exit

Ingénierie et systèmes   > Accueil   > Génie industriel et productique   > Numéro

Vol 3 - Numéro 1

Génie industriel et productique


Articles parus

Combinaison de deux méthodologies “GRAI” et “SCOR” pour la modélisation et l’amélioration de la performance de la chaîne logistique pharmaceutique aval

Les produits pharmaceutiques sont une composante importante du coût des activités du système de santé. Étant donné que les dépenses en produits pharmaceutiques représentent une part importante du budget total de l’hôpital, il est intéressant d’améliorer et d’optimiser la chaîne logistique pharmaceutique. La modélisation est un point de départ pour toute amélioration et optimisation. Parmi les outils de modélisation, on peut citer les modèles d’entreprise tels que le modèle SCOR et le modèle GRAI. Le présent article présente l’intérêt des méthodes de modélisation d’entreprise et les applique sur un cas concret à l’aide d’une démarche de modélisation intégrée SCOR/GRAI afin de construire une grille décisionnelle de pilotage pour la chaine logistique des médicaments dans un hôpital public.


Approches d’optimisation pour un problème de planification de désassemblage sous incertitude des délais de désassemblage

Dans un contexte de logistique inverse, cette étude traite un problème de planification de désassemblage multi-période sous incertitude de délai d’obtention des composants. Ce délai est le nombre de périodes écoulées entre la passation d’un ordre de désassemblage et la réception des composants désassemblés. À notre connaissance, cette incertitude est étudié pour la première fois dans le problème de planification des opérations de désassemblage. Un système de désassemblage avec une nomenclature à deux-niveau et un seul type de produit est considéré. Les délais de désassemblage sont des variables aléatoires discrètes avec un nombre fini de valeurs possibles. Le problème est formulé en tant que modèle de Programmation Linéaire en Nombres Entiers (PLNE) stochastique à deux étapes à travers tous les scénarios possibles afin de minimiser l’espérance mathématique du coût total. En raison du grand nombre de scénarios, le modèle PLNE est intraitable. Pour le rendre traitable, nous proposons une approche d’optimisation qui combine la simulation Monte Carlo (MC) et le modèle PLNE. Cependant, cette approche est inefficace pour les problèmes de grande taille. Pour résoudre des problèmes à grande échelle, nous proposons un algorithme génétique classique. Les résultats expérimentaux basés sur des données générées de façon aléatoire montrent l’efficacité de l’algorithme proposé.


Autres numéros :

2018

Volume 18- 1

Jeunes Chercheurs du GDR MACS au congrès mondial de l’IFAC - JD MACS 2017

2019

Volume 19- 2

Numéro 1

Numéro Spécial Lean et industrie du futur

2020

Volume 20- 3

Numéro 1