des sources d’énergie renouvelables. Responsable de plus du 50% de la consommation mondiale d’énergie en 2019, l’industrie est l’acteur le plus concerné. Ceci explique l’attention grandissante portée par la communauté scientifique vers l’efficacité énergétique des systèmes manufacturiers : différents aspects (tels que consommation d’énergie et coût associé, effacement de la consommation électrique, considération du pic de puissance) sont investigués, de la conception à la planification et l’ordonnancement des opérations, sous forme de contraintes et/ou de critères à optimiser. Les nouveaux paradigmes industriels liés à l’Industrie 4.0/5.0 élargissent davantage le nombre de leviers potentiels d’action. Pourtant, les problèmes d’optimisation qui s’en suivent semblent difficiles à aborder de manière exacte selon des techniques traditionnelles. Cette thèse vise à développer des outils avancés de résolution exacte de problèmes de décision dans les systèmes manufacturiers avec prise en compte de l’énergie, afin de pouvoir s’attaquer à des instances de grande taille et favoriser l’utilisation dans des cas réels. Ces outils reposeraient sur des techniques d’Optimisation Combinatoire, telles que Génération de Colonnes ou Algorithmes de Plans Coupants, ayant déjà fait preuve d’efficacité dans d’autres domaines, mais encore peu utilisés pour des problèmes comme ceux à l’étude, et dont le potentiel reste par conséquent à explorer. Le développement de tels outils aiderait en outre à mieux connaître les propriétés structurelles de ces problèmes et ouvrir davantage de pistes d’investigation, comme la conception d’algorithmes metaheuristiques ou l’intégration de techniques de Machine Learning.
Mots clés : Optimisation Combinatoire, Résolution Exacte, Génération de Colonnes, Inégalités Valides
Date de soutenance prévue : —
Encadrement :
- Directeur de thèse : Xavier Delorme, Professeur Mines Saint-Etienne, LIMOS
Partenaires ou/et Financeurs :
Objectifs de développement durable concernés :
Publications
- his work addresses the job-shop scheduling problem under energy considerations, specifically focusing on minimizing total energy costs within a Time-of-Use pricing framework, denoted as Jm||TEC. We propose a period-indexed Mixed-Integer Linear Programming formulation, which proves advantageous due to its smaller model size compared to traditional time-indexed approaches. Initial studies highlight that while our model can […]