Un algorithme d'optimisation par baleine amélioré pour les problèmes d’ordonnancement en atelier flexible avec effets de détérioration des machines

Pourquoi les problèmes de planification en usine comptent

Derrière des produits de tous les jours comme les téléphones, les voitures et les aliments emballés se cache un casse-tête : décider quelle machine exécute quelle tâche et dans quel ordre. Ce défi de planification, appelé ordonnancement, détermine si une usine livre à temps ou fait attendre ses clients. L’article étudie comment planifier le travail en atelier quand les machines s’usent progressivement et présente un algorithme informatique inspiré des baleines capable de trouver des plans de production plus rapides et plus réalistes.

Comment les vraies machines vieillissent sur le plancher

Dans les manuels d’ordonnancement, les machines sont traitées comme parfaites : leur vitesse de traitement ne change jamais. Les ateliers réels sont différents. À mesure que les machines tournent de longues heures, les pièces s’usent, la chaleur augmente et les performances diminuent. Les tâches lancées plus tard sur la même machine peuvent prendre plus de temps que des tâches identiques traitées plus tôt. Cet effet, appelé détérioration, est courant dans des industries comme l’acier, les plastiques, la mécanique et la défense. L’ignorer donne des calendriers séduisants sur le papier mais décevants en pratique, car les temps d’achèvement réels se révèlent bien supérieurs aux prévisions.

Transformer l’usure en une règle simple

Les auteurs étudient un atelier flexible, où chaque étape d’un travail peut être réalisée sur plusieurs machines, et ajoutent une règle réaliste pour le vieillissement des machines. Plutôt que de supposer que le temps de traitement croît indéfiniment, ils adoptent un schéma par paliers : pour une utilisation initiale, la machine fonctionne à une vitesse de base ; au-delà d’une certaine charge, un temps supplémentaire est ajouté à chaque tâche au fur et à mesure que l’usure augmente ; passé un seuil supérieur, le ralentissement cesse d’augmenter et reste à un retard supplémentaire fixe. À partir de cette règle, ils construisent un modèle mathématique dont l’objectif est de minimiser le temps total jusqu’à la fin de tous les travaux, tout en respectant l’ordre des opérations, le choix des machines et les retards croissants dus à la détérioration.

Emprunter des idées aux baleines en chasse

Pour aborder ce problème complexe, l’article améliore l’algorithme d’optimisation par baleine, une méthode de recherche inspirée de la façon dont les baleines à bosse entourent et piègent leurs proies. Chaque « baleine » de l’algorithme représente un horaire possible. En mettant à jour ces horaires à plusieurs reprises, le groupe recherche des plans meilleurs. Les auteurs repensent plusieurs éléments de ce processus. Ils créent une méthode plus intelligente pour générer la première population d’horaires, mêlant raisonnement global, raffinements locaux et aléa. Ils ajustent aussi la façon dont les baleines virtuelles passent d’une exploration large en début à un affinage en fin de recherche, en utilisant une règle de convergence courbée et une « inertie » variable qui contrôle l’amplitude des pas.

Maintenir la diversité de la recherche et éviter les impasses

Les versions standard de la méthode peuvent se retrouver bloquées, tournant autour d’un plan simplement correct au lieu d’en trouver un meilleur. Pour prévenir cela, les auteurs empruntent un procédé de mutation à une autre famille d’algorithmes, où de nouveaux candidats sont créés en combinant des différences entre solutions existantes. Cette étape différentielle aléatoire réinjecte de la variété dans la population. Ils introduisent aussi une stratégie « golden sine », utilisant des mouvements ondulatoires lisses et le rapport d’or pour pousser la recherche à explorer une région plus large de l’espace des solutions tout en continuant d’être attirée vers les zones prometteuses. Ensemble, ces modifications équilibrent une exploration audacieuse et un polissage soigneux.

Ce que montrent les tests en pratique

L’équipe teste son algorithme amélioré sur des problèmes d’ordonnancement de référence adaptés pour inclure l’usure des machines. Ils comparent les résultats à la méthode originale des baleines, à un algorithme génétique classique et à un optimiseur loup gris. Sur la plupart des jeux de tests, la nouvelle méthode trouve des horaires qui se terminent plus tôt et le fait de manière plus cohérente d’une exécution à l’autre. Dans un exemple détaillé, l’ajout simple de la détérioration des machines double presque le temps d’achèvement prévu si aucun réordonnancement n’est effectué. Lorsque la méthode des baleines améliorée est appliquée, le temps total avec usure inclus diminue d’environ un tiers par rapport à ce plan naïf, montrant des gains d’efficacité nets.

Ce que cela signifie pour les usines réelles

En termes clairs, l’étude montre que planifier le travail en usine en supposant que les machines ne ralentissent jamais peut sérieusement induire les responsables en erreur. En intégrant le vieillissement des machines dans l’ordonnancement et en utilisant une recherche affinée inspirée des baleines, les usines peuvent organiser les tâches et le choix des machines de manière plus conforme à la réalité, réduisant les temps d’attente et améliorant le débit. Bien que l’approche suppose encore des conditions stables et des réglages ajustés, elle oriente vers des outils numériques plus intelligents aidant les ateliers à gérer à la fois la flexibilité et l’usure, rapprochant les plans informatiques de ce qui se passe réellement sur le plancher.

Citation: Li, K., Tian, S. An improved whale optimization algorithm for flexible job shop scheduling problems with machine deterioration effects. Sci Rep 16, 14604 (2026). https://doi.org/10.1038/s41598-026-44409-4

Mots-clés: ordonnancement, optimisation, fabrication, usure des machines, métaheuristiques