Optimisation de La Logistique Internationale À Horizon Stratégique. Application À Un Constructeur Automobile

Optimisation de la logistique internationale à horizon
stratégique. Application à un constructeur automobile

Médéric Suon
To cite this version:

Médéric Suon. Optimisation de la logistique internationale à horizon stratégique. Application à un
constructeur automobile. Gestion et management. Université Blaise Pascal - Clermont-Ferrand II,
2011. Français. �NNT : 2011CLF22107�. �tel-00787341�
HAL Id: tel-00787341

https://theses.hal.science/tel-00787341
Submitted on 12 Feb 2013
HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
Nd'Ordre : 2107
EDSPIC : 514
UNIVERSITE BLAISE PASCAL - CLERMONT-FERRAND II
ECOLE DOCTORALE
SCIENCES POUR L'INGENIEUR DE CLERMONT-FERRAND
THESE
présenté par
Médéric SUON
Ingénieur INSA Lyon - Génie Industriel

Diplômé du Master de Recherche Lyon 1 - Informatique / Aide à la Décision
pour obtenir le grade de

Docteur d'université
Spécialité : Informatique
Optimisation de la logistique internationale à

horizon stratégique
Application à un constructeur automobile
Soutenue publiquement le 10 février 2011 devant le jury :

Madame Valérie BOTTA Président
Monsieur Samir LAMOURI Rapporteur et examinateur
Monsieur Aziz MOUKRIM Rapporteur et examinateur
Monsieur Olivier GOURGUECHON Examinateur
Madame Nathalie GRANGEON Co-Directeur de thèse
Madame Sylvie NORRE Directeur de thèse
Remerciements
Je tiens tout d'abord à remercier Sylvie Norre qui a dirigé cette thèse et a su mêler la rigueur
scientique au pragmatisme industriel. Je tiens aussi à remercier Nathalie Grangeon qui a co-dirigé
cette thèse et apporté son expertise informatique ainsi que sa bonne humeur.
Je remercie les rapporteurs de cette thèse, Samir Lamouri et Aziz Moukrim, pour l'examen détaillé
de mon manuscrit et pour l'intérêt porté à mon travail. Merci également aux autres membres du jury
qui ont acceptés de juger ce travail : Valérie Botta, dont l'expertise de la gestion de la chaîne logistique
et des systèmes d'information a eu un rôle majeur dans ma décision de réaliser une thèse et Olivier
Gourguechon, qui a su mettre en perspective l'activité industrielle et représenter l'entreprise PSA
Peugeot Citroën sur la majeure partie de ce travail.
Mes plus vifs remerciements vont aussi aux collègues de l'équipe APST avec qui j'ai partagé un
vent d'innovation dans l'atmosphère industrielle de PSA et aux autres collègues de PSA avec qui j'ai
découvert quelques-unes des nombreuses facettes de l'industrie automobile.
J'exprime aussi ma gratitude auprès des collègues du LIMOS avec qui j'ai beaucoup appris et
échangé lors de mes brèves périodes de travail au laboratoire. Cette ambiance inimitable est une chose
qui a tendance à devenir rare.
Je remercie les chercheurs et industriels avec qui j'ai pu échanger (parfois passionnément) sur le
sujet.
Je souhaite saluer mes amis lyonnais, parisiens, belfortains... qui ont suivi de près ou de loin ce
travail de plus de trois ans.
Enn, je remercie mes parents de m'avoir soutenu toute ma scolarité ainsi que ma soeur qui, malgré
la distance, m'apporte toujours autant de sérénité.
Table des matières
Introduction 3
1 L'optimisation de la logistique internationale 7
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 La planication de la chaîne logistique . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.1 De la logistique à la gestion de chaîne logistique globale . . . . . . . . . . . . . 8
1.2.2 La planication de la chaîne logistique . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.3 La conception d'un réseau logistique . . . . . . . . . . . . . . . . . . . . . . . . 15
1.3 La chaîne logistique PSA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.3.1 Présentation générale de l'entreprise et de son système industriel . . . . . . . . 18
1.3.2 La gestion des commandes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.3.3 La production . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.3.4 L'approvisionnement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.3.5 La distribution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.3.6 Le processus PSA de planication hiérarchique . . . . . . . . . . . . . . . . . . 27
1.4 Les diérents problèmes de planication stratégique de PSA . . . . . . . . . . . . . . . 30
1.4.1 Décomposition du problème de planication stratégique . . . . . . . . . . . . . 31
1.4.2 Les hypothèses de la modélisation à horizon stratégique . . . . . . . . . . . . . 32
1.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2 La répartition stratégique 35
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.2 Modèle de connaissance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.2.1 Sous-système physique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.2.2 Sous-système logique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.2.3 Sous système décisionnel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.3 Répartition stratégique sans contraintes de sourcing . . . . . . . . . . . . . . . . . . . . 47
2.3.1 Formalisation mathématique du modèle de production-distribution . . . . . . . 48
2.3.2 Etude de la convexité de la fonction objectif . . . . . . . . . . . . . . . . . . . . 50
2.3.3 Etat de l'art sur les modèles de production-distribution . . . . . . . . . . . . . 51
2.3.4 Borne inférieure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.3.5 Méthodes d'optimisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
2.3.6 Expérimentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
2.4 Répartition stratégique avec contrainte de sourcing . . . . . . . . . . . . . . . . . . . . 76
2.4.1 Formalisation mathématique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
2.4.2 Etude de la convexité de la fonction objectif . . . . . . . . . . . . . . . . . . . . 78
2.4.3 Etat de l'art du problème avec contraintes de sourcing . . . . . . . . . . . . . . 79
2.4.4 Borne inférieure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
2.4.6 Expérimentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
iii
3 La planication stratégique 101
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
3.2 Modèle de connaissance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
3.2.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
3.2.2 Sous-système physique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
3.2.3 Sous-système logique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
3.2.4 Sous système décisionnel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
3.3 Etat de l'art . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
3.3.1 La planication stratégique du réseau logistique . . . . . . . . . . . . . . . . . . 116
3.3.2 Analyse de la littérature . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
3.3.4 Ore logicielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
3.4 Formalisation mathématique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
3.4.1 Ensembles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
3.4.2 Paramètres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
3.4.3 Variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
3.4.4 Fonction objectif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
3.4.5 Contraintes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
3.4.6 Modélisation des investissements . . . . . . . . . . . . . . . . . . . . . . . . . . 136
3.5 Méthodes de résolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
3.5.1 Heuristique basée sur la programmation linéaire en nombres entiers successive . 136
3.5.2 Métaheuristique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
Conclusion 141
2
Introduction
Au début du XXIème siècle, l'industrie est en forte mutation. La mondialisation, à la fois des
marchés et des productions, a démultiplié les relations commerciales internationales. Ainsi, les échanges
commerciaux n'ont cessé de se développer notamment au travers d'unions commerciales, d'alliances
d'entreprises, de transferts de technologies... La facilité des échanges a entraîné une mise en concurrence
à échelle mondiale des capacités de production. La logistique est passée d'une fonction support à une
fonction stratégique.
En prenant l'exemple de l'industrie automobile, la mutation est forte à la fois au niveau de la

demande et de l'ore : la demande se divise entre les marchés occidentaux et les pays émergents. Les
marchés occidentaux sont matures et la structure de la demande change en se décomposant en deux
types de véhicules très distincts : les véhicules low-costs pour une clientèle uniquement attirée par
l'aspect fonctionnel d'un véhicule (transport de biens et de personnes entre un point A et un point B)
et les véhicules de prestige, toujours plus confortables et sécurisants dont les clients sont prêts à payer
l'image et l'innovation technique ; par ailleurs, les marchés des pays émergents sont en augmentation
rapide, uniquement freinés par les aléas de leur croissance économique. La demande de ces pays est
dicile à prévoir car les premiers acheteurs sont les 'nouveaux riches' qui cherchent, en premier lieu,
des véhicules statutaires à caractère occidental. Mais, ensuite, la majorité de la demande est formée
d'une nouvelle classe moyenne qui est intéressée par échanger son vélo ou son scooter avec une voiture
économiquement abordable par soucis de praticité et de sécurité. Dans tous les cas, les clients des
marchés émergents sont à la recherche de produits adaptés à leurs diérentes cultures.
L'ore de production automobile est, quant à elle, composée des usines d'assemblage automobile
ainsi que du tissu fournisseur les approvisionnant. Ces sites industriels sont historiquement présents
dans les pays occidentaux où le développement technique a eu lieu. Mais les capacités de production
deviennent surdimensionnées face à la maturité de la demande occidentale et la concurrence devient
alors de plus en plus rude. Un moyen de rester compétitif a alors été la délocalisation dans des pays
proches à bas coûts (Europe de l'Est pour l'Europe, Mexique pour les Etats-Unis, Chine pour le
Japon...). Ainsi, certains fournisseurs sont partis dans les pays à bas coûts pour proter d'une main
d'÷uvre peu chère. Des usines d'assemblage automobile ont aussi été installées dans ces pays pour
réduire les coûts de production mais aussi pour se rapprocher de la demande qui se créait dans ces
pays. De plus, de nouvelles structures industrielles ont été créées dans les pays dits BRIC (Brésil,
Russie, Inde, Chine) pour proter de leur croissance rapide. Une implantation locale des capacités
de production est souvent imposée politiquement (et par des taux de douane prohibitifs) ainsi qu'un
développement d'un tissu fournisseur local. En fonction des contraintes et des coûts logistiques, ces
nouvelles capacités de production (à la fois, chez les fournisseurs et chez les constructeurs automobiles)
peuvent parfois entrer en concurrence avec les capacités de production occidentales et demander de
passer d'un paradigme 'une usine d'assemblage avec un tissu fournisseur local produisant pour un
marché local' à 'des usines d'assemblage avec un tissu fournisseur global produisant pour un marché
global'.
Face à cette mutation industrielle, l'optimisation globale (au sens littéral - c'est-à-dire mondiale)
du réseau logistique devient un impératif de tout constructeur automobile. Il doit être capable de se
3
4
projeter dans l'avenir et de questionner la pertinence de la localisation à la fois de ses usines d'assem-
blage mais aussi de ses fournisseurs. Ce questionnement économique et nancier se pose notamment
en termes de rentabilité de la somme 'investissement en capacité de production' plus 'coût des appro-
visionnements des composants et de la distribution des véhicules'. La performance logistique est alors
fondamentale dans la compétitivité industrielle et le concept de 'chaîne logistique' bouleverse les orga-
nisations et demande d'être capable de coordonner des réseaux d'usines et de fournisseurs situés dans
le monde entier et pouvant travailler aussi pour la concurrence. La complexité d'organisation décou-
lant de ce nouvel enjeu est naturellement dicile à gérer mais peut devenir un avantage compétitif.
La réexion sur la conception du réseau logistique mondial peut être avantageusement outillée par
des applications d'aide à la décision où la Recherche Opérationnelle et l'Informatique ont un apport
majeur : les décideurs, au lieu de passer du temps à rechercher des données et des solutions respec-
tant un grand nombre de contraintes industrielle, peuvent s'appuyer sur des modèles économiques et
industriels implémentés dans un logiciel où ils pourront mener leurs analyses de manière plus rapide
et, souvent, plus ne pour, in ne, prendre une décision plus juste.
Au travers de la problématique de l'optimisation de la logistique internationale et à l'aide du cas

d'étude industriel du constructeur automobile PSA Peugeot Citroën, nous allons formaliser les pro-
blèmes de décision rencontrés par l'entreprise et proposer un outil d'aide à la décision. Ce travail,
réalisé au travers d'une thèse CIFRE, sera appliqué à la planication stratégique de la chaîne logis-
tique, spéciquement, dans la structuration de son réseau logistique avec la dénition des capacités
('où installer les capacités de production et d'approvisionnement ?') et la planication de la charge
sur les capacités installées ('combien de véhicules aecter à une usine ?' et 'combien de composants
s'approvisionner auprès d'un fournisseur' ?).
Ce travail ore donc deux objectifs distincts :

Industriellement, l'objectif est de proposer un outil informatique pour la planication de la
chaîne logistique de PSA.
Scientiquement, nous montrerons que cette problématique très étudiée ore encore des pistes
de recherche et nous apporterons des innovations à la fois dans la modélisation du système
industriel et dans la résolution des problèmes d'optimisation liés aux prises de décision.
Nous nous trouvons face à une double complexité :
une complexité organisationnelle où il faut modéliser de manière pertinente une structure indus-
trielle et organisationelle complexe pour simuler au mieux la réalité,
une complexité combinatoire où, dans l'ensemble des possibilités de décisions industrielles cor-
respondant au modèle choisi, nous recherchons une solution 'optimisée' (pour ne pas dire 'opti-
male').
Tout au long de ce mémoire, un compromis entre l'innovation scientique et le pragmatisme in-

dustriel a été recherché :
une démarche a été initiée par un besoin industriel,
la problématique industrielle a été modélisée,
une approche de résolution a été proposée,
au nal, cette démarche a été appliquée à un cas industriel.
Suivant cette démarche, le plan proposé est le suivant :

Chapitre 1 La problématique de l'optimisation de la logistique internationale est détaillée : des
dénitions au niveau de la sémantique de la logistique, de la chaîne logistique et du Supply
chain Management sont d'abord données pour faciliter la compréhension du système industriel
et de ses problématiques. Puis, au travers d'une description de l'organisation industrielle de PSA,
nous montrerons les spécicités du système industriel étudié notamment pour mieux comprendre
les hypothèses de modélisation retenues. Enn, nous décrirons les problèmes posés de répartition
stratégique de la production (qui répond à la question où et combien produire et acheter pour
répondre à la demande ) ainsi que de planication stratégique du réseau logistique (qui répond
à la question où et quand investir de la capacité de production et aecter les productions ).
Chapitre 2 Le problème de la répartition stratégique est abordé avec une approche innovante sur la
prise en compte des décisions d'approvisionnement dans le calcul des prix de cession. Une dis-
tinction est réalisée entre un modèle sans contrainte de sourcing et un modèle avec contraintes
de sourcing. En eet, l'inclusion des limitations au niveau des fournisseurs augmente la diculté
de résolution du problème de répartition. Ces approches sont, dans les deux cas, positionnées
par rapport à la littérature. Enn, des méthodes de résolution à la fois heuristiques et métaheu-
ristiques sont proposées.
Chapitre 3 Le problème de la planication stratégique est déni en reprenant les éléments étudiés
dans le problème de répartition stratégique et en ajoutant les éléments temporels et les décisions
d'investissement. Ce problème est alors positionné par rapport à la littérature. Des solutions
logicielles de planication stratégique de chaîne logistiques sont aussi étudiées. Après avoir déni
la diérence de la modélisation proposée par rapport aux solutions commerciales, des méthodes
de résolution heuristiques et métaheuristiques sont proposées.
Chapitre 4 L'outil d'aide à la décision prototypé au cours du travail est présenté à la fois dans ses
fonctionalités et dans son architecture générale. Puis, le cas d'application industriel est détaillé
et résolu grâce aux algorithmes proposés dans les chapitres 2 et 3. Les résultats obtenus sont
analysés et les apports de la démarche proposée sont explicités.
6
Chapitre 1
L'optimisation de la logistique
internationale
Au fur et à mesure que l'économie change et que la compétition devient de plus en plus globale,
ce n'est plus Entreprise VS Entreprise mais Supply Chain VS Supply Chain. Harold Sirkin, Boston
Consulting Group
Sommaire
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 La planication de la chaîne logistique . . . . . . . . . . . . . . . . . . . . . 8
1.2.1 De la logistique à la gestion de chaîne logistique globale . . . . . . . . . . . . 8
1.2.2 La planication de la chaîne logistique . . . . . . . . . . . . . . . . . . . . . . 12
1.2.3 La conception d'un réseau logistique . . . . . . . . . . . . . . . . . . . . . . . 15
1.3 La chaîne logistique PSA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.3.1 Présentation générale de l'entreprise et de son système industriel . . . . . . . 18
1.3.2 La gestion des commandes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.3.3 La production . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.3.4 L'approvisionnement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.3.5 La distribution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.3.6 Le processus PSA de planication hiérarchique . . . . . . . . . . . . . . . . . 27
1.4 Les diérents problèmes de planication stratégique de PSA . . . . . . . 30
1.4.1 Décomposition du problème de planication stratégique . . . . . . . . . . . . 31
1.4.2 Les hypothèses de la modélisation à horizon stratégique . . . . . . . . . . . . 32
1.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
1.1 Introduction
L'optimisation de la logistique internationale est un sujet vaste et qui a évolué en même temps
que le monde industriel. Nous proposons, dans ce chapitre, d'expliciter les éléments sémantiques de
notre problématique ainsi que les spécicités liées au cas industriel. Ainsi, nous dénissons d'abord
les concepts majeurs de la logistique et de ses extensions (chaîne logistique, gestion de la chaîne lo-
gistique...). Ces nombreux concepts seront exposés de manière à donner une vision large des décisions
prises au sein de la chaîne logistique notamment pour entrevoir les relations entre les décisions prises
tout au long de l'horizon de planication. Ces éléments sont nécessaires pour appréhender le système
industriel et logistique de PSA. Ce système industriel, alors présenté, fait sortir les concepts spéciques
au secteur automobile. Ce secteur est en eet précurseur depuis longtemps au niveau de la produc-
tion (Taylorisme, Fordisme...) mais a apporté aussi beaucoup d'innovations au niveau de la logistique
depuis l'avènement du Toyotisme. Dans cette seconde partie, nous décrivons le fonctionnement de la
logistique du constructeur automobile PSA Peugeot Citroën. Ces observations au sein de l'entreprise
7
8
mettent en exergue les spécicités opérationnelles qui sont à prendre en compte au niveau de l'opti-
misation stratégique. Dans une troisième partie, la déclinaison au sein de PSA de la problématique de
l'optimisation stratégique de la logistique est alors dénie. Les problèmes de répartition stratégique
de la production et de la planication stratégique du réseau logistique sont exposés. Les hypothèses
prises en compte lors de ces prises de décison sont explicitées
Par la suite, nous commençons par décrire les concepts de la planication de la chaîne logistique.
1.2 La planication de la chaîne logistique

Au coeur de la compétitivité de l'entreprise se trouve sa capacité à mettre à disposition du client le
bon produit, au bon endroit et au bon moment. C'est une dénition classique de la logistique . En
ajoutant les aspects de prix et de qualité, on imagine aisément la coordination nécessaire aux diérents
métiers (approvisionnement, production, transport...) et aux diérents acteurs (liales, sous-traitants,
transporteurs...) pour qu'un tel produit soit vendu ; et non pas celui d'un concurrent.
1.2.1 De la logistique à la gestion de chaîne logistique globale
Les activités de la logistique ont beaucoup évolué depuis l'invention du commerce et le début des
échanges internationaux. Ainsi les moyens de transport se sont développés, les échanges commerciaux
ont été facilités et le monde s'est globalisé. Maintenant, ce ne sont plus des artisans locaux qui sont
en concurrence avec d'autres artisans mais des lières d'approvisionnement internationales.
Par la suite, nous donnons les dénitions des concepts de 'logistique', de 'chaîne logistique', de
'gestion de la chaîne logistique' et de 'gestion de chaînes logistiques globales'.
1.2.1.1 La logistique
Le mot logistique vient du grec antique logisteuo qui signie administrer [DF07]. Ce terme
a été repris par les Romains sous le terme logistica . Dans l'antiquité, ces termes font partie du
vocabulaire militaire correspondant aux fonctions d'organisation des campements et d'approvisionne-
ment en vivres des troupes. En français, on voit apparaître le terme au XVIIIème siècle où il désigne
la science du raisonnement et du calcul en général. Actuellement, le terme courant est déni comme
l' ensemble de méthodes et de moyens relatifs à l'organisation d'un service, d'une entreprise, etc., et
comprenant les manutentions, les transports, les conditionnements et parfois les approvisionnements
[Lar10]. Une dénition plus spécialisée de [Chr05] dénit la logistique comme le processus permet-
tant de gérer stratégiquement l'approvisionnement, le transport et le stockage des matières premières,
composants et produits nis (en lien avec les ux d'informations) au travers de l'organisation et de ses
canaux marketing de manière à ce que la rentabilité actuelle et future soit maximisée via la satisfaction
des commandes au moindre coût . Cette dénition a l'intérêt de pointer les éléments suivants :
il s'agit d'un processus qui coordonne diérents métiers ;
nous observons le lien entre la satisfaction des commandes et le coût logistique ;
nous avons diérents types de ux (ux de matière, ux d'informations et ux nanciers) ;
la logistique est un levier direct sur les coûts et donc sur la rentabilité de l'entreprise.
Nous considérons un réseau logistique comme un réseau constitué de fournisseurs, d'usines, de

centres de distribution et de magasins ; ces diérents sites pouvant être reliés entre eux par des liaisons
de transport (g. 1.1). Ainsi, les fournisseurs sont les vendeurs de matières premières et de composants
qui seront transformés et/ou assemblés dans les usines. Les centres de distribution sont des lieux de
stockage des produits nis attendant leur acheminement vers les magasins pour une mise en rayons et
la vente. On peut déjà dénir la chaîne d'approvisionnement qui rassemble l'ensemble des fournisseurs
d'une usine et la chaîne de distribution partant d'une usine et arrivant aux magasins de vente. Le ux de
matières (composants, produits nis...) traversent le réseau dans le sens opposé aux ux d'informations
(prévision de ventes, commandes...) [DF07].
9
Figure 1.1 Schéma d'un réseau logistique
Notons aussi l'existence de ux nanciers qui vont aller des clients aux fournisseurs. Ces ux ont
un impact direct sur le niveau de trésorerie de l'entreprise notamment par les délais de paiement. De
plus, dans le cas d'un groupe lialisé, les prix de cession (ou prix de transfert d'un produit entre deux
liales) vont aussi avoir un impact majeur sur la distibution de la valeur dans la chaîne logistique
[GVD02].
1.2.1.2 La chaîne logistique
Dans l'économie moderne, la compétition n'est plus entre des entreprises, les unes contre les autres,
mais entre des réseaux d'entreprises, les uns contre les autres. C'est le concept de chaîne logistique .
La gure 1.2 séparent les diérents acteurs de la chaîne logistique liée au réseau logistique précédement
présenté.
Figure 1.2 Schéma d'une chaîne logistique
Ainsi, on peut considérer le ux d'un produit comme une séquence temporelle de diérentes acti-
vités où le produit va voir sa valeur augmenter au fur et à mesure des opérations de transformation
et d'assemblage [Mar05].
10
Cette chaîne de valeur va donc dénir un coût rendu au client et son attractivité vis à vis du client
(en considérant que le prix est toujours un des critères d'achat). Il en va de même du niveau de service
au client. Celui-ci est dépendant de l'ensemble de la chaîne et notamment du maillon le plus faible
[Gol97].
1.2.1.2.1 Le partage de l'information Un premier enjeu majeur des chaînes logistiques est donc
le partage d'informations notamment en termes de prévision de la demande. Un phénomène classique et
désastreux est l' eet coup de fouet [For61]. Cet eet dynamique lié à une vision myope des diérents
acteurs d'une chaîne logistique va entraîner l'amplication des variations de la demande au fur et à
mesure de la remontée d'informations le long de la chaîne. Un moyen classique de réduire cet eet est
de mettre l'information de la demande du client nal à disposition des diérents acteurs de la chaîne
comme pour les VMI (Vendor Management Inventory - gestion partagée des approvisionnements,
GPA en français) ou le CPFR (Collaborative Planning, Forecasting and Replenishment - Planication,
Prévision et Approvisionnement collaboratif en français).
1.2.1.2.2 Le partage de la valeur Un second enjeu est celui du partage de la valeur entre les
diérents acteurs d'une même chaîne logistique car les acteurs étant diérenciés, la survie de chacun
est liée à sa performance économique propre mais aussi liée à la performance de la chaîne complète. La
mise en place de partenariats durables est donc un moyen de répondre à la pression économique sur
l'ensemble de la chaîne. Ainsi, on peut noter l'organisation japonaise en Keiretsu avec la formation
de conglomérats pouvant intégrer une grande partie d'une lière d'approvisionnement. Par ailleurs,
l'interdépendance des entreprises est de plus en plus grande avec le co-développement de produit,
l'externalisation de parties du processus productif ou logistique, les alliances stratégiques en recherche
et développement... Au nal, le pouvoir étant inégalement réparti au sein de la chaîne logistique, les
contrats commerciaux sont la concrétisation des liens entre les diérents acteurs et donc du partage
de la valeur.
1.2.1.2.3 Les leviers de la performance de la chaîne logistique [CM01] dénit les 6 leviers
de la performance de la chaîne logistique comme :
la localisation des sites ;
le stockage ;
le transport ;
le sourcing (le choix des partenaires d'approvisionnement) ;
le pricing (la politique et la gestion des prix et des promotions) ;
l'information (la gestion et le partage de l'information).
Ces leviers seront utilisés dans la gestion des chaînes logistiques.
1.2.1.3 La gestion de la chaîne logistique
A partir de la dénition précédente du concept de chaîne logistique , le concept de gestion

de la chaîne logistique ( Supply Chain Management - SCM en anglais) a été déni par [Chr05]
comme :
la gestion des relations en amont et en aval [de la chaîne logistique] avec fournisseurs et clients
pour livrer au client une valeur supérieure obtenue à un coût minimum pour l'ensemble de la chaîne
logistique .
L'aspect de la collaboration et des dépendances dans une chaîne logistique est précisé par [BCC02].
La recherche du coût total (gestion intégrée) ainsi que l'importance du système d'évaluation des coûts
sont pointées par [BCC02]. D'après [DF07], le SCM est le périmètre organisationnel de la logistique
(prise en compte des fournisseurs et des clients) et ajoute les fonctions de conception et de pilotage
à la simple exécution des opérations logistiques. A noter qu'une même entreprise peut avoir un rôle
dans diérentes chaînes logistiques.
11
1.2.1.3.1 Importance du SCM et de sa maîtrise d'ouvrage La gestion de la chaîne logistique
est donc l'activité de pilotage qui découle de la structuration de l'industrie en chaînes logistiques.
Cette activité va donc chercher à concevoir, planier et piloter les opérations de sa ou ses chaînes
logistiques au mieux. En eet, cette capacité est déterminante dans la réussite ou la banqueroute
d'une entreprise [CM01]. En général, pour une chaîne logistique donnée, une entreprise a le rôle de
maître d'ouvrage. C'est, généralement celui qui conçoit le produit et/ou qui a la responsabilité de
la vente au client nal (par exemple, les secteurs de l'automobile et de l'aéronautique). Cependant,
selon la répartition du pouvoir et les interdépendances entre les acteurs, d'autres congurations sont
possibles (par exemple, dans la grande distribution). Ce maître d'ouvrage logistique a notamment la
responsabilité du positionnement du point de découplage.
1.2.1.3.2 Positionnement du point de découplage Le positionnement du point de découplage

va déterminer jusqu'à quel maillon de la chaîne logistique la demande est remontée [BC05]. Cela dénit
la partie de la chaîne logistique qui va fonctionner en ux tirés (mode pull en anglais) et la partie
qui va fonctionner en ux poussés (mode push en anglais). La partie en aval du point de découplage
sera gérée de manière Lean avec des stocks réduits au minimum et en accélérant au maximum les
ux. La partie en amont sera planiée à partir de prévisions. Mais, du fait de l'erreur de prévision, la
question du positionnement et du dimensionnement (selon le temps de réponse et le risque de rupture)
de stocks de sécurité va être posée [GW00].
Ainsi le choix de la stratégie logistique et du positionnement du point de découplage va contribuer
à l'obtention d'un avantage compétitif grâce à la gestion de la chaîne logistique.
1.2.1.3.3 Obtention d'un avantage compétitif via le SCM Le maître d'ouvrage logistique
va ainsi chercher à obtenir un avantage compétitif grâce à une bonne gestion de sa chaîne logistique.
Ainsi, classiquement, [Por98] distingue la diérenciation par le prix ou par la valeur. [Chr05] décrit
les leviers pour atteindre ces deux avantages dans la chaîne logistique :
Un avantage sur les coûts : dans une confrontation sur les prix, la chaîne logistique va être un
levier majeur pour faire baisser les coûts. Dans une telle stratégie, on va chercher à réaliser du
volume pour faire fonctionner au maximum les économies d'échelles (plus on vend un produit,
plus son coût marginal d'approvisionnement décroît grâce à l'amortissement de coûts xes, par
exemple) ou les économies d'envergure (chaque nouveau produit lancé est moins cher que le
produit précédent grâce à la réutilisation de composants, de compétences... acquises sur un
produit existant).
Un avantage sur la valeur : cette idée transcende le concept de produit en déterminant les
avantages apportés par un produit à son acheteur. Ces avantages sont généralement apportés par
de la diérenciation par rapport à des produits concurents en termes d'image, de prestation, de
qualité, de services annexes... Classiquement un levier de la logistique, en dehors du coût discuté
précédement, est la possibilité de répondre dans les délais les plus courts à des demandes clients
toujours plus complexes (notamment dans le cas d'une forte personnalisation des produits).
En conclusion, le Supply Chain Management va chercher à maximiser la valeur apportée au client
et donc les prots de la chaîne logistique au travers de l'intégration et la coordination des divers
acteurs. Cela nécessite en général la dénition d'un maître d'ouvrage logistique qui va structurer la
chaîne logistique de manière à obtenir in ne un avantage compétitif.
1.2.1.4 La gestion de chaînes logistiques internationales
La globalisation et l'explosion des échanges commerciaux internationaux ont donné la possibilité de

sourcer ou de produire des biens dans le monde entier. Ces nouvelles possibilités de vente, de sourcing
et d'implantation ont donc fait émerger des chaîne logistiques globales (au sens de mondial ). La
gure 1.3 représente cette répartition géographique des diérents sites de la chaîne logistique.
Ainsi, les réseaux logistiques globaux sont diérenciés par les éléments suivants [Mar] :
12
Figure 1.3 Schéma d'une chaîne logistique internationale
l'accès à des facteurs avantageux (par exemple, un faible coût de la main d'oeuvre, des ressources
rares...) ;
le rôle des gouvernements notamment dans les barrières douanières ou les avantages à l'implan-
tation ;
les avantages techniques et nanciers, par exemple, dans des transferts de technologies entre
diérentes régions du monde ou encore l'accès aux meilleurs taux d'emprunt de capitaux ;
la complexité accrue notamment dans le transport (cf 1.3.4.4) ;
les frais de douanes et les zones franches qui ne sont pas pris en compte en environnement
domestique ;
Par exemple pour l'industrie forestière [MMBDA06], l'inuence des prix de transfert, des taux de
change, de la exibilité opérationnelle (capacité à réorganiser les opérations) et de la planication
nancière (en termes d'accès au capital) est primordiale.
Dans la gestion de chaînes logistiques globales, on peut tirer trois tendances [Chr05] :
Des usines plus spécialisées qui vont dégager des économies d'échelle en produisant la totalité
de la demande mondiale. Cependant la répartition des produits sur ces usines peut évoluer en
fonction de l'environnement, toujours en cherchant à maximiser les économies d'échelle.
Une centralisation des stocks, qui passent d'une dimension nationale à une dimension interna-
tionale, permet de réduire leur taille sans modier le taux de service [Pim01].
La diérentiation retardée et l'adaptation locale (ou localisation) permet de garder l'idée d'un
produit global (fabriqué dans une seule usine) qui sera adapté, au plus tard, à chaque marché.
Ainsi la diérentiation retardée permet de réaliser à proximité du marché local les opérations
d'adapation (par exemple, la langue du packaging, certains goûts...) de manière à limiter le
stock de produits nis diérenciés et à faciliter les prévisions ; ces dernières étant réalisées sur
un nombre réduit de produits génériques. La capacité à vendre des produits avec une grande
variété à un coût global faible est le principe de mass customization ( personnalisation de
masse en francais) qui est un principe majeur dans l'industrie automobile européenne.
1.2.2 La planication de la chaîne logistique

Dans la section précédente, nous avons déni les concepts liés à la chaîne logistique. Pour le
gestionnaire, l'enjeu est de concevoir et de piloter cette chaîne logistique pour servir la stratégie de
l'entreprise. Ainsi, il va être nécessaire d'organiser de manière anticipée, c'est-à-dire de planier ,
cette chaîne logistique pour être opérationnellement performant.
Par la suite, nous présentons les diérents horizons classiquement utilisés. Puis, nous décrivons
la planication hiérarchisée qui va s'établir sur ces horizons. Enn, nous examinons les systèmes de
13
planication avancée qui vont être des outils déterminants pour la performance de la chaîne logistique.
1.2.2.1 La décomposition en horizons

Classiquement, les décisions sont regroupées en diérents horizons de temps selon leur nature et
leur délai de mise en oeuvre. On peut ainsi trouver [Ant65] :
les décisions stratégiques ;
les décisions tactiques ;
les décisions opérationnelles ;
Pour [CM01], les décisions stratégiques correspondent aux décisions de conception et les décisions
tactiques aux décisions de planication. On peut aussi trouver uniquement une distinction entre la
conception (Supply Chain Design - SCD) et les opérations (Supply Chain Execution - SCE) [Har03].
Enn, avec une vision client de ces activités, [Gen03] dénit les décisions stratégiques comme répondant
à un marché, les décisions tactiques comme répondant à un client nal et les décisions opérationnelles
comme répondant au prochain maillon de la chaîne logistique (par exemple, l'usine d'assemblage pour
un site fournisseur).
Notons aussi que l'aspect temporel est diérent selon les secteurs d'activité car une décision à 1
an dans une industrie peut être considérée comme stratégique dans un secteur d'activité et tactique
dans un autre secteur d'activité avec une réactivité plus faible.
Par la suite et dans le cadre de la gestion de la chaîne logistique, nous considérons les dénitions
suivantes :
les décisions stratégiques : ces décisions sont structurelles sur le réseau logistique et vont décider
des investissements en termes de nouvelles ressources (par exemple, la construction d'une nou-
velle usine...) ou de réallocation de ressources (par exemple, la relocalisation d'une activité...).
Ces décisions sont réalisées en lien étroit avec la nance car elles impactent durablement la
structure nancière de l'entreprise et sa rentabilité à long terme ;
les décisions tactiques : nous considérons que les décisions tactiques vont organiser les ressources
dénies stratégiquement pour atteindre les objectifs de manière ecace (réalisation des objec-
tifs) et eciente (au coût minimum). Ces décisions sont généralement prises en tenaille entre
les contraintes issues des décisions stratégiques passées (investissement) et la complexité et la
variabilité opérationnelle ;
les décisions opérationnelles : les décisions opérationnelles vont conduire à la réalisation des
opérations, c'est-à-dire l'ensemble des activités d'exploitation de la chaîne logistique. Dans ces
activités vont se trouver celles qui ajoutent de la valeur au produit. Tout l'enjeu de la planication
opérationnelle est le respect du triptique qualité/coût/délai sur le terrain des opérations ;
Dans la démarche MRP2 [VBWJ05], à chaque niveau de planication, les données techniques et
le niveau de détails des capacités de production sont clairement dénis. On retrouve cette approche
en gure 1.4.
1.2.2.2 La planication hiérarchisée

Les diérentes décisions dans la chaîne logistique sont souvent liées entre elles. Ainsi [RLC05]
présente le Réseau des décisions logistiques avec leurs interactions. Les auteurs distinguent les
fonctions suivantes :
la planication stratégique,
la conception du réseau logistique,
la production,
la conception du réseau de communication,
la gestion des commandes,
la gestion des achats et des approvisionnements,
la gestion des stocks,
la prévision de la demande,
14
Figure 1.4 La méthode MRP2 ??
la gestion des emballages,

l'entreposage,
la manutention.
Cependant d'après le concept de rationalité limitée [CW95], les décisions sont prises à l'aide des
informations à disposition (celles-ci sont généralement incomplètes, incertaines et imprécises). De plus,
le décideur a tendance à garder la première solution satisfaisant ses contraintes au lieu d'optimiser le
problème (garder la meilleure des solutions satisfaisant les contraintes). Dans la suite des décisions liées
entre elles, il est donc primordial d'avoir une cohérence à la fois fonctionnelle (par exemple, l'impact
du transport sur la production et vice-versa) et temporelle de ces décisions (par exemple, l'impact des
décisions stratégiques sur la liberté de décision tactique).
Ainsi, [HM75] a proposé une approche hiérarchisée de la planication de la production se basant
sur les éléments suivants :
une décomposition et une structure hiérarchique des décisions,
diérents niveaux d'aggrégation selon les niveaux hiérarchiques,
une coordination hiérarchique au travers de directives et de rétroaction ( feedback en anglais),
la construction de modèles synthétisant les informations et objectifs de chaque décision,
la résolution de modèles.
A chaque niveau hiérarchique, les décisions prises vont anticiper puis demander un retour (feed-
back) des niveaux inférieurs [Sch03] avant de fournir une décision nale.
Par ailleurs, [Hen99] dénit les termes de cohérence et de robustesse dans le cadre de la planication
hiérarchisée. Une décision agrégée (du niveau supérieur) est dite robuste si elle assure l'existence d'une
15
solution au niveau détaillé. Une décision détaillée (du niveau inférieur) est dite cohérente si elle est
compatible avec la décision agrégée.
La planication hiérarchisée est un cadre théorique d'analyse des diérentes décisions prises lors de
la planication de la chaîne logistique. Ce cadre, qui décompose clairement les diérentes décisions et
leurs hypothèses propres, a notamment participé à l'émergence des systèmes d'information répondant
à l'ensemble des problématiques de la chaîne logistique [SK08].
1.2.3 La conception d'un réseau logistique
La problématique de la thèse concerne l'optimisation de la logistique internationale à horizon stra-

tégique. Il s'agit concrètement de concevoir le réseau logistique dans un environnement international.
Cette conception est réalisée au travers des investissements au niveau des diérents noeuds du
réseau (i.e. installation d'une capacité de production) et parfois au niveau des liaisons entre les noeuds
(i.e. achat d'un moyen de transport). Ces investissements vont durablement inuencer les performances
économiques de l'entreprise. L'étape de conception du réseau est donc cruciale de la planication des
activités industrielles. Par la suite, nous allons décrire en détails les enjeux de la conception d'un réseau
logistique, les décisions à prendre et l'importance d'une approche globale en termes d'optimisation.
1.2.3.1 Enjeux et motivations de la conception de réseaux logistiques

