Planification multi‑objectifs basée sur la logique floue pour les systèmes de fabrication homme–robot

Pourquoi les personnes et les robots doivent planifier ensemble

Les usines d’aujourd’hui jonglent avec des cycles de vie produits courts, des clients exigeants et des commandes qui évoluent rapidement. Beaucoup combinent désormais des opérateurs humains et des robots collaboratifs pour rester flexibles. Mais décider combien produire, quand le produire et quelles tâches confier aux personnes ou aux robots n’est plus un simple exercice de tableur — surtout lorsque les commandes futures et les durées de tâches sont incertaines. Cette étude attaque directement ce nœud gordien en proposant une méthode de planification de la production et d’ordonnancement homme–robot qui équilibre simultanément le coût, la rapidité et la fiabilité des livraisons.

Le défi d’anticiper l’avenir

Les fabricants ignorent rarement le nombre exact d’unités que les clients commanderont ou la durée précise de chaque tâche, en particulier dans les productions personnalisées et à faible volume. Une opération peut être plus rapide sur robot mais plus flexible avec une personne, et les temps de cycle réels varient selon le mix produit, l’expérience des opérateurs et les aléas techniques. Les outils de planification traditionnels supposent souvent des valeurs fixes et connues ou s’appuient sur de longues séries historiques pour construire des modèles de probabilité. Dans de nombreuses lignes homme–robot, ces historiques n’existent tout simplement pas. En conséquence, les entreprises risquent soit la surproduction et les coûts d’inventaire excédentaire, soit la sous‑production avec pénuries, retards de livraison et pénalités.

Un seul plan qui voit l’ensemble de l’usine

Les auteurs construisent un modèle intégré qui considère l’usine à deux niveaux simultanément. Au niveau de la planification moyen terme, il décide combien d’unités de chaque produit fabriquer pour chaque période, combien stocker et quel niveau de pénurie tolérer et reporter en commande différée. Au niveau atelier, il détermine quelles opérations sont effectuées par des humains ou des robots à chaque poste et dans quel ordre. Chaque produit doit traverser plusieurs postes, et chaque poste peut être géré soit par un humain soit par un robot, avec des vitesses et des coûts différents. En traitant quantités de production, stocks, pénuries, affectation des tâches et ordre des opérations comme un seul problème combiné, le modèle capture des compromis généralement manqués lorsque la planification et l’ordonnancement sont traités séparément.

Donner du sens à l’information floue

Plutôt que de faire comme si la demande et les temps de traitement étaient précis, l’étude les décrit comme des intervalles comportant des valeurs plus ou moins plausibles — des nombres dits flous. Les auteurs appliquent ensuite une stratégie aversive au risque qui, en pratique, penche vers le côté le plus pessimiste de ces intervalles. Cette approche « contrainte de crédibilité » exige que les plans restent réalisables avec un niveau de confiance choisi, par exemple 80 %, sans recourir à des distributions de probabilité complètes. Les demandes floues et les temps de tâche sont traduits en valeurs précautionneuses nettes, et le modèle mathématique résultant poursuit trois objectifs simultanément : maximiser la rentabilité globale (valeur actuelle nette), minimiser le temps jusqu’à l’achèvement de tous les travaux (makespan), et minimiser la somme des anticipations ou retards de livraison.

À la recherche de bons compromis

Parce que le problème combiné de planification homme–robot est extrêmement complexe et croît rapidement avec le nombre de produits, de postes et de périodes, les méthodes exactes ne fonctionnent que pour de petits cas tests. Les auteurs valident d’abord leur modèle sur de petits exemples en utilisant une technique mathématique précise appelée méthode epsilon‑contrainte. Pour des usines réalistes et de grande taille, ils recourent ensuite à trois stratégies de recherche inspirées de la nature : NSGA‑II (algorithme génétique), MOPSO (optimisation par essaim de particules) et MOWOA (algorithme inspiré des baleines). Les trois produisent des ensembles de solutions « Pareto » — différents compromis où aucun objectif ne peut être amélioré sans en détériorer un autre. Sur 15 problèmes tests et une usine d’emballage réelle en Chine, l’approche inspirée des baleines trouve systématiquement des options plus diverses et mieux équilibrées, s’approchant davantage du mélange idéal de profit, de rapidité et de performance de livraison.

Ce que signifient les compromis en pratique

Les solutions révèlent des tendances claires utiles aux managers. S’appuyer davantage sur les robots réduit les temps d’achèvement et diminue les livraisons trop tôt ou en retard, mais les coûts d’achat et de déploiement des robots tirent la valeur actuelle nette vers le bas. Une plus grande incertitude sur la demande ou les temps de tâche tend à allonger la production, augmenter les pénuries et diminuer la performance financière. Fait intéressant, les variations des taux d’intérêt bancaires affectent fortement la valeur actuelle nette via l’actualisation des flux futurs, mais ont presque aucun impact sur les calendriers réels — qui fait quoi, quand et sur quel poste. Globalement, l’étude montre que l’intégration de la planification avec l’ordonnancement homme–robot sous incertitude peut révéler des scénarios d’exploitation plus efficaces et plus réalistes que le traitement séparé de ces décisions.

Conclusion générale pour un public non spécialiste

Pour le lecteur non spécialiste, le message est simple : quand personnes et robots partagent une ligne de production et que l’avenir est incertain, les entreprises ont besoin d’outils qui planifient tout ensemble — combien produire, où stocker et qui doit réaliser chaque étape — en reconnaissant que les chiffres clés ne sont que des approximations. En combinant une manière prudente de gérer l’incertitude avec des algorithmes de recherche avancés, ce travail offre aux responsables d’usine un éventail d’ordonnancements intelligents et explicables. Chaque option montre le compromis entre gagner plus d’argent, terminer plus vite et respecter au mieux les dates promises, ce qui les aide à choisir le niveau de risque et d’utilisation des robots qui correspond le mieux à leur stratégie et à leur budget.

Citation: Deng, Y., Huang, B. & Lai, S. Fuzzy-based multi-objective scheduling for human–robot manufacturing systems. Sci Rep 16, 11253 (2026). https://doi.org/10.1038/s41598-026-40004-9

Mots-clés: collaboration homme–robot, ordonnancement de production, optimisation floue, planification multi‑objectifs, systèmes de fabrication