La conception du réseau logistique d'une entreprise n'est généralement pas une activité récurrente.
Elle est plutôt réalisée au cas par cas selon les événements de la vie de l'entreprise. Ainsi, en cas
d'ouverture d'un nouveau marché, l'entreprise va concevoir un nouveau réseau de distribution ou
même un réseau de production-distribution (en construisant une usine localement). [SLKSL02] cite les
cas suivant dans les évènements initiateurs d'une étude de (re)conception d'un réseau logistique :
Changement important de la demande,
Changement du mix de produits,
Changement des process de production,
Changement dans la stratégie de sourcing,
Changement dans le coût d'exploitation des sites existants,
Fusion et acquisition entraînant la fusion de diérents réseaux logistiques.
La conception du réseau logistique est donc rarement réalisée à partir d'une feuille blanche et doit
donc intégrer l'existant dans sa réexion. Pour [CG07], la conception du réseau logistique s'apparente
maintenant plus à la conguration d'un système industriel. Cette conguration doit donc déterminer
les paramètres de contrôle (par exemple, la localisation des sites et leurs capacités de production)
et les ajuster périodiquement en fonction des évolutions de l'entreprise et de son environnement.
Ce changement de paradigme va dans le sens d'une plus forte intégration de ces décisions dans la
planication avancée.
Enn, l'activité de conception du réseau logistique doit s'établir dans la stratégie logistique de
l'entreprise (objectifs en termes de services et de politiques de gestion) [LR05] et, plus globalement,
dans la politique générale de l'entreprise en intégrant des aspects sociaux, d'alliances avec d'autres
entreprise, de stratégie commerciale...
1.2.3.2 Dénition de la conception d'un réseau logistique

Dans [Har03], nous trouvons la dénition de la conception d'un réseau logistique suivante :
La conception du réseau logistique est le processus qui détermine la structure du réseau logistique
- les usines, les centres de distribution, les modes de transport et les lignes, les process de production...
qui vont être utilisés pour satisfaire la demande client. Ces études sont de périmètre stratégique,
utilisent un horizon temporel de plusieurs mois ou années et généralement considèrent peu ou pas
d'incertitude avec les données .
Classiquement, les questions étudiées sont [Har03] :
16
Stratégie de production
Combien d'usines sont nécessaires ?
Où chaque usine doit être localisée ?
Quels produits doivent être réalisés sur chaque usine ?
Quels sont les technologies de production à déployer dans chaque usine et à quel niveau de
capacité ?
Quels marchés sont servis par chaque usine ?
Stratégie d'approvisionnement
Quels sont les fournisseurs de tous les types de composants ?
Comment allouer les fournisseurs aux usines ?
Stratégie de distribution
Doit-on livrer directement les magasins ou stocker par région ?
Combien de centre de distribution sont nécessaires et où faut-il les placer ?
Quel centre de distribution doit servir un client ?
Quel mode de transport doit être utilisé ?
Stratégie d'externalisation
Quelle partie de la chaîne logistique doit rester en interne ou être externalisée ?
Quel est l'impact du taux de service sur le coût ?
Conception des nouveaux produits et des nouveaux process

Quelle infrastructure doit être utilisée lors de l'ajout de nouveaux produits à des lignes de
production existantes ?
A quel niveau de demande des sources d'approvisionnement additionnelles sont nécessaires et
où doivent-elles être localisées ?
1.2.3.3 La nécessité d'une approche d'optimisation globale

Dans le paragraphe précédent, nous avons vu diérentes questions stratégiques au niveau du réseau
logistique. Dans le tableau 1.5, nous détaillons ces questions en regardant les décisions prises, les
contraintes à respecter et les coûts modiés par ces décisions. Nous pouvons voir que les coûts modiés
par ces diérentes décisions sont parfois interdépendants et qu'il convient donc de raisonner sur le coût
total de la chaîne logistique [BCC02] pour éviter de dégrader la performance globale en améliorant
localement le système.
A partir de la dénition de [KR00], un modèle de planication stratégique (hors investissement) a
les éléments suivants :
Modélisation des ux (quantités transportées entre les diérentes localisations),
Modélisation des capacités (limites de traitement au niveau des localisations),
Calcul d'un coût global (sommant l'ensemble des coûts liés aux déplacements des ux et aux
traitements réalisés au niveau des localisations).
17
Question Variables Contraintes Coûts

Combien d'usines sont néces- Nombre et capacité des usines Satisfaction de la demande Coûts xes des usines
saires ?
Respect des capacités exis- Coûts variables de production
tantes et des capacités investies
Contraintes nancières Coûts variables de distribution
Coûts variables d'approvision-
nement
Où chaque usine doit être loca- Localisation des usines Localisation des fournisseurs Coûts variables de distribution
lisée ?
Localisation de la demande Coûts variables de production
Coûts variables d'approvision-
nement
Quels produits doivent être Aectation des produits aux Contraintes de productions Coûts variables de production
réalisés sur chaque usine ? usines
Capacités des usines Coûts xes de capacité de pro-
duction
Satisfaction de la demande Coûts variables d'approvision-
nement
Quels sont les technologies de Choix de technologie Satisfaction de la demande Coûts xes de capacité de pro-
production à déployer dans duction
chaque usine et à quel niveau
de
capacité ? Et en capacités de production Localisation des fournisseurs, Coûts variables de production
des usines et des clients
Contraintes de exibilité Coûts variables d'approvision-
nement
Quels marchés sont servis par Aectation des marchés aux Satisfaction de la demande Coûts variables de production
chaque usine ? usines (quantité, niveau de service)
Capacités de production des Coûts variables de distribution
usines
Contraintes de transport
Quels sont les fournisseurs de Choix des fournisseurs Satisfaction des besoins en Coûts xes d'approvisionne-
tous les types de composants ? composants des usines ment
Capacités des fournisseurs Coûts variables d'approvision-
nement
Contraintes de transport
Comment allouer les fournis- Aectation des achats de com- Satisfaction des besoins en Coûts variables d'approvision-
seurs aux usines ? posants aux fournisseurs composants des usines nement
Capacités des fournisseurs
Contraintes de exibilité
Doit-on livrer directement les Sélection routes de distribution Satisfaction de la demande Coûts variables de distribution
magasins ou stocker par ré-
gion ?
Respect des capacités d'entre- Coûts xes de distribution
posage
Combien de centres de distri- Nombre et localisation des Satisfaction de la demande Coûts variables de distribution
bution sont nécessaires et où centres de distribution
faut-il les placer ?
Localisation des usines et des Coûts xes de distribution
clients
Quel mode de transport doit Choix du mode de transport Localisation des usines et des Coûts xes de distribution /
être utilisé ? clients approvisionnement
Capacités des modes de trans-
port
Coûts variables de distribu-
tion/approvisionnement
Quelle partie de la chaîne logis- Contraintes nancières Coûts xes de production
tique doit rester en interne ou
être externalisée ?
Satisfaction de la demande Coûts variables d'approvision-
nement, de production et de
distribution
Quel est l'impact du taux de Choix de la localisation et des Localisation et niveau de ser- Coûts xes de distribution
service sur le coût ? niveaux de stocks vice de la demande
Contraintes de transport Coûts variables des distribu-
tion
Figure 1.5 Détails des décisions de la conception de réseau logistique

18
1.3 La chaîne logistique PSA
La cas d'étude industriel lié à notre problématique est le constructeur automobile PSA Peugeot
Citroën. Le secteur automobile est un secteur industriel de production de masse où la compétition est
intense. L'automobile qui a été inventée au XXème siècle (la célèbre Ford T a été lancée en 1908) reste
un laboratoire d'évolutions techniques, organisationnelles et sociales. C'est un secteur actuellement
mature sur les marchés occidentaux mais en plein développement dans les pays émergents notamment
les BRIC (Brésil, Russie, Inde et Chine). Le secteur automobile est donc fortement aecté par la
mondialisation avec des enjeux majeurs de localisation/délocalisation pour des sites de production
employant des milliers de salariés. Au delà des constructeurs automobiles, les équipementiers de rang
1 et au delà sont des acteurs majeurs.
Par la suite, nous allons décrire globalement l'entreprise et son système industriel puis nous étudie-
rons rapidement la stratégie Lean du Groupe et son implémentation industrielle. Enn, nous entrerons
en détail dans ses opérations de production, d'approvisionnement et de distribution.
1.3.1 Présentation générale de l'entreprise et de son système industriel
L'entreprise Peugeot Frères a été fondée en 1810 en Franche Comté pour la réalisation d'outils
(scies...) lors de la révolution industrielle. Après un voyage aux Etats-Unis, les Peugeots décident en
1890 de se lancer dans l'aventure automobile avec la création de la marque Automobile Peugeot. A
l'origine les moteurs étaient achetés à l'allemand Daimler mais ils ont rapidement été développés
en interne par Peugeot. L'extension industrielle de PSA a notamment proté du rachat de trois
usines européennes (Rython, Poissy et Madrid) à Chrysler en 1970. Après la fusion avec Citroën,
le groupe PSA Peugeot Citroën est fondé en 1976. La fusion est totalement réalisée en 1998 avec
une unication de l'appareil technique, industriel, administratif et nancier. Parallèlement aux deux
marques commerciales qui ont des liales propres dans chaque pays de commercialisation (à l'exception
des pays avec des importateurs locaux) et aux liales de production domiciliées dans les pays où se
trouve l'outil de production industriel, le groupe PSA dispose des liales suivantes :
GEFCO (acronyme de Groupages Express de Franche-COmté) : intégrateur logistique réalisant
la majorité des activités de transport à la fois en approvisionnement, en logistique interne et en
distribution.
Faurecia : Equipementier de rang 1, spécialiste des systèmes d'échappement, sièges, planches de
bord, blocs avant, panneaux de portes...
PSA nance : une banque qui apporte une souplesse nancière pour ses investissements et pour
les crédits automobiles des clients
Notons que PSA a une coparticipation dans la société Française de mécanique (détenue à 50/50 avec
Renault) qui produit des moteurs notamment des moteurs diesels. Ajoutons enn, que l'activité de
Peugeot Motocycles dont la production de deux roues complète l'ore de mobilité du Groupe.
1.3.1.1 Le réseau logistique automobile
Par rapport à la dénition générale d'un réseau logistique (de la section 1.2.1.1), un réseau logistique
automobile se décompose en trois parties :
le réseau d'approvisionnement,
les usines terminales (UT),
le réseau de distribution.
Les usines terminales sont l'endroit où les véhicules sont assemblés (gure 1.6). Elles sont généra-
lement localisées à proximité des marchés de vente car elles sont le point focal de destination de tous
les ux d'approvisionnement des composants et d'origine de tous les ux de distribution des véhicules.
Le réseau d'approvisionnement automobile est constitué de tous les fournisseurs des usines termi-
nales. On peut trouver les usines appartenant à PSA et réalisant les organes (par exemple, le moteur,
les boites de vitesses, les amortisseurs... gure 1.7), les équipementiers de rang 1 qui vendent des
modules complets (par exemple, des sièges, des planches de bords, des faisceaux adaptés...), d'autres
19
Figure 1.6 Les usines terminales
fournisseurs de taille plus réduite et, parfois, d'autres usines dans le cas où un véhicule est réalisé sur
diérentes usines terminales. Mais, au delà de ce premier rang, on trouve des fournisseurs de rang
2 (c'est-à-dire les fournisseurs des fournisseurs) et plus... La lière d'approvisionnement est donc ex-
trêmement étendue et globale et les fournisseurs du secteur automobile travaillent généralement pour
plusieurs constructeurs.
Figure 1.7 Les usines de mécanique et bruts
Une fois les véhicules produits, ils sont envoyés aux concessions où les clients pourront venir en
prendre possession. Cette logistique de distribution intègre, hormis pour les ux directs des usines,
un centre de distribution où les véhicules vont transiter avant d'être expédiés aux concessions. Par
ailleurs, une distribution mondiale va demander d'utiliser du fret maritime et donc des passages au
port.
Par la suite, nous détaillerons le processus de gestion des commandes. Puis, un zoom sera réalisé
consécutivement sur la production, l'approvisionnement et la distribution.
1.3.2 La gestion des commandes
Dans la gure 1.8, nous présentons le cycle de réponse au client, de la prise de commande en
concession à la livraison du véhicule. Le délai moyen est environ de 25 jours. Les étapes sont les
suivantes :
1. La commande client est prise au niveau de la concession ou d'un autre représentant du réseau
de vente ;
20
2. Les commandes sont centralisées au niveau de la liale commerciale (par exemple, Peugeot
France) puis rassemblées au niveau de la direction commerciale (7 jours).
3. Les commandes sont transformées en ordres de fabrication qui sont répartis sur les usines en
fonction des capacités de production (4 jours).
4. Les commandes aectées aux sites sont séquencées sous la forme d'un ux papier qui va
permettre aux fournisseurs de préparer leurs approvisionnements (4 jours).
5. Le ux papier devient le ux physique lors de la fabrication concrète du véhicule (3 jours).
6. Une fois produit le véhicule est transporté en concession (5 jours).
7. En concession, le véhicule est préparé puis livré à son client (3 jours).
Notons que la partie 'production' se décompose en 4 jours de ux papiers et 3 jours de ux physique
et dure donc au total 7 jours. Cette organisation va être la base de la majorité de l'exécution.
Figure 1.8 Le cycle de la commande à la livraison
1.3.2.1 Organisation globale du système industriel

Le système classique de réponse à la demande est présenté en gure 1.9. Il repose à la fois sur la
planication du système industriel basée sur des prévisions commerciales et le cycle de réponse à la
commande constitué de la préparation et de l'exécution. Les prévisions vont permettre la création du
programme de production autour duquel tout le système industriel (usines terminales et fournisseurs)
va s'organiser. Puis, à partir des commandes commerciales, une consolidation est réalisée au niveau
des liales commerciales puis les commandes deviennent des ordres de fabrication (OF). Ces OF vont
être stockés dans une banque d'OF (parfois appelée tonneau ) en attente d'aectation. Les OF en
banque seront ensuite aectés aux sites puis ordonnancés selon les contraintes de la production.
1.3.2.2 L'aectation des OF aux sites de production

A partir des OF en banque, une répartition à la fois temporelle (quel jour ?) et spatiale (dans quelle
usine/ligne d'assemblage ?) doit être réalisée. Cette aectation journalière est réalisée en respectant
les contraintes industrielles et en minimisant le temps passé dans cette banque. Si un seul site est
possible, l'enjeu est uniquement de lisser la charge liée aux diérentes options sur diérentes journées.
Dans le cas où diérents sites de production sont possibles, une optimisation économique est aussi à
réaliser pour aecter les OF sur les sites en minimisant notamment le coût de distribution. De plus,
dans le cas où il existe, sur un même site, diérentes lignes d'assemblage, une aectation à la ligne où
les options sont disponibles est réalisée. Une fois aectés à un site, les OF sont ordonnancés.
21
Figure 1.9 Cartographie du processus classique de réponse à la commande (adaptée de [HPC04])
1.3.2.3 L'ordonnancement des OF
Sur chaque Usine Terminale (UT), un ordonnancement unique par jour est réalisé. C'est le réfé-
rentiel de la production dans l'usine mais aussi à l'extérieur au niveau de l'approvisionnement et de
la distribution. Elle séquence les OF des véhicules à produire. Ces OF décrivent en détail toutes les
options à installer dans le véhicule. La liste unique ordonnancée (LUO) est réalisée en se basant sur
les contraintes de l'atelier d'assemblage (cf 1.3.3.4) an d'obtenir une productivité optimale sur toute
l'UT. Comme les trois ateliers constituant une UT n'ont nécessairement pas les même contraintes,
des stocks inter-atelier sont utilisés pour réordonnancer partiellement les véhicules [JFGB04] et ainsi
composer au mieux avec les contraintes des diérents ateliers. Un enjeu majeur de la production est
donc le respect opérationnel de cette LUO de manière à organiser au mieux les activités connexes
(approvisionnement, distribution...).
1.3.3 La production
La production des véhicules est réalisée au sein des usines terminales.
1.3.3.1 L'usine terminale
Les usines terminales sont les sites d'assemblage des véhicules. Ce sont les unités de production
symboles de la production automobile avec des milliers d'employés (plus de 12 000 salariés en 2009 à
Sochaux, usine historique de PSA et plus gros site industriel français). Une myriade de fournisseurs
vont aussi faire converger leurs pièces vers ces usines pour qu'elles soient assemblées. En sortie des
usines terminales, les véhicules neufs sont prêts à être expédiés sur leurs diérents marchés. Les usines
terminales sont constituées de trois ateliers : l'atelier de ferrage, l'atelier de peinture et l'atelier de
montage. Parfois, un atelier d'emboutissage réalisant des sous-ensembles est intégré au site.
1.3.3.2 L'atelier de ferrage
L'atelier de ferrage a pour rôle d'assembler la caisse du véhicule à partir des diérents composants
métalliques (majoritairement de la tôle). Cet atelier est extrêmement robotisé, notamment pour la
réalisation des soudures. La qualité de cette réalisation est importante car elle va assurer la solidité
du véhicule. Il existe une faible variété de caisses correspondant au nombre de silhouettes de véhicules
(c'est-à-dire la forme générale de la voiture, par exemple, 3 ou 5 portes, break, coupé-cabriolet...)
réalisées dans l'usine.
22
1.3.3.3 L'atelier de peinture
L'atelier de peinture est le lieu où sont appliqués les diérents traitements de surfaces sur les
caisses et où ces dernières sont peintes. Ces ateliers sont généralement automatisés au niveau du
passage par les diérentes cuves (traitement anticorrosion...) mais l'application de la peinture est
encore assez fréquemment réalisée à la main. Au delà de la qualité des opérations réalisées et de la
gestion des polluants liés à la peinture (solvants...), les opérations de peintures demandent logiquement
de peindre le maximum de véhicules successifs de la même couleur pour limiter les changements d'outil
(nettoyage...).
1.3.3.4 L'atelier de montage
L'atelier de montage automobile va accueillir les caisses peintes pour les compléter des diérentes
pièces d'assemblage (ouvrants, roues...) ainsi que les diérentes options demandées par les clients.
Cette exibilité au niveau de l'assemblage fait appel à une importante main d'oeuvre pour réaliser le
montage. Il existe alors une complexité combinatoire liée au grand nombre d'opérations, de postes de
travail et d'opérateurs à organiser. Il est notable que l'atelier est cadencé par la vitesse de délement
des véhicules. En bout d'atelier de montage, de nombreux contrôles qualité sont réalisés.
Les opérations de production et d'assemblage au sein des usines terminales sont essentielles pour
la réalisation des véhicules. Cependant ces opérations sont dépendantes de la disponibilité en temps
et en heure des composants.
1.3.4 L'approvisionnement
L'approvisionnement consiste à prendre possession et transporter des composants des sites four-
nisseurs aux usines terminales. Les possibilités de Global Sourcing demandent d'étudier les op-
portunités de s'approvisionner partout sur la planète. Ce choix est réalisé en calculant un coût rendu
d'approvisionnement [BCC02]. Ce coût doit intégrer l'ensemble des éléments de la logistique d'appro-
visionnement comme le coût d'achat, le coût de transport, le coût de douanes, le coût de stockage le
long du ux...
Par la suite, nous introduisons les leviers permettant d'optimiser les approvisionnements que sont
les achats, le transport d'approvisionnement et les spécicités des ux intercontinentaux.
1.3.4.1 Les achats
La fonction achat a vu son rôle grandement évoluer ces dernières années. Ainsi, dans l'industrie
automobile, comme une grande part de la valeur d'un véhicule (2/3 en 2000 et près de 3/4 vers
2015, selon AMR Research) provient des fournisseurs, cette fonction est essentielle. D'un point de vue
nancier, les réductions de coût au niveau des achats ont un impact direct sur le résultat d'exploitation
de l'entreprise.
Ainsi l'objectif des achats est souvent de systématiquement réduire les coûts d'achat. Cela est
réalisé à l'aide de techniques comme la décomposition des coûts qui va mettre en lumière où se trouve
la marge du fournisseur et où des économies peuvent être réalisées. La balance entre l'automatisation
d'un processus de production et l'utilisation de main d'÷uvre plus exible est souvent étudiée. Le
volume de production est un paramètre très important. De plus, le choix du partage de la valeur
est aussi une question fondamentale. Contractuellement, les incoterms (accronyme de INternational
COntract TERMs) vont dénir la réparition des coûts et des responsabilités entre vendeur et acheteur
le long du ux d'approvisionnement (voir la gure 1.10).
1.3.4.2 Les systèmes d'ordre
Une fois le fournisseur choisi, la gestion du ux d'information qui va déclencher les approvisionne-
ments est primordiale. La visibilité de plusieurs jours du planning de production à réaliser va permettre
aux fournisseurs d'envoyer les pièces le plus tard possible (philosophie du Juste à temps). Le choix
23
Figure 1.10 Les diérents incoterms (www.jfhillebrandbulk.com)
du système d'ordre va donc dépendre des contraintes géographiques de la pièce approvisionnée mais
aussi des contraintes industrielles en usine et chez le fournisseur. Ainsi la barre verticale sur la gure
1.11 correspond au délai maximum que l'on peut obtenir des ordres de fabrication fermes (issu de la
partie papier de la LUO). Classiquement, les systèmes d'ordre utilisés sont le RECOR, les systèmes
d'ordre coordonnés (SPARTE, SPARTE adressé horodaté et synchrone).Nous détaillons par la suite
ces sytèmes d'ordres.
Figure 1.11 Les diérents systèmes d'ordres
Le RECOR : Le système RECOR (REapprovisionnement sur la COnsommation Réelle) est la

traduction française du KANBAN japonais. L'idée est de travailler en ux tirés avec un réap-
provisionnement uniquement déclenché par la demande réelle. Ainsi le RECOR va xer, à partir
de la demande moyenne, de la variation de la demande moyenne et du temps de réapprovision-
nement, un niveau de stock maximum et un niveau de déclenchement du réapprovisionnement.
Cette méthode a l'intérêt de borner le stock entre client et fournisseur en gardant une certaine
sécurité vis à vis de la variabilité de la demande.
Le SPARTE : Le système d'ordre SPARTE (Système de Programmation des Approvisionnements
24
Rationnalisé par une Technique Economique) est un système coordonné : il va chercher à faire
approvisionner la pièce au moment exact où l'opérateur d'assemblage en a besoin. Ainsi à partir
de la liste unique ordonnancée, une date de consommation est déni et l'approvisionnement doit
être réalisé le plus tard possible avant cette date. Cela est possible grâce à la mise en place et
au respect de la liste unique ordonnancée (1.3.2.3)qui va permettre de planier quelques jours
avant au plus tôt les approvisionnements à la journée.
Le SPARTE Adressé orodaté (SAH) : Le système d'ordre SPARTE a été amélioré en ajoutant
l'adressage et l'horodatage des approvisionnements. Ainsi l'adresse va détailler le lieu de consom-
mation de la pièce approvisionnée et l'horodatage va dénir la date de consommation prévue de
la pièce approvisionnée dans un créneau horaire de 2 heures. Un système de cross-dock découpé
en tranche horaire et un supermarché va ensuite permettre de découpler le rythme d'arrivée
des camions (1 à 2 par jours en général) et l'approvisionnement périodique de la ligne d'assem-
blage par un petit train. A noter que les pièces volumineuses sont classées dans un supermarché
diérent des pièces à petit volume.
Le synchrone : Pour les pièces à poids logistique très lourd, le système synchrone a été mis en
place. Ces pièces sont des pièces avec une forte diversité (les pares-chocs avec les multiples cou-
leurs possibles), très chères (moteurs, planches de bord) ou très volumineuses (sièges, réservoirs).
Ainsi, leur ux va être accéléré encore plus car l'appel ne sera réalisé que quelques heures avant
la consommation (l'information est généralement envoyée lors de l'entrée de la caisse peinte dans
l'atelier de montage). Au poste de travail, les pièces vont être livrées quelques minutes avant
l'assemlage dans l'ordre prévu par l'ordonnancement.
1.3.4.3 Le transport continental

Au niveau continental, le mode de transport est quasi exclusivement du transport routier par
camion. Par la suite, nous allons voir les diérentes organisations de transport possibles et leurs
impacts économiques. Puis nous verrons les moyens employés pour réduire ce coût de transport.
1.3.4.3.1 Les diérentes organisations du transport routier Quand un industriel fait appel à
un transporteur, il a généralement le choix entre : le camion dédié, le transport par lot et la messagerie.
Le critère de choix du type d'organisation du transport va être le volume (ou le poids) à transporter
car l'enjeu au niveau du transport va être de maximiser le chargement des camions.
Voyons maintenant ces diérentes organisations :
Le camion dédié : Il est possible de louer à l'année un camion complet ou même de gérer sa
propre otte de camions. C'est l'organisation la plus rentable si le volume à transporter est
important. Ainsi, si les lots de transport sont des camions complets, le coût de transport est
alors minimal (pour du transport routier). Classiquement entre les usines de moteurs de PSA et
les usines terminales, des camions dédiés sont utilisés.
Le transport par lot : Le transport par lot va réserver soit un camion complet (lot complet)
ou une surface d'un camion (lot partiel) auprès d'un transporteur et sur un tronçon donné. Le
lot complet est à rapprocher du camion dédié. Dans le cas du lot partiel, comme le camion est
partagé avec d'autres clients, le prix du camion est aussi divisé. On pourra noter que, dans ce
type d'organisation, des tournées de ramassage et de livraison sont possibles.
La messagerie : Dans le cas de petits volumes transportés, le principe de groupage va être utilisé
pour maximiser le chargement des camions : le transport va être réalisé en deux tronçons avec
un passage sur une plateforme logistique intermédiaire. Ainsi dans un premier temps, un camion
de 'ramasse' va récolter les marchandises à transporter et les grouper sur la plateforme logis-
tique. Puis un camion de 'traction' va transporter un chargement conséquent entre la plateforme
logistique et l'usine terminale. Cette organisation est complexe et repose sur le savoir-faire et la
structure logistique du transporteur.
Il est important de noter qu'un camion réalise en général des aller-retours et que le coût du retour
est à bien prendre en compte dans l'estimation de coût. De plus, les emballages durables seront à
25
ramener directement ou indirectement au fournisseur. Ces problématiques de logistique inverse sont à
intégrer, au moins implicitement, dans les calculs.
1.3.4.3.2 L'optimisation du transport d'approvisionnement Avec la hausse du coût des

énergies, l'optimisation du transport d'approvisionnement est devenu un enjeu majeur de compétitivité
économique. Deux leviers sont maintenant présentés : l'usage de prix départ et la généralisation des
milk run ( tournées du laitier en français).
Le prix départ Historiquement, les achats étaient négociés avec des incoterms pouvant varier du
EXW au DDP (cf gure 1.10). Ainsi, dans les cas d'approvisionnement FRANCO (DDP, DDU),
la prestation transport est réalisée par le fournisseur. Il est clair que pour massier les ux, il faut
utiliser un maximum de moyens de transport communs. Ainsi la négociation en EXW des achats
va augmenter le volume à transporter au niveau du prestataire logistique et donc augmenter les
possibilités d'optimisation du transport.
Les tournées du laitier Parallèlement au prix départ, la stabilité du programme de production et
de la liste unique ordonnancée permet de prévoir précisément les volumes à transporter et ainsi de
remplacer des transports de messagerie par des transports par lot réalisant des boucles régulières
de ramassage (appelée aussi tournée de laitier ). Cette optimisation est réalisée mensuellement
en fonction des volumes de production du mois à venir.
1.3.4.4 Le transport intercontinental

Lorsque le transport devient intercontinental, l'usage du fret maritime est nécessaire. Ce mode de
transport est très diérents en termes de contraintes du transport routier. Dans ce qui suit, nous allons
détailler l'organisation classique du transport intercontinental.
1.3.4.4.1 Les ux internationaux Le transport en fret maritime utilise quasi-uniquement des
caisses métaliques à taille standard : les trans-conteneurs (TC). Malgré ce sur-emballage, le fret mari-
time est un environnement très hostile qui va demander de préparer les pièces spéciquement à ce type
de transport. Ainsi le passage par une plateforme de préparation ou ACE (Atelier de Conditionnemnet
et d'Emballage) est nécessaire à la fois pour emballer les pièces et les ranger dans les conteneurs.
Un ux international standard de pièces peut se décomposer en diérents tronçons.
l'enlèvement : entre le fournisseur et la plateforme de préparation des conteneurs.
la mise à FOB (Free On Board - comme l'incoterm) : entre l'ACE et le port de départ,
le fret : entre le port de départ et le port d'arrivée,
le POST : entre le port d'arrivé et l'ACE d'arrivée,
la distribution : entre l'ACE de déconditionnement et l'usine terminale,
Notons que parfois, les fournisseurs peuvent préparer directement des TC et que les usines terminales
peuvent avoir sur place les activités de déconditionnement.
1.3.4.4.2 L'optimisation du transport international Au delà de la productivité au niveau

des ACE et des ports, le transport internationnal a aussi des leviers d'optimisation pour faire baisser
son coût. Nous pouvons citer : l'amélioration du transport d'approche et de distribution, le coût du
fret, l'optimisation douanière.
Dans le coût total du transport international, les phases d'approche et de distribution sont non
négligeables. Elles pourront donner lieu à de l'optimisation de transport routier comme vu précédement
pour le transport continental.
Le coût du fret est basé sur des tarifs des aréteurs maritimes. Ces tarifs sont très variables car
ils suivent à la fois le cours du pétrole et la loi de l'ore et de la demande. Cela implique que les
tarifs ne sont pas les mêmes selon le sens du transport (un transport de l'Europe vers la Chine est
bien moins cher qu'un transport de la Chine vers l'Europe) et qu'ils peuvent varier rapidement. Par
ailleurs, l'existence d'une liaison maritime entre deux ports mineurs n'est pas assurée et le transport
26
maritime a tendance à se concentrer entre les grands ports mondiaux (dans l'ordre de volume de
transit : Shanghai, Singapour, Shenzen, Hong-Kong, Rotterdam... ) avec des tarifs de transports très
compétitifs.
Le transport international intègre aussi la notion de douanes et de taxes douanières. Il est notable
que certaines procédures douanières permettent de diérer ou de faire rembourser des frais de douanes.
Ainsi des entrepôts sous douanes sont possibles. Les marchandises sont stockées non dédouanées et les
frais de douanes ne seront à payer qu'en sortie de stock. Dans le cas de marchandises importées pour
assemblage, si la marchandise assemblée est réexportée alors il est possible de récupérer des droits de
douane.
1.3.5 La distribution
La distribution intègre le transport de la sortie de l'usine (appelée bout d'usine ) jusqu'à la

concession où le véhicule sera vendu. Ce transport est important car, du fait de la taille des usines
terminales, il existe au nal peu de sites de production. Or les marchés étant mondiaux, il n'est pas
rare qu'un véhicule voyage plusieurs milliers de kilomètres pour retrouver son acheteur. Par la suite,
nous allons décrire l'organisation du bout d'usine, les diérents modes de transport utilisés et les
leviers de l'optimisation de la distribution.
1.3.5.1 Le bout d'usine
Le bout d'usine est d'abord un lieu important organisationnellement car il y a transfert de propriété
du véhicule entre la liale industrielle et la liale commerciale. De plus, à proximité de chaque usine se
trouve un stock commercial pouvant abriter des véhicules attendant un client. Enn, le bout d'usine
est organisé pour réaliser le triage des véhicules et les orienter vers les bonnes zones d'expédition.
1.3.5.2 Les modes de transport des véhicules
Les véhicules sont transportables à la fois par la route, par le fer ou par la mer.
1.3.5.2.1 La route Le transport routier utilise des camions prévus à cet eet. Ce moyen de trans-
port est exible mais relativement onéreux. Quand cela est possible sur un même tronçon de transport,
des optimisations en termes de chargement sont réalisées en choisissant de transporter des combinai-
sons de véhicules complémentaires.
1.3.5.2.2 Le fer Le transport ferroviaire est relativement peu onéreux mais demande l'accès à
l'infrastructure ferroviaire ce qui impose certaines contraintes en termes de délai (disponiblité des
rames de fret, transport de nuit...). C'est le moyen privilégié pour rejoindre les ports et les grands
centres de distribution.
1.3.5.2.3 La mer Le transport maritime est obligatoire pour les liaisons intercontinentales. Les
véhicules sont soit garés directement dans les bateaux de type RO - RO (Roll On - Roll Out, en
français, rouler pour entrer et pour sortir), soit installés dans des transconteneurs spéciques. Les
liaisons maritimes étant peu fréquentes et lentes, ce type de transport impose un délai non négligeable.
1.3.5.3 L'optimisation de la distribution
La distribution a des coûts non négligeables pouvant dépasser la marge commerciale réalisée lors de
la vente d'un véhicule. Ainsi son optimisation est nécessaire et sera réalisée grâce au levier du Design
For Logistics (DFL), de l'optimisation du réseau de transport multimodal.
Le Design For Logistics vise à intégrer au plus tôt les contraintes de transport dans la conception
des véhicules. Ainsi on vériera qu'un véhicule respecte bien les volumes transportables par le
fer ou par les camions.
27
L'optimisation du réseau multimodal va chercher à optimiser la circulation des diérents ux
de distribution entre les usines terminales et les concessions. Ainsi le transport ferroviaire est
peu onéreux mais il est long. Au contraire, le transport par camion est exible mais onéreux sur
de grandes distances. De plus, le transport maritime dispose d'un calendrier n'autorisant aucun
retard (par exemple, dans le cas d'une liaison mensuelle). La prise en compte des diérents
temps de transport selon le mode choisi et des capacités de stockage au niveau des centres de
distribution est alors aussi nécessaire.
1.3.6 Le processus PSA de planication hiérarchique

Dans la section précédente, nous avons décrit brièvement la chaîne logistique des véhicules de
PSA. Il est clair qu'une telle organisation industrielle est complexe et qu'une certaine anticipation est
nécessaire car, par exemple, des capacités de production peuvent demander plusieurs années entre la
prise de décision d'installation et le fonctionnement opérationnel. Ainsi les opérations sont préparées
à l'avance avec l'objectif d'avoir un système industriel ecace (répondant au besoin commercial) et
ecient (utilisant le minimum de ressources) lors de leur exécution.
Le concept de planication hiérarchisée (cf 1.2.2.2) ore une théorie bien formalisée qui nous
guidera pour la description de la phase de préparation des premières décisions d'investissement de
capacité de production à l'ultime ordonnancement des ordres fermes de fabrication. En considérant
chaque décision de planication comme à un étage de la pyramide de la préparation, il existe des
interdépendances entre deux niveaux consécutifs donnés. Par la suite, nous allons décrire le concept
de planication avancée et son application à l'industrie automobile, puis nous détaillerons les plans
majeurs de l'industrie automobile que sont la planication stratégique, la planication du montage et
le programme directeur de production.
1.3.6.1 La planication avancée et son application dans l'automobile

Le système industriel du secteur automobile est très complexe et a un temps de réaction long
notamment en termes de variation des capacités de production au sein des UT. La planication de
la chaîne logistique automobile a donc beaucoup à gagner avec le déploiement des APS ('Advanced
Planning System', en français 'Système de planication avancée'). Cette planication va être réalisée
sur toute la phase de préparation et inclut le cycle de réponse à la commande (cf. 1.9). Un des enjeux
des APS est de bien distinguer la phase préparatoire basée sur les prévisions et la phase d'exécution
basée sur les commandes fermes où les concepts de simplicité du Lean prévalent. Ainsi la planication
avancée doit apporter la structure optimale pour la réalisation au plus juste (traduction de Lean
en français). Cette structure doit donc être toujours plus exible, plus réactive et toujours viser à
réduire le stock de véhicules neufs comme préconisé dans [HPC04].
1.3.6.2 Application à l'automobile de la planication avancée

Précédemment, dans une étude sur l'industrie automobile allemande [Mey04], les plans suivants
ont été distingués :
le plan budgétaire,
le programme de production,
le plan d'allocation de la production aux sites.
Cette approche a été complétée dans [KM06] avec une décomposition de la planication automobile
en 3 plans :
la planication stratégique
la planication moyen-terme (budget et programme de production)
la planication des ordres fermes
Par la suite, nous décrivons les prévisions qui vont servir de base à la planication avancée ainsi
que les diérentes étapes de cette planication prévisionnelle.
28
1.3.6.3 Les diérentes prévisions de vente
La phase de préparation que nous étudions (en dehors de l'aectation des commandes aux UT et
l'ordonnancement des OF) est réalisée de manière prévisionnelle. Les décisions sont donc basées sur
des prévisions commerciales issues du marketing et des liales commerciales. Ces prévisions ont des
horizons, des niveaux de détail et des fréquences de mise à jour diérents. Nous allons détailler le plan
produit stratégique, les prévisions annuelles, les prévisions mensuelles et les prévisions hebdomadaires.
1.3.6.3.1 Le plan produit stratégique Le plan produit stratégique synthétise les projets vé-
hicules issus du marketing et acceptés par la direction générale. Ce sont des projets en termes de
positionnement commercial car ni le style, ni les spécications techniques ne sont encore dénis. En
général, on rencontre soit de nouvelles versions d'un véhicule existant en n de vie, soit de nouveaux
véhicules avec un positionnement marketing très précis. Ces plans produits donnent des volumes de
vente annuels sur l'ensemble de la vie prévisionnelle du véhicule. On aura donc des prévisions à qua-
siment 10 ans. Ce plan produit peut évoluer très rapidement en fonction des tendances économiques,
de la consommation et de la concurence.
1.3.6.3.2 Les prévisions stratégiques A moyen terme (5 ans), des prévisions sont communi-
quées à la fois aux usines et aux fournisseurs en termes de volume de production par quadrimestre.
Ces prévisions sont tirées du plan produit stratégique et anées sur l'horizon. Toutefois, la communi-
cation à l'extérieur de l'entreprise de ces prévisions concerne majoritairement les 2 premières années
(sauf exception). Ces prévisions sont réalisées sur des projets véhicules clairement dénis et codiés
où on peut distinguer des silhouettes particulières (par exemple, 3 portes ou 5 portes).
1.3.6.3.3 Les prévisions mensuelles Sur un horizon de 4 ou 5 mois, des prévisions mensuelles
sont réalisées avec un niveau de détails plus n. A noter que l'on travaille en réalité sur des périodes
qui correspondent à 4 semaines complètes (du lundi au dimanche). Le premier mois (ou plus exactement
la première période) est un contrat entre les liales commerciales et la production. Les liales
commerciales s'engagent sur la commande de véhicules génériques ce qui permet à la production de
valider son organisation industrielle (par exemple, les eectifs industriels, les volumes approvisionnés,
les heures supplémentaires).
1.3.6.3.4 Les prévisions hebdomadaires En fonction des commandes de la semaine précédente

et des commandes dans la banque d'OF (cf 1.3.2.1), les prévisions de la semaine à venir sont détaillées
plus précisément pour réaliser des adaptations à court terme et mieux avertir les fournisseurs des
approvisionnements à venir.
Ces diérentes prévisions sont synthétisées en gure 1.12.
Figure 1.12 Les diérentes prévisions

29
Au delà du besoin de abilité des chires, une cohérence entre les diérents plans est nécessaire
pour avoir de la même manière une cohérence des décisions de la préparation du système industriel.
1.3.6.4 Les diérents plans

Nous détaillons maintenant les diérents plans qui vont structurer et organiser la chaîne logistique
PSA et qui sont représentés dans la gure 1.13. Nous détaillons la planication stratégique du mon-
tage, la planication (tactique) du montage, le budget et le programme de production. Notons que
l'aectation et l'ordonnancement ont déjà été présentés en 1.3.2.1.
Figure 1.13 La planication avancée PSA
1.3.6.4.1 La planication stratégique de la chaîne logistique La planication stratégique

correspond à l'ensemble des décisions d'investissement prises sur la chaîne logistique. Ces décisions
vont structurer de manière durable le système industriel et sont généralement prises à long terme
(plusieurs années à l'avance). Ces décisions sont validées directement par la Direction Générale et sont
du type suivant
Quelles sont les usines terminales à exploiter, faut-il en ouvrir de nouvelles ou au contraire
réduire la taille des sites existants ?
Quelles capacités de production sont à mettre en place au sein des unités de production ?
Comment faire évoluer ces capacités dans le temps ? Quelles sont les technologies à installer ou
à modier pour les installations ?
Faut-il externaliser certaines fonctions de la chaîne logistique ?
Comment organiser le réseau de fournisseurs à l'aide des investissements en termes d'outillage
mais aussi avec des partenariats ?
Comment organiser les échanges de sous-ensembles entre les diérentes régions géographiques
du Groupe ? Faut-il spécialiser ces régions ?
Est-il intéressant d'exporter des véhicules entre les diérents continents d'implantation du groupe ?
L'ensemble de ces décisions a une dimension éminament politique et multidisciplinaire. Parallèlement,
les aspects nanciers sont une contrainte majeure des décisions réalisées à la fois en termes de nan-
cement mais aussi de retour sur investissement (ou, plus exactement, de retour sur capitaux investis).
1.3.6.4.2 La planication du montage La planication du montage répartit les prévisions com-

merciales sur les sites de production (plus exactement, sur les ateliers de montage) dans le détail du
véhicule à la silhouette. Elle est contrainte par les décisions d'investissements industriels réalisées à
horizon stratégique. La liberté du plan de montage réside dans l'organisation des ressources humaines
(par exemple, le nombre d'équipe par jour), plus exible que les investissements industriels. De plus, le
plan de montage est la référence en termes d'accostage à la fois des projets véhicules (lancement d'un
nouveau véhicule ou gestion de sa n de vie) et des projets industriels (mise en place ou modication
30
des installations industrielles) avec la vie série, c'est-à-dire les véhicules en cours en production. Enn,
les mises à jours des prévisions commerciales sont aussi étudiées pour vérier qu'on a toujours équilibre
entre la capacité de production et la demande commerciale (prévisionnelle). Ainsi la dénition stra-
tégique de véhicule d'équilibre (véhicule produit sur plusieurs usines terminales) permet d'équilibrer
la charge aectée à chaque site de production. Au niveau du plan de montage, les questions suivantes
sont posées :
Les sites sont-ils raisonnablement chargés ? Doit-on transférer du volume entre diérents sites
ou faire appel à des heures supplémentaires ?
Quels sont les besoins en termes de recrutement pour les changements de capacités de produc-
tion ? Ces besoins sont-ils ponctuels ou sont-ils durables ?
Quel est l'impact du calendrier légal (congés, jours fériés...) sur l'activité de production ?
Quelle capacité et quand la réserver pour assurer la mise au point du process pour le lancement
de nouveaux véhicules ?
1.3.6.4.3 Le plan budgétaire D'une année sur l'autre, un bugdet couvrant l'ensemble de l'entre-
prise est déni pour estimer les charges et les produits à prévoir et assurer la bonne marche nancière.
C'est aussi l'occasion de prioriser les actions à mener l'année à venir. Du point de vue industriel, ce
plan va être réalisé à partir des prévisions de ventes ; ces dernières sont détaillées complètement comme
des ordres de fabrication. Un calcul des besoins (via la nomenclature) est réalisé et un calcul comp-
table à niveau de détails opérationnel est réalisé. En termes logistiques, le budget est une synthèse des
décisions prises avec une valorisation économique et un moyen de prioriser les actions d'amélioration
à mener.
1.3.6.4.4 Le programme directeur de production Le programme de production va dénir

par mois, sur le quadrimestre à venir, les quantités et les dénitions prévisionnelles des véhicules à
assembler dans les diérentes usines terminales. Ce programme doit respecter les contraintes globales
des usines et des fournisseurs. D'une part, les usines terminales sont limitées à la fois par le potentiel
technologique des installations industrielles (robots, cadences...) et les ressources humaines ÷uvrant au
sein des ateliers. D'autre part, les fournisseurs ont un potentiel de production limité par les outillages
installés (moules d'injection plastique...). L'objectif du programme de production est aussi d'organiser
la production mais aussi la logistique d'approvisionnement (plan de transport, logistique interne)
et la logistique de distribution (diérents modes de transport...). Cependant ce programme reste
prévisionnel ; seules les commandes vont entraîner des approvisionnements de composants auprès des
fournisseurs et des productions. Il est notable qu'il existe un contrat entre la division du commerce
(cf. 1.3.6.3.3) et celle de la production sur le mois à venir. Cet engagement du commerce donne une
certaine stabilité au niveau de la production, au moins sur les grandes caractéristiques des dénitions
des véhicules.
Les plans présentés dans cette section sont les piliers de la planication hiérarchisée du système
industriel. La cohérence des décisions dans cette séquence de plan est donc primordiale pour une
exécution optimale des opérations de la chaîne logistique.
1.4 Les diérents problèmes de planication stratégique de PSA

Dans la structure de la planication avancée présentée précédement, la planication stratégique doit
dénir les investissements en termes de capacités de production et de capacités d'approvisionnement.
Ces investissements ne sont réalisés que s'ils sont rentables, c'est-à-dire si leur coût d'investissement est
compensé par des économies d'exploitation ou par une augmentation de revenus. Cette exploitation
opérationnelle est organisée stratégiquement avec le plan de montage qui répartie les volumes de
production sur les diérents sites. Les décisions d'investissements sont donc intimement liées à la
planication du montage (cf. 1.3.6.4.2) sur la durée de vie des investissements. On est donc bien dans
31
un cas de planication hiérarchisée où l'anticipation de la répartition du montage doit s'assurer de la
rentabilité des investissements.
1.4.1 Décomposition du problème de planication stratégique

Le problème de planication stratégique est un problème complexe.Ainsi les diverses possibilités
d'investissement à la fois en production et en approvisionnement crée une certaine combinatoire. De
plus, la prise en compte de l'ensemble des coûts pour réaliser une optimisation globale demande
une analyse économique ne, par exemple, en intégrant les économies d'échelle en production et le
calcul des prix de cession.
Ainsi une répartition monopériode doit déjà être résolue convenablement avant de pouvoir planier
le montage et les investissements stratégiques sur un horizon temporel. Le problème de planication
stratégique est donc décomposé en trois problèmes distincts :
1. Le problème de répartition stratégique sans contrainte de sourcing,
2. Le problème de répartition stratégique avec contrainte de sourcing,
3. Le problème de planication stratégique avec investissements.
1.4.1.1 La répartition stratégique sans contrainte de sourcing

Le problème de répartition stratégique va consister, pour une période donnée, à partir des prévisions
de ventes issues du marketing, à dénir les quantités prévisionnelles de production et d'achat. Ces
décisions sont liées aux ux d'approvisionnement et aux ux de distribution qui vont circuler des
fournisseurs aux usines et des usines aux centres de distribution. Ces ux sont valorisés et l'ensemble
des coûts d'approvisionnement, de production et de distribution vont former un total économique à
optimiser. Ainsi la répartition est réalisée en minimisant le coût total d'exploitation de cette chaîne
logistique sur la période.
Dans la répartition stratégique sans contrainte de sourcing, nous ajoutons les hypothèses suivantes :
Le modèle est mono-période.
On ne prend pas en compte les investissements.
Les approvisionnements n'ont pas de contrainte de sourcing.
1.4.1.2 La répartition stratégique avec contraintes de sourcing

La répartition stratégique avec contraintes de sourcing dénit aussi les quantités de production,
de distribution et d'approvisionnement. Cependant ces dernières sont limitées par des contraintes de
capacité d'approvisionnement.
Dans la répartition stratégique avec contrainte de sourcing, nous ajoutons les hypothèses suivantes :
Le modèle est mono-période.
On ne prend pas en compte les investissements.
Notons aussi que le problème de répartition stratégique (avec ou sans contrainte de sourcing) est
industriellement un problème multipériodes. Ainsi les diérentes périodes peuvent être liées entre elles
par les investissement (perdurant sur plusieurs périodes) et les stocks (le stock nal d'une période est
le stock initial de la période suivante). Nous faisons le choix d'étudier le problème de répartition
stratégique avec des investissements xés et sans stockage (hypothèse générale). Ce dernier pourra
être dupliqué pour obtenir un résultat sur plusieurs périodes.
1.4.1.3 La planication stratégique avec investissement

Le problème de planication stratégique va considérer plusieurs périodes avec des possibilités d'in-
vestissements en capacités de production et d'approvisionnement. A chaque période et en fonction des
investissements réalisés, une répartition est calculée. L'objectif est de proposer un système industriel
issu des investissements de manière à répondre à la demande commerciale et minimisant un coût total
sommant l'investissement et l'exploitation.
32
1.4.2 Les hypothèses de la modélisation à horizon stratégique
La modélisation à horizon stratégique est naturellement moins détaillée que les données que l'on
utilise opérationnellement. En eet, à horizon stratégique, la complexité du système industriel et le
manque d'information ne permet pas d'étudier nement celui-ci. De plus, les prévisions de ventes
sont elles-même agrégées à l'année. Enn, l'objectif est, en général, plus de dénir des tendances
industrielles et d'ordonner des scénarios industriels que de réellement réaliser des chirages précis.
A partir de la description détaillée de la chaîne logistique PSA présentée en début de chapitre, des
hypothèses de modélisation sont prises pour garder uniquement les éléments essentiels à la prise de
décision stratégique.
Les données de références sont des données agrégées :
Les véhicules étudiés correspondent aux projets véhicules c'est-à-dire à des véhicles uniquement
dénis en termes de marque, de segment de vente (citadine, berline, routière...) et de silhouette
(forme générale de la voiture).
Les composants (pièces) assemblés pour réaliser un véhicule sont regroupés en familles cohé-
rentes ;
Les capacités industrielles sont agrégées de manière à considérer un nombre limité de sites de
production et à faciliter l'estimation et l'impact des contraintes capacitaires.
Les lieux géogaphiques ne sont pas détaillés : on considère en fonction des besoins une ville, une
région ou, même, un pays.
La maille temporelle étudiée est l'année.
Concernant le système industriel, certaines hypothèses ont été prises lors de la modélisation :
Les données sont considérées comme toutes disponibles.
Des ux types sont dénis à la fois en approvisionnement et en distribution. Opérationnellement,
les ux ont généralement plusieurs points de ruptures : pour un ux d'approvisionnement, il
peut passer par un atelier de conditionnement et d'emballage, un port, un magasin avancé
fournisseur, une plate-forme logistique... De même, la distribution des familles de véhicules peut
demander de passer dans des ports, dans des centres de distribution... Ces points de ruptures
ne sont pas modélisés explicitement mais les coûts de passage sont intégrés dans les coûts de
transport. De plus, des mix de modes de transport (camion/bateau en approvisionnement et
camion/train/bateau en distribution) sont dénis a priori et permettent d'estimer les coûts.
Comme la maille temporelle est l'année, le calcul du stock saisonnier n'a pas d'intérêt.
Les systèmes d'ordres ne sont pas considérés explicitement hormis les ux synchrones. Le coût
et les impacts en production (niveau de stock) des diérents systèmes d'ordres mis en place sont
estimés a priori.
L'approvisionnement d'une pièce au sein d'une usine terminale est majoritairement mono-sourcé
(pour limiter les investissements en outillage). Cependant si les sources d'approvisionnement ont
des limites capacitaires, l'utilisation de plusieurs sources est possible.
Les décisions d'investissement en source d'approvisionnement sont réalisées comme s'il existait
toujours un fournisseur local (ou une usine locale d'un fournisseur connu). En réalité, l'ensemble
de ces investissements n'est pas forcément réalisable car ce sont les fournisseurs qui détiennent
les sites et donc décident au nal de cette possibilité d'implantation.
Les ux d'approvisionnement sont modélisés à partir de la dernière usine réalisant de la valeur
ajoutée. Ils sont donc limités au 'rang 1'. Cela inclut les usines PSA de pièces de mécanique et
de bruts. L'approvisionnement auprès de fournisseurs externes et l'assemblage de ces pièces ne
sont pas considérés.
Les ux de distribution sont considérés comme atteignant un unique centre de distribution
correpondant au marché de vente. La partie de la distribution dite 'capillaire', des centres de
distribution aux concessions, n'est pas modélisée car elle est indépendante du choix du site de
production (pas d'optimisation conjointe possible).
Des hypothèses sont possibles à partir de la mise en place du Lean : le système logistique
est considéré comme fonctionnant au nominal, c'est-à-dire sans aléas. De plus, le système est
considéré comme stationnaire c'est-à-dire que l'on ne prend pas en compte les phases transitoires
comme les montées en cadence et les ns de vies de véhicules.
D'importantes hypothèses sont prises au niveau des stock : le travail en ux tirés est l'hypothèse
générale et on ne considère pas de stock saisonnier ou spéculatif : aucun stock commercial n'est
considéré sur une année. Cependant les sécurisations, déterminées dans les modes de fonction-
nement, et les encours de transport sont intégrés.
Concernant l'évaluation économique, les hypothèses suivantes sont prises :
Tous les prix sont en euros. Les conversions monétaires sont implicites dans les prix donnés.
Tous les coûts sont variables hormis les frais xes des ressources de production (qui sont ventilés
sur les volumes produits par les frais généraux) et l'amortissement annuel des investissements.
Pour les coûts de transport, les moyens de transport sont considérés constament disponibles (et
indépendants des quantités aectées aux ux). Ainsi les prix de transport sont estimés a priori
et un coecient intègre le coût de retour à vide des camions. Enn, les économies d'échelles sur
le transport en messagerie ne sont pas considérées.
Les prix d'emballage intègrent ce que coûte le conditionnement au point de rupture de ux (main
d'÷uvre) et le coût matière du transport : emballage perdu ou durable. Cet emballage chez le
fournisseur est inclus dans le prix d'achat. Un second emballage sera compté en cas de transport
maritime.
Les prix de cessions sont considérés comme directement dépendants des coûts de revient de
fabrication.
Les coûts de douanes sont sur-estimés : les droits de douanes sont calculés à partir d'une valeur
en douane. Cette valeur en douane est opérationnellement la valeur des marchandises arrivées à
la frontière. Dans nos hypothèses, nous ne distinguons pas le transport avant l'entrée dans le pays
de destination et le transport dans le pays de destination. La valeur en douane est sur-estimée
car elle intègre le coût du transport dans le pays de destination.
Les eets des impôts et des taxes diérents entre les pays ne sont pas pris en compte.
L'optimisation douanière (perfectionnement passif et actif) et la gestion des diérents régimes
douaniers ne sont pas prises en compte.
1.5 Conclusion
Dans ce chapitre, nous avons déni les concepts de référence de la gestion de chaînes logistiques.
Nous avons vu l'évolution de l'activité logistique et l'importance nouvelle qui la caractérise depuis le
début de la mondialisation. Cette activité est maintenant fortement dépendante des systèmes d'infor-
mation qui orent de la visibilité aux informations et accélère la diusion des décisions. De plus, nous
avons décrit le système industriel du constructeur automobile PSA. La complexité de l'organisation a
été exposée ; notamment, dans la coordination de ses processus d'approvisionnement, de production
et de distribution. Cette coordination est assurée au travers d'une planication hiérarchique où la
planication stratégique du réseau logistique est un élément déterminant. La connaissance du système
industriel nous a permis de dénir les problèmes de la répartition stratégique de la production et de
la planication stratégique du réseau logistique de PSA. Les hypothèses inhérentes à cet horizon ont
été exposées.
A l'issue de cette étude bibliographique et industrielle, il est clair que le problème de conception de
la chaîne logistique est complexe. Son résultat aura un impact majeur sur la pérennité de l'entreprise.
Ainsi l'appui d'un système d'aide à la décision apporterait à la fois à la rapidité et à la qualité de cette
prise de décision. Dans le cas spécique du secteur automobile, l'ampleur des investissements impose
de prendre des décisions nécessitant beaucoup de capitaux sur un horizon étendu ce qui renforce
l'intérêt d'un outil d'aide à la décision. Dans le chapitre suivant, nous travaillons sur l'optimisation de
la répartition stratégique qui est un sous-problème du problème de conception de chaîne logistique
34
Chapitre 2
La répartition stratégique
Le grand clivage en optimisation n'est pas entre la linéarité et la non linéarité mais entre la
convexité et la non convexité. R. T. Rockafellar
Sommaire
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.2 Modèle de connaissance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.2.1 Sous-système physique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.2.2 Sous-système logique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.2.3 Sous système décisionnel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.3 Répartition stratégique sans contraintes de sourcing . . . . . . . . . . . . 47
2.3.1 Formalisation mathématique du modèle de production-distribution . . . . . . 48
2.3.2 Etude de la convexité de la fonction objectif . . . . . . . . . . . . . . . . . . . 50
2.3.3 Etat de l'art sur les modèles de production-distribution . . . . . . . . . . . . 51
2.3.4 Borne inférieure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.3.5 Méthodes d'optimisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
2.3.6 Expérimentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
2.4 Répartition stratégique avec contrainte de sourcing . . . . . . . . . . . . . 76
2.4.1 Formalisation mathématique . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
2.4.2 Etude de la convexité de la fonction objectif . . . . . . . . . . . . . . . . . . . 78
2.4.3 Etat de l'art du problème avec contraintes de sourcing . . . . . . . . . . . . . 79
2.4.4 Borne inférieure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
2.4.6 Expérimentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
2.1 Introduction
Dans ce chapitre, nous traitons le problème de répartition stratégique qui est un sous-problème
du problème de conception de réseau logistique [GF07]. Cette répartition à une période donnée est
contrainte par les décisions stratégiques prises comme, par exemple, l'ouverture d'un nouveau site ou
l'augmentation de la capacité de production d'un site existant. La répartition stratégique du réseau
logistique va devoir estimer, à chaque période de l'horizon de planication, la circulation des marchan-
dises des fournisseurs aux clients selon les investissements capacitaires réalisés. Ainsi, en lien avec les
décisions stratégiques d'investissement, l'objectif est d'organiser au mieux et de manière anticipée les
diverses activités d'approvisionnement, de production et de distribution pour minimiser, dans la suite
de la planication hiérarchique, le coût total d'exploitation ou maximiser le bénéce tiré de la vente
de produits aux clients sur un horizon de plusieurs années.
35
36
Dans ce qui suit, nous allons dénir notre modèle de connaissance pour la répartition stratégique.
Ce modèle est directement tiré de la description du système industriel et des hypothèses de modélisa-
tion liées à l'horizon stratégique réalisées en Chapitre 1. A partir de ce modèle de connaissance, nous
proposons dans un premier temps de résoudre le problème de répartition stratégique sans contrainte de
sourcing. Pour ce faire, nous proposons une formalisation mathématique du problème. Cette formalisa-
tion sera suivie d'un état de l'art des modèles et des méthodes de résolution trouvés dans la littérature.
Ensuite, diérentes méthodes de résolution sont proposées et appliquées au problème. Dans un second
temps, nous présenterons le problème avec contraintes de sourcing au travers d'une formulation ma-
thématique. Ensuite, un état de l'art des modèles et des méthodes de résolution de la littérature seront
exposés. Enn, des méthodes de résolution seront proposées et appliquées au problème.
2.2 Modèle de connaissance
Le modèle de connaissance est une formalisation dans un langage naturel ou graphique de la

structure et du fonctionnement du système. Ce modèle doit contenir, entre autres, les informations
pertinentes pour décrire les problèmes posés. Il doit mettre en évidence de manière claire l'ensemble
des problèmes induits par les systèmes étudiés. L'obtention du modèle de connaissance d'un sys-
tème complexe est un processus qui doit être conduit avec beaucoup de rigueur. Il faut, d'une part,
conduire une analyse structurelle et fonctionnelle du système et, d'autre part, spécier les activités
et donc les ux qui traversent ce système, et les règles de fonctionnement qui gèrent ces ux. Pour
conduire cette analyse, une décomposition en trois sous-systèmes complémentaires et communicants
est préconisée [GK01].
2.2.1 Sous-système physique
Le sous-système physique comprend les entités physiques qui composent le système étudié. Il
permet de décrire la topologie des unités de production, de stockage, les caractéristiques techniques
des moyens de production ainsi que les liens physiques et logiques entre ces moyens [GK01].
Nous étudions une chaîne logistique constituée de zones reliées entre elles par des routes.
On distingue trois types de zones :
Les zones d'approvisionnement qui sont les zones considérées pour acheter des familles de
pièces. Elles sont désignées par leur nom.
Les zones de production qui sont les zones considérées pour réaliser la production des familles
de véhicules. Chaque zone de production est désignée par son nom. Un nombre de jours ouvrés
annuel (en jours, strictement supérieur à 0) est déni par zone de production.
Les zones de commercialisation qui sont les zones considérées pour la vente des familles de
véhicules. Elles sont dénies par leur nom.
Entre une zone d'approvisionnement et une zone de production, une route d'approvisionnement
peut exister : cela traduit une possibilité de transport de la zone d'approvisionnement vers la zone
de production. Ainsi cette route dispose d'un prix de transport par unité transportée (en m3 ) et d'un
délai d'approvisionnement (en h). De plus, une route d'approvisionnement impose diérents stocks de
sécurité :
Un stock de sécurisation du transport déterminé à partir d'un niveau de stock de sécurisation
(en h) permet de pallier aux aléas de transport à proximité de la zone de production,
Un stock de fonctionnement avec un niveau de stock de fonctionnement (en h) est déni pour
pallier aux aléas du transport international.
De plus, un coecient de transport d'urgence est déni pour valoriser le coût des transports d'urgence
(i.e. taxi, hélicoptère) parfois nécessaires pour éviter les ruptures d'approvisionnement.
De même, entre une zone de production et une zone de commercialisation une route de distri-
bution peut être dénie. La route de distribution est caractérisée par un prix de transport (en e ) au
véhicule et un délai de distribution (en h).
37
Des technologies de production sont disponibles pour réaliser les activités nécessaires à la
production des véhicules. Ces technologies sont caractérisées par leur nom.
Une technologie installée sur une zone de production constitue une ressource de production. Les
ressources ont des frais xes (en e) et des frais variables (en e/véhicule ou e/vhl) pour leur utilisation.
Elles sont, de plus, caractérisées par une cadence minimale (en vhl/h) et une cadence maximale (en
vhl/h) de fonctionnement et un temps d'ouverture quotidien (en h). Les cadences correspondent aux
vitesses maximales de production et vont dénir la capacité annuelle (minimum et maximum) de
production.
2.2.2 Sous-système logique
'Le sous-système logique est composé des gammes et nomenclatures des pièces que peut fabriquer
le système étudié ainsi que des règles opératoires. La gamme opératoire est constituée des opérations
concernant les pièces en terme de moyen de production et de temps de traitement' [GK01].
Les familles de pièces sont des agrégats de pièces caractérisés par un nom et un incoterm qui
déterminera comment se déroulera son transfert de propriété avec le fournisseur (il dénira si le coût
d'acquisition intègre ou non le transport et ses sécurisations et la douane). Ainsi, nous considérons
deux cas (logique booléenne) : le cas d'un achats Ex-Works (cas général) et le cas d'un achat DDP
(livraison synchrone où le prix d'achat est égal au prix rendu). De plus, un volume d'emballage (en
m3 ) est déni à partir de l'emballage nécessité par la famille de pièces lors de son transport.
Les familles de véhicules sont des agrégats de véhicules caractérisés par un nom et un coecient
de gabarit (sans unité) pour évaluer un encombrement par rapport à un véhicule de référence.
Pour une famille de véhicules, on peut déterminer des liens de nomenclature avec des familles
de pièces. Ces liens déterminent des coecients de nomenclature pour dénir la quantité (en pc) d'une
famille de pièces nécessaire à la réalisation d'un véhicule d'une famille de véhicules.
Une famille de pièces disponible auprès d'une zone d'approvisionnement va constituer une source
d'approvisionnement à un certain prix d'acquisition (en e/pc). Des approvisionnements minimum
(en pc) et maximum (en pc) sont imposés par les contrats types passés avec les fournisseurs.
Le transport d'une famille de pièces sur une route d'approvisionnement peut demander de traverser
une douane d'approvisionnement et imposer l'application d'un taux de douane.
Lors du transport d'une famille de pièces sur une route d'approvisionnement, on utilise un em-
ballage pour protéger les marchandises. Cet emballage est caractérisé par un prix d'emballage (en
e/pc).
Le transport de familles de pièces achetées pour une famille de véhicules et empruntant une route
d'approvisionnement est un ux d'approvisionnement. Il est caractérisé par une quantité de ux
d'approvisionnement (en pc) transportée sur la route d'approvisionnement. Comme une famille de
pièces peut être montée sur plusieurs familles de véhicules, il est important de dissocier la famille de
véhicule à l'origine du besoin d'approvisionnement. Diérents coûts sont aussi calculés au niveau des
ux d'approvisionnement, tels que :
1. un coût d'acquisition (en e) correspondant au transfert de propriété des pièces,
2. un coût de transport (en e) correspondant au coût de déplacement des pièces de la zone d'ap-
provisionnement à la zone de production,
3. un coût d'emballage (en e) correspondant à l'utilisation de transconteneur pour le transport
maritime (protection des pièces, mise en transconteneur...),
4. un coût de transport d'urgence (en e) lié aux livraisons en urgence (taxi, hélicoptère) pouvant
survenir lors d'un aléa de transport, un incident 'qualité' ou une surconsommation,
5. un coût de douane (en e) lors du changement d'union douanière,
6. des frais de stock de fonctionnement (en e) correspondant au stock pour pallier aux aléas du
transport intercontinental,
7. des frais d'encours (en e) correspondant à l'immobilisation dû au temps de transport,
38
8. des frais de stock de sécurisation (en e) pour pallier aux aléas du transport de proximité,
Ces diérents coûts permettront de dénir le coût rendu (en e).
La production des familles de véhicules est réalisée sur une zone de production. Cette production
est caractérisée par une quantité de production (en vhl) et par diérents indicateurs économiques
comme les frais généraux (en e/vhl), la masse achat (en e/vhl), le complément logistique (en e/vhl)
et la valeur ajoutée (en e/vhl) de cette production. Ces coûts permettront de dénir un prix de
revient de fabrication (en e/vhl). Après aectation d'un coecient de cession (par exemple, la marge
commerciale), on obtiendra le prix de cession (en e/vhl) pour une famille de véhicules et pour une
zone de production.
Chaque production d'une famille de véhicules nécessite un certain nombre d'activités de pro-
duction, chacune d'une certaine technologie. Ces activités sont caractérisées par un coecient de
charge de travail (sans unité) par rapport à la charge imposée par un véhicule de référence.
Le transport d'une famille de véhicules sur une route de distribution peut entraîner le passage en
douane de distribution et l'application d'un taux de douane.
Le transport d'une famille de véhicules sur une route de distribution dénit un ux de distribu-
tion. Un ux de distribution est caractérisé par une quantité de ux de distribution (en vhl). Chaque
ux a un prix de ux de distribution (en e/vhl) et un coecient de ux de distribution. Diérents
coûts sont évalués sur un ux de distribution comme le coût de cession (en e), le coût de transport
(en e), le coût de douane (en e) et les frais d'encours (en e). Cela permettra de dénir un coût rendu
de distribution (en e).
Des prévisions de vente (en vhl) sont connues pour des distributions c'est-à-dire pour une zone
de commercialisation donnée et une famille de véhicules donnée.
Les classes étudiées et leurs relations sont synthétisées en gure 2.1.
Figure 2.1 Diagramme de classes du modèle de connaissance
39
40
2.2.3 Sous système décisionnel
'Le sous-système décisionnel permet de spécier l'ensemble des règles de fonctionnement du sys-
tème. Il est formé d'un ensemble de règles de gestion qui agissent sur les sous-systèmes logique et
physique' [GK01].
Nous utiliserons les notations suivantes pour le reste du document :
Description des ensembles Ensemble Indice
Ensemble des zones de commercialisation ZC v
Ensemble des zones de production ZP u
Ensemble des zones d'approvisionnement ZA s
Ensemble des familles de véhicules FV i
Ensemble des technologies de production TP t
Ensemble des routes de distribution RD k
Ensemble des routes d'approvisionnement RA j
Ensemble des familles de pièces FP p
Les éléments qui se rapportent à la chaîne logistique ne sont pas décrits dans le diagramme UML
précédent. Ces éléments sont les suivants :
T aux_possession_stock : taux de possession de stock qui valorise les frais nanciers des dié-
rents stocks.
Cout_total_exploitation : ensemble des coûts rendus des ux de distribution, ce qui intègre
l'ensemble des coûts de production et d'approvisionnement, sur toute la chaîne logistique étudiée.
Remarque An de simplier les notations, nous avons choisi la convention suivante : un attri-
but sera représenté par le nom de l'attribut indicé par le ou les objet(s) s'y rapportant. Par exemple,
quantite_prodi,u désigne l'attribut quantite_prod de l'instance de la classe Production, classe d'asso-
ciation entre la zone de production u et la famille de véhicules i. De même, origine(j) désigne la zone
d'approvisionnement ayant le rôle 'origine' pour l'instance j de la classe route d'approvisionnement.
L'ensemble des décisions sont synthétisées dans un plan de montage stratégique. Ce plan de mon-
tage indique les productions, c'est-à-dire les quantités de familles de véhicules produites sur les zones
de production. A partir de ce plan de montage, l'ensemble de la chaîne logistique est synchronisée
grâce au lien entre la production de familles de véhicules, les ux de familles de pièces approvisionnées
des zones d'approvisionnement aux zones de production et les ux de familles de véhicules distribuées
des zones de production aux zones de commercialisation.
La réalisation d'un plan de montage donne des valeurs aux attributs suivants :
quantite_prodi,u : quantité (en vhl) de la famille de véhicules i produite sur la zone de production
u.
quantite_f lux_approi,j,p : quantité (en pc) de la famille de pièces p transportée sur la route
d'approvisionnement j pour assembler des véhicules de la famille de véhicules i.
quantite_f lux_distrii,k : quantité (en vhl) de la famille de véhicules i transportée sur la route
de distribution k .
Les contraintes suivantes sont nécessaires à la bonne gestion de la chaîne logistique :
Existence des ux d'approvisionnement La quantite_f lux_approi,j,p est égale à 0 si la

zone d'approvisionnement à l'origine de j ne peut pas approvisionner la famille de pièces p ou si la
zone de production à destination de la route j ne dispose pas de toutes les technologies nécessaires à
la production de la famille de véhicules i.
Existence des ux de distribution La quantite_f lux_distrii,k est égale à 0 si la zone de

production à l'origine de la route k ne dispose pas de toutes les technologies nécessaires à la production
de la famille de véhicules i ou si la zone de commercialisation à destination de la route k ne demande
pas de distribution de la famille de véhicules i.
41
Satisfaction de la demande commerciale Les ux de distribution doivent répondre exac-
tement aux prévisions de ventes des quantités de familles de véhicules i au niveau des zones de
commercialisation v .
quantite_f lux_distrii,k = prevision_ventei,v , ∀i ∈ F V, v ∈ ZC (2.1)

X
k∈RD/destination(k)=v
Conservation des ux au niveau des zones de production Pour respecter le lien de no-
menclature entre les familles de véhicules i et les familles de pièces p, on utilise les coecients de
nomenclature au niveau des zones de production, il existe une contrainte d'équilibre entre les ux
d'approvisionnement et les ux de distribution :
quantite_f lux_distrii,k .coef f _nomenclaturei,p

X
k∈RD/origine(k)=u
= quantite_prodi,u .coef f _nomenclaturei,p

quantite_f lux_approi,j,p , ∀i ∈ F V, p ∈ F P, u ∈ ZP (2.2)
X
=
j∈RA/destination(j)=u
Respect des capacités industrielles La production sur les zones de production est limitée par
les capacités industrielles des ressources de production pour une zone de production et une technologie.
Pour une technologie donnée et sur une zone de production, la charge totale de travail est la somme,
pour toutes les familles de véhicules produites sur la zone de production, de la quantité produite,
corrigée par le coecient de charge de la technologie de production t pour la famille de véhicules i.
Cette charge totale doit respecter la capacité minimale et la capacité maximale de la ressource de
production de la zone de production ayant la technologie considérée calculées à partir des cadences de
production, des temps d'ouverture des ressources de production et du nombre de jours ouvrés sur les
zones de production.
cadence_mint,u .temps_ouverturet,u .nombre_jours_ouvresu 6

P
quantite_prodi,u .coef f _chargei,t , ∀t ∈ T P, u ∈ ZP (2.3)
i∈F V
quantite_prodi,u .coef f _chargei,t 6

P
i∈F V
cadence_maxt,u .temps_ouverturet,u .nombre_jours_ouvresu , (2.4)
∀t ∈ T P, u ∈ ZP
Ces contraintes peuvent être simpliées avec l'introduction de données factorisées de capacités
minimum et maximum de production :
capacite_mint,u = cadence_mint,u .temps_ouverturet,u .nombre_jours_ouvresu

∀t ∈ T P, u ∈ ZP
(2.5)
capacite_maxt,u = cadence_maxt,u .temps_ouverturet,u .nombre_jours_ouvresu
∀t ∈ T P, u ∈ ZP
Respect des capacités d'approvisionnement L'approvisionnement sur les zones d'appro-

visionnement est limité par les capacités des fournisseurs. Pour une pièce donnée et sur une zone
d'approvisionnement donnée, la quantité approvisionnée est bornée par une capacité d'approvision-
nement minimum (correspondant aux minima contractuels) et par une capacité d'approvisionnement
maximum (correspondant aux limites technologiques de production).
42
X X
appro_minp,s 6 quantite_f lux_approi,j,p , ∀p ∈ F P, s ∈ ZA (2.6)
j∈RA/origine(j)=s i∈F V
X X
appro_maxp,s > quantite_f lux_approi,j,p , ∀p ∈ F P, s ∈ ZA (2.7)
j∈RA/origine(j)=s i∈F V
2.2.3.1 Evaluation économique de la Chaîne Logistique
L'évaluation de la chaîne logistique demande de calculer tous les coûts liés à l'approvisionnement,
à la production et à la distribution.Le ux matériel circulant des fournisseurs aux clients voit sa valeur
augmenter au fur et à mesure des opérations réalisées. Les coûts sont maintenant détaillés en trois
sections correspondant aux coûts d'approvisionnement, de production et de distribution.
2.2.3.1.1 Evaluation des coûts d'approvisionnement Pour un ux d'approvisionnement, les

coûts suivants sont évalués :
Coût d'acquisition
Coût de transport d'urgence
Coût de transport d'approvisionnement
Coût d'emballage
Coût de douane d'approvisionnement
Frais de sécurisation
Frais de stock de fonctionnement
Frais d'encours d'approvisionnement
Coût rendu d'approvisionnement
Coût d'acquisition Le coût d'acquisition correspond au prix pour devenir propriétaire des familles
de pièces p sur le ux d'approvisionnement utilisant la route d'approvisionnement j à destination
de l'assemblage de la famille de véhicules i. Le coût d'acquisition d'un ux est le produit du prix
d'acquisition (en e/pc) de chaque famille de pièces p à la zone d'approvisionnement à l'origine de la
route d'approvisionnement j par la quantité (en m3 ) de famille de pièces constituant le ux.
cout_acquisition_approi,j,p = prix_acquisitionp,origine(j) .quantite_f lux_approi,j,p ,

(2.8)
∀i ∈ F V, j ∈ RA, p ∈ F P
Coût de transport d'urgence Un coecient de transport d'urgence est calculé à partir d'un retour
d'expérience et caractérise les routes en fonction du pays d'origine et de destination. Ce coecient est
à appliquer au coût d'acquisition du ux d'approvisionnement.
cout_transport_urgence_approi,j,p =
coef f _transport_urgencej .cout_acquisitioni,j,p , (2.9)
∀i ∈ F V, j ∈ RA, p ∈ F P
Le coût de transport d'urgence est un surcoût de transport uniquement. Il n'est ni compté dans le
coût de douane, ni valorisé dans les stocks.
43
Coût de transport d'approvisionnement Le coût de transport d'un ux d'approvisionnement
est le produit du prix unitaire de transport du ux (e/m3 ) par la quantité de famille de pièces (pc)
circulant sur le ux multiplié par le volume de son emballage (m3 /pc).
cout_transport_approi,j,p =
volume_emballagep .prix_transport_approj .quantite_f lux_approi,j,p , (2.10)
∀i ∈ F V, j ∈ RA, p ∈ F P
Coût d'emballage Le coût d'emballage d'un ux d'approvisionnement est le produit du prix d'em-
ballage unitaire d'une famille de pièces (e/pc) sur une route d'approvisionnement multiplié par la
quantité transportée (pc) sur le ux d'approvisionnement.
cout_emballage_approi,j,p = prix_emballage_approj,p .quantite_f lux_approi,j,p ,

(2.11)
∀i ∈ F V, j ∈ RA, p ∈ F P
Coût de douane d'approvisionnement Le coût de douane d'un ux d'approvisionnement est

calculé à partir de la valeur en douane de la famille de pièces formant le ux sur laquelle est appliqué
le taux de douane. Cette valeur en douane est dénie comme la somme du coût d'acquisition, du coût
de transport du ux d'approvisionnement et du coût d'emballage approvisionnement.
cout_douane_approi,j,p =
taux_douane_approj,p .(cout_acquisitioni,j,p +
(2.12)
cout_transport_approi,j,p + cout_emballage_approi,j,p ),
∀i ∈ F V, j ∈ RA, p ∈ F P
Frais de stock de sécurisation approvisionnement Les frais de sécurisation correspondent aux

frais nanciers du stock de sécurisation vis-à-vis des aléas de transport sur une route d'approvision-
nement donnée (avec un niveau de stock de sécurisation donné) des ux d'approvisionnement. Ces
frais correspondent à la valeur du stock de pièces (valorisée au prix d'achat) multipliée par un taux
de possession de stock.
f rais_stock _securisation_approi,j,p =
_ _ _ _ _ _ _ _
niveau stock securisation approj .quantite f lux approi,j,p .prix acquisitionp,origine(j) .taux possession stock
_ _
nb jours ouvresdestination(j) ,
∀i ∈ F V, j ∈ RA, p ∈ F P
(2.13)
Frais de stock de fonctionnement Les frais de stock de fonctionnement d'un ux d'approvi-
sionnement sont les frais nanciers liés aux niveaux de stock de fonctionnement nécessaires pour la
sécurisation des transports trans-continentaux entre des zones d'approvisionnement et des zones de
production très éloignées.
f rais_stock _f onctionnement_approi,j,p =
_ _ _ _ _ _ _ _
niveau stock f onctionnement approj .quantite f lux approi,j,p .prix acquisitionp,origine(j) .taux possession stock
_ _
nb jours ouvresdestination(j) ,
∀i ∈ F V, j ∈ RA, p ∈ F P
(2.14)
44
Frais d'encours d'approvisionnement Les frais des encours de transport entre les zones d'ap-
provisionnement et les zones de production sont les frais nanciers liés aux valeurs des familles de
pièces constamment immobilisées dans l'encours de transport du ux d'approvisionnement. Cela est
calculé à partir du délai de transport d'approvisionnement et du nombre de jours ouvrés de la zone
de production.
f rais_encours_approi,j,p =
_ _ _ _ _ _
delai approj .quantite f lux approi,j,p .prix acquisitionp,origine(j) .taux possession stock
_ _
nb jours ouvresdestination(j) , (2.15)
∀i ∈ F V, j ∈ RA, p ∈ F P
Coût rendu d'approvisionnement Le coût rendu d'approvisionnement correspond au coût des

pièces d'une famille de pièces arrivées à destination d'un ux d'approvisionnement.
cout_rendu_approi,j,p = cout_acquisitioni,j,p + cout_transport_urgence_approi,j,p

+cout_transport_approi,j,p + cout_emballage_approi,j,p + cout_douane_approi,j,p
+f rais_stock _securisation_approi,j,p + f rais_stock _f onctionnement_approi,j,p (2.16)
+f rais_encours_approi,j,p ,
∀i ∈ F V, j ∈ RA, p ∈ F P
Cette expression peut être simpliée en dénissant un prix de ux d'approvisionnement :
prix_f lux_approj,p = prix_transport_approj .volume_emballagep .(1 + taux_douane_approj,p )

+prix_emballage_approj,p
+prix_acquisitionp,originej .(1 + taux_douane_approj,p + coef f _transport_urgencej
niveau_stock_securisation_approj +niveau_stock_f onctionnement_approj +delai_approj
+taux_possession_stock. nombre_jours_ouvres ),
destination(j)
∀j ∈ RA, p ∈ F P
(2.17)
Nous avons alors :
cout_rendu_approi,j,p = prix_f lux_approj,p .quantite_f lux_approi,j,p
(2.18)
∀i ∈ F V, j ∈ RA, p ∈ F P
2.2.3.1.2 Evaluation des coûts de production La production d'une famille de véhicules sur
une zone de production dénit diérents coûts :
Masse achat
Complément logistique
Valeur ajoutée
Part des frais xes
Prix de revient de fabrication
Masse achat La masse achat est la valeur moyenne d'achat des familles de pièces composant un
véhicule d'une famille de véhicules. Elle correspond à la moyenne des coûts d'acquisition réalisés pour
une famille de véhicules et une zone de production. Cela intègre aussi les coûts de douane.
masse_achatP i,u
=
(cout_acquisistioni,j,p +cout_douane_approi,j,p ))
P
(

 j∈RA/destination(j)=u p∈F P/coef f _nomenclaturei,p >0

_

quantite prodi,u
(2.19)

 si quantite_prodi,u > 0
0 sinon.

∀i ∈ F V, u ∈ ZP
45
Complément logistique Le complément logistique est la valorisation par véhicule des diérents
coûts de la logistique d'approvisionnement des familles de pièces entrant dans l'assemblage d'une
famille de véhicules. Ces coûts logistiques prennent en compte, pour tous les ux de familles de pièces
pour une famille de véhicules d'une zone de production, le coût de transport, le coût de transport
d'urgence, le coût d'emballage, les frais de stock de fonctionnement, les frais de stock de sécurisation,
les frais d'encours divisés par la quantité de cette famille de véhicules sur cette zone de production.
complement_logistiquei,u =
1

 quantite_prod
P i,u
.
(cout_transport_approi,j,p

 P
 (
j∈RA/destination(j)=u p∈F P/coef f _nomenclaturei,p >0





 +cout_transport_urgence_appro

+ cout_emballage_appro
i,j,p
+f rais_stock _f onctionnement_approi,j,p + f rais_stock _securisation_approi,j,p
i,j,p
(2.20)

+f rais_encours_approi,j,p ))




si quantite_prodi,u > 0




0 sinon.


∀i ∈ F V, u ∈ ZP
Part frais xes de production La part des frais xes de production d'un véhicule produit sur une
zone de production correspond aux frais xes des ressources de production installées sur les zones de
production dont les technologies interviennent dans la production de la famille de véhicules et répartis
sur les quantités produites de toutes les familles de véhicules
 _f rais_
part f ixesi,u =
P f rais_f ixest,u
P
quantite_prodi′ ,u
 t∈T P/coef f _chargei,t >0 i′ ∈F V /coef f _chargei′ ,t >0




si
P
quantite_prodi′ ,u > 0 (2.21)
i′ ∈F V /coef f _chargei′ ,t >0



0 sinon.


∀i ∈ F V, u ∈ ZP
Valeur ajoutée La valeur ajoutée d'un véhicule correspond à la somme, pour toutes les technologies
nécessaires à la famille de véhicules, des frais variables de production corrigés par le coecient de
charge.
valeur_ajouteei,u = coef f _chargei,t .f rais_variablest,u ,

P
_
t∈T P/coef f chargei,t >0 (2.22)
∀i ∈ F V, u ∈ ZP
Prix de revient de fabrication Le prix de revient de fabrication correspond à la somme des coûts
de production pour une unité d'une famille de véhicules sur une zone de production.
prix_revient_f abricationi,u =
masse_achati,u + complement_logistiquei,u + part_f rais_f ixesi,u + valeur_ajouteei,u , (2.23)
∀i ∈ F V, u ∈ ZP
Prix de cession Le prix de cession est la valeur d'un véhicule en sortie de zone de production.
Il est calculé à partir du prix de revient de fabrication, éventuellement corrigé par un coecient de
cession.
46
prix_cessioni,u = prix_revient_f abricationi,u .coef f _cessioni,u ,

(2.24)
∀i ∈ F V, u ∈ ZP
2.2.3.1.3 Evaluation des coûts de distribution Pour un ux de distribution, les coûts suivants
sont évalués :
Coût de cession
Coût de transport de distribution
Coût de douane de distribution
Frais d'encours de distribution
Coût rendu de distribution
Les coûts pour chaque ux de distribution sont détaillés ci-après :
Coût de cession Le coût de cession pour un ux de distribution est la valorisation de la valeur
de la famille de véhicules transportée. Le coût de cession du ux est calculé en multipliant le prix de
cession de la famille de véhicules sur la zone de production d'origine du ux par la quantité (en vhl)
de la famille de véhicules constituant le ux de distribution.
cout_cessioni,k = prix_cessioni,origine(k) .quantite_f lux_distrii,k ,

(2.25)
∀i ∈ F V, k ∈ RD
Coût de transport de distribution Le coût de transport d'un ux de distribution est le prix
unitaire de transport sur la route de distribution corrigé par le coecient de gabarit et multiplié par
la quantité de véhicules formant le ux.
cout_transport_distrii,k = prix_transport_distrik .coef f _gabariti .quantite_f lux_distrii,k ,

∀i ∈ F V, k ∈ RD
(2.26)
Coût de douane de distribution Le coût de douane d'un ux de distribution est calculé à partir
de la valeur en douane de la famille de véhicules formant le ux de distribution sur laquelle est appliqué
le taux de douane de distribution. Cette valeur en douane est dénie comme la somme du coût cession
et du coût de transport distribution.
cout_douane_distrii,k = taux_douane_distrii,k .(cout_cessioni,k + cout_transport_distrii,k ),

∀i ∈ F V, k ∈ RD
(2.27)
Frais d'encours de distribution Ce sont les frais nanciers liés à l'encours d'un ux de distribu-
tion. Cela est calculé à partir du délai de distribution, du nombre jours ouvrés de la zone de production
expéditrice, du prix de cession des véhicules et du taux de possession de stock.
_ _ _ _ _ _
delai distrik .quantite f lux distrii,k .prix cessioni,origine(k) .taux possession stock
f rais_encours_distrii,k = _ _
nombre jours ouvresorigine(k) ,
∀i ∈ F V, k ∈ RD
(2.28)
47
Coût rendu de distribution Le coût rendu d'un ux de distribution est la somme des coûts de
distribution.
cout_rendu_distrii,k =
cout_cessioni,k + cout_transport_distrii,k + cout_douane_distrii,k + f rais_encours_distrii,k
∀i ∈ F V, k ∈ RD
(2.29)
Cette expression peut être simpliée en calculant un coecient de ux de distribution (pour la
partie dépendante du prix de cession) et un prix de ux de distribution (pour la partie indépendante
du prix de cession) :
prix_f lux_distrii,k = prix_transport_distrik .coef f _gabariti .(1 + taux_douane_distrii,k )

∀i ∈ F V, k ∈ RD
(2.30)
coef f _f lux_distrii,k = 1 + taux_douane_distrii,k +

_ _ _
delai distrik .taux possession stock
_ _
nombre jours ouvresorigine k)
( (2.31)
∀i ∈ F V, k ∈ RD
Ce qui donne :
cout_rendu_distrii,k =
quantite_f lux_distrii,k .(coef f _f lux_distrii,k .prix_cessioni,origine(k) + prix_f lux_distrii,k )
∀i ∈ F V, k ∈ RD
(2.32)
2.2.3.1.4 Coût de la chaîne logistique Au niveau de la chaîne logistique, le coût total d'exploi-
tation totalise l'ensemble des coûts de distribution de la chaîne logistique :
cout_total_exploitation = cout_rendu_distrii,k
P P
(2.33)
i∈F V k∈RD
Nous proposons un diagramme d'arbre des coûts (gure 2.2) qui synthétise l'obtention du coût
total de la chaîne logistique étudiée.
Par la suite, nous présentons des modèles dans une démarche en deux temps : nous étudions
d'abord un modèle d'action adressant le problème de répartition stratégique uniquement au niveau de
la production et de la distribution, puis nous l'étendrons dans un modèle d'action intégrant l'appro-
visionnement, la production et la distribution.
2.3 Répartition stratégique sans contraintes de sourcing
En prenant l'hypothèse qu'il n'y a pas de contraintes de capacité au niveau du sourcing, nous
proposons de réaliser la répartition stratégique dans la chaîne logistique adressant uniquement la
partie 'production' et la partie 'distribution'. Ainsi, si on considère les capacités d'approvisionnement
illimitées, on peut connaître a priori les coûts d'approvisionnement pour chaque production d'une
famille de véhicules sur une zone de production en calculant, pour chaque famille de pièces entrant
dans sa nomenclature, l'approvisionnement le moins cher.
48
Figure 2.2 Synthèse des coûts de la répartition stratégique
total_approP
_mini,u =
j∈RA/destination( j)=u (prix_f lux_approj,p )
min
(2.34)
_
p∈F P/coef f nomenclaturei,p >0
∀i ∈ F V, u ∈ ZP
Par la suite, nous proposons une formalisation mathématique du problème. Puis, nous présentons
une revue de littérature de ce problème. Enn nous proposons des méthodes de résolution qui seront
mises en ÷uvre.
2.3.1 Formalisation mathématique du modèle de production-distribution
Par la suite, nous décrivons les données, les variables, les contraintes et la fonction objectif du
problème de production-distribution.
2.3.1.1 Données
Les données correspondant à la production sont les suivantes :

49
FV Nombre de familles de véhicules,
ZP Nombre de zones de production,
TP Nombre de technologies de production,
eit eit = 1 si le véhicule de type i (i = 1, F V ) a besoin de la technologie de
production t (t = 1, T P ), 0 sinon,
f ft,u Frais xes de la technologie de production t(t = 1, T P ) installée sur u (u =
1, ZP ),
f vt,u Frais variable pour la production d'un véhicule standard utilisant la technologie
de production t(t = 1, T P ) installée sur u (u = 1, ZP ),
min
capt,u Nombre minimum de véhicules standards à produire avec la technologie de
production t(t = 1, T P ) installée sur u (u = 1, ZP ),
capmax
t,u Nombre maximum de véhicules standards pouvant être produits avec la tech-
nologie de production t(t = 1, T P ) installée sur u (u = 1, ZP ),
tami,u Coût total de l'approvisionnement pour la famille de véhicules i (i = 1, F V )
produite sur la zone de production u (u = 1, ZP )
xci,t Coecient entre le nombre de véhicules de la famille de véhicules i (i = 1, F V )
produit avec la technologie de production t(t = 1, T P ) et un véhicule standard,
xcsi,u Coecient de cession de la famille de véhicules i (i = 1, F V ) produite sur u
(u = 1, ZP ).
Les données correspondant aux activités de distribution sont les suivantes :
ZC nombre de zones de commercialisation,
RD nombre de routes de distribution,
ck,u ck,u = 1 si la route de distribution k (k = 1, RD) a pour origine u (u = 1, ZP ),
0 sinon,
dk,v dk,v = 1 si la route de distribution k (k = 1, RD) a pour destination v (v =
1, ZC ),0 sinon,
pvi,v prévision de ventes pour la famille de véhicules i (i = 1, F V ) sur la zone de
commercialisation v (v = 1, ZC ),
pf di,k Prix unitaire de distribution (indépendant du prix de cession) pour la famille de
véhicules i (i = 1, F V ) transportée sur la route de distribution k (k = 1, RD),
xf di,k Coecient de distribution pour la famille de véhicules i (i = 1, F V ) transportée
sur la route de distribution k (k = 1, RD),
2.3.1.2 Variables
Il s'agit de déterminer Yi,k (i = 1, F V ; k = 1, RD), la quantité de familles de véhicules i transportée

sur la route de distribution k.
2.3.1.3 Contraintes
Les contraintes suivantes doivent être satisfaites :

1. Les prévisions de vente doivent être satisfaites exactement pour toutes les familles de véhicules
sur toutes les zones de commercialisation :
RD
(2.35)
X
dk,v .Yi,k = pvi,v , ∀i = 1, F V, ∀v = 1, ZC
k=1
2. Les minimum et maximum de capacités de production pour toutes les technologies de production
sur toutes les zones de production doivent être respectées :
RD FV
(2.36)
X X
ck,u .( Yi,k .xci,t ) > capmin
t,u , ∀t = 1, T P, ∀u = 1, ZP
k=1 i=1
50
RD
X XFV
ck,u .( Yi,k .xci,t ) 6 capmax
t,u , ∀t = 1, T P, ∀u = 1, ZP (2.37)
k=1 i=1
3. Non-négativité des variables :
Yi,k > 0, ∀i = 1, F V, ∀k = 1, RD (2.38)
2.3.1.4 Fonction objectif
L'objectif est de minimiser le coût d'exploitation sur la chaîne logistique.
FV X
X RD ZP
X
M inimiserf (Y ) = Yi,k .(pf di,k + xf di,k . ck,u .pci,u ) (2.39)
i=1 k=1 u=1
avec le prix de cession pci,u tel que :

pci,u = xcsiu . tamiu
TP
X f ft,u
+ ei,t . F V RD
FV RD
+ xci,t .f vt,u (2.40)
t=1
P P P P
e
i′ ,t . c
k′ u .Y
i′ k′ + δ0 ei ,t .
′ ck ,u .Yi ,k
′ ′ ′
i′ =1 k′ =1 i′ =1 k′ =1
2.3.2 Etude de la convexité de la fonction objectif
Pour rappel, une fonction f : E 7→ ℜ ∪ ∞ est dite convexe lorsque, pour tous x1 et x2 de E et λ
dans [0,1] on a : f (λx1 + (1 − λ)x2 ) ≤ λf (x1 ) + (1 − λ)f (x2 )
A partir de la dénition mathématique d'une fonction convexe, nous donnons un contre-exemple
prouvant la non-convexité du problème de répartition de production avec des douanes et des économies
d'échelles de la fonction objectif 2.39.
Considérons un réseau constitué de deux zones de production ZP1 et ZP2 et de deux zones de
commercialisation ZC1 et ZC2. Nous considérons des frais xes égaux à 100 sur les deux zones de
production et des taux de douane de 50% sur les routes (ZP1, ZC2) et (ZP2,ZC1). Nous négligeons
tous les autres paramètres de coûts tels que les frais variables de production ou les prix de transport.
En outre, nous ne considérons qu'un seul type de véhicules dont la demande est respectivement de 34
véhicules sur la ZC1 et de 20 véhicules sur la ZC2.
Figure 2.3 Schéma du réseau simplié
Nous instancions la fonction objectif avec les paramètres suivants :

card(ZP ) = 2
51
card(ZC) = 2
card(F V ) = 1
card(RD) = 4
card(T P ) = 1
pf di,k = 0 ∀i ∈ F V, k ∈ RD
xcsi,u = 1 ∀i ∈ F V, u ∈ ZP
tami,u = 0 ∀i ∈ F V, u ∈ ZP
f ft,u = 100 ∀t ∈ T P, u ∈ ZP
f vt,u = 0 ∀t ∈ T P, u ∈ ZP
Les coecient de distribution sont égaux à 1.5 pour les routes (ZP1, ZC2) et (ZP2,ZC1) :
origine(k) destination(k) xf d( 1, k)
k=1 ZP1 ZC1 1
k=2 ZP1 ZC2 1,5
k=3 ZP2 ZC1 1,5
k=4 ZP2 ZC2 1
Nous construisons des solutions (cf.gure 2.3) Y = (Y1,1 , y1,2 , Y2,1 , Y2,2 )t .
Le coût total est :
100
f (Y) = ∗ (Y1,1 + Y1,2 ∗ 1, 5) + (Y2,1100
(Y1,1 +Y1,2 ) +Y2,2 ) ∗ (Y2,1 ∗ 1, 5 + Y2,2 )
Soient les trois solutions Y 1, Y 2 et Y 3 = 1/2 ∗ (Y 1 + Y 2) :
Y1 : (4, 0, 30, 20)
100 100
f (Y1) = (4+0) ∗ (4 + 0) + (30+20) ∗ (30 ∗ 1, 5 + 20) = 100 + 100/50 ∗ 65 = 230
Y2 : (34, 16, 0, 4)
100 100
f (Y2) = (34+16) ∗ (34 + 16 ∗ 1, 5) + (0+4) ∗ (0 + 4) = 100/50 ∗ 58 + 100 = 216
Y3 = 1/2 ∗ (Y 1 + Y 2) = (19, 8, 15, 12)
100 100
f (Y3) = 1 (19+8) ∗ (19 + 8 ∗ 1, 5) + (15+12) ∗ (15 ∗ 1, 5 + 12) = 100 100
27 ∗ 31 + 27 ∗ (34, 5) = 133 + 127 = 250
Par ailleurs, on a 1/2 ∗ (f (Y1) + f (Y2)) = 223
On a donc f ((Y1 + Y2)/2) > ((f (Y1) + f (Y2))/2 donc, d'après la dénition de la convexité, la
fonction est non convexe.
2.3.3 Etat de l'art sur les modèles de production-distribution
Les problèmes de production-distribution sont étudiés depuis très longtemps. Cependant, ils sont
souvent modélisés d'une manière simpliée qui ne reète pas forcément la complexité industrielle.
Néanmoins, ces modèles ont certaines propriétés mathématiques et sont résolus par des méthodes d'op-
timisation pouvant nous aider à résoudre notre problème. En premier lieu, dans le cas de production-
distribution, une analogie forte est à réaliser avec le problème de transport.
2.3.3.1 Le problème de transport
Le problème de répartition d'une demande commerciale sur diérents sites de production est un
problème classique de la littérature de la Recherche Opérationnelle (RO). Dans sa version la plus
simple où un seul produit est géré, où la production est exactement égale à la demande, où toutes
les routes de distribution existent et où la fonction objectif est linéaire, ce problème est le problème
de transport ('transportation problem' en anglais). Par le passé, ce problème a été étudié par Monge,
Kantorovitch, Hitchock [Sch02]...
Notons que, si la demande égale la production, le problème est dit 'équilibré'. Dans le cas où le
problème est 'déséquilibré', il est possible d'ajouter, respectivement, en cas d'ore inférieure (supé-
rieure) à la demande, une source (un puits) supplémentaire avec une capacité (une demande) égale au
montant du déséquilibre.
Ce problème a été très étudié car il est non seulement utilisé en logistique mais aussi dans de
nombreux autres domaines où sa formulation ore des procédures ecaces de résolution.
52
De plus, sa représentation sous la forme d'un tableau a oert la possibilité de réaliser des procédures
de résolution intuitives et facilement applicables manuellement (méthode Houthaker, de Vogel, de
Russel [JB80], méthode de Balas-Hammer...).
Ajoutons que le problème de transport se généralise en un problème de ots sur un réseau ('network
ow problem' , NFP, en anglais) et la méthode du Simplexe sur un réseau ('Network Simplex' en
anglais) est applicable.
2.3.3.2 Extensions du problème de transport

Le problème de transport a été étendu pour intégrer des aspects logistiques plus réalistes et pour
essayer d'appliquer ses propriétés intéressantes et ses méthodes de résolutions ecaces sur un domaine
plus large. [Sha05] propose une revue de littérature du problème de transport et de ses extensions
(multi-produits, non-linéaire, multiobjectif...) Nous allons passer en revue les problèmes de transport
à coût concave, le problème d'approvisionnement à coût concave et le problèmes de ots sur un réseau
à coût concave.
2.3.3.2.1 Problème de transport à coût concave Une extension intéressante du problème

de transport avec des économies d'échelle (coûts de transport concaves en fonction de la quantité
transportée) est appelé problème de transport à coût concave ('concave cost transportation problem',
CCTP, en anglais). Cet aspect est très proche de notre prise en compte des frais xes de production
qui sont ammortis sur le volume de production.
De plus, on démontre que dans le cas du problème de transport à coût concave, la solution est
toujours un point extrême du polytope formé par les contraintes linéaires [LMR94]. [Ter07] étudie plus
généralement (coûts concaves ou convexes) le problème de transport non-linéaire.
Le problème de transport à coûts concaves se généralise aussi en un problème de ots sur un réseau
à coût concave ('concave cost network ow', CCNFP, en anglais). La littérature du CCNFP est donc
directement applicable : le lecteur pourra se référer à la revue de la litérature de [GP90]. Notons que
les problèmes de ots avec des coûts concaves sont NP-diciles (dans une modélisation discrète).
Un autre problème étant une sous-classe du CCNFP est le problème de ot sur un réseau à coût
concave mais linéaires par partie ('piece wise linear concave cost network ow problem', PWCCNFP,
en anglais) [FL06].
Notons qu'une autre variante du CCNFP est le problème de tranport à charge xe 'xed charge
transportation problem', FCTP, en anglais qui est à rapprocher du problème de localisation de site
('facility location problem' en anglais) ; autre problème classique de la RO. Dans ce cas, la fonction de
coût imposant un investissement en cas d'utilisation d'un site de production est concave et discontinue.
2.3.3.2.2 Problème d'approvisionnement à coûts concaves [CP03] ont travaillé sur une ex-
tension du problème de transport avec une capacité de production comprise entre deux bornes (une
borne inférieure et une borne supérieure). Ce problème est nommé 'problème d'approvisionnement à
coûts concaves' ('concave cost supply problem', CCSP, en anglais). Il est intéressant car il implique
une limite inférieure de production (dans le cas du TP). Cela est rarement le cas dans la littérature
et cela correspond à notre problème.
2.3.3.2.3 Problème de ots à coût concave avec plusieurs commodités CCMCNFP Le

problème de ots avec plusieurs commodités ('Multicommodity Network Flow Problem', MCNFP, en
anglais) est l'extension à plusieurs produits du problème de ots sur un réseau. Les diérents produits
doivent alors partager les capacités limitées des arcs de transport [GCF98]. La structure du problème à
plusieurs produits permet de facilement mettre en ÷uvre des méthodes de décomposition (par exemple,
décomposition de Benders...).
Le problème de ots avec plusieurs commodités a lui même été étendu avec des coûts concaves
('Concave Multicommodity Network Flow Problem', CCMCNFP, en anglais) et des coûts concaves
53
linéaires par partie par [MM04]. Ces derniers démontrent que l'approche Lagrangienne est peu ecace
et proposent une heuristique basée sur une technique d'arrondi.
Une diérence est notable entre les MCNFP et notre problème : les capacités sont sur les arcs et
non au niveau des sites de production.
Il est important de dissocier cette répartition stratégique (sans investissement) du plan indus-
triel et commercial (PIC) [VBWJ05]. Le PIC va déterminer, sur une maille plus ne, généralement le
mois ou la semaine, et un horizon plus court, le semestre ou le trimestre, les quantités produites et
transportées mais aussi les quantités stockées ; ce qui n'est généralement pas pris en compte sur une
maille annuelle. Le PIC est un plan tactique et donc postérieur au dimensionnement de la structure
logistique et des ux réalisés au niveau stratégique.
2.3.3.2.4 Conclusion sur notre modèle Nous avons présentés les problèmes de la littérature
pouvant se rapprocher de notre problème de répartition. Nous voyons que le problème tel que déni
à la section 2.2 se diérentie du Concave Cost Transportation Problem (CCTP) en traitant plusieurs
produits et en ajoutant des contraintes sur les capacités de production. Cependant le problème de
répartition stratégique est de la même classe de problèmes non linéaires non convexes à contraintes
linéaires. Nous proposons la gure 2.4 qui présente une vue d'ensemble des diérents problèmes et
de leur classication. Il est important de noter qu'un problème de minimisation sur un polyèdre peut
être résolu en temps polynomial si la fonction objectif est convexe [GLS93] (par exemple, avec la
méthode du point intérieur). Cependant, en cas de non-convexité, aucun algorithme vraiment ecace
n'est disponible.
Figure 2.4 Proposition de classication des problèmes liés au problème de transport

54
2.3.3.3 Méthodes de résolution
Le problème d'optimisation avec une fonction objectif non convexe étant dicile, de nombreuses
méthodes de résolution ont été testées dans la littérature. Nous présentons les méthodes exactes,
les heuristiques (notamment basées sur la programmation linéaire) et les métaheuristiques issues à
la fois de la littérature du problème de transport et de ses extensions (cf section 2.3.3.1). De plus,
nous présentons des méthodes applicables plus généralement au type de problèmes non linéaires non
convexes sous contraintes linéaires.
2.3.3.3.1 Méthodes exactes Dans le cas d'un polytope comme domaine des solutions (formé par
les contraintes linéaires) et d'une fonction objectif concave, la solution est un point extrême. Murty a
proposé une procédure de classement des points extrêmes ('Extreme point ranking' en anglais) [Mur68].
[McK75] a amélioré cette méthode pour le FCTP pour éviter certains problèmes de dégénérescence.
[Cro99] propose un méthode pour les problèmes de ots à coût linéaires par partie (PWCCNFP).
La thèse inclut des applications au Supply Chain Management.
[RNP09] propose une méthode exacte pour le PWCCNFP et, au nal, résoudre le FCNFP. Cette
méthode se base sur une formulation bilinéaire et la procédure 'Adaptive Dynamic Cost Updating' de
[NP08] (initialement créée pour le FCTP).
[CN96] propose un code spécique, basé sur le partitionnement du problème primal, pour le 'non-
linear (convex) multicommodity network ows'.
[AGIS03] propose une méthode pour résoudre les problèmes non linéaires avec une fonction objectif
diérentiable en énumérant les points stationnaires aux sommets, sur les faces et arêtes et à l'intérieur
du polyèdre des contraintes. Cela est réalisé grâce à l'énumération des points extrêmes et à une
constuction paramétriques à partir de ces derniers des points stationnaires sur les arêtes, les faces et
à l'intérieur du polyèdre.
La programmation DC (Dierence of Convex function) ore des preuves de convergence théorique
en cas d'optimisation sous contraintes linéaires et a été appliquée à des problèmes logistiques [LTPD08].
De nombreuses autres méthodes d'optimisation globales existent mais sont très limitées en tailles
de problèmes (quelques dizaines voir quelques centaines de variables). Notons, cependant, qu'une
procédure de reformulation dans une forme disposant d'une relaxation convexe a été proposée par
[SP97]. Cette relaxation convexe est utilisée dans une procédure de Spatial Branch-and-Bound (par
exemple, [PHLDM09] ou [Sah96] et est appliquée à la conception de process industriels).
Pour une certaine classe de problèmes non linéaires (avec une combinaison de termes bilinaires,
quadratiques ou polynomiaux), l'algorithme GOP (Global Optimization Algorithm) a été proposé par
[VF90]. Il résoud une série de problèmes primaux et duaux relaxés jusqu'à ce que la borne supérieure
et la borne inférieure soient susamment proches.
2.3.3.3.2 Heuristiques et méthodes approchées à base de programmation linéaire Des

heuristiques basées sur les méthodes de la programmation linéaire ont été proposées. On peut ainsi
utiliser une séquence de problèmes avec des éléments linéarisés qui seront mis à jour entre deux
optimisations : c'est la Programmation Linéaire Sucessive ([ZKL85]). Cette méthode reste heuristique
sans forcément faire la preuve de la convergence ni assurer l'optimalité des solutions trouvées.
La méthode dite de Dynamic Slope Scaling Procedure (DSSP) a été proposée par [KP99]. Ces
auteurs ont montré que cette méthode était équivalente à une méthode de relaxation Lagrangienne
avec un approximation des sous-problèmes. Par ailleurs, c'est l'ancêtre de la 'Dynamic Cost Updating
Procedure' présentée précédement dans les méthodes exactes.
De manière plus générale, on peut utiliser directement les méthodes d'optimisation linéaire en
linéarisant la fonction objectif : il est possible de linéariser la fonction objectif non linéaire par une
approximation linéaire par morceaux [ZW08], cette méthode fait cependant appel à des variables
entières pour distinguer les diérents morceaux ce qui la rend inapplicable dans le cas de problèmes
de taille industrielle [Sol74], [KK82], [Moo89].
55
Les méthodes d'optimisation convexe (dont fait partie le point intérieur utilisé aussi en programma-
tion linéaire) peuvent être utilisées heuristiquement pour trouver des solutions localement optimales
mais ne peuvent valider l'obtention d'un minimum global. Notons que la solution trouvée va donc
dépendre du point initial et que des procédures (toujours heuristiques) de 'multi-start' sont possibles
(optimisation séquencielle en partant de diérentes solutions).
2.3.3.3.3 Métaheuristiques Les métaheuristiques sont des algorithmes génériques de recherche

se basant souvent sur la nature (recuit simulé, algorithmes génétiques...).
[YL99] proposent un recuit simulé avec un voisinage sur des points extrêmes du polytope du
CCNFP.
[GCI00] proposent de résoudre un problème de transport généralisé (avec des coecients de charge
dans la contrainte de respect des capacités de production) par un algorithme génétique basé sur un
codage d'arbre couvrant minimum ('spanning tree').
[FG07] proposent une méthode hybridant un algorithme génétique et une méthode de recherche
locale pour le 'single-source uncapacitated minimum cost network ow problem with general concave
costs'. Cette approche est motivée par le fait que tout MCNFP avec des fonctions de coûts linéaires
quelconques peut être reformulé en un concave MCNFP sur un réseau plus grand [FL06]. De plus,
les problèmes de ots dans un réseau capacitaire avec plusieurs sources peuvent être reformulés en un
problème de ots sans capacité avec une seule source [FL06].
[IS01] proposent un algorithme évolutionnaire (algorithme génétique) faisant évoluer une popula-
tion de points extrêmes pour optimiser le problème de 'non linear network ow'.
Les algorithmes génétiques (Genocop III et 5.0 [KM99]) proposent aussi de résoudre des problèmes
d'optimisation globale (i.e. non linéaire non convexe) sous contraintes. Des exemples de problèmes de
planication logistique sont disponibles dans [CCW05] et [JB09].
Une adaptation du Recuit Simulé (baptisé ISA pour 'Improved Simulated Annealing') a aussi
été proposée par [JJT06] pour résoudre des problèmes d'optimisation non convexe sous contraintes
linéaires ; de la même manière, les essaims particulaires ont aussi été adaptés par [VV09].
2.3.3.3.4 Conclusion Le problème tel que nous l'avons formulé n'a pas été résolu dans la lit-
térature. Cependant, il est très proche du problème de transport et surtout de son extension avec
économie d'échelles : le problème de transport à coût concave. Ce dernier est généralisé avec le pro-
blème de ot à coût concave qui est NP-dicile dans sa version discrète[YL99]. Nous avons présenté
les méthodes exactes, les heuristiques notamment basées sur la programmmation linéaire et les méta-
heuristiques qui ont été mises en oeuvre sur la classe de problèmes de minimisation à fonction objectif
continue non-linéaire non-convexe sous des contraintes linéaires ; ce qui correspond à la classe de notre
problème. Dans le cas de problèmes de grande taille, les métaheuristiques semblent une approche
intéressante, surtout si elles parviennent à exploiter, via des hybridations, les structures linéaires (is-
sues des contraintes linéaires) du problème. Cette approche sera exploitée dans les méthodes mises en
÷uvre et décrites par la suite.
2.3.4 Borne inférieure
Nous proposons une borne inférieure pour évaluer la qualité des solutions trouvées. Le principe de
la borne inférieure proposée repose sur le calcul d'un prix de cession minimum par zone de production
pour une famille de véhicules. Ce prix de cession utilise au maximum les économies d'échelle en
production. Pour ce faire, on se base sur une estimation a priori de la charge maximale charge_maxt,u
qui est aectable sur chaque technologie de production t de chaque zone de production u.
2.3.4.1 Calcul de la charge maximale
Pour une zone de production u donnée, on détermine, pour chaque famille de véhicules i, le nombre
maximum de véhicules qui pourraient être produits sur cette zone de production. Ce nombre maximal
56
est déduit soit à partir des prévisions de ventes, soit à partir des limites de capacités de production.
Pour les prévisions de ventes, le nombre maximal de véhicules est égal à la somme du nombre
de véhicules demandés par toutes les zones de commercialisation situées à l'extrémité d'une route de
distribution partant de u :
RD ZC
!
(2.41)
X X
N bi1i,u = ck,u . dk,v .pvi,v , ∀u = 1, ZP, ∀i = 1, F V
k=1 v=1
Pour les capacités de production, il s'agit de déterminer, pour chaque technologie de production,
le nombre maximal de véhicules qui peuvent être produits et de retenir la valeur la plus faible :
capmax

t,u
N bi2i,u = min , ∀u = 1, ZP, ∀i = 1, F V (2.42)
t=1,T P/xci,t >0 xci,t
Le nombre maximal de véhicules N bi3i,u de la famille de véhicules i qui pourront être produits par
la zone de production u est donc égal au minimum entre ces deux quantités :
N bi3i,u = min(N b1i,u , N b2i,u ), ∀u = 1, ZP, ∀i = 1, F V (2.43)
L'objectif est de déterminer un majorant du nombre de véhicules produits sur une zone de produc-
tion u par la technologie de production t. Ce nombre est égal à la somme, pour toutes les familles de
véhicules i utilisant la technologie de production t et pouvant être produits sur la zone de production
u, des nombres maximaux de véhicules pouvant être produits sur la zone de production u.
(2.44)
X
N bt1t,u = N bi3i,u , ∀u = 1, ZP, ∀t = 1, T P
capmax et xci,t >0
Q
i=1,F V / t′ ,u
>0
t′ =1,T P/xci,t′ >0
2.3.4.2 Spécicité du problème

Comme une technologie de production tp est partagée par l'ensemble des familles de véhicules, un
autre majorant du nombre de véhicules produits pour cette technologie peut être calculé en retenant
le nombre maximum de véhicules de la famille pour laquelle le plus de véhicules peuvent être produits.
N bt2tp,u =
capmax

tp,u
maxi=1,F V / Q ,
t′ =1,T P/xc ′ .capmax >0
xci,tp
i,t t′ ,u
∀u = 1, ZP (2.45)
2.3.4.3 Obtention de la borne inférieure

Au nal, on a donc une charge maximum estimée comme suit :
(
min(N bt1t,u , N bt2t,u ) si t=tp
charge_maxt,u = (2.46)
N bt1t,u si t 6= tp
57
L'estimation de cette charge maximale permet de calculer a priori un prix de cession ce qui rend
le problème linéaire. Pour évaluer la borne inférieure, il sut alors de résoudre le programme linéaire
suivant :
minimiser f ′ (Y ) =
X RD
FV X ZP
X
Yi,k .(pf di,k + (ck,u .xcsi,u .xf di,k .
i=1 k=1 u=1
TP
!
f ft,u
(2.47)
X
(tami,u + (ei,t . + xci,t .f vt,u ))))
charge_maxt,u
t=1
sous les contraintes de satisfaction de la demande(2.55), de respect des capacités de production

minimum (2.56) et maximum (2.57) et de positivité des variables (2.62).
2.3.5 Méthodes d'optimisation
Par la suite, nous allons proposer diérentes méthodes pour résoudre le problème de planication
sans contrainte de sourcing. Nous proposons d'abord de heuristiques puis des métaheuristiques.
2.3.5.1 Heuristiques
Nous proposons une heuristique basée sur la programmation linéaire, une heuristique basée sur la
programmation non-linéaire et une heuristique basée sur la programmation linéaire successive.
2.3.5.1.1 Méthode avec une linéarisation du problème - HBI La borne inférieure ore une
solution admissible qui peut être évaluée avec la fonction objectif non linéaire. Ainsi, en résolvant le
programme linéaire de la borne inférieure (2.3.4.3) et en évaluant la solution avec la fonction objectif
nous avons une solution heuristique du problème. Cette formulation est très proche des modèles
linéaires rencontrés dans la littérature (par exemple, voir [CG07]). Cette solution sera aussi utilisée
comme solution initiale pour d'autres méthodes de recherche. Cette méthode heuristique sera noté
HBI .
2.3.5.1.2 Heuristique de répartition uniforme - HRU L'heuristique HRU consiste pour

chaque famille de véhicules à répartir uniformément les demandes de chaque zone de commerciali-
sation entre les routes de distribution potentielles. Pour une zone de commercialisation donnée, les
routes de distribution potentielles sont donc celles qui ont comme destination la zone de commercia-
lisation considérée et qui ont comme origine une zone de production permettant la production de ce
type de produit c'est-à-dire disposant de toutes les technologies requises. La solution construite n'est
pas obligatoirement admissible, elle respecte les contraintes de non-négativité (2.62) et de satisfaction
de la demande (2.55) mais peut ne pas respecter les contraintes de capacité minimum et maximum
((2.56) et (2.57)). L'algorithme de principe de cette heuristique est donné sur la gure 1.
2.3.5.1.3 Programmation non linéaire Nous résolvons le modèle décrit en 2.3.1 directement
à l'aide d'une méthode d'optimisation non-linéaire (optimisation convexe). Nous utilisons une mé-
thode d'optimisation continue basée sur le point intérieur dont le pas est calculé à l'aide d'un modèle
quadratique sur une région de conance. Ce sous-problème est résolu à l'aide d'un gradient conjugué
comme présenté dans [BNW06]. L'implémentation utilisée de cet algorithme est celle du solveur Kni-
tro 6.0 [WN03] appelé via son interface Java. Le Jacobien et le Hessien sont calculés en utilisant la
diérenciation numérique proposée par le solveur.
Les conditions d'arrêt de l'algorithme sont doubles, à la fois sur l'admissibilité de la solution et
son optimalité [WN03] :
Le critère d'admissibilité calcule une pénalisation des contraintes violées,
58
Algorithme 1 Initialisation uniforme
1: pour i = 1 à F V faire
2: pour v = 1 à ZC faire
3: si pvi,v > 0 (
alors )
4: Soit R = k ∈ RD/dk,v = 1 et capmax
P Q
ck,u . t,u >0
u=1,ZP t=1,T P/xci,t >0
5: pour k = 1, card(R) faire
pvi,v)
6: Yi,k = card(R)
7: n pour
8: n si
9: n pour
10: n pour
Le critère d'optimalité se base sur les conditions de Karush-Kuhn-Tucker (KKT) pour valider
l'optimalité (locale).
Le problème étant non convexe, la solution renvoyée par le solveur dépend (de manière déter-
ministe) du point initial qui est déni par le solveur et aucune garantie d'optimalité globale n'est
donnée. Cependant les conditions KKT certient l'optimalité locale. Cette méthode est une approche
heuristique pour résoudre notre problème.
2.3.5.1.4 Programmation linéaire successive L'idée de cette méthode est similaire à la mé-
thode utilisée pour résoudre le problème de mélange qui est non linéaire et non convexe [ABH+ 04].
Ce problème bien connu dans l'industrie pétrochimique a des minima locaux ce qui rend dicile son
optimisation globale. Une méthode heuristique fréquemment utilisée dans l'industrie est la program-
mation linéaire successive qui va chercher à résoudre successivement une suite de problèmes linéaires
pour converger vers un minimum local de bonne qualité. Appliquée à notre problème, l'idée est d'af-
ner itérativement les prix de cession en fonction des valeurs de ux trouvés à l'itération précédente.
Cette approche heuristique (car nous n'avons aucune garantie de l'optimalité globale) est détaillée
dans l'algorithme 2.
Algorithme 2 Algorithme de programmation linéaire successive

1: Soit Y _best la meilleure solution connue.
2: Soit k_max le nombre maximum d'itérations
3: Initialiser la solution courante Y0 avec l'heuristique de construction uniforme (heuristique HRU).
4: Y _best := Y0
5: Calculer tous les prix de cession pc à partir de la fonction d'évaluation (3.45).
6: k := 1
7: répéter
8: Résoudre le problème linéaire avec les prix de cession pc pour obtenir Yk .
9: Calculer les nouveaux prix de cession pc à partir de la fonction f (Yk ) .
10: si f (Yk ) < f (Y _best) alors
11: Y _best := Yk
12: n si
13: k := k + 1
14: jusqu'à k = k_max
2.3.5.2 Métaheuristiques
Nous proposons deux méthodes d'optimisation à base de recuit simulé pour résoudre ce probleme.
59
Nous notons qu'il existe un lien entre les quantités produites sur les zones de production et les
quantités distribuées sur les routes de distribution. Notons Pi,u , i = 1, F V, u = 1, ZP les quantites
produites avec Pi,u la quantité de véhicules de la famille de véhicules i, i = 1, F V produite par la zone
de production u, u = 1, ZP . A partir des quantités distribuées, les quantités produites peuvent être
déterminées en appliquant la formule 2.48 :
X
Pi,u = ck,u .Yi,k , ∀i = 1, F V, u = 1, ZP (2.48)
k=1,RD
A partir des quantités produites, les quantités distribuées Yi,k peuvent être déterminées en résolvant
un problème de transport pour chaque famille de véhicules i, i = 1, F V . Le problème de transport,
pour la famille de véhicules i, peut être décrit de la manière suivante :
RD ZP
!
X X
minimiser Yi,k . pf di,k + xf di,k . ck,u .pci,u (2.49)
k=1 u=1
sous contraintes
RD
X
ck,u .Yi,k = Pi,u , ∀u = 1, ZP (2.50)
k=1
RD
X
dk,v .Yi,k = pvi,v , ∀v = 1, ZC (2.51)
k=1
Yi,k > 0, ∀k = 1, RD (2.52)
La contrainte (2.51) concerne le respect de la demande de chaque zone de commercialisation alors

que la contrainte (2.50) concerne le respect des quantités produites par chaque zone de production.
La contrainte (2.52) assure la positivité des variables.
Aussi, deux approches ont été proposées selon que l'on cherche à déterminer prioritairement les
quantités produites ou les quantités distribuées. Dans un premier temps, nous décrivons les éléments
communs aux deux approches considérées à savoir les solutions initiales et les fonctions objectif consi-
dérées.
Puis, pour chaque approche, nous dénissons le codage de la solution, le système de voisinage et
l'algorithme de principe de la méthode proposée.
2.3.5.2.1 Solutions initiales Nous utilisons deux heuristiques pour déterminer une solution ini-
tiale admissible ou non :
HRU est basée sur une répartition uniforme de la demande,
HBI est basée sur la borne inférieure proposée.
2.3.5.2.2 Fonction ob jectif Comme les solutions proposées peuvent ne pas être admissibles, nous
proposons deux fonctions an de prendre en compte à la fois le critère économique tel qu'il a été déni
précédemment et le respect des contraintes de capacité. Ainsi, à chaque solution Y est associé un
couple de valeurs (f(Y), g(Y)) où :
f (Y ) désigne le coût de la solution Y (fonction objectif dénie dans le modèle mathématique
(2.3.5.1.1)),
g(Y ) est la fonction de violation des contraintes de capacité (g(Y ) = 0 si les contraintes de
capacité sont respectées, g(Y ) > 0 sinon)
60
L'obtention d'une solution admissible sera favorisée en appliquant une relation d'ordre total sur
l'ensemble des solutions de la manière suivante : Soient deux solutions Y et Y ′ et soient (f (Y ), g(Y ))
et (f (Y ′ ), g(Y ′ )) leurs évaluations respectives. On dira que Y est une meilleure solution que Y ′ si et
seulement si :
soit g(Y ) < g(Y ′ ),
soit g(Y ) = g(Y ′ ) et f (Y ) < f (Y ′ ).
Ainsi, toute solution admissible sera meilleure que n'importe quelle solution non admissible. La
fonction de violation des contraintes de capacité doit intégrer à la fois les violations des contraintes
de capacité minimale et celles des contraintes de capacité maximale. Nous l'avons déni de la façon
suivante :
0;
 
 
F V RD

 

max
 
ZP T P
P P
P P  ck,u .Yi,k .xci,t − capt,u ; 
g(Y ) = max i=1 k=1
u=1 t=1 
 F V RD 

min
P P
 capt,u − ck,u .Yi,k .xci,t 

 

i=1 k=1
2.3.5.3 Métaheuristique basée sur les quantités distribuées
2.3.5.3.1 Codage de la solution Une solution est représentée par une matrice constituée de ux
de distribution (Yi,k )i∈F V,k∈RD correspondant à la quantité de la famille de véhicules i transportée sur
la route de distribution k . Le nombre de véhicules de type i transporté sur la route de distribution k
est obligatoirement nul si une des conditions suivantes est vériée :
le nombre véhicules de la famille de véhicules i(i ∈ F V ) demandé par la zone de commercialisa-
tion destination de la route de distribution k est nul,
la zone de production à l'origine de la route de distribution k n'est pas en mesure de fabriquer
un produit de type i c'est-à-dire qu'elle ne dispose pas des technologies de production requises.
Par convention, nous poserons alors Yi,k = −1 an de distinguer ces cas des cas où, bien que le
transport soit possible, la quantité transportée est nulle.
Nous avons donc : ∀i ∈ F V, k ∈ RD
  ZC
  X
dk,v .pvi,v = 0

 


 

 


 
 v=1
Y = −1 si ou

i,k

 ZP TP (2.53)
 X Y
capmax

c . t,u = 0
 



 
 k,u

u=1



 t=1/xci,t >0
Y ∈ ℜ+ autrement

i,k
2.3.5.3.2 Système de voisinage et procédure de réparation Ce système de voisinage consiste

à déplacer un nombre de véhicules d'une famille de véhicules d'une route de distribution vers une
autre. Tous les paramètres sont choisis aléatoirement. Ce système de voisinage, noté VD, est donné
Ce système de voisinage assure le respect des contraintes de satisfaction de la demande. Par contre,
les contraintes de capacités minimum et/ou maximum peuvent être violées. Nous avons donc proposé
une procédure de réparation. Cette procédure consiste à appliquer plusieurs fois le système de voisinage
VD jusqu'à ce que la solution soit admissible. L'algorithme de principe de cette procédure de réparation
est donné en algorithme 4.
2.3.5.3.3 Algorithme de principe L'algorithme 5 donne l'algorithme de principe de la métaheu-

ristique que nous avons mise en ÷uvre. Cette méthode intègre le système de voisinage et la procédure
de réparation présentés précédemment.
61
Algorithme 3 Système de voisinage sur les ux de distribution V D
1: Soit Y une solution (admissible ou non)
2: répéter
3: Choisir aléatoirement et uniformément une famille de véhicules i ∈ F V
4: Soit R1 = {k ∈ RD/Yi,k > 0} (ensemble des routes de distribution sur lesquelles la famille de
véhicules i est transportée)
5: Choisir aléatoirement et uniformément une route de distribution k1 ∈ R1
6: Soit R2 = {k ∈ RD/k 6= k1 et Yi,k 6= −1 et ∃v ∈ ZC/dk1 ,v = 1 et dk,v = 1} (ensemble des
routes de distribution ayant comme destination la zone de commercialisation destination de k1
et pouvant transporter la famille de véhicules i)
7: jusqu'à R2 6= ⊘
8: Choisir aléatoirement et uniformément une route de distribution k2 ∈ R2
9: Choisir aléatoirement et uniformément une quantité q ∈ ]0; Yi,k1 ]
10: Yi,k1 = Yi,k1 − q
11: Yi,k2 = Yi,k2 + q
Algorithme 4 Procédure de réparation R

1: Soit Y une solution non-admissible (g(Y ) > 0)
2: tant que g(Y ) > 0 faire
3: Choisir aléatoirement et uniformément une solution Y ′ ∈ V D(Y )
4: si g(Y ′ ) ≤ g(Y ) alors
5: Y =Y′
6: n si
7: n tant que
2.3.5.4 Métaheuristique basée sur les quantitées produites

Nous proposons une seconde méthode d'optimisation basée maintenant sur un couplage entre une
metaheuristique et un modèle mathématique. Le modèle mathématique déterminera (si possible) la
distribution optimale pour chaque solution au niveau de la production.
2.3.5.4.1 Codage de la solution Une solution est représentée par la matrice des quantités de
production (Pi,u )i∈F V,u∈ZP , correspondant aux quantités de la famille de véhicules i produites sur la
zone de production u. Le nombre de véhicules de la famille de véhicules i fabriqué sur la zone de
production u est obligatoirement nul si une des conditions suivantes est vériée :
la zone de production u n'est pas en mesure de fabriquer la famille de véhicules i c'est-à-dire
qu'elle ne dispose pas des technologies de production requises,
aucune zone de commercialisation accessible depuis la zone de production u n'a de demande en
véhicules de la famille de véhicules i.
Par convention, nous poserons alors Pi,u = −1 an de distinguer ces cas des cas où, bien que la
production soit possible, la quantité produite est nulle.
Nous avons donc : ∀i ∈ F V, u ∈ ZP
  RD
 X ZC
X

c dkv .pvi,v = 0

 

 

 k,u

v=1

k=1

 


P = −1 si ou

i,u

 TP (2.54)
 Y
capmax

t,u = 0

 


 

 


 t=1/xc i,t >0
P ∈ ℜ+ autrement

i,u
62
Algorithme 5 Algorithme de principe avec le codage sur les quantités distribuées
1: Soit Y une solution admissible ou non admissible (ne respectant pas au moins une contrainte de
capacité minimale ou maximale - g(Y ) > 0)
2: si g(Y ) > 0 alors
3: Appliquer la procédure de réparation R
4: n si
5: répéter
6: Choisir aléatoirement et uniformément une solution Y ′ ∈ V D(Y )
7: si g(Y ′ ) > 0 alors
9: n si
10: si f (Y ′ ) ≤ f (Y ) alors
11: Y =Y′
12: n si
13: jusqu'à Critère d'arrêt
Système de voisinage et procédure de réparation Ce système de voisinage consiste à dé-

placer un nombre de véhicules d'une même famille de véhicules d'une zone de production vers une
autre. Tous les paramètres sont choisis aléatoirement. Ce système de voisinage, noté VP, est donné
Algorithme 6 Système de voisinage sur les productions V P

1: Soit P une solution (admissible ou non)
2: répéter
3: Choisir aléatoirement et uniformément une famille de véhicules i ∈ F V
4: Soit U1 = {u ∈ ZP/Pi,u > 0} (ensemble des zones de production fabriquant la famille de
véhicules i)
5: Choisir aléatoirement et uniformément une zone de production u1 ∈ U1
6: Soit U2 = {u ∈ ZP/u 6= u1 and Pi,u > 0} (ensemble des zones de production pour lesquelles la
fabrication de la famille de véhicules i est possible)
7: jusqu'à U2 6= ⊘
8: Choisir aléatoirement et uniformément une route de distribution u2 ∈ U2
9: Choisir aléatoirement et uniformément une quantité q ∈ ]0; Pi,u1 ]
10: Pi,u1 = Pi,u1 − q
11: Pi,u2 = Pi,u2 + q
Ce système de voisinage n'assure ni le respect des contraintes de satisfaction de la demande ni

les contraintes de capacité minimale et/ou maximale. Dans un premier temps, an de satisfaire les
contraintes de capacité nous appelons la procédure de réparation Rprod présentée en algorithme7 .
Algorithme 7 Procédure de réparation Rprod

1: Soit P une solution non-admissible (g(P ) > 0)
2: tant que g(P ) > 0 faire
3: Choisir aléatoirement et uniformément une solution P ′ tel queP ′ ∈ Vprod (P )
4: si g(P ′ ) ≤ g(P ) alors
5: P = P′
6: n si
7: n tant que
Après réparation, il est nécessaire de déterminer les quantités transportées sur les routes de dis-
tribution. La procédure d'évaluation de la fonction objectif est réalisée en trois temps : d'abord, on
63
évalue les prix de cession à partir des quantités produites. Puis, on calcule les ux de distribution à
partir des quantités de production. Enn, on évalue la fonction objectif.
Les prix de cessions sont calculés à partir des quantités de production et du coût total d'approvi-
sionnement :
T P

P f ft,u
pci,u = xcsiu . tami,u + ei,t . F V F V
! + xci,t .f vt,u , ∀i ∈ F V, u ∈ ZP
t=1 P
ei′ ,t .Pi′ ,t +δ0
P
ei′ ,t .Pi′ ,t
i′ =1 i′ =1
Ce problème de transport à plusieurs produits doit être résolu pour tous les types de produit
déplacés lors de l'application du système de voisinage et de la procédure de réparation. Ce probleme
de transport est résolu soit par un solveur de programme linéaire soit par la méthode de Balas-Hammer.
Nous redénissons la fonction d'évaluation économique f et la fonction de pénalisation g pour
le codage sur les productions : en notant t(P ), la fonction de transformation d'une solution codée
sur les productions vers la même solution codée sur les ux, on peut dénir la fonction d'évaluation
économique d'une solution codée sur les productions f (P ) comme étant équivalent à f (t(P )) et dénir
la fonction de pénalisation d'une solution codée sur les productions g(P ) comme étant équivalent à
g(t(P )).
2.3.5.4.2 Algorithme de principe L'algorithme 8 donne l'algorithme de principe de la méta-

heuristiques que nous avons mis en ÷uvre. Cette méthode intègre le système de voisinage sur les
productions et la procédure de réparation présentés précédemment.
Algorithme 8 Algorithme de principe avec le codage sur les productions

1: Soit P une solution admissible ou non admissible (ne respectant pas au moins une contrainte de
capacité minimale ou maximale - g(P ) > 0)
2: si g(P ) > 0 alors
3: Appliquer la procédure de réparation Rprod
4: n si
5: pour toutes les familles de véhicules i déplacées lors de la procédure de réparation faire
6: Résoudre le problème de transport correspondant
7: si le problème de transport n'a pas de solution alors
8: f (P ) = +∞
9: n si
10: n pour
11: répéter
12: Choisir aléatoirement et uniformément P ′ ∈ V P (P )
13: si g(P ′ ) > 0 alors
14: Appliquer la procédure de réparation Rprod
15: n si
16: pour toutes les familles de véhicules i déplacées lors de la procédure de réparation faire
17: Résoudre le problème de transport correspondant à la famille de véhicule i
18: si le problème de transport n'a pas de solution alors
19: f (P ′ ) = +∞
20: Sortir de la boucle POUR
21: n si
22: n pour
23: si f (P ′ ) ≤ f (P ) alors
24: P = P′
25: n si
64
2.3.6 Expérimentation
Nous appliquons les méthodes d'optimisation décrites précédemment sur diérents jeux de données.
Nous détaillons ces instances puis nous présentons les tableaux de résultats suivis d'une analyse.
Pour le problème étudié, les instances seront générées directement au niveau de détails attendu
par le modèle mathématique (par exemple, on travaille avec des prix de ux d'approvisionnement et
non pas des prix de transport d'approvisionnement plus des taux de douane d'approvisionnement).
Cela permet d'avoir à générer le minimum d'éléments.
De plus, la génération des instances a cherché à assurer la cohérence des instances générées avec
le cas industriel, tout en proposant des instances à complexité croissante. Les diérents paramètres
retenus pour la génération sont :
La taille du problème, c'est-à-dire le nombre de ZP, ZC, FV et TP considérées.
La densité du réseau, c'est-à-dire le nombre de routes de distribution possibles.
La structure de coûts, c'est-à-dire la répartition des coûts tout au long de la chaîne logistique.
On peut noter que [CPS06] détermine 3 facteurs de diculté d'une instance de planication de
chaîne logistique :
La taille du réseau logistique,
La complexité des ux matériels,
Les capacités.
Dans notre cas, les deux premiers facteurs sont inclus dans la taille du problème. Nous ne considé-
rons pas spéciquement diérents ratios de charge/capacité car nous avons un ratio charge/capacité
constant correspondant au cas industriel.
Nous détaillons maintenant ces diérents paramètres :
2.3.6.1 Taille du problème
Diérentes tailles de problèmes seront générées pour évaluer les méthodes d'optimisation. La taille
des diérents problèmes dépend du nombre d'éléments des ensembles des zones de production et de
distribution, des familles de véhicules et des technologies de production.
Nombre de zones de production et de commercialisation Chaque type de réseau a un certain

nombre de zones de chaque type. Les zones de commercialisation correspondent à l'ensemble des
marchés mondiaux.
Nombre de familles de véhicules Le nombre de familles de véhicules correspond au nombre

moyen de familles de véhicules par an.
Technologies de production Le nombre de technologies de production à prendre en compte dépend

directement du nombre de famille de véhicules. Dans le cadre de l'industrie automobile, la production
d'un véhicule au sein d'une usine terminale requiert trois technologies de production :
le ferrage,
la peinture,
le montage.
Les usines terminales sont divisées en ateliers correspondants à ces technologies. Cependant des
spécicités technologiques existent en fonction des familles de véhicules. Ainsi, nous considérons que la
technologie de production 'peinture' est commune à toutes les familles de véhicules mais qu'il faudra
une technologie de production 'montage' pouvant être partagée entre deux familles de véhicules. De
même, une technologie de production 'ferrage' est requise par famille de véhicules. Le nombre total
de TP sera donc égal à 1 (la technologie de production 'peinture') + nombre de plateformes (les
technologies de production liées au 'montage') + nombre de familles de véhicules (les technologies de
production liées au 'ferrage').
65
Les 6 tailles de problèmes en fonction de ces paramètres de génération sont présentées en gure
2.3.6.1.
nb ZP nb ZC nb FV nb TP
A 3 5 3 6
B 3 10 4 7
C 3 10 5 8
D 4 10 4 7
E 4 10 5 8
F 8 50 10 14
Figure 2.5 Taille des diérentes instances de test
2.3.6.2 Densité du réseau

Pour chaque type de réseau, nous dénissons trois densités possibles selon le nombre de routes
existantes entre les ZP et ZC.
Un réseau peu dense (noté '1') a entre 70 et 80% des routes de distribution.
Un réseau moyennement dense (noté '2') a entre 80 et 90% des routes de distribution.
Un réseau dense (noté '3') a entre 90 et 100% des routes de distribution.
2.3.6.3 Structure de coûts

La structure de coûts, c'est-à-dire la répartition des diérents coûts entre les diérents processus
de la chaîne logistique, est aussi un paramètre diérenciant.
Indicateurs de la répartition des coûts Les instances se diérencient aussi par leur structure des
coûts. La répartition des coûts entre les coûts d'approvisionnement, les coûts de production xes, les
coûts de production variables, les coûts de transport de distribution (indépendant du prix de cession)
et les coûts de douane de distribution (liés aux prix de cession) peut changer.
Pour chaque instance, des coûts seront générés en respectant une répartition moyenne totale du
coût total entre :
La part approvisionnement intégrant l'ensemble des coûts d'approvisionnement (notamment
l'achat, le transport et la douane d'approvisionnement),
La part amortissement intégrant les frais xes de production ventilés sur les quantités produites,
La part main d'÷uvre intégrant les frais variables de production,
La part transport de distribution intégrant les coûts de distribution indépendants du prix de
cession,
La part douane de distribution intégrant les coûts de distribution dépendant du prix de cession.
Diérentes structures de coûts On dénit 4 structures de coût (de A à D) qui sont diérenciées
par la répartition des diérentes parts 2.3.6.3.
Part appro Part prod xe Part prod var part transp distri part douan distri
A 60% 10% 6% 4% 20%
B 60% 0% 16% 24% 0%
C 60% 0% 16% 4% 20%
D 60% 10% 6% 24% 0%
Figure 2.6 Diérentes structures de coût
Nous avons les remarques suivantes concernant ces diérentes structures de coûts :
66
Dans notre démarche, nous utilisons la solution générée par la borne inférieure pour évaluer ces
coûts après la génération de chaque instance.
La classe de coût A correspond aux coûts classiquement rencontrés dans l'industrie automobile.
La classe de coût B correspond à des coûts linéaires (typiquement rencontrés dans les modèles
de Supply Chain Design classiques).
La classe de coût C correspond à des coûts linéaires pour les modèles sans contraintes de sourcing.
La classe de coût D correspond à des coûts non-linéaires à cause sur les économies d'échelle en
production.
La procédure de génération des instances est détaillée en Annexe 1.
2.3.6.4 Procédure de test
Par la suite, une itération correspond à la génération d'une nouvelle solution admissible et à son
évaluation. Les métaheuristiques présentées sont testées sur 1000000 itérations (sans limite de temps
sauf quand cela est mentionné) et avec 10 réplications (les résultats présentés sont donc des moyennes
notées 'm' avec leur écart-type 's', sauf quand cela est mentionné).
Les résultats des métaheuristiques pour les instances de taille A à taille F sont présentés dans
les tableaux ci-aptès. Les métaheuristiques appliquées correspondent aux deux métaheuristiques l'une
avec un codage sur les quantité de ux distribués (cf. 2.3.5.3) noté 'FLUX' et l'autre avec un codage
sur les quantités de production (cf. 2.3.5.4) notée 'PROD'. Ces deux métaheuristiques sont initialisées
avec deux solutions diérentes : soit avec la solution de l'heuristique HBI (cf. 2.3.5.1.1), on notera
alors les méthodes de résolution 'FLUX/HBI' ou 'PROD/HBI' selon le cas, soit avec une solution crée
par l'heuristique HRU (cf. 2.3.5.1.2), on notera alors les méthodes 'FLUX/HRU' et 'PROD/HRU'
selon le cas. Pour chaque méthode et chaque instance, nous donnons le nombre moyen d'itérations
sur les 10 réplications pour obtenir la meilleure solution, la moyenne sur les 10 réplications de l'écart
relatif en pourcentage entre les meilleures solutions obtenues et la valeur de la borne inférieure, l'écart
type sur les 10 réplications de l'écart relatif entre les meilleures solutions obtenues et la valeur de la
borne inférieure et la moyenne sur les 10 réplications de l'écart relatif en pourcentage de la valeur de
la solution initiale et la borne inférieure (si la solution initiale est inadmissible alors cette valeur est à
+∞).
Notons que dans le cas des initialisations avec la borne inférieure, pour les instances avec une
structure de coût de type B et C, la solution initiale est la solution optimale (la valeur de la solution
initiale est égale à la valeur de la borne inférieure). Nous ne donnons donc pas de résultats pour ces
méthodes pour ces instances spéciques.
Les heuristiques appliquées sont la programmation non linéaire (cf. 2.3.5.1.3) notée 'NLP', la pro-
grammation linéaire successive (cf. 2.3.5.1.4) notée 'SLP' et la linéarisation de la fonction objectif (cf.
2.3.4.3) notée 'LIN'. Ces heuristiques sont déterministes et sont donc testées avec une seule réplication
dans les tableaux après en donnant les résultats pour les instances des 6 tailles de problèmes..
Le tableau 2.3.6.4 présente une synthèse générale des résultats. La gure 2.20 présente ces même
résultats sous une forme graphique.
2.3.6.5 Résultats
nom FLUX/HBI FLUX/HRU PROD/HBI PROD/HRU
nb it ER/BI ER/SI nb it ER/BI ER/SI nb it ER/BI ER/SI nb it ER/BI ER/SI
m m s m m m s m m m s m m m s m
A1A 53 7,72% 0,00% 1,29% 81 7,72% 0,00% +∞ 5500 7,72% 0,00% 1,29% 142 7,72% 0,00% +∞
A1B - - - - 607142 0,00% 0,00% 0,44% - - - - 874174 0,00% 0,00% 0,4%
A1C - - - - 427261 0,00% 0,00% 6,69% - - - - 573098 0,00% 0,00% 6,7%
A1D 60 12,9% 0,00% 0,16% 2700 12,9% 0,00% 1,36% 7089 12,9% 0,00% 0,16% 284949 12,9% 0,00% 1,4%
A2A 215 18,4% 0,00% 0,47% 407 18,4% 0,00% 4,45% 1621 18,4% 0,00% 0,47% 379449 18,4% 0,00% 0,9%
A2B - - - - 610255 0,00% 0,00% 7,98% - - - - 854974 0,00% 0,00% 8,0%
A2C - - - - 173842 0,00% 0,00% 2,76% - - - - 22841 0,00% 0,00% 2,8%
A2D 83 15,1% 0,00% 0,69% 118 15,1% 0,00% 1,34% 211773 15,1% 0,00% 0,69% 90747 15,1% 0,00% 1,3%
A3A 4582 15,0% 0,00% 0,23% 8636 15,0% 0,00% +∞ 8541 15,0% 0,00% 0,23% 5151 15,0% 0,00% +∞
A3B - - - - 138135 0,00% 0,00% +∞ - - - - 195780 0,00% 0,00% +∞
A3C - - - - 684217 0,00% 0,00% +∞ - - - - 183896 0,00% 0,00% +∞
A3D 11453 16,3% 0,00% 0,29% 13379 16,3% 0,00% +∞ 65229 16,3% 0,00% 0,29% 60865 16,3% 0,00% +∞
Figure 2.7 Résultats des métaheuristiques sur les instances de taille A
67
nom NLP SLP LIN
68
ER/BI ER/BI ER/BI
A1A 9,18% 9,11% 9,11%
A1B 1,06% 0,00% 0,00%
A1C 0,66% 0,00% 0,00%
A1D 13,5% 13,1% 13,1%
A2A 19,0% 18,9% 18,9%
A2B 0,90% 0,00% 0,00%
A2C 0,50% 0,00% 0,00%
A2D 16,3% 15,9% 15,9%
A3A 15,8% 15,0% 15,2%
A3B 0,71% 0,00% 0,00%
A3C 0,84% 0,00% 0,00%
A3D 17,1% 16,6% 16,6%
Figure 2.8 Résultats des heuristiques sur les instances de taille A

B1A 691000 15,6% 0,00% 0,07% 866183 15,7% 0,01% 10,8% 981560 15,6% 0,00% 0,08% 241559 15,6% 0,00% 10,8%
B1B 798727 0,00% 0,00% +∞ 956035 0,00% 0,00% +∞
B1C 704614 0,00% 0,00% +∞ 721679 0,00% 0,00% +∞
B1D 905776 13,7% 0,00% 0,45% 796212 13,8% 0,00% +∞ 683696 13,7% 0,00% 0,46% 982923 13,7% 0,00% +∞
B2A 742653 17,3% 0,00% 0,12% 948264 17,4% 0,01% 14,5% 0 17,3% 0,00% 0,13% 936599 17,4% 0,00% 14,5%
B2B 925433 0,01% 0,01% 2,32% 824002 0,00% 0,00% 2,33%
B2C 552 0,00% 0,00% 10,5% 519059 0,00% 0,00% 10,5%
B2D 36672 18,9% 0,00% 0,02% 583325 18,9% 0,00% 5,58% 870851 18,9% 0,00% 0,02% 283213 18,9% 0,00% 5,6%
B3A 469802 15,5% 0,00% 0,03% 515432 15,5% 0,00% 3,88% 629721 15,5% 0,00% 0,03% 490252 15,5% 0,00% 3,9%
B3B 540 0,00% 0,00% 22,1% 349298 0,00% 0,00% 22,1%
B3C 463820 0,00% 0,00% 18,8% 861072 0,00% 0,00% 18,8%
B3D 53506 21,6% 0,00% 0,16% 86561 21,6% 0,00% 11,4% 25473 21,6% 0,00% 0,16% 243387 21,6% 0,00% 11,3%
Figure 2.9 Résultats des métaheuristiques sur les instances de taille B
nom NLP SLP LIN
ER/BI ER/BI ER/BI
B1A 16,0% 15,68% 15,76%
B1B 2,4% 0,00% 0,00%
B1C 1,0% 0,00% 0,00%
B1D 15,5% 14,29% 14,29%
B2A 19,3% 17,46% 17,52%
B2B 0,0% 0,00% 0,00%
B2C 1,6% 0,00% 0,00%
B2D 20,6% 18,9% 18,9%
B3A 16,2% 15,6% 15,6%
B3B 2,1% 0,00% 0,00%
B3C 2,6% 0,00% 0,00%
B3D 23,3% 21,8% 21,8%
Figure 2.10 Résultats des heuristiques sur les instances de taille B

C1A 468947 15,5% 0,00% 1,20% 369367 15,5% 0,00% 9,56% 818717 15,5% 0,00% 1,20% 254880 15,5% 0,00% 9,56%
C1B 579556 0,00% 0,00% +∞ 204813 0,00% 0,00% +∞
C1C 789346 0,00% 0,00% 25,5% 151527 0,00% 0,00% 25,5%
C1D 710671 17,3% 0,00% 0,43% 900636 17,3% 0,00% 5,96% 680543 17,3% 0,00% 0,43% 659906 17,3% 0,00% 5,96%
C2A 746025 21,4% 0,00% 0,08% 769777 21,5% 0,01% 16,9% 599547 21,4% 0,00% 0,08% 822468 21,4% 0,00% 16,9%
C2B 910292 0,17% 0,15% 21,4% 774142 0,00% 0,00% 21,6%
C2C 781135 0,01% 0,00% 13,2% 555662 0,00% 0,00% 13,2%
C2D 652 17,4% 0,00% 0,49% 1209 17,4% 0,00% +∞ 682563 17,4% 0,00% 0,49% 793641 17,4% 0,00% +∞
C3A 311 15,4% 0,00% 0,30% 579 15,4% 0,00% 7,12% 555850 15,4% 0,00% 0,30% 555864 15,4% 0,00% 0,75%
C3B 155819 0,00% 0,00% 20,8% 256204 0,00% 0,00% 20,8%
C3C 569 0,00% 0,00% 6,41% 45235 0,00% 0,00% 0,46%
C3D 298102 15,9% 0,00% 0,02% 425584 15,9% 0,00% 5,24% 57166 15,9% 0,00% 0,02% 425584 15,9% 0,00% 1,27%
Figure 2.11 Résultats des métaheuristiques sur les instances de taille C
69
nom NLP SLP LIN
70
ER/BI ER/BI ER/BI
C1A 18,27% 15,71% 16,85%
C1B 3,57% 0,00% 0,00%
C1C 3,67% 0,00% 0,00%
C1D 18,67% 17,84% 17,84%
C2A 23,91% 21,44% 21,54%
C2B 6,55% 0,00% 0,00%
C2C 1,70% 0,00% 0,00%
C2D 19,66% 17,98% 17,98%
C3A 18,62% 15,72% 15,72%
C3B 4,32% 0,00% 0,00%
C3C 1,34% 0,00% 0,00%
C3D 19,00% 15,96% 15,96%
Figure 2.12 Résultats des heuristiques sur les instances de taille C

D1A 467988 8,42% 0,00% 1,311% 344114 8,42% 0,00% +∞ 348305 8,42% 0,00% 1,31% 35461 8,42% 0,00% +∞
D1B 928573 0,01% 0,01% +∞ 80170 0,00% 0,00% +∞
D1C 271622 0,00% 0,00% +∞ 79209 0,00% 0,00% +∞
D1D 920110 3,21% 0,00% 2,823% 599722 3,21% 0,00% +∞ 391924 3,21% 0,00% 2,82% 598848 3,21% 0,00% +∞
D2A 343 9,41% 0,00% 0,09% 914 9,41% 0,00% 8,98% 240225 9,41% 0,00% 0,09% 298988 9,41% 0,00% +∞
D2B 936371 0,01% 0,02% +∞ 335430 0,00% 0,00% +∞
D2C 537213 0,00% 0,00% +∞ 93419 0,00% 0,00% +∞
D2D 774848 6,06% 0,00% 2,246% 988569 6,07% 0,00% +∞ 424432 6,05% 0,00% 2,25% 449628 6,05% 0,00% +∞
D3A 696102 10,3% 0,00% 0,627% 734704 10,3% 0,00% +∞ 89717 10,3% 0,00% 0,63% 62557 10,3% 0,00% +∞
D3B 841928 0,00% 0,00% +∞ 82676 0,00% 0,00% +∞
D3C 786563 0,00% 0,00% +∞ 77818 0,00% 0,00% +∞
D3D 189035 15,4% 0,00% 0,06% 812138 15,4% 0,00% +∞ 241650 15,4% 0,00% 0,05% 87028 15,4% 0,00% +∞
Figure 2.13 Résultats des métaheuristiques sur les instances de taille D
nom NLP SLP LIN
ER/BI ER/BI ER/BI
D1A 9,25% 9,79% 9,84%
D1B 1,39% 0,00% 0,00%
D1C 1,36% 0,00% 0,00%
D1D 13,49% 6,12% 6,12%
D2A 12,49% 9,50% 12,49%
D2B 1,85% 0,00% 0,00%
D2C 1,01% 0,00% 0,00%
D2D 9,56% 8,44% 8,44%
D3A 10,64% 10,91% 10,99%
D3B 0,78% 0,00% 0,00%
D3C 0,21% 0,00% 0,00%
D3D 15,53% 15,43% 15,43%
Figure 2.14 Résultats des heuristiques sur les instances de taille D

E1A 224 9,52% 0,00% 0,09% 714 9,52% 0,00% +∞ 224 9,52% 0,00% 0,09% 714 0,00% 0,00% +∞
E1B 747815 0,00% 0,00% +∞ 98374 0,00% 0,00% +∞
E1C 678881 0,00% 0,00% +∞ 94380 0,00% 0,00% +∞
E1D 94437 8,12% 0,00% 0,36% 830248 8,12% 0,00% +∞ 56935 8,12% 0,00% 0,36% 31634 8,12% 0,00% 2,05%
E2A 400255 6,68% 0,00% 0,00% 768436 6,68% 0,02% +∞ 88015 6,68% 0,00% 0,01% 87974 6,68% 0,00% +∞
E2B 816985 0,01% 0,01% +∞ 73571 0,00% 0,00% +∞
E2C 779459 0,00% 0,00% +∞ 81294 0,00% 0,00% +∞
E2D 642679 8,52% 0,00% 0,03% 944122 8,52% 0,00% +∞ 241640 8,52% 0,00% 0,03% 51139 8,52% 0,00% +∞
E3A 881499 12,2% 0,00% 0,07% 890052 12,2% 0,00% 11,1% 1 12,2% 0,00% 0,07% 521370 12,2% 0,00% 11,1%
E3B 870947 0,01% 0,01% +∞ 60597 0,00% 0,00% +∞
E3C 700194 0,04% 0,03% +∞ 86213 0,00% 0,00% +∞
E3D 505 2,59% 0,00% 0,04% 843211 2,59% 0,00% +∞ 809321 2,59% 0,00% 0,04% 809346 2,59% 0,00% +∞
Figure 2.15 Résultats des métaheuristiques sur les instances de taille E
71
nom NLP SLP LIN
72
ER/BI ER/BI ER/BI
E1A 9,61% 9,61% 9,61%
E1B 0,00% 0,00% 0,00%
E1C 0,00% 0,00% 0,00%
E1D 8,51% 8,51% 8,51%
E2A 14,28% 14,67% 14,67%
E2B 0,00% 0,00% 0,00%
E2C 0,00% 0,00% 0,00%
E2D 8,55% 8,52% 8,55%
E3A 12,32% 12,24% 12,32%
E3B 0,00% 0,00% 0,00%
E3C 0,00% 0,00% 0,00%
E3D 2,63% 2,63% 2,63%
Figure 2.16 Résultats des heuristiques sur les instances de taille E

F1A 300495 5,94% 0,00% 0,14% 951510 5,94% 0,00% +∞ 16018 5,94% 0,000% 0,14% 73958 5,94% 0,00% +∞
F1B 990913 0,03% 0,01% +∞ 1 0,00% 0,00% +∞
F1C 989956 0,05% 0,04% +∞ 1 0,09% 0,00% +∞
F1D 216858 6,24% 0,00% 0,02% 989907 6,29% 0,03% +∞ 34055 6,24% 0,000% 0,03% 82782 6,25% 0,00% +∞
F2A 7010 6,57% 0,00% 0,57% 967670 6,59% 0,01% +∞ 396223 6,57% 0,000% 0,57% 96984 6,57% 0,00% +∞
F2B 992980 0,08% 0,04% +∞ 91313 0,01% 0,00% +∞
F2C 953663 0,02% 0,02% +∞ 87153 0,00% 0,00% +∞
F2D 337523 7,79% 0,00% 0,06% 987956 7,81% 0,01% +∞ 296015 7,79% 0,000% 0,06% 85014 7,79% 0,00% +∞
F3A 705817 4,41% 0,00% 0,02% 988119 4,42% 0,01% +∞ 100001 4,41% 0,000% 0,02% 63599 4,41% 0,00% +∞
F3B 991235 0,03% 0,01% +∞ 76378 0,00% 0,00% +∞
F3C 983068 0,05% 0,02% +∞ 89538 0,00% 0,00% +∞
F3D 595483 11,1% 0,00% 0,77% 989745 11,2% 0,01% +∞ 448182 11,1% 0,000% 0,80% 70222 11,1% 0,00% +∞
Figure 2.17 Résultats des métaheuristiques sur les instances de taille F
nom NLP SLP LIN
ER/BI ER/BI ER/BI
F1A impossible 6,08% 6,08%
F1B impossible 0,00% 0,00%
F1C impossible 0,00% 0,00%
F1D impossible 6,27% 6,27%
Figure 2.18 Résultats des heuristiques sur les instances de taille F
73
74
FLUX/BI FLUX/UNIF PROD/BI PROD/UNIF NLP SLP LIN
A 7,114% 7,115% 7,114% 7,114% 7,970% 7,387% 7,409%

B 8,560% 8,570% 8,559% 8,564% 10,069% 8,638% 8,650%
C 8,580% 8,597% 8,580% 8,580% 11,606% 8,721% 8,824%
D 4,527% 4,530% 4,396% 4,400% 6,463% 5,016% 5,276%
E 3,973% 3,980% 3,973% 3,973% 4,660% 4,682% 4,691%
F 3,505% 3,538% 3,501% 3,512% impossible 3,635% 3,649%
Figure 2.19 Synthèse générale des méthodes de résolutions appliquées aux diérentes tailles d'ins-
tances
la gure 2.3.6.4 présente la synthèse des diérentes méthodes de résolutions pour chaque classe de
taille d'instance. Pour chaque taille d'instance, une moyenne sur toutes les instances où on n'obtient
pas la solution optimale avec l'heuristique basée sur la borne inférieure (c'est-à-dire 6 instances dans le
cas d'une initialisation avec l'heuristique HBI et 12 instances dans le cas de l'utilisation de l'heuristique
HRU) .
2.3.6.6 Analyse des résultats sans contrainte de sourcing
La précédente campagne de tests a appliqué diérentes méthodes d'optimisation sur des instances
de taille variable. Les résultats de la campagne de test sont analysés sous deux aspects : la performance
des méthodes en termes de qualité de solution (distance à la borne inférieure) et de durée de traitement
nécessaire pour obtenir une bonne solution.
2.3.6.7 Performance des méthodes de résolution
La gure 2.20 présente la distance entre la meilleure solution trouvée et la borne inférieure calculée.
Figure 2.20 Graphique de synthèse de la performance des méthodes
Nous relevons les éléments suivants :

75
La méthode de programmation non linéaire est limitée en taille mémoire à partir de la taille
d'instance F
La performance générale des méthodes d'optimisation est cohérente sur l'ensemble des tailles
d'instance. La convergence des métaheuristiques est identique quelle que soit la solution initiale
utilisée.
Les métaheuristiques sont performantes et relativement plus ecaces que les méthodes de linéa-
risation, de programmation linéaire successive ou de programmation non linéaire.
2.3.6.8 Durée des méthodes de résolution
La gure 2.21 présente l'évolution de la durée moyenne de traitement des méthodes d'optimisation
selon la taille des instances.
Figure 2.21 Durée de calcul
Les diérentes méthodes ont des durées de calcul très diérentes :

Les méthodes basées sur la programmation linéaire (linéarisation et SLP) sont très rapides et
s'adaptent bien à l'accroissement de la taille des instances.
La méthode de programmation non-linéaire a été paramétrée avec une limite de temps de 40
minutes ; au delà duquel un 'cross-over' (passage entre la méthode de point intérieur et une
méthode de projection sur les contraintes de type simplex) est réalisé pour faire converger la
solution. Cela limite le temps de calcul à environ 40 minutes au maximum.
Les deux métaheuristiques convergent bien quelle que soit la solution initiale. Elles ont une
durée qui augmente très rapidement avec la taille des instances. Cette augmentation est plus
rapide pour la méthode basée sur les ux que celle basée sur les productions. Cela s'explique par
l'augmentation plus rapide de la combinatoire sur les ux (nombre de familles de véhicules x
nombre de zones de production x nombre de zones de commercialisation) que sur les productions
(nombre de familles de véhicules x nombre de zones de production).
2.3.6.9 Conclusion de l'analyse
En synthèse de l'analyse, les métaheuristiques semblent plus performantes mais nécessitent plus
de temps de calcul. Quand la taille des instances augmente, le codage sur les production semble être
plus performant en terme de temps de calcul que celui sur les ux. De plus, les heuristiques basées
sur la programmation linéaire sont très rapides mais ont des résultats moins bons. La programmation
non linéaire donne des résultats globalement moins bons que les autres méthodes dans un temps de
calcul raisonnable pour de petites tailles d'instances.
Ce problème et les approches de résolution ont été présentés à la conférence MOSIM 2010 [SGNG10b].
Par la suite, nous étudions le problème avec contraintes de sourcing.
76
2.4 Répartition stratégique avec contrainte de sourcing
Le modèle avec contraintes de sourcing reprend le modèle sans contrainte de sourcing en ajoutant
des décisions au niveau de l'approvisionnement. En eet, des contraintes au niveau du sourcing sont
maintenant prises en compte et il faut donc faire des choix pour organiser l'approvisionnement des
pièces et réaliser l'assemblage des véhicules. Dans le cas d'un sourcing multiple (plusieurs sources pour
une même famille de pièces à destination de l'assemblage d'un véhicule), le coût rendu des pièces
achetées à intégrer dans le prix de revient de fabrication est la moyenne des diérents coûts d'achat
pondérée par les quantités achetées.
2.4.1 Formalisation mathématique
Nous présentons maintenant la formalisation mathématique du problème de répartition avec contraintes

de sourcing ; c'est à dire du modèle stratégique incluant l'approvisionnement, la production et la dis-
tribution.
2.4.1.1 Données
Les données pour l'activité d'approvisionnement sont les suivantes :

FP nombre de familles de pièces
ZA nombre de zones d'approvisionnement,
RA nombre de routes d'approvisionnement,
min
appp,s nombre minimum de famille de pièces de type p (p = 1, F P ) à acheter sur la
zone d'approvisionnement s (s = 1, ZA),
appmax
p,s nombre maximal de famille de pièces de type p (p = 1, F P ) pouvant être
achetés sur la zone d'approvisionnement s (s = 1, ZA),
pf aj,p prix unitaire d'achat de la famille de pièces p (p = 1, F P ) transportée sur la
route j (j = 1, RA),
aj,s aj,s = 1 si la route d'approvisionnement j (j = 1, RA) a pour origine la zone
d'approvisionnement s (s = 1, ZA), 0 sinon,
bj,u bj,u = 1 si la route d'approvisionnement j (j = 1, RA) a pour destination la
zone de production u (s = 1, ZP ), 0 sinon,
Les données correspondant à la production sont les suivantes :
FV Nombre de familles de véhicules,
ZP Nombre de zones de production,
TP Nombre de technologies de production,
f ft,u Frais xes de la technologie de production t(t = 1, T P ) installée sur u (u =
1, ZP ),
f vt,u Frais variables pour la production d'un véhicule standard utilisant la techno-
logie de production t(t = 1, T P ) installée sur u (u = 1, ZP ),
capmin
t,u Nombre minimum de véhicules standards à produire avec la technologie de
production t(t = 1, T P ) installée sur u (u = 1, ZP ),
max
capt,u Nombre maximum de véhicules standards pouvant être produits avec la tech-
nologie de production t(t = 1, T P ) installée sur u (u = 1, ZP ),
xci,t Ratio entre le nombre de véhicules de la famille de véhicules i (i = 1, F V )
produits avec la technologie de production t(t = 1, T P ) et un produit standard,
xni,p Nombre de pièces de la famille de pièces p(p = 1, F P ) nécessaires à la produc-
tion d'un véhicules de la famille de véhicules i (i = 1, F V )
xcsi,u Coecient de cession de la famille de véhicules i (i = 1, F V ) produite sur u
(u = 1, ZP ).
Les données correspondantes aux activités de distribution sont les suivantes :
77
ZC nombre de zones de commercialisation,
RD nombre de routes de distribution,
ck,u ck,u = 1 si la route de distribution k (k = 1, RD) a pour origine u (u = 1, ZP ),
0 sinon,
dk,v dk,v = 1 si la route de distribution k (k = 1, RD) a pour destination v (v =
1, ZC ),0 sinon,
pvi,v prévision de ventes pour la famille de véhicules i (i = 1, F V ) sur la zone de
commercialisation v (v = 1, ZC ),
pf di,k Frais variable unitaire de distribution (indépendants du prix de cession) pour
la famille de véhicules i (i = 1, F V ) transportée sur la route de distribution k
(k = 1, RD),
xf di,k Coecient de distribution pour la famille de véhicules i (i = 1, F V ) transportée
sur la route de distribution k (k = 1, RD),
2.4.1.2 Variables
Il s'agit de déterminer les variables Xi,j,p (i = 1, F V ; j = 1, RA; p = 1, F P ), les quantités de

famille de pièces p transportée sur la route d'approvisionnement j pour l'assemblage de la famille de
véhicules i et Yi,k (i = 1, F V ; k = 1, RD), la quantité de famille de véhicules i transportées sur la
route de distribution k.
2.4.1.3 Contraintes
Les contraintes suivantes doivent être satisfaites :

1. Les prévisions de demande doivent être satisfaites pour toutes les familles de véhicules sur toutes
les zones de commercialisation :
RD
(2.55)
X
dk,v .Yi,k = pvi,v , ∀i = 1, F V, ∀v = 1, ZC
k=1
2. Les minima et maxima de capacités de production pour toutes les technologies de production
sur toutes les zones de production doivent être respectées :
RD FV
(2.56)
X X
ck,u .( Yi,k .xci,t ) > capmin
t,u , ∀t = 1, T P, ∀u = 1, ZP
k=1 i=1
RD FV
(2.57)
X X
ck,u .( Yi,k .xci,t ) 6 capmax
t,u , ∀t = 1, T P, ∀u = 1, ZP
k=1 i=1
3. L'équilibre de ux est à respecter entre les quantités de toutes les familles de pièces approvision-
nées et les quantités de familles de véhicules distribuées :
RD RA
(2.58)
X X
xni,p . ck,u .Yi,k = bj,u .Xi,j,p , ∀p = 1, F P, ∀u = 1, ZP, ∀i = 1, F V
k=1 j=1
4. Les minima et les maxima des capacités d'approvisionnement doivent être respectés pour toutes
les familles de pièces sur toutes les zones d'approvisionnement :
RA FV
(2.59)
X X
aj,s .( Xi,j,p ) > appmin
p,s , ∀p = 1, F P, ∀s = 1, ZA
j=1 i=1
78
RA FV
(2.60)
X X
aj,s .( Xi,j,p ) 6 appmax
p,s , ∀p = 1, F P, ∀s = 1, ZA
j=1 i=1
5. Non-négativité des variables :
Xi,j,p > 0, ∀i = 1, F V, ∀p = 1, F P, ∀j = 1, RA (2.61)

Yi,k > 0, ∀i = 1, F V, ∀k = 1, RD (2.62)
2.4.1.4 Fonction objectif
L'objectif est de minimiser les coûts d'exploitation sur l'intégralité de la Chaîne Logistique consi-
dérée.
M inimiser f (X, Y ) =
F
P V RD
P ZP
P
Yi,k .(pf di,k + ck,u .pci,u .xf di,k )
i=1 k=1 u=1
avec les prix de cession pci,u tels que :
RA
P F
P P
bj,u . xni,p .Xi,j,p .pf aj,p
j=1 p=1
pciu = xcsiu . RD
RD
P P
ck′ ,u .Yi,k′ + δ0 ck′ ,u .Yi,k′
k′ =1 k′ =1
TP
f ft,u
(2.63)
X
+ ei,t . F V RD
FV RD
+ xci,t .f vt,u
t=1
P P P P
ei′ ,t . ck′ u .Yi′ k′ + δ0 ei′ ,t . ck′ ,u .Yi′ ,k′
i′ =1 k′ =1 i′ =1 k′ =1
2.4.2 Etude de la convexité de la fonction objectif
Dans cette partie, nous étudions la convexité de la fonction objectif avec la moyenne pondérée
uniquement due à l'assemblage (sans la ventilisation des coûts xes de production).
Considérons un réseau qui est constitué de deux zones d'approvisionnement ZA1 et ZA2, de deux
zones de production ZP1 et ZP2 et des deux zones de commercialisation ZC1 et ZC2. Nous considérons
une seule famille de pièces qui formera une unique famille de véhicules (coecient de nomenclature
de 1). Les coûts rendus des ux d'approvisionnement sont uniquement dépendant des zones d'appro-
visionnement : le coût rendu d'une pièce est de 1e/pc pour celles issues de ZA1 et de 2e/pc pour
celles issues de ZA2. Cependant la production de la ZA1 est limitée à 500 pc. Le taux de douane de
distribution est uniquement dépendant de la zone de commercialisation : il est de 10% à destination de
ZC1 et de 30% à destination de ZC2. Nous négligeons les frais xes et les frais variables de production
sur les deux zones de production. La demande est respectivement de 2000 véhicules sur la ZC1 et de
500 véhicules sur la ZC2.
Nous instancions la fonction objectif avec les paramètres suivants :
card(ZA) = 2
card(ZP ) = 2
card(ZC) = 2
card(F P ) = 1
card(F V ) = 1
card(RA) = 4
card(RD) = 4
79
Figure 2.22 Schéma du réseau simplié avec approvisionnement
ZA1 ZA2
RA : ZP1 RA1 RA2
ZP2 RA3 RA4
ZP1 ZP2
RD : ZC1 RD1 RD2
ZC2 RD3 RD4
TP = 1
pf di,k = 0, ∀i ∈ F V, k ∈ RD
xcsi,u = 1, ∀i ∈ F V, u ∈ ZP
(e/pc) ZA1 ZA2
pf a1,j,1 = ZP1 1 10
ZP2 1 10
f ft,u = 0, ∀t ∈ T P, u ∈ ZP
f vt,u = 0, ∀t ∈ T P, u ∈ ZP
ZP1 ZP2
xf d1,k = ZC1 1,1 1,1
ZC2 1,3 1,3
Nous construisons des solutions (cf. gure 2.22) S = (X11, X12, X21, X22, Y 11, Y 12, Y 21, Y 22)t .
Le coût total est :
f (S) = X11∗1+X21∗10
X11+X21 ∗ (1, 1 ∗ Y 11 + 1, 3 ∗ Y 12) + X12∗1+X22∗10
X12+X22 ∗ (1, 1 ∗ Y 21 + 1, 3 ∗ Y 22)
Soient les trois solutions S1, S2 et S3 = 1/2 ∗ (S1 + S2) présentées dans le tableau suivant (2.4.2).
Solution X11 X12 X21 X22 Y11 Y12 Y21 Y22 coût total
S1 500 0 0 2000 0 500 2000 0 2300
S2 0 500 2000 0 2000 0 0 500 2150
S3=1/2*(S1+S2) 250 250 1000 1000 1000 250 1000 250 2870
Comme f (S3) > 1/2∗(f (S1)+f (S2)), la fonction objectif du problème avec contraintes de sourcing
est non convexe. A noter que ce résultat est obtenu sans la ventilation des frais xes de production
(non convexité prouvée pour le problème sans contrainte de sourcing).
2.4.3 Etat de l'art du problème avec contraintes de sourcing
Le modèle avec contraintes de sourcing est donc un modèle de répartition avec approvisionnement,
production et distribution. L'état de l'art du modèle sans contrainte de sourcing n'est plus entièrement
applicable car la caractéristique d'assemblage (des pièces en un véhicule) supprime la structure de
ots. Par la suite, nous réaliserons un état de l'art complémentaire sur les modèles avec assemblage
pour étudier à la fois les modèles incluant les contraintes de sourcing et les méthodes de résolution
alors employées. En premier lieu, nous étudierons les modèles de planication stratégiques prenant en
compte les contraintes de l'approvisionnement, puis nous étudierons le problème de mélange ('pooling
80
problem' en anglais) et le problème de planication de chaîne logistique avec des prix de cession
('supply chain planning with transfer prices' en anglais).
2.4.3.1 La prise en compte des contraintes de sourcing dans la littérature
La modélisation d'une chaîne logistique requiert de modéliser des limites de capacité au niveau
des fournisseurs. De nombreux modèles stratégiques de planication de chaîne logistique sont pré-
sentés dans [CG07]. La majorité de ces modèles sont linéaires et résolus avec des techniques de la
programmation linéaire.
Par la suite, nous détaillons des modèles intégrant ces contraintes de sourcing et proposant des
spécicités intéressantes :
Dans [ABHT95], un modèle de Supply Chain globale est proposé. Il intègre, en plus de l'assemblage
et de la distribution, la prise en compte de la logistique internationale, notamment le 'duty drawback'
(remboursement des frais de douane sous conditions). Un programme en nombres mixtes est présenté.
Une méthode de Branch and Bound spécique a été implémentée pour résoudre un cas industriel
du secteur de la microélectronique. Le modèle de planication d'assemblage, de production et de
distribution de [EGG+ 99] propose de gérer des évolutions technologiques dans les nomenclatures des
produits nis. Ainsi des changements de composants dans l'assemblage d'un produit ni sont possibles.
Appliqué à l'industrie automobile, ce modèle linéaire de grande taille n'est pas résolu dans l'article mais
la méthode du lagrangien augmenté est citée comme perspective. L'activité de production peut aussi
avoir des économies d'échelles ou d'envergure : [CM91] propose un modèle de chargement des usines
intégrant l'approvisionnement et la distribution. Ce modèle de programmation linéaire en nombres
mixtes est résolu avec une décomposition de Benders implémentée avec un solveur commercial.Dans
un autre article sur la planication de la capacité et de la charge des usines [HL09], les auteurs prennent
en compte les aspects non linéaires de la production. Ils utilisent un Recuit Simulé pour résoudre le
problème. Le modèle de [YH09] optimise un réseau logistique de plusieurs niveaux avec des coûts de
transport non linéaires. Un algorithme génétique est utilisé avec un codage d'arbre couvrant minimum.
L'utilisation dans cette littérature des contraintes de notre modèle est synthétisée en 2.23. Dans
la gure 2.24, la taille des instances et le type de problème mathématique de cet état de l'art sont
synthétisés.
Nous pouvons conclure que, généralement dans les modèles de planication stratégique avec assem-
blage de la littérature, des hypothèses de linéarité et surtout d'indépendance entre les coûts sont prises ;
notamment pour utiliser la programmation linéaire comme méthode de résolution. Des modèles plus
spéciques vont chercher à modéliser plus nement la réalité souvent en ajoutant des non-linéarités au
problème. Le problème de mélange est justement un problème classique de planication non-linéaire.
2.4.3.2 Le problème de mélange
Le problème de mélange est un problème rencontré dans la planication de l'industrie pétrochi-

mique. Avec des limitations en termes d'approvisionnement, il s'agit de mélanger, de manière la plus
économe, diérents composants dans des cuves pour obtenir des produits dont les caractéristiques (par
exemple, le taux de sulfate) doivent répondre à des critères de qualité. La modélisation du mélange
(moyenne pondérée des caractéristiques des produits) apporte une non-linéarité. De plus, le 'pooling
problem' est connu pour être non-convexe. Ce problème bilinéaire a été abondamment étudié dans la
littérature [MF09].
Industriellement, il a été historiquement résolu par des méthodes de type SLP (Successive Linear
Programming) [BL85]. Pour les problèmes bilinéaires (comme le pooling problème), on peut utiliser
aussi une heuristique alternante [Coo64] qui va résoudre successivement deux problèmes linéaires
liés entre eux ; les solutions d'un problème devenant des paramètres de l'autre. [ABH+ 04] démontre
la convergence de cet algorithme vers un minimum local s'il n'existe qu'une seule solution à chaque
étape de la procédure. Plus récemment, [AE09] propose d'utiliser une méthode basée sur la Relaxation
Lagrangienne et [ABH+ 04] propose une méthode de Branch-and-Cut.
81
Contraintes Equilibre Capacité Capacité Capacité Capacité

de satis- des de pro- de pro- appro- appro-
faction ux ap- duction duction vision- vision-
de la pro/distri minimum maximum nement nement
demande minimum maximum
[EGG+ 99] X X X X
[ABHT95] X X X X
[CM91] X X X X
[HL09] X X X
[YH09] X X X X
[VG01] X X X X X X
[PHLDM09] X X X X
[ABH+ 04] X X X X
[AE09] X X X X
Figure 2.23 Contraintes générales
sites appro sites prod sites distri composants composés modèle

[EGG+ 99] / / / / / LP
[ABHT95] 10 33 6 10 1 MILP
[CM91] 3 3 5 3 2 MILP
[HL09] 4 5 6 3 1 NLP
[YH09] 20 25 60 0 1 NLP
[VG01] 62 8 90 38 12 NLP
[PHLDM09] 62 8 90 35 12 NLP
[ABH+ 04] ? 8 ? 11 16 NLP
[AE09] ? 8 ? 11 16 NLP
Figure 2.24 Taille et type des problèmes de la littérature

82
Le problème de mélange reste actuellement un problème dicle à résoudre optimalement sur de
grandes instances, du fait de sa non-convexité.
Notons qu'à la diérence de notre problème, le problème de mélange a une non-linéarité au niveau
des contraintes et non au niveau de la fonction objectif.
2.4.3.3 Le problème de planication de chaîne logistique avec dénition des prix de

cession
Certains modèles de planication de la chaîne logistique prennent en compte la dénition des prix
de cession qui vont impacter les coûts liés à la valeur des produits (coûts de douane, coûts nanciers
des stocks, coût d'assurance...) mais aussi le bénéce (après impôts) de l'entreprise. [VG01] propose un
modèle de planication stratégique avec détermination des prix de cession. Ce problème bilinéaire est
résolu par une heuristique alternante. L'heuristique alternante repose sur la bilinéarité de la fonction
objectif du problème. Cela induit que pour des prix de cession xés, la fonction objectif est linéaire
en fonction des variables de ux. De même, pour des variables de ux xées, la fonction objectif est
linéaire en fonction des prix de cession. La résolution successive et itérative de ces deux programmes
linéaires mène à un minimum local.
[PHLDM09] intègre l'heuristique alternante dans une recherche à voisinage variable (VNS). Cette
métaheuristique repose sur l'utilisation de diérents voisinages dont certains cherchent à obtenir
un minimum local et d'autres à perturber la solution courante pour s'extraire des minima locaux.
[PHLDM09] réalise la recherche locale avec l'heuristique alternante et la perturbation est réalisée
en modiant aléatoirement les prix de cession. Cette métaheuristique a prouvé sa convergence vers
les solutions optimales de petites instances résolues en parallèle par une méthode de branch-and-cut
spécialisée pour les programmes bilinéaires.
2.4.3.4 Conclusion sur l'état de l'art des problèmes de planication stratégique avec
contraintes de sourcing
Les modèles avec contraintes de sourcing sont plus diciles à résoudre que les problèmes sans
contrainte de sourcing du fait de l'ajout de contraintes supplémentaires et, parfois, de non-linéarité
supplémentaires notamment dans le lien entre les variables d'approvisionnement et celles de distribu-
tion. Malgré la perte de la structure de ots, les méthodes de résolution employées sont nombreuses
avec une utilisation historique d'heuristiques (par exemple, le SLP ou la procédure alternante) et, plus
récemment, de métaheuristiques (VNS) pour résoudre les problèmes de plus grandes tailles. Notre
problème s'approche de celui de [VG01] mais, au lieu de considérer les prix de cession comme des
variables libres, nous considérons qu'ils sont directement calculés à partir des décisions de répartition.
Cette diérence est remarque au niveau de la fonction objectif.
2.4.4 Borne inférieure
Nous proposons une borne inférieure pour le problème avec contraintes de sourcing. Elle pourra
être utilisée pour évaluer la qualité des solutions obtenues.
L'idée est de linéariser le problème avec des prix de cession minimum. Le prix cession minimum
est déni comme le prix avec le maximum d'économie d'échelle et le minimum de coût d'achat (sans
contraintes d'approvisionnement). La diérence avec la borne inférieure du problème sans contrainte
de sourcing est l'intégration des contraintes de sourcing pour calculer le maximum d'économie d'échelle
en production. Ainsi ce maximum d'économie d'échelle est calculé à partir d'une charge maximale pour
chaque technologie de production t (t = 1, T P ) installée sur chaque zone de production u (u = 1, P Z).
Ainsi, la charge maximale va être déterminée à partir du nombre maximal de véhicules de familles de
véhicules i (i = 1, N ) pouvant être produits sur la zone de production u. Ce nombre est déterminé
soit avec la demande prévisionnelle, soit avec les capacités de production, soit avec les capacités
d'approvisionnement.
83
Pour les contraintes d'approvisionnement, nous dénissons, pour chaque famille de pièces p (p =
1, F P ) nécessaire à la production de la famille de véhicules i, le nombre maximum de composants
disponibles et nous retenons le nombre minimum.
 RA ZA

max )
P P
 b j,u .( aj,s .appp,s 
 j=1 s=1
N bi3iu = min  , ∀u = 1, ZP, ∀i = 1, F V

xni,p

p=1,F P/xni,p >0  
Le nombre maximum de véhicules de la famille de véhicules i pouvant être réalisé sur la zone de
production u est le minimum entre cette quantité N bi3iu , les prévisions de vente maximales N bi1iu
et les capacités maximales de production N bi2i,u (dénies pour la borne inférieure sans contrainte de
sourcing).
N bii,u = min(N bi1iu , N bi2i,u , N bi3i,u ),

∀u = 1, ZP, ∀i = 1, F V (2.64)
La charge maximum N bmax1t,u (t = 1, T P, u = 1, ZP ) pour la technologie de production t
installée sur la zone de production u est la somme du nombre précédent pour toutes les familles de
véhicules i utilisant la technologie de production t.
X
N bmax1t,u = N bii,u ,
i=1,F V /xci,t >0
et
capmax
Q
>0
t′ =1,T P/xci,t′ >0 t′ ,u
∀t = 1, T P, ∀u = 1, ZP (2.65)
De plus, dans notre problème, il existe une technologie de production tp qui est partagée par tous
les produits. Cette spécicité peut être utilisée pour calculer une autre borne supérieure de la charge
maximum N bmax2tp,u .
Au nal, la charge maximum sur chaque zone de production u et pour chaque technologie de pro-
duction t, sauf pour la technologie de production partagée, est le minimum déni entre les contraintes
d'approvisionnement, de production ou de demande. Pour la technologie de production partagée, une
autre quantité de charge est aussi évaluée.
min(N bmax1t,u , N bmax2t,u ) sit = tp,

N bmaxt,u = (2.66)
N bmax1t,u sinon
Pour évaluer la borne inférieure, il sut alors de résoudre le programme linéaire suivant :
minimiser f ′ (Y ) =
FV X
X RD ZP
X
Yi,k .(pf di,k + (ck,u .xcsi,u .xf di,k .
i=1 k=1 u=1
TP
!
f ft,u
(2.67)
X
(tami,u + (ei,t . + xci,t .f vt,u ))))
N bmaxt,u
t=1
sous contraintes (2.55),(2.56),(2.57) et (2.62)

Les contraintes correspondent à la satisfaction de la demande (2.55), au respect des capacités
minimum (2.56) et maximum (2.57) de production et à la positivité des variables (2.62).
84
Nous distingons les méthodes d'optimisation heuristiques et métaheuristiques.
2.4.5.1 Heuristiques
2.4.5.1.1 Méthode basée sur la programmation linéaire avec une linéarisation du pro-
blème Dans le cas avec contraintes de sourcing, la borne inférieure donne des prix de cessions qui
peuvent être utilisés pour obtenir une solution admissible. Cette solution peut être ensuite évaluée
avec la fonction objectif non linéaire (cf 2.4.1.4).
2.4.5.2 Méthode basée sur la programmation non linéaire
Nous utilisons le solver Knitro pour résoudre le problème d'optimisation non linéaire. Comme la
fonction objectif est non convexe, cette approche est heuristique. L'implémentation est identique à
celle proposée en 2.3.5.1.3.
2.4.5.2.1 Méthode basée sur la programmation linéaire successive Nous reprenons l'idée
développée en 2.3.5.1.4 pour adapter l'heuristique de programmation linéaire successive au problème
avec contraintes de sourcing. L'idée est toujours d'aner itérativement les prix de cession en fonction
des valeurs de ux d'approvisionnement et de distribution trouvées à l'itération précédente. L'algo-
rithme de principe a déjà été présenté en algorithme 2.
Le programmme linéaire résolu à l'itération n avec l'ensemble P Cn des prix de cession estimé
pcni,u , ∀i ∈ F V, u ∈ ZP à l'itération n est le suivant :
FV X
X RD ZP
X RA
X FP
X
M inimiser fn (X, Y, P Cn ) = Yi,k .(pf di,k + xf di,k . ck,u .xcsi,u .pcni,u )+ bj,u . Xi,j,p .pf aj,p
i=1 k=1 u=1 j=1 p=1
(2.68)
avec pour variables Xi,j,p (i = 1, F V ; j = 1, RA; p = 1, F P ) et Yi,k (i = 1, F V ; k = 1, RD)

sous les contraintes de satisfaction de la demande (2.55), de respect de capacités de production
minimum et maximum (2.56) et (2.57), d'équilibre des ux (2.58), de respect des approvisionnements
(2.59) et (2.60) et de positivité des variables (2.61) et (2.62).
Cette méthode est une heuristique car nous n'avons aucune garantie de l'optimalité globale.
2.4.5.3 Métaheuristiques
2.4.5.3.1 Solutions initiales Comme pour le problème sans contrainte de sourcing, nous propo-
sons deux solutions initiales : la première basée sur une répartition uniforme des prévisions de vente
sur le réseau de distribution et d'approvisionnement ; et la seconde basée sur la linéarisation de la
borne inférieure.
Solution initiale uniforme La construction de cette solution va répartir la demande uniformé-

ment sur les diérents ux disponibles. La solution créée sera, sauf cas particulier, uniquement valide
pour la contrainte de satisfaction de la demande. L'algorithme 9 est détaillé ci-après.
Solution initiale basée sur le programme linéaire de la borne inférieure Un programme

linéaire correspondant à celui du calcul de la borne inférieure (2.4.4) est résolu pour obtenir une
solution admissible du problème.
85
Algorithme 9 Initialisation uniforme
2: pour v = 1 à ZC faire
3: Soit R1 l'ensemble des routes de distribution k ∈ RD telles que Yi,k 6= −1 et dk,v = 1
4: pour k = 1 à R1 faire
pvi,v
5: Yi,k = card(R1)
6: n pour
7: n pour
8: n pour
10: pour u = 1 à ZP faire
RD
11: Soit qpi,u la quantité produite telle que qpi,u =
P
ck,u .Yi,k
k=1
12: pour p = 1 à F P faire
13: Soit R2 l'ensemble des routes d'approvisionnement j ∈ RA telles que Xi,j,p 6= −1 et bj,u = 1
14: pour j = 1 à R2 faire
qpi,u .xni,p
15: Xi,j,p = card(R2)
16: n pour
17: n pour
18: n pour
19: n pour
2.4.5.3.2 Métaheuristique sur les quantités produites Nous proposons une méthode d'opti-
misation basée sur une recherche locale et hybridée par deux programmes linéaires. Dans ce qui suit,
nous décrivons d'abord la procédure d'initialisation, le codage utilisé, la procédure de décodage, le sys-
tème de voisinage et la procédure de réparation utilisée. Enn, nous présentons la fonction d'évaluation
et l'algorithme de principe de la méthode.
Codage de la solution Une solution est représentée par la matrice des quantités de production
(Pi,u )i∈F V,u∈ZP , correspondant aux quantités de la famille de véhicules i produite sur la zone de
production u. Ce codage correspont à celui proposé en 2.3.5.4.1.
Rappelons qu'il y a un lien entre les quantités produites et les quantités distribuées (notées comme
précédement Yi,k ∀i ∈ F V, k ∈ RD) :
RD
P
Pi,u = ck,u .Yi,k , ∀i = 1, F V, ∀u = 1, ZP
k=1
Il existe aussi un lien entre les quantités produites et les quantités approvisionnées (notées Xi,j,p ∀i ∈
F V, j ∈ RA, p ∈ F P ) :
RA
P
Pi,u .xni,p = bj,u .Xi,j,p , ∀i = 1, F V, ∀u = 1, ZP, ∀p = 1, F P
j=1
Les solutions ne respectent pas forcément les capacités de production, nous utilisons donc la procé-
dure de réparation R (algorithme 4) (présentée précédement) pour obtenir une solution respectant les
containtes de capacités de production. Pour les autres contraintes, à partir de ce codage, une solution
admissible peut généralement être obtenue grâce à la procédure de décodage.
Procédure de décodage des solutions A partir des quantités produites, nous devons détermi-
ner les quantités approvisionnées et les quantités distribuées pour être capable d'évaluer complètement
la solution. Ainsi, une procédure en trois étapes est proposée :
1. Résoudre le problème d'approvisionnement : Les ux d'approvisionnement sont déterminés à
partir des quantités de production, des capacités d'approvisionnement et des routes d'approvi-
sionnement disponibles.
86
2. Evaluer les prix de cession : Les prix de cession sont calculés à partir des quantités produites et
des coûts d'approvisionnement.
3. Résoudre le problème de distribution : A partir des quantités de production et des prix de cession,
les ux de distribution sont déterminés en respectant la contrainte de la demande et l'existence
des routes de distribution.
Comme l'étape 2 correspond à l'évaluation des prix de cession détaillée précédemment, nous pré-
sentons uniquement les étapes 1 et 3 de la procédure de décodage dans ce qui suit :
Sous-problème d'approvisionnement Un programme linéaire peut être résolu pour détermi-

ner les ux d'approvisionnement à partir des quantités des familles de véhicules i produites sur les
zones de production u :
RA X
FP
(2.69)
X
minimiser f1 (X) = Xi,j,p .pf aj,p
j=1 p=1
sous contraintes
RA
X
bj,u .Xi,j,p = Pi,u .xni,p ,
j=1
∀u = 1, ZP, ∀p = 1, F P (2.70)
et (2.59), (2.60), (2.61).
Sous-problème de distribution A partir des quantités de production et des prix de cessions

pci,u (i = 1, F V, u = 1, ZP ), les quantités de distribution peuvent être déterminées en résolvant le
problème de transport pour toutes les familles de véhicules i (i = 1, F V ). Ce problème de transport
est le suivant :
RD
X
minimiser f2 (Y, i) = Yi,k . (pf di,k + xf di,k .pci,u )
k=1
(2.71)
sous contraintes
RD
(2.72)
X
cku .Yi,k = Pi,u ,
k=1
∀u = 1, ZP (2.73)
et (2.55), (2.62).
Les contraintes assurent l'équilibre entre les productions et les distributions (2.73), la satisfaction
de la demande par les distributions (2.55) et la positivité des quantités distribuées (2.62).
La procédure de décodage proposée peut ne pas obtenir de solution admissible. En eet, selon
l'existence des routes d'approvisionnement, le sous-problème d'approvisionnement peut ne pas avoir
de solution. De même, selon l'existence des routes de distribution, le problème de distribution peut
aussi ne pas avoir de solution. Dans le cas où aucune solution admissible n'est trouvée soit pour
le sous-problème d'approvisionnement, soit pour le sous-problème de distribution, l'évaluation de la
fonction objectif sera mise à +∞.
87
Système de voisinage Le système de voisinage proposé est basé sur le transfert de quantités
de production d'une famille de véhicules d'une zone de production à une autre zone de production.
C'est le système de voisinage V P qui a été présenté en algorithme 6.
Evaluation des solutions Quand la solution est décodée et réalisable (après utilisation de la
procédure de réparation si nécessaire), l'évaluation de la solution peut être réalisée avec la formule du
calcul de la fonction objectif 2.4.1.4.
Algorithme de principe L'algorithme de principe est présenté en algorithme 10.

Algorithme 10 Algorithme de principe avec le codage sur les productions
1: Soit P une solution quelconque
2: Soit best la valeur de la meilleure solution trouvée
3: best = +∞
4: répéter
5: Choisir aléatoirement et uniformément P ′ ∈ V P (P )
6: si g(P ′ ) > 0 alors
8: n si
9: Décoder P ′ pour dénir X , pc et Y .
10: si P ′ n'a pas de solution alors
11: f (X, Y ) = +∞
12: sinon si f (X, Y ) ≤ best alors
13: P = P′
14: best = f (X, Y )
15: n si
2.4.5.3.3 Métaheuristique sur les quantités distribuées Nous proposons d'exploiter la struc-
ture du problème qui diérencie les variables de quantités d'approvisionnement X et les variables des
quantité de distribution Y du problème d'approvisionnement-production-distribution en couplant une
métaheuristique et un programme linéaire.
La métaheuristique, codée sur les ux de distribution, est chargée de valoriser les Yi,k (i =
1, F V ; k = 1, RD), les quantités de famille de véhicules i transportées sur la route de distribution
k.
La fonction objectif est la suivante :
RA
P F
P P
FV X
RD ZP bj,u . Xi,j,p .pf aj,p
j=1 p=1
Minimiser f (X, Y ) = (2.74)
X X
′
Yi,k .xf di,k . ck,u .xcsi,u . RD RD
u=1
P P
i=1 k=1 ck′ ,u .Yi,k′ + δ0 ( ck′ ,u .Yi,k′ )
k′ =1 k′ =1
sous les contraintes de respects des équilibres de ux (2.58), des capacités de sourcing (2.59) et
(2.60) et de non négativité des variables (2.61).
L'algorithme de principe de cette méthode est présenté en algorithme 11
2.4.6 Expérimentation
2.4.6.1 Instances de test

Les instances sont générées avec le même principe que pour le problème de répartition sans
contrainte de sourcing en ajoutant les données pour l'approvisionnement.
88
Algorithme 11 Algorithme de principe avec le codage sur les quantités distribuées
1: Soit (X, Y ) une solution admissible
2: Soit best la meilleure valeur connue
3: best = +∞
4: répéter
5: Choisir aléatoirement et uniformément Y ′ ∈ V D(Y ).
6: si g(Y ′ ) > 0 alors
8: n si
9: Résoudre le programme linéaire pour obtenir les X ′ .
10: si (X ′ , Y ′ ) n'a pas de solution alors
11: f ′ (X ′ , Y ′ ) = +∞
12: n si
13: si f ′ (X ′ , Y ′ ) ≤ best alors
14: (X, Y ) = (X ′ , Y ′ )
15: n si
zones Véhicules et pièces Technologies

nb ZA nb ZP nb ZC nb FV nb plateforme nb FP nb TP
A 4 3 5 3 2 280 6
B 4 3 10 4 2 280 7
C 4 3 10 5 2 280 8
D 5 4 10 4 2 280 7
E 5 4 10 5 2 280 8
F 9 8 50 10 3 420 14
Figure 2.25 Taille des diérentes instances de test
Ainsi les diérents paramètres retenus pour la génération sont :

La taille du problème, c'est-à-dire le nombre de ZA, ZP, ZC, FV, FP et TP considérées.
La densité du réseau, c'est-à-dire le nombre de routes d'approvisionnement et de distribution
possibles.
La structure de coûts, c'est-à-dire la répartition des coûts tout au long de la chaîne logistique.
Nous détaillons maintenant ces diérents paramètres :
2.4.6.2 Taille du problème

Diérentes tailles de problèmes seront générées pour évaluer les méthodes d'optimisation. La taille
des diérents problèmes dépend du nombre d'éléments des ensembles des zones d'approvisionnement,
de production et de distribution, des familles de véhicules et de pièces et des technologies de production.
Nous dénissons maintenant 6 tailles de problèmes en fonction de ces paramètres de génération :
2.4.6.3 Densité du réseau

Pour chaque type de réseau, nous dénissons trois densités possibles selon le nombre de routes
existantes entre les ZA et ZP et entre les ZP et ZC.
Un réseau peu dense (noté '1') a entre 70 et 80% des routes d'approvisionnement et de distri-
bution.
Un réseau moyennement dense (noté '2') a entre 80 et 90% des routes d'approvisionnement et
de distribution.
Un réseau dense (noté '3') a entre 90 et 100% des routes d'approvisionnement et de distribution.
89
2.4.6.4 Structure de coûts
La structure de coûts, c'est-à-dire la répartition des diérents coûts entre les diérents processus
de la chaîne logistique, reste identiques.
2.4.6.4.1 Diérentes structures de coûts On dénit 4 structures de coût (de A à D) qui sont
diérenciées par la répartition des diérentes parts :
Part appro Part prod xe Part prod var part transp distri part douan distri
A 60% 10% 6% 4% 20%
B 60% 0% 16% 24% 0%
C 60% 0% 16% 4% 20%
D 60% 10% 6% 24% 0%
2.4.6.5 Paramétrage
Les métaheuristiques présentées sont testées sur 1 000 000 itérations (sans limite de temps sauf
quand cela est mentionné) et avec 10 réplications (les résultats présentés sont donc des moyennes
notées 'm' avec leur écart-type 's', sauf quand cela est mentionné).
Les résultats des métaheuristiques pour les instances de taille A à taille F sont présentés dans les
tableaux 2.26, 2.30, 2.30, 2.32, 2.34 et 2.36. Les deux métaheuristiques appliquées correspondent aux
deux métaheuristiques l'une avec un codage sur les quantité de ux (cf. 2.4.5.3.3) noté 'META FLUX'
et l'autre avec un codage sur les quantités de production (cf. 2.4.5.3.2) notée 'META PROD'. Chaque
méthode a été initialisée avec une solution admissible donnée par un programme linéaire.
Pour chaque méthode et chaque instance, nous donnons le nombre moyen d'itérations sur les 10
réplications pour obtenir la meilleure solution, la moyenne sur les 10 réplications de l'écart relatif en
pourcentage entre les meilleures solutions obtenues et la valeur de la borne inférieure, l'écart type sur
les 10 réplications de l'écart relatif entre les meilleures solutions obtenues et la valeur de la borne
inférieure et la moyenne sur les 10 réplications de l'écart relatif en pourcentage de la valeur de la
solution initiale et la valeur de la solution trouvée.
Les heuristiques appliquées sont la programmation non linéaire (cf. 2.4.5.2) notée 'NLP', la pro-
grammation linéaire successive (cf. 2.4.5.2.1) notée 'SLP' et la linéarisation de la fonction objectif (cf.
2.4.5.1.1) notée 'LIN'. Ces heuristiques sont déterministes et sont donc testées avec une seule réplica-
tion dans les tableaux 2.27, 2.29, 2.31, 2.33, 2.35, 2.37 en donnant les résultats pour les instances des
6 tailles de problèmes. .
Notes : L'heuristique sur la programmation non linéaire n'est plus applicable à partir de la taille
d'instance C. La metaheuristique sur les ux dépasse la mémoire disponible à partir des instances de
taille F (gure 2.36).
2.4.6.6 Résultats
90
Nom instance META PROD META FLUX
nb it ER/BI ER/SI nb it ER/BI ER/SI
m s m m m s m
A1A 760001 7,78% 0,00% 1,29% 71 7,78% 0,00% 1,23%
A1B 539601 1,05% 0,00% 0,00% 131963 1,05% 0,00% 0,00%
A1C 0 0,66% 0,00% 0,00% 1 0,65% 0,00% 0,01%
A1D 460001 13,3% 0,00% 0,16% 60 13,30% 0,00% 0,16%
A2A 99815 18,5% 0,00% 0,47% 281 18,5% 0,00% 0,48%
A2B 0 0,90% 0,00% 0,00% 0 0,90% 0,00% 0,00%
A2C 394000 0,49% 0,00% 0,01% 38 0,49% 0,00% 0,01%
A2D 68641 15,4% 0,00% 0,77% 117 15,4% 0,00% 0,77%
A3A 620001 15,5% 0,00% 0,24% 406359 15,5% 0,00% 0,24%
A3B 0 0,57% 0,00% 0,00% 0 0,57% 0,00% 0,00%
A3C 720001 0,69% 0,00% 0,00% 1 0,63% 0,00% 0,05%
A3D 680001 16,9% 0,00% 0,19% 34010 16,9% 0,00% 0,19%
Figure 2.26 Résultats des métaheuristiques sur les instances de taille A
Nom instance NLP SLP LIN
ER/BI ER/BI ER/BI
A1A 8,91% 8,91% 8,91%
A1B 1,06% 1,05% 1,05%
A1C 0,66% 0,66% 0,66%
A1D 13,48% 13,48% 13,48%
A2A 19,03% 19,03% 19,03%
A2B 0,90% 0,90% 0,90%
A2C 0,50% 0,50% 0,50%
A2D 16,35% 16,30% 16,30%
A3A 15,81% 15,54% 15,82%
A3B 0,71% 0,57% 0,57%
A3C 1,52% 0,67% 0,67%
A3D 17,12% 17,12% 17,12%
Figure 2.27 Résultats des heuristiques sur les instances de taille A

m s m m m s m
B1A 91437 16,03% 0,00% 0,00% 294501 15,9% 0,00% 0,01%
B1B 620001 2,44% 0,00% 0,00% 0 2,44% 0,00% 0,00%
B1C 440001 0,99% 0,00% 0,01% 1 0,93% 0,00% 0,07%
B1D 353231 14,9% 0,00% 0,57% 526283 14,9% 0,00% 0,57%
B2A 0 19,1% 0,00% 0,00% 486893 18,9% 0,00% 0,20%
B2B 0 0,03% 0,00% 0,00% 0 0,03% 0,00% 0,00%
B2C 700001 0,93% 0,00% 0,07% 1 0,91% 0,00% 0,08%
B2D 560392 20,6% 0,00% 0,02% 273 20,6% 0,00% 0,02%
B3A 0 16,2% 0,00% 0,00% 140469 16,2% 0,00% 0,03%
B3B 0 1,91% 0,00% 0,00% 0 1,91% 0,00% 0,00%
B3C 200001 1,22% 0,00% 0,00% 1 1,19% 0,00% 0,03%
B3D 694873 23,2% 0,00% 0,15% 112781 23,2% 0,00% 0,15%
Figure 2.28 Résultats des métaheuristiques sur les instances de taille B
91
Nom instance NLP SLP LIN
92
ER/BI ER/BI ER/BI
B1A 16,03% 15,94% 16,03%
B1B 2,44% 2,44% 2,44%
B1C 1,00% 1,00% 1,00%
B1D 15,55% 15,52% 15,55%
B2A 19,10% 19,07% 19,09%
B2B 0,03% 0,03% 0,03%
B2C 0,99% 0,99% 0,99%
B2D 20,62% 20,62% 20,62%
B3A 16,22% 16,22% 16,22%
B3B 1,91% 1,91% 1,91%
B3C 1,23% 1,23% 1,23%
B3D 21,95% 23,35% 23,35%
Figure 2.29 Résultats des heuristiques sur les instances de taille B

m s m m m s m
C1A 928068 16,7% 0,00% 0,89% 730343 16,7% 0,00% 0,89%
C1B 0 3,57% 0,00% 0,00% 0 3,57% 0,00% 0,00%
C1C 152455 2,09% 0,00% 0,03% 501032 1,90% 0,00% 0,21%
C1D 385290 17,7% 0,00% 0,83% 577261 17,7% 0,00% 0,83%
C2A 56521 23,8% 0,00% 0,02% 129589 23,6% 0,00% 0,16%
C2B 0 6,54% 0,00% 0,00% 0 6,54% 0,00% 0,00%
C2C 0 0,40% 0,00% 0,00% 1 0,38% 0,00% 0,02%
C2D 126858 18,2% 0,00% 0,72% 106013 18,2% 0,00% 0,72%
C3A 820001 18,2% 0,00% 0,37% 860129 18,1% 0,00% 0,46%
C3B 700001 4,10% 0,00% 0,00% 0 4,10% 0,00% 0,00%
C3C 264684 1,17% 0,00% 0,02% 1 1,13% 0,00% 0,06%
C3D 156306 19,0% 0,00% 0,02% 285843 19,0% 0,00% 0,02%
Figure 2.30 Résultats des métaheuristiques sur les instances de taille C
Nom instance SLP LIN
ER/BI ER/BI
C1A 17,50% 17,69%
C1B 3,57% 3,57%
C1C 2,12% 2,12%
C1D 18,67% 18,67%
C2A 23,74% 23,83%
C2B 6,54% 6,54%
C2C 0,40% 0,40%
C2D 19,08% 19,08%
C3A 18,62% 18,62%
C3B 4,10% 4,10%
C3C 1,19% 1,19%
C3D 19,00% 19,00%
Figure 2.31 Résultats des heuristiques sur les instances de taille C

m s m m m s m
D1A 0 12,8% 0,00% 0,00% 3800 10,8% 0,00% 1,82%
D1B 600001 3,73% 0,00% 0,00% 0 3,73% 0,00% 0,00%
D1C 159836 3,94% 0,00% 0,00% 122885 3,74% 0,00% 0,15%
D1D 540001 9,76% 0,00% 3,40% 410971 9,76% 0,00% 3,40%
D2A 78699 12,4% 0,00% 0,07% 364 12,4% 0,00% 0,13%
D2B 140001 6,00% 0,00% 0,00% 0 6,00% 0,00% 0,00%
D2C 0 5,35% 0,00% 0,00% 0 5,35% 0,00% 0,00%
D2D 300001 9,39% 0,00% 0,16% 165558 9,41% 0,00% 0,14%
D3A 140001 16,5% 0,00% 0,23% 706888 15,9% 0,00% 0,70%
D3B 180001 3,25% 0,00% 0,00% 0 3,25% 0,00% 0,00%
D3C 40001 11,8% 0,00% 0,00% 365 11,2% 0,00% 0,61%
D3D 60001 24,1% 0,00% 0,03% 127755 24,1% 0,00% 0,03%
Figure 2.32 Résultats des instances taille D
93
94
ER/BI ER/BI
D1A 12,77% 12,80%
D1B 3,73% 3,73%
D1C 3,89% 3,89%
D1D 13,49% 13,49%
D2A 12,49% 12,49%
D2B 6,00% 6,00%
D2C 5,20% 5,35%
D2D 9,39% 9,56%
D3A 16,67% 16,75%
D3B 3,25% 3,25%
D3C 11,89% 11,89%
D3D 24,10% 24,10%
Figure 2.33 Résultats des heuristiques sur les instances de taille D

m s m m m s m
E1A 465802 13,5% 0,00% 0,00% 49644 13,0% 0,00% 0,38%
E1B 45891 12,6% 0,00% 0,00% 647 12,7% 0,03% 0,17%
E1C 57986 4,05% 0,00% 0,07% 1838 4,10% 0,04% 0,02%
E1D 106723 8,81% 0,00% 0,51% 8728 8,81% 0,00% 0,51%
E2A 26947 17,1% 0,00% 0,08% 164374 16,7% 0,00% 0,10%
E2B 280001 3,03% 0,00% 0,13% 218 3,03% 0,00% 0,13%
E2C 0 4,38% 0,00% 0,00% 123103 4,38% 0,00% 0,00%
E2D 490322 9,16% 0,00% 0,03% 129710 9,16% 0,00% 0,03%
E3A 35317 17,4% 0,00% 0,14% 339509 17,2% 0,00% 0,32%
E3B 0 7,19% 0,00% 0,00% 487042 7,26% 0,02% 0,09%
E3C 0 10,1% 0,00% 0,00% 31270 10,0% 0,00% 0,07%
E3D 73494 6,77% 0,00% 0,42% 182950 6,77% 0,00% 0,42%
Figure 2.34 Résultats des instances taille E
ER/BI ER/BI
E1A 13,39% 13,39%
E1B 12,61% 12,61%
E1C 4,12% 4,12%
E1D 9,37% 9,37%
E2A 17,06% 17,06%
E2B 3,17% 3,17%
E2C 4,38% 4,38%
E2D 9,16% 9,20%
E3A 17,48% 17,54%
E3B 7,19% 7,19%
E3C 10,07% 10,08%
E3D 7,22% 7,22%
Figure 2.35 Résultats des heuristiques sur les instances de taille E
Nom instance META PROD

nb it ER/BI ER/SI
m s m
F1A 0 10,5% 0,00% 0,00%
F1B 10303 6,35% 0,00% 0,01%
F1C 0 7,59% 0,00% 0,00%
F1D 5188 14,0% 0,00% 0,02%
F2A 2321 14,6% 0,00% 0,11%
F2B 1 16,3% 0,00% 0,00%
F2C 0 13,0% 0,00% 0,00%
F2D 34 17,4% 0,00% 0,17%
F3A 0 14,8% 0,00% 0,00%
F3B 1863 21,0% 0,00% 0,00%
F3C 0 22,4% 0,00% 0,00%
F3D 9771 21,9% 0,00% 0,95%
Figure 2.36 Résultats des métaheuristiques sur les instances de taille F
95
96
ER/BI ER/BI
F1A 10,52% 10,54%
F1B 6,36% 6,36%
F1C 7,56% 7,59%
F1D 13,98% 13,98%
F2A 14,51% 14,68%
F2B 16,33% 16,33%
F2C 12,86% 12,98%
F2D 17,56% 17,56%
F3A 14,79% 14,79%
F3B 21,02% 21,02%
F3C 22,31% 22,40%
F3D 23,02% 23,02%
Figure 2.37 Résultats des heuristiques sur les instances de taille F
97
PROD FLUX NLP SLP LIN
A 7,65% 7,64% 8,00% 7,89% 7,92%

B 9,79% 9,75% 9,76% 9,86% 9,87%
C 10,95% 10,91% impossible 11,21% 11,23%
D 9,91% 9,63% impossible 10,24% 10,28%
E 9,51% 9,44% impossible 9,60% 9,61%
F 14,98% impossible impossible 15,07% 15,10%
Figure 2.38 Synthèse générale des résultats sur les diérentes tailles d'instance
2.4.6.7 Analyse des résultats avec contraintes de sourcing
Comme réalisé pour le problème de répartition sans contrainte de sourcing, nous analysons les ré-
sultats de la campagne de test avec contraintes de sourcing. Cette analyse traite à la fois la performance
et la durée des méthodes d'optimisation.
2.4.6.7.1 Performance des méthodes de résolution La distance moyenne entre les solutions
trouvées et les bornes inférieures sont présentées en gure 2.39.
Figure 2.39 Graphique de la synthèse générale
Suite à cette seconde campagne de test, nous observons les remarques suivantes sur la performance
des méthodes :
La programmation non linéaire est limitée aux tailles d'instance A et B.
La métaheuristique sur les ux n'est plus opérationnelle au-delà de la taille d'instance E.
Entre les deux metaheuristiques, celle sur les ux de distribution semble légèrement meilleure.
2.4.6.8 Durée des méthodes de résolution
La gure 2.40 présente la durée moyenne des diérentes méthodes. Les durées des résultats des
métaheuristiques sur les ux (notés FLUX) et sur les productions (notés PROD) ont été moyennées.
La durée du calcul conserve les tendances de la campagne de test sans contrainte de sourcing :
98
Figure 2.40 Durées de calcul
Les méthodes de linéarisation et SLP sont rapides quelle que soit la taille des instances.
Les métaheuristiques ont une durée qui croit assez rapidement selon la taille des instances.
2.4.6.9 Conclusion de l'analyse avec constrainte de sourcing
A l'issue de cette seconde campagne de test avec contrainte de sourcing, nous concluons que
selon le critère principal de l'utilisateur : temps de réponse ou qualité de la solution ; à la fois les
méthodes heuristiques basées sur la programmation linéaire et les métaheuristique sont utilisables.
Ces méthodes sont même complémentaires car les solutions approchées trouvées rapidement par les
méthodes heuristiques peuvent servir de solution initiales pour les métaheuristiques.
Le problème de répartition stratégique avec contraintes de sourcing et les méthodes de résolution
proposées ont été acceptées à la conférence ILS2010 [SGNG10a].
2.5 Conclusion
La répartition stratégique organise à horizon stratégique le système industriel dans les contraintes
dénies par les investissements industriels. Ce problème d'optimisation doit être résolu pour évaluer
précisément l'impact industriel d'une décision d'investissement. Ainsi nous avons proposé un modèle
de connaissance de la répartition stratégique appliquée à PSA. Nous avons alors distingué deux pro-
blèmes de répartition, un premier problème sans contrainte de sourcing et un second problème avec
contraintes de sourcing. Dans les deux cas, le modèle de connaissance a permis de formuler un mo-
dèle de mathématique suivi d'une revue de littérature. Nous avons trouvé que dans la littérature,
ce problème est généralement considéré comme facile car il est assimilé à un problème de multi-ots
facilement résolu avec la programmation linéaire. Cependant, à partir du modèle de connaissance du
système industriel de PSA, nous avons découvert une diculté de résolution liée à la non-convexité de
l'évaluation économique du problème. Pour les deux problèmes, aucune méthode exacte d'optimisation
globale n'est vraiment performante sur des instances de la taille de notre problème industriel. Nous
avons donc proposé des heuristiques et des métaheuristiques, souvent hybridées avec de la program-
mation linéaire, que nous avons testées et comparées sur des instances générées. Les métaheuristiques
proposées sont prometteuses mais ont pour désavantage une durée de calcul qui augmente rapidement
avec la taille des instances traitées. Par ailleurs, les méthodes heuristiques (linéarisation, program-
mation linéaire successive) proposées sont plus rapides mais obtiennent des résultats globalement de
moins bonne qualité. Enn, la méthode de programmation non linéaire est rapidement limitée en
taille d'instance et en qualité de résultats. Cette analyse est valable pour les problèmes sans et avec
contrainte(s) de sourcing.
En perspective d'amélioration, il est possible de continuer à utiliser des propriétés mathématiques
du problèmes, notamment l'ensemble des contraintes linéaires, pour dénir des voisinages encore plus
pertinants (étude du polyèdre des contraintes pour limiter au maximum l'exploration de solutions sous-
optimales). De plus, l'application d'une métaheuristique basée sur une population, et non plus une
unique solution, pourrait orir de nouvelles possibilité (croisement, diversication/intensication....)
lors de la phase de recherche. Ainsi selon les priorités des utilisateurs (temps de réponse ou qualité de
la solution), les diérentes méthodes peuvent être utilisées.
Avant de présenter le problème de planication stratégique avec investissements en chapitre suivant,
nous pouvons conclure que les heuristiques donnent globalement de bonnes solutions dans des temps
raisonables, notamment pour l'approche de programmation linéaire successive mais que la recherche
d'une certaine qualité de solution pousse à utiliser les métaheuristiques.
100
Chapitre 3
La planication stratégique
La chose la plus miséricordieuse en ce bas monde est l'incapacité de l'esprit humain à mettre en
corrélation toutes les informations qu'il contient. H. P. Lovecraft
Sommaire
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
3.2 Modèle de connaissance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
3.2.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102

3.2.2 Sous-système physique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
3.2.3 Sous-système logique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
3.2.4 Sous système décisionnel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
3.3 Etat de l'art . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
3.3.1 La planication stratégique du réseau logistique . . . . . . . . . . . . . . . . . 116

3.3.2 Analyse de la littérature . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
3.3.4 Ore logicielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
3.4 Formalisation mathématique . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
3.4.1 Ensembles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132

3.4.2 Paramètres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
3.4.3 Variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
3.4.4 Fonction objectif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
3.4.5 Contraintes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
3.4.6 Modélisation des investissements . . . . . . . . . . . . . . . . . . . . . . . . . 136
3.5 Méthodes de résolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
3.5.1 Heuristique basée sur la programmation linéaire en nombres entiers successive 136
3.5.2 Métaheuristique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
3.1 Introduction
Dans ce chapitre, nous nous intéressons à la conception du réseau logistique et à la planication

du réseau logistique ainsi conçu. En eet, il est nécessaire d'étudier l'impact des investissements en
capacité de production et en capacité d'approvisionnement sur l'exploitation du réseau logistique car
ces décisions, prises très en amont, vont structurer durablement la chaîne logistique et avoir un im-
pact majeur sur sa performance économique. Ainsi le modèle de planication stratégique du réseau
logistique s'intéresse à la fois aux décisions d'investissement en capacités (production et approvision-
nement) et à la planication, sur plusieurs périodes, des activités d'approvisionnement, de production
et de distribution.
101
102
Par la suite, nous présentons d'abord le modèle de connaissance de la planication stratégique du
réseau logistique. Ce modèle de connaissance est fortement lié à celui de la répartition stratégique.
Puis, un état de l'art sur les modèles et les méthodes présents dans la littérature est proposé. Ensuite,
une formalisation mathématique du problème est donnée. Enn, des méthodes de résolution sont
proposées.
3.2 Modèle de connaissance
3.2.1 Généralités
La modélisation temporelle est réalisée en discrétisant le temps à l'aide de périodes.

A chaque période, un coecient de dépréciation monétaire (%) sert à l'actualisation des coûts.
Les diérents coûts ne sont pas donnés par périodes ; ils sont indiqués pour une période de référence.
Pour une période donnée, le coût est obtenu en multipliant le coût de la période de référence par le
coecient de dépréciation monétaire de la période.
L'ensemble des périodes va constituer un horizon de planication.
3.2.2 Sous-système physique
Nous étudions une chaîne logistique constituée de zones reliées entre elles par des routes. On
distingue trois types de zones :
Les zones d'approvisionnement qui sont les zones considérées pour acheter des familles de
pièces. Elles sont désignées par leur nom.
Les zones de production sont les zones considérées pour réaliser la production des familles
de véhicules. Chaque zone de production est désignée par son nom. Un nombre de jours ouvrés
annuel (en jours) est déni par zone de production.
Les zones de commercialisation qui sont les zones considérées pour la vente des familles de
véhicules. Elles sont dénies par leurnom .
Chaque zone de production dispose d'une zone d'approvisionnement considérée comme locale,
c'est-à-dire géographiquement proche de celle-ci.
Entre une zone d'approvisionnement et une zone de production, une route d'approvisionnement
peut exister : cela traduit une possibilité de transport de la zone d'approvisionnement vers la zone
de production. Ainsi cette route dispose d'un prix de transport par unité transportée (en m3 ) et d'un
délai d'approvisionnement (en h). De plus, une route d'approvisionnement impose diérents stocks de
sécurité :
Un stock de sécurisation du transport déterminé à partir d'un niveau de stock de sécurisation
(en h) permet de pallier aux aléas de transport à proximité de la zone de production,
Un stock de fonctionnement avec un niveau de stock de fonctionnement (en h) est déni pour
pallier aux aléas du transport international.
De plus, un coecient de transport d'urgence (sans unité) est déni pour valoriser le coût des transports
d'urgence (i.e. taxi, hélicoptère) parfois nécessaires pour éviter les ruptures d'approvisionnement. Un
délai d'approvisionnement (h) dénit le temps moyen de transport sur cette route.
De même, entre une zone de production et une zone de commercialisation une route de distri-
bution peut être dénie. La route de distribution est caractérisée par un prix de transport (en e) au
véhicule et un délai de distribution (en h).
La structure du sous-système physique (constitué de zones d'approvisionnement, de zones de pro-
duction, de zones de commercialisation, de routes d'approvisionnement, de routes de distribution et
de technologies de production) reste inchangée sur l'horizon de planication.
Des technologies de production sont disponibles pour réaliser les activités nécessaires à la pro-
duction des véhicules. Ces technologies sont caractérisées par leur nom. Une technologie de production
peut être spécique à une famille de véhicules. Cela indique que cette technologie de production est
une condition nécessaire pour pouvoir produire la famille de véhicules.
103
Une technologie de production disponible sur une zone de production est une ressource de pro-
duction. Les ressources ont des frais xes (en e) et des frais variables (en e/vhl) pour leur utilisation.
Une ressource de production peut être existante ou potentielle :
Une ressource de production existante a des frais d'investissement restants (e) et une durée
d'amortissement restante (en nombre de périodes). Une ressource de production existante a des
capacités de production minimum et des capacités de production maximum dépendantes de la
période.
Une ressource de production potentielle a des frais d'investissement (e) pour son ouverture,
qui seront amortis sur une durée d'amortissement (en périodes) à partir de la période où elle est
investie. Toutes les ressources de production potentielles ont la même durée d'amortissement.
Une ressource de production potentielle a une capacité de production minimum et une capacité de
production maximum indépendantes de la période.
3.2.3 Sous-système logique
Les familles de pièces sont des agrégats de pièces caractérisés par un nom et un incoterm qui
déterminera comment se déroulera son transfert de propriété avec le fournisseur (il dénira si le coût
d'acquisition intègre le transport et ses sécurisations et la douane dans le cas d'un système d'ordre
synchrone). De plus, un volume d'emballage (en m3 ) est déni à partir de l'emballage nécessité par la
famille de pièces lors de son transport.
Certaines familles de pièces sont dites synchrones quand ce système d'ordre leur est imposé ; ce qui
oblige, pour une production données, à sourcer ces familles de pièces dans la zone d'approvisionnement
locale à la zone de production.
Une famille de pièces disponible auprès d'une zone d'approvisionnement constitue une source
d'approvisionnement. Elle a un prix d'acquisition (en e/pc) unitaire. Nous distinguons deux types
de sources d'approvisionnement selon qu'elles sont existantes ou potentielles :
Une source d'approvisionnement existante a des frais d'investissements restants (e) et
une durée d'amortissement restante (en nombre de périodes). Les sources d'approvisionnement
existantes ont une capacité d'approvisionnement minimum et une capacité d'approvisionnement
maximum dépendantes de la période.
Une source d'approvisionnement potentielle a des frais d'investissement (e) et une durée
d'amortissement (en périodes). Elle sera amortie sur une durée d'amortissement à partir de la
période où elle est investie. Toutes les sources d'approvisionnement potentielles ont la même
durée d'amortissement.
Les sources d'approvisionnement potentielles ont une capacité d'approvisionnement minimum et
une capacité d'approvisionnement maximum indépendantes de la période.
Les familles de véhicules sont des agrégats de véhicules caractérisés par un nom et un coecient
de gabarit (sans unité) pour évaluer un encombrement par rapport à un véhicule de référence.
Pour une famille de véhicules, on peut déterminer des liens de nomenclature avec des familles
de pièces. Ces liens déterminent des coecients de nomenclature pour dénir la quantité (en pc) d'une
famille de pièces nécessaire à la réalisation d'un véhicule d'une famille de véhicules.
Le transport d'une famille de pièces sur une route d'approvisionnement peut demander de traverser
une douane d'approvisionnement et imposer l'application d'un taux de douane.
Lors du transport d'une famille de pièces sur une route d'approvisionnement, on utilise un em-
ballage pour protéger les marchandises. Cet emballage est caractérisé par un prix d'emballage (en
e/pc).
Le transport de familles de pièces achetées pour une famille de véhicules et empruntant une route
d'approvisionnement à une période donnée est un ux d'approvisionnement. Il est caractérisé par
une quantité de ux d'approvisionnement (en pc) transportée par ce ux d'approvisionnement. Cette
valeur permettra de calculer les stocks liés aux transports tels qu'une quantité de stock de fonction-
nement (en pc), une quantité de stock de sécurisation (en pc) et une quantité d'encours d'approvi-
sionnement (en pc). Diérents coûts sont aussi calculés au niveau des ux d'approvisionnement, tels
104
que :
1. un coût d'acquisition (en e) correspondant au transfert de propriété des pièces,
2. un coût de transport (en e) correspondant au coût de déplacement des pièces de la zone d'ap-
provisionnement à la zone de production,
3. un coût d'emballage (en e) correspondant à l'utilisation de transconteneur pour le transport
maritime (protection des pièces, mise en transconteneur...),
4. un coût de transport d'urgence (en e) lié aux livraisons en urgence (taxi, hélicoptère) pouvant
survenir lors d'un aléa de transport, un incident 'qualité' ou une surconsommation,
5. un coût de douane (en e) lors du changement d'union douanière,
6. des frais de stock de fonctionnement (en e) correspondant au stock pour pallier aux aléas du
transport intercontinental,
7. des frais d'encours (en e) correspondant à l'immobilisation dûe au temps de transport,
8. des frais de stock de sécurisation (en e) pour pallier aux aléas du transport de proximité,
Ces diérents coûts permettront de dénir le coût rendu (en e).
La production des familles de véhicules est réalisée sur une zone de production à une période
donnée. Cette production est caractérisée par une quantité de production (en vhl) et par diérents
indicateurs économiques comme les frais généraux (en e/vhl), la masse achat (en e/vhl), le complé-
ment logistique (en e/vhl) et la valeur ajoutée (en e/vhl) de cette production. Ces coûts permettront
de dénir un prix de revient de fabrication (en e/vhl). Après aectation d'un coecient de cession
(par exemple, la marge commerciale), on obtiendra le prix de cession (en e/vhl) pour une famille de
véhicules, pour une zone de production et pour une période.
Chaque production d'une famille de véhicules nécessite un certain nombre d'activités de pro-
duction, chacune d'une certaine technologie. Ces activités sont caractérisées par un coecient de
charge de travail (sans unité) par rapport à la charge imposée par un véhicule de référence.
Le transport d'une famille de véhicules sur une route de distribution peut entraîner le passage en
douane de distribution et l'application d'un taux de douane.
Le transport d'une famille de véhicules sur une route de distribution à une période donnée dénit un
ux de distribution. Un ux de distribution est caractérisé par une quantité de ux de distribution
(en vhl) dont on déduit une quantité d'encours de distribution (en vhl). Diérents coûts sont évalués
sur un ux de distribution comme le coût de cession (en e), le coût de transport (en e), le coût de
douane (en e) et les frais d'encours (en e). Cela permettra de dénir un coût rendu de distribution
(en e).
Des prévisions de vente (en vhl) sont connues pour des distributions c'est-à-dire pour une zone
de commercialisation donnée et une famille de véhicules donnée. Les prévisions de vente pour une
famille de véhicules et une zone de commercialisation sont dépendantes de la période.
La nomenclature liant les familles de véhicules et les familles de pièces reste inchangée sur l'horizon
de planication : le nombre de familles de pièces et de familles de véhicules et les liens de nomenclature
asssociés sont constants.
Nous reprenons du modèle précédent le prix ux d'approvisionnement (e/pc) correspondant au
prix rendu d'approvisionnement pour une unité d'une famille de pièces sur un ux d'approvisionne-
ment. Ce prix est indépendant de la période mais sera actualisé pour prendre en compte la dépréciation
monétaire.
De même, les prix ux de distribution (e/vhl) et les coecients de ux de distribution (/) sont
utilisés pour valoriser les ux de distribution. Ces éléments sont indépendants de la période mais seront
actualisés pour prendre en compte la dépréciation monétaire.
Les classes étudiées et leurs relations sont synthétisés en gure 3.1.
Notons que les aspects temporels sont intégrés dans ce modèle via la description de tableaux
indéxés par la période ; par exemple, quantite_f lux_distri[h] pour les quantités de ux distribués à
une période h donnée.
105
Figure 3.1 Diagramme de classes du modèle de connaissance
106
3.2.4 Sous système décisionnel
Nous utiliserons les notations suivantes :

Ensemble des périodes H h
Remarques : An de simplier les notations, nous avons choisi la convention suivante : un attribut
sera représenté par le nom de l'attribut indicé par le ou les objet(s) s'y rapportant. Par exemple,
quantite_prodh,i,u désigne l'attribut quantite_prod de l'instance de la classe Production, classe d'as-
sociation entre la zone de production u, la famille de véhicules i et la période h. De même, origine(j)
désigne la zone d'approvisionnement ayant le rôle 'origine' pour l'instance j de la classe route d'ap-
provisionnement.
L'ensemble des décisions sont synthétisées dans un plan de montage stratégique secondé par un
plan d'investissement. Ce plan de montage indique les productions, c'est-à-dire les quantités de familles
de véhicules produites sur les zones de production. Ce plan de montage est réalisé de manière cohérente
avec le plan d'investissement indiquant les évolutions en termes de capacités de production ou d'achat.
Les investissements vont donc dénir les contraintes inhérentes au plan de montage. A partir de ce
plan de montage, l'ensemble de la chaîne logistique est synchronisée grâce au lien entre la production
de familles de véhicules, les ux de familles de pièces approvisionnées des zones d'approvisionnement
aux zones de production et les ux de familles de véhicules distribuées des zones de production aux
zones de commercialisation.
La réalisation d'un plan de montage donne des valeurs aux attributs suivants :
quantite_prodh,i,u
: quantité (en vhl) de la famille de véhicules i produite sur la zone
de production u à la période h.
quantite_f lux_approh,i,j,p
: quantité (en pc) de la famille de pièces p transportée sur la route
d'approvisionnement j pour assembler des véhicules de la famille
de véhicules i à la période h.
quantite_f lux_distrih,i,k
: quantité (en vhl) de la famille de véhicules i transportée sur la
route de distribution k à la période h.
Parallèlement, la réalisation d'un plan d'investissement donne des valeurs aux attributs suivants :
invest_sourceh,p,s
: est égal à 1 si on décide d'investir la famille de pièces p sur la
zone d'approvisionnement s à la période h.
invest_ressourceh,t,u
: est égal à 1 si on décide d'investir la technologie de production t
sur la zone de production u à la période h.
Les contraintes suivantes sont nécessaires à planication de la chaîne logistique étudiée :
3.2.4.1 Possibilités d'investissement limitées
Les ouvertures correspondent à des investissements qui sont amortis sur une période correspondant
au délai d'amortissement. Les investissements ne sont possibles qu'à des périodes laissant susamment
de temps à l'investissement d'être amorti complètement sur la n de l'horizon. De plus, nous ne
considérons que la possibilité d'investissement et non le cas de desinvestissement (fermeture d'une
usine...).
107
3.2.4.2 Investissement des sources de familles de pièces synchrones consécutivement à
l'aectation d'une nouvelle famille de véhicules
L'ouverture de certaines ressources de production imposent l'investissement simultané de sources
d'approvisionnement liées aux familles de pièces caractérisées comme 'synchrone' .
Soit local(u)/u ∈ ZP la zone d'approvisionnement à proximité de la zone de production u.
Soit synchrone(t)/t ∈ T P l'ensemble des familles de pièces livrées en synchrone lorsque la technologie
de production t est installée (synchrone(t) ⊂ F P ).
invest_sourceh,p,s = invest_ressourceh,t,u
(3.1)
∀t ∈ T P, u ∈ ZP, s = local(u), p ∈ synchrone(t), h ∈ H
3.2.4.3 Satisfaction de la demande commerciale

Les ux de distribution doivent répondre exactement aux prévisions des quantités de familles de
véhicules au niveau des zones de commercialisation à chaque période.
quantite_f lux_distrih,i,k = prevision_venteh,i,v

P
k∈RD/destination(k)=v (3.2)
∀i ∈ F V, v ∈ ZC, h ∈ H
3.2.4.4 Conservation des ux au niveau des zones de production

Pour respecter la nomenclature des familles de véhicules au niveau des zones de production, il
faut respecter la contrainte d'équilibre entre les ux d'approvisionnement et les ux de distribution à
chaque période.
quantite_f lux_distrih,i,k .coef f _nomenclaturei,p

X
k∈RD/origine(k)=u
= quantite_prodh,i,u .coef f _nomenclaturei,p

quantite_f lux_approh,i,j,p , ∀i ∈ F V, p ∈ F P, u ∈ ZP, h ∈ H (3.3)
X
=
j∈RA/destination(j)=u
3.2.4.5 Respect des capacités de production existantes

Pour une période, pour une technologie donnée et sur une zone de production, la charge totale de
travail est la somme, pour toutes les familles de véhicules produites sur la zone de production, de la
quantité produite, corrigée par le coecient de charge de la technologie pour la famille de véhicules.
Cette charge totale doit respecter la capacité minimale et la capacité maximale de la ressource de
production existante de la zone de production ayant la technologie considérée.
capacite_minh,t,u 6 quantite_prodh,i,u .coef f _chargei,t

P
i∈F V (3.4)
∀t ∈ T P, u ∈ ZP, (t, u)existant, h ∈ H
quantite_prodh,i,u .coef f _chargei,t 6 capacite_maxh,t,u

P
i∈F V (3.5)
∀t ∈ T P, u ∈ ZP, (t, u)existant, h ∈ H
108
3.2.4.6 Respect des capacités de production potentielles
Pour les ressources de production potentielles, la contrainte de capacité de production ne s'applique

que sur les ressources ouvertes avant ou à la période d'étude.
h
invest_ressourceh′ ,t,u .capacite_mint,u 6 quantite_prodh,i,u .coef f _chargeit
P P
h′ =1 i∈F V (3.6)
∀t ∈ T P, u ∈ ZP, (t, u)potentiel, h ∈ H
h
quantite_prodh,i,u .coef f _chargei,t 6 invest_ressourceh′ ,t,u .capacite_maxt,u
P P
i∈F V h′ =1 (3.7)
∀t ∈ T P, u ∈ ZP, (t, u)potentiel, h ∈ H
3.2.4.7 Respect des capacités d'approvisionnement existantes
Pour une famille de pièces donnée et sur une zone d'approvisionnement donnée, la quantité appro-
visionnée est bornée par une capacité d'approvisionnement minimum et par une capacité d'approvi-
sionnement maximum correspondant à la période concernée.
appro_minh,p,s 6 quantite_f lux_approh,i,j,p

P P
j∈RA/origine(j)=s i∈F V (3.8)
∀p ∈ F P, s ∈ ZA, (p, s)existant, h ∈ H
appro_maxh,p,s > quantite_f lux_approh,i,j,p

P P
j∈RA/origine(j)=s i∈F V (3.9)
∀p ∈ F P, s ∈ ZA, (p, s)existant, h ∈ H
3.2.4.8 Respect des capacités d'approvisionnement potentielles
Pour une source d'approvisionnement potentielle, la contrainte des capacités d'approvisionnement

n'est appliquée que sur les sources ouvertes avant ou à la période d'étude.
h
invest_sourceh′ ,p,s .appro_minp,s 6 quantite_f lux_approh,i,j,p
P P P
h′ =1 j∈RA/origine(j)=s i∈F V (3.10)
∀p ∈ F P, s ∈ ZA, (p, s)potentiel, h ∈ H
h
quantite_f lux_approh,i,j,p 6 invest_sourceh′ ,p,s .appro_maxp,s
P P P
j∈RA/origine(j)=s i∈F V h′ =1 (3.11)
∀p ∈ F P, s ∈ ZA, (p, s)potentiel, h ∈ H
3.2.4.9 Respect des familles de pièces synchrones
Les familles de pièces synchrones nécessaires à la production d'une famille de véhicules sur une
zone de production doivent être investies dans la zone d'approvisionnement locale à ladite zone de pro-
duction. Cela implique que, quand l'investissement d'une ressource de production d'une technologie
de production spécique à une famille de véhicule est réalisé, les investissements de sources d'appro-
visionnement des familles de pièces synchrones de la famille de véhicules sont investis simultanément
dans la zone d'approvisionnement locale à la zone de production de la ressource de production.
invest_sourceh,p,s ≥ invest_ressourceh,t,u
∀h ∈ H, t ∈ T P, i ∈ F V /specif ique(t) = i, u ∈ ZP, p ∈ F P/synchrone(p) = 1, s ∈ ZA/locale(u) = s
(3.12)
109
3.2.4.10 Evaluation économique de la Chaîne Logistique
L'évaluation de la chaîne logistique demande de calculer, de manière la plus exhaustive possible,

tous les coûts liés à l'approvisionnement, à la production et à la distribution.
3.2.4.11 Evaluation des coûts d'approvisionnement
Pour un ux d'approvisionnement, les coûts suivants sont évalués :

Part d'amortissement d'une source d'approvisionnement existante
Part d'amortissement d'une source d'approvisionnement potentielle
Coût d'acquisition du ux d'approvisionnement
Coût de transport d'urgence du ux d'approvisionnement
Coût de transport du ux d'approvisionnement
Coût d'emballage du ux d'approvisionnement
Coût de douane du ux d'approvisionnement
Frais de sécurisation du ux d'approvisionnement
Frais de stock de fonctionnement du ux d'approvisionnement
Frais d'encours du ux d'approvisionnement
Part d'amortissement d'une source d'approvisionnement existante A une période donnée,

lorsqu'une source d'approvisionnement est existante et n'a pas été encore totalement amortie, une part
des frais d'amortissement de la période est aectée à l'achat d'une pièce.
part_amort_source_existanteh,p,s =

 0 si h > duree_amort_source_restantp,s + minh′ ∈H (h′ )
f rais_invest_source_restantp,s

(3.13)


_ _ _
duree amort source restantp,s .
P P
_ _
quantite f lux approh,i′ ,j ′ ,p autrement

 i′ ∈F V j ′ ∈RA/origine(j ′ )=s

∀s ∈ ZA, p ∈ F P, (s, p)existant, h ∈ H
Part d'amortissement d'une source d'approvisionnement potentielle A une période donnée,

lorsqu'un investissement a été réalisé pour mettre en place une source d'approvisionnement, une part
d'amortissement des frais d'investissement est aectée à l'achat d'une pièce auprès de cette source.
Cette part correspond aux frais d'investissement de la période divisés par la quantité totale de pièces
achetées à cette même source à la même période.
part_amort_source_potentielleh,p,s =
_ _
f rais invest sourceps .
P
_
invest sourceh′ ,p,s
_P _
h′ ∈H/h′ ≥h−duree amort source+1 et h′ ≤h
_
duree amort source. _ P
_ _
quantite f lux approh,i′ ,j ′ ,p
(3.14)
i′ ∈F V j ′ ∈RA/origine(j)=s
∀s ∈ ZA, p ∈ F P, (p, s)potentiel, h ∈ H
Coût d'acquisition A une période donnée, le coût d'acquisition correspond à ce que PSA paie
pour devenir propriétaire des familles de pièces p sur le ux d'approvisionnement utilisant la route
d'approvisionnemnet j à destination de l'assemblage de la famille de véhicules i. Le coût d'acquisition
d'un ux est le produit du prix d'acquisition (en e/pc) de chaque famille de pièces p à la zone
d'approvisionnement à l'origine de la route d'approvisionnement j par la quantité (en m3 ) de famille
de pièces constituant le ux.
cout_acquisitionh,i,j,p = prix_aquisitionp,origine(j) .quantite_f lux_approh,i,j,p

(3.15)
∀i ∈ F V, j ∈ RA, p ∈ F P, h ∈ H
110
Coût de transport d'urgence Un coecient de transport d'urgence est calculé à partir d'un retour
d'expérience et caractérise les routes en fonction du pays d'origine et de destination. A une période
donnée, ce coecient est à appliquer au coût d'acquisition du ux d'approvisionnement.
cout_transport_urgence_approh,i,j,p =
coef f _transport_urgencej .cout_acquisitionh,i,j,p .quantite_f lux_approh,i,j,p (3.16)
∀i ∈ F V, j ∈ RA, p ∈ F P, h ∈ H
Le coût de transport d'urgence est un surcoût de transport uniquement. Il n'est ni compté dans le
coût de douane, ni valorisé dans les stocks.
Coût de transport A une période donnée, le coût de transport d'un ux d'approvisionnement est
le produit du prix unitaire de transport du ux (e/m3 ) par la quantité de famille de pièces (pc)
circulant sur le ux multiplié par le volume de son emballage (m3 /pc).
cout_transport_approh,i,j,p =
volume_emballagep .prix_transport_approj .quantite_f lux_approh,i,j,p (3.17)
∀i ∈ F V, j ∈ RA, p ∈ F P, h ∈ H
Coût d'emballage A une période donnée, le coût d'emballage d'un ux d'approvisionnement est le
produit du prix d'emballage unitaire d'une famille de pièces (e/pc) sur une route d'approvisionnement
multiplié par la quantité transportée (pc) sur le ux d'approvisionnement.
cout_emballage_approh,i,j,p = prix_emballage_approj,p .quantite_f lux_approh,i,j,p

(3.18)
∀i ∈ F V, j ∈ RA, p ∈ F P, h ∈ H
Coût de douane appro A une période donnée, le coût de douane d'un ux d'approvisionnement
est calculé à partir de la valeur en douane de la famille de pièces formant le ux sur laquelle est
appliqué le taux de douane. Cette valeur en douane est dénie comme la somme du coût d'acquisition,
du coût de transport du ux d'approvisionnement et du coût d'emballage approvisionnement.
cout_douane_approh,i,j,p =
taux_douane_approj,p .(cout_acquisitionh,i,j,p +
(3.19)
cout_transport_approh,i,j,p + cout_emballage_approh,i,j,p )
∀i ∈ F V, j ∈ RA, p ∈ F P, h ∈ H
Frais de stock de sécurisation approvisionnement A une période donnée, les frais de sécu-
risation correspondent aux frais nanciers du stock de sécurisation vis-à-vis des aléas de transport
sur une route d'approvisionnement donnée (avec un niveau de stock de sécurisation donné) des ux
d'approvisionnement. Ces frais correspondent à l'immobilisation nancière de la valeur des pièces (prix
d'achat) par un taux de possession de stock.
f rais_stock _securisation_approh,i,j,p =
_ _ _ _ _ _ _ _
niveau stock securisation approj .quantite f lux approh,i,j,p .prix acquisitionp,origine(j) .taux possession stock
_ _
nb jours ouvresdestination(j)
∀i ∈ F V, j ∈ RA, p ∈ F P, h ∈ H
(3.20)
111
Frais de stock de fonctionnement d'un ux d'approvisionnement A une période donnée,
les frais de stock de fonctionnement d'un ux d'approvisionnement sont les frais nanciers liés aux
niveaux de stock de fonctionnement nécessaires pour la sécurisation des transports trans-continentaux
entre des zones d'approvisionnement et des zones de production très éloignées.
f rais_stock _f onctionnement_approh,i,j,p =
_ _ _ _ _ _ _ _
niveau stock f onctionnement approj .quantite f lux approh,i,j,p .prix acquisitionp,origine(j) .taux possession stock
_ _
nb jours ouvresdestination(j)
∀i ∈ F V, j ∈ RA, p ∈ F P, h ∈ H
(3.21)
Frais d'encours d'approvisionnement d'un ux d'approvisionnement A une période donnée,

les frais des encours de transport entre les zones d'approvisionnement et les zones de production sont
les frais nanciers liés aux valeurs des familles de pièces constamment immobilisées dans l'encours de
transport du ux d'approvisionnement. Cela est calculé à partir du délai de transport d'approvision-
nement et du nombre de jours ouvrés de la zone de production.
f rais_encours_approh,i,j,p =
_ _ _ _ _ _
delai approj .quantite f lux approh,i,j,p .prix acquisitionp,origine(j) .taux possession stock
_ _
nb jours ouvresdestination(j) (3.22)
∀i ∈ F V, j ∈ RA, p ∈ F P, h ∈ H
Coût rendu d'un ux d'approvisionnement A une période donnée, le coût rendu ux d'appro-
visionnement correspond au coût des pièces d'une famille de pièces arrivées à destination d'un ux
d'approvisionnement.
cout_rendu_approh,i,j,p =
part_amort_source_existanteh,i,j,p + part_amort_source_potentielleh,i,j,p
+cout_acquisitionh,i,j,p + cout_transport_urgence_approh,i,j,p
+cout_transport_approh,i,j,p + cout_emballage_approh,i,j,p + cout_douane_approh,i,j,p (3.23)
+f rais_stock _securisation_approh,i,j,p + f rais_stock _f onctionnement_approh,i,j,p
+f rais_encours_approh,i,j,p
∀i ∈ F V, j ∈ RA, p ∈ F P, h ∈ H
Cette expression peut être simpliée en factorisant un prix de ux d'approvisionnement :
prix_f lux_approj,p = prix_transport_approj .volume_emballagep .(1 + taux_douane_approj,p )

+prix_emballage_approj,p
+prix_acquisitionp,origine(j) .(1 + taux_douane_approj,p + coef f _transport_urgencej
niveau_stock_securisationj +niveau_stock_f onctionnementj +delai_approj
+taux_possession_stock. nb_jours_ouvres )
destination(j)
∀j ∈ RA, p ∈ F P
(3.24)
La nouvelle formulation devient :
cout_rendu_approh,i,j,p = quantite_f lux_approh,i,j,p .(part_amort_source_existanteh,i,j,p

+part_amort_source_potentielleh,i,j,p + prix_f lux_approh,j,p )
∀i ∈ F V, j ∈ RA, p ∈ F P, h ∈ H
(3.25)
112
3.2.4.12 Evaluation des coûts de production
La production d'une famille de véhicules sur une zone de production dénit diérents coûts :
Part des amortissements des ressources de production existantes
Part des amortissements des ressources de production potentielles
Masse achat d'un véhicule
Complément logistique d'un véhicule
Valeur ajoutée d'un véhicule
Part des frais xes d'un véhicule
Prix de revient de fabrication d'un véhicule
Part des amortissement des ressources de production existantes A une période donnée,
pour les ressources de production en cours d'amortissement, un véhicule utilisant ces ressources se
voit aecté une part de l'amortissement restant de ces ressources. Ainsi la part d'amortissement des
ressources de production pour un véhicule produit est la somme, pour toutes les ressources utilisées,
des frais d'investissement amortis sur la période étudiée et répartis sur le total des véhicules utilisant
chaque ressource.
part_amort_ressource_existanteh,i,u =
0 si h ≥ dureeP _amort_ressource_restantet,u + minh ∈H (h ) ou
′

 ′
quantite_prodh,i′ ,u = 0



i′ ∈F V /coef f _chargei′ t >0








(3.26)
P
 t∈T P/coef f _chargeit >0 et (t,u)existant
f rais_invest_ressource_P


restantt,u
duree_amort_ressource_restantet . quantite_prodh,i′ ,u )

 (






sinon

∀h ∈ H, i ∈ F V, u ∈ ZP
Part des amortissement des ressources de production potentielles A une période donnée,
pour les ressources de production potentielles ayant été investies sur une période précédente ou à la
période courante, un véhicule utilisant ces ressources se voit aecté une part de l'amortissement des
frais d'investissement de ces ressources.
part_amort_ressource_potentielleh,i,u =
 P
t∈T P/coef f _chargei,t >0 et (t,u)potentiel



f rais_invest_ressourcet,u . invest_ressource_h′ ,t,u

 P

h ∈H/h ≥h−duree_amortissement_ressource+1 et h′ ≤h


 ′ ′
 ( duree_amort_ressource. quantite_prodh,i′ ,u )

 P
i ∈F V /coef f _chargei′ t >0
′
si _
P
 quantite prod h,i′ ,u > 0









0 sinon


∀h ∈ H, i ∈ F V, u ∈ ZP,
(3.27)
Masse achat A une période donnée, la masse achat est la valeur moyenne d'achat des familles
de pièces composant un véhicule d'une famille de véhicules. Elle correspond à la moyenne des coûts
d'acquisition réalisés pour une famille de véhicules pour une zone de production. Cela intègre aussi les
coûts de douanes et les frais nanciers fournisseurs.
113
masse_achath,i,u =
1
(cout_acquisistionh,i,j,p

 ( quantite_prodh,i,u .
P P
(
j∈RA/destination(j)=u p∈F P/coef f _nomenclatureip >0



 +cout_douane_approh,i,j,p + part_amort_source_existanteh,p,s




+part_amort_source_potentielleh,p,s )))



 si quantite_prodh,i,u > 0



0 sinon


∀i ∈ F V, u ∈ ZP, h ∈ H
(3.28)
Complément logistique A une période donnée, le complément logistique est la valorisation par
véhicule des diérents coûts de la logistique d'approvisionnement des familles de pièces entrant dans
l'assemblage d'une famille de véhicules. Ces coûts logistiques prennent en compte, pour tous les ux
de familles de pièces pour une famille de véhicules d'une zone de production, le coût de transport,
le coût de transport d'urgence, le coût d'emballage, les frais de stock de fonctionnement, les frais de
stock de sécurisation et les frais d'encours divisés par la quantité de cette famille de véhicules sur cette
zone de production.
complement_logistiqueh,i,u =
1

 quantite_prod
P h,i,u
.
(cout_transport_approh,i,j,p

 P
 (
j∈RA/destination(j)=u p∈F P/coef f _nomenclaturei,p >0





 +cout_transport_urgence_appro

h,i,j,p
+cout_emballage_approh,i,j,p + f rais_stock _f onctionnement_approh,i,j,p
(3.29)

+f rais_stock _securisation_approh,i,j,p + f rais_encours_approh,i,j,p ))




si quantite_prodh,i,u > 0




0 sinon


∀i ∈ F V, u ∈ ZP, h ∈ H
Part frais xes de production A une période donnée, la part des frais xes de production d'un
véhicule produit sur une zone de production correspond aux frais xes des ressources de production
installées sur les zones de production dont les technologies interviennent dans la production de la
famille de véhicules et répartis sur les quantités produites de toutes les familles de produits.
 P _
P f rais f ixest,u
( _
quantite prodh,i′ ,u )
_

_chargei′ ,t >0

t∈T P/coef f chargei,t >0

i′ ∈F V /coef f


part_f rais_f ixesh,i,u = si quantite_prodh,i′ ,u > 0
P

 i′ ∈F V /coef f _chargei′ ,t >0
(3.30)

0 sinon


∀i ∈ F V, u ∈ ZP, h ∈ H
Valeur ajoutée A une période donnée, la valeur ajoutée d'un véhicule correspond à la somme, pour
toutes les technologies nécessaires à la famille de véhicules, des frais variables de production corrigés
par le coecient de charge.
valeur_ajouteeh,i,u = coef f _chargeit .f rais_variablest,u

P
_
t∈T P/coef f chargei,t >0 (3.31)
∀i ∈ F V, u ∈ ZP, h ∈ H
114
Prix de revient de fabrication Le prix de revient de fabrication correspond à la somme des coûts
de production pour une unité d'une famille de véhicules sur une zone de production.
prix_revient_f abricationh,i,u =
part_amort_ressource_existanteh,i,u + part_amort_ressource_potentielleh,i,u
+masse_achath,i,u + complement_logistiqueh,i,u (3.32)
+part_f rais_f ixesh,i,u + valeur_ajouteeh,i,u
∀i ∈ F V, u ∈ ZP, h ∈ H
Prix de cession A une période donnée, le prix de cession est le prix de vente d'un véhicule entre
la liale de production et la liale de commercialisation. Il est calculé à partir du prix de revient de
fabrication, éventuellement corrigé par un coecient de cession. Ce dernier correspond à la marge de
la liale de production.
prix_cessionh,i,u = prix_revient_f abricationh,i,u .coef f _cessioniu

(3.33)
∀i ∈ F V, u ∈ ZP, h ∈ H
3.2.4.13 Evaluation des coûts de distribution
Pour un ux de distribution, les coûts suivants sont évalués :

Coût de cession du ux
Coût de transport du ux
Coût de douane du ux
Frais d'encours du ux
Coût rendu du ux
Les coûts pour chaque ux de distribution sont détaillés ci-après :
Coût de cession A une période donnée, le coût de cession pour un ux de distribution est la
valorisation de la valeur de la famille de véhicules transportée. Le coût de cession du ux est calculé
en multipliant le prix de cession de la famille de véhicules sur la zone de production d'origine du ux
par la quantité (en vhl) de la famille de véhicules constituant le ux de distribution.
cout_cessionh,i,k = prix_cessionh,i,origine(k) .quantite_f lux_distrih,i,k

(3.34)
∀i ∈ F V, k ∈ RD, h ∈ H
Coût de transport A une période donnée, le coût de transport d'un ux de distribution est le prix
unitaire de transport sur la route de distribution corrigé par le coecient de gabarit et multiplié par
la quantité de véhicules formant le ux.
cout_transport_distrih,i,k = prix_transport_distrik .coef f _gabariti .quantite_f lux_distrih,i,k

∀i ∈ F V, k ∈ RD, h ∈ H
(3.35)
Coût de douane A une période donnée, le coût de douane d'un ux de distribution est calculé à
partir de la valeur en douane de la famille de véhicules formant le ux de distribution sur laquelle est
appliqué le taux de douane de distribution. Cette valeur en douane est dénie comme la somme du
coût cession et du coût de transport de distribution. A cet horizon, on surestime donc la douane car
on intègre le coût de transport entre la frontière et la zone de commercialisation.
115
cout_douane_distrih,i,k = taux_douane_distrii,k .(cout_cessionh,i,k + cout_transport_distrih,i,k )

∀i ∈ F V, k ∈ K, h ∈ H
(3.36)
Frais d'encours de distribution A une période donnée, ce sont les frais nanciers liés à l'encours
d'un ux de distribution. Cela est calculé à partir du délai de distribution, du nombre jours ouvrés de
l'usine expéditrice, du prix de cession des véhicules et du taux de possession de stock.
f rais_encours_distrih,i,k =
_ _ _ _ _ _
delai distrik .quantite f lux distrih,i,k .prix cessionh,i,u .taux possession stock
_ _
nb jours ouvresorigine(k)
∀i ∈ F V, k ∈ RD, h ∈ H
(3.37)
Coût rendu A une période donnée, le coût rendu d'un ux de distribution est la somme des coûts
de distribution.
cout_rendu_distrih,i,k = cout_cessionh,i,k + cout_transport_distrih,i,k

(3.38)
+cout_douanes_distrih,i,k + f rais_encours_distrih,i,k ∀i ∈ F V, k ∈ RD, h ∈ H
Cette expression peut être simpliée en calculant un coecient de ux de distribution (pour la
partie dépendante du prix de cession) et un prix de ux de distribution (pour la partie indépendante
du prix de cession) : les frais de distribution non dépendants du prix de cession sont aussi calculables
a priori pour chaque ux de distribution de la famille de véhicules i sur la route de distribution k .
prix_f lux_distrii,k = prix_transport_distrik .coef f _gabariti .(1 + taux_douanes_distriik )

∀i ∈ F V, k ∈ RD
(3.39)
coef f _f lux_distrii,k = 1 + taux_douane_distriik +

_ _ _
delai distrik .taux possession stock
_ _
nb jours ouvresorigine(k) (3.40)
∀i ∈ F V, k ∈ RD
La nouvelle formulation devient :
cout_rendu_distrih,i,k =
quantite_f lux_distrih,i,k .(prix_f lux_distriik + prix_cessionh,i,u .coef f _f lux_distrii,k )
∀i ∈ F V, k ∈ RD, h ∈ H
(3.41)
3.2.4.14 Coût de la chaîne logistique
Au niveau de la chaîne logistique, les coûts suivants sont évalués :

Coût d'exploitation de la chaîne logistique
Coût total d'exploitation de la chaîne logistique
Coût d'exploitation de la chaîne logistique Le coût d'exploitation totalise l'ensemble des coûts
de distribution de la chaîne logistique à une période donnée :
cout_exploitationh = cout_rendu_distrih,i,k ∀h ∈ H
P P
(3.42)
i∈F V k∈RD
116
Coût total d'exploitation de la chaîne logistique Le coût total d'exploitation somme, sur toutes
les périodes de l'horizon, les coûts d'exploitation actualisés :
cout_total_exploitation = coef f _depreciationh .cout_exploitationh

P
h∈H
(3.43)
Nous venons de présenter un modèle de connaissance d'une chaîne logistique internationale permet-
tant d'étudier les impacts économiques et industriels des décisions d'investissement et d'exploitation
sur un horizon stratégique. Appliqué à une chaîne logistique automobile, ce modèle permet de simuler
de nombreux scénarii d'investissement (nouvelles capacités de production, déplacement de capacités
de production) ou d'exploitation (niveaux de demande, coûts de transport...). Cependant il requiert
un grand nombre de donnnées industrielles avec une certaine abilité.
Dans ce qui suit, nous réalisons un état de l'art pour étudier les modèles similaires et les éléments
diérenciant existants dans la littérature.
3.3 Etat de l'art
Dans cette section, nous présentons un état de l'art de la planication stratégique de réseaux
logistiques. Cet état de l'art a été présenté à la conférence francophone JDJN 2009 [SGNG09].
Des états de l'art antérieurs concernant le SNP (Strategic Network Planning - terme anglais pour
la planication stratégique du réseau logistique) se sont focalisés sur la conception de réseau de distri-
bution [GP95], sur le Problème de Facility Location (FLP) [MNSdG09], sur l'aspect global [MG05],
sur les diérentes décisions [DBG+ 07], sur l'intégration des décisions tactiques [GVD02] et sur les
hypothèses liées au contexte de délocalisation [HFHA08]. Notre état de l'art se focalise, pour sa part,
sur les modèles de production-distribution avec nomenclature en portant une attention particulière
sur la modélisation des processus d'approvisionnement, de production et de distribution.
Par la suite, nous détaillons la planication stratégique de réseau logistique, ses critères quantitatifs
et ses hypothèses. Puis, nous comparons des modèles de la littérature sur ces points ainsi que les
techniques mises en ÷uvre.
3.3.1 La planication stratégique du réseau logistique

La planication stratégique demande, dans une approche holistique, de dénir la structure du
réseau logistique d'une chaîne logistique. La gure 3.2 présente le modèle de base du réseau logistique
avec, en extrémités de chaîne, les clients et les fournisseurs et, au centre, un réseau formé de sites
de production (usines) et de stockage (entrepôts). Ce réseau est aussi appelé 'réseau de production-
distribution' [Mar05].
Le planication stratégique de réseau logistique doit dénir l'état des diérents sites (fournisseur,
usine, entrepôt...) et la circulation des ux de produits et de composants dans la chaîne logistique
[SK07]. L'horizon d'étude est, en général, de trois à dix ans en fonction du capital engagé et de
la réactivité du système industriel. L'objectif est de maximiser le bénéce de l'entreprise dans cette
nouvelle conguration. Pour ce faire, on calcule la diérence entre les revenus et les coûts d'exploitation
liés aux diérents sites et liaisons de transport. L'ensemble des éléments pris en compte sont agrégés et
projetés sur l'horizon d'étude. Ainsi nous considérons le problème de planication stratégique de réseau
logistique comme devant dénir les investissements et la planication agrégée des approvisionnements,
des productions et des distributions. Bien que la valorisation du prot soit préconisée pour mener
à bien la planication stratégique de réseau logistique, nous concentrons notre étude sur les coûts
supportés par les diérents processus de l'entreprise PSA. Nous recensons également les principales
hypothèses des modèles étudiés.
117
Figure 3.2 Modèle de base de réseau logistique
3.3.1.1 Critères quantitatifs
L'évaluation quantitative d'un modèle de planication stratégique demande de calculer un coût

total sur la chaîne logistique. Comme préconisé dans [Bal04], nous diérencions les diérentes fonctions
du stock (stock de cycle, de sécurité, saisonnier et encours) dans les diérents processus pour les
valoriser séparément. Ce coût total peut se décomposer entre les processus industriels ainsi qu'un
processus transversal :
Le processus d'approvisionnement :
Dotation aux amortissements des investissements fournisseur : amortissement du coût d'ou-
verture d'un fournisseur (i.e. certication fournisseur, outillage...).
Coût d'achat : coût payé au fournisseur pour les produits qui lui sont achetés.
Coût de transport amont : coût pour transporter les produits achetés chez un fournisseur aux
sites de production (i.e. prestation, transport, emballage...).
Le processus de production :
Dotation aux amortissements des investissements en usine : amortissement du coût d'ouverture
d'une usine (i.e. immobilier, recrutement du personnel).
Dotation aux amortissements des investissements en ressources : amortissement des coûts
d'installation d'une capacité de production (i.e. conception, installation...).
Coût xe de fonctionnement d'une usine : coût de fonctionnement d'une usine (i.e. frais géné-
raux, taxes et impôts locaux divers...).
Coût xe de fonctionnement d'une ressource : coût de possession de la ressource de production
(i.e. loyer, maintenance...).
Coût variable de production : ensemble des coûts variables de production comme la main
d'÷uvre, les énergies...
Coût du stock de cycle : coût du stock imposé par les campagnes de production.
Le processus de distribution :
Dotation aux amortissements des investissements en entrepôt : amortissement du coût d'ou-
verture d'un entrepôt (i.e. immobilier).
Coût xe de fonctionnement d'entrepôt : coût de fonctionnement de l'entrepôt (i.e. entretien,
sécurité).
Coût de stock saisonnier : coût lié à la gestion du stock saisonnier.
Coût de rupture de stock : coût de rupture de stock et/ou de backlog.
Coût transport aval : coût pour transporter les produits nis des usines aux clients.
118
Transversal :
Coûts de douanes : coûts dus aux droits de douanes lors du transport international.
Eet de change explicite : coût dû à l'application des diérents taux de change.
Impôts et taxes : modication des coûts en fonction de la scalité des diérents pays.
Coût de l'encours de transport : évaluation du stock immobilisé dans le transport.
Coût du stock de sécurité : coût lié au stock pour pallier les aléas de production et de transport.
Ces coûts sont estimés et cet estimation dépend grandement des hypothèses prises lors de la
modélisation.
3.3.1.2 Hypothèses de modélisation
Nous allons maintenant lister les hypothèses fréquemment rencontrées dans les modèles. En premier
lieu, nous présentons les hypothèses les plus fortes :
Modèle multi-périodes : la modélisation d'un horizon temporel de plusieurs périodes ore une
approche dynamique de l'évolution du contexte du réseau logistique de l'entreprise.
Modèle de réseau au lieu d'un modèle de chaîne : la modélisation en réseau ore la possibilité
d'échange de produits entre tous les sites, y compris sur le même niveau.
Application industrielle : certains modèles sont réalisés à partir d'un cas d'étude industriel.
International : ces modèles sont décrits explicitement comme "internationaux" (ou "globaux").
Maximisation du bénéce : l'objectif est de maximiser le bénéce ; dans le cas contraire, l'objectif
est la minimisation des coûts.
Gestion des risques : ces modèles cherchent à valoriser les incertitudes inhérentes à la logistique.
D'autres hypothèses plus précises vont inuer sur la modélisation des diérents processus indus-
triels :
Le processus approvisionnement :
Limite de capacité des fournisseurs : l'approvisionnement est considéré comme limité en quan-
tité achetable par période.
Mono-sourcing d'approvisionnement : les sites de production sont aectés à un seul fournisseur
par composant.
Le processus production :
Limite des capacités de production : les quantités produites sont limitées soit en nombre de
produits, soit en temps de travail.
Gestion des technologies de production : chaque capacité est dédiée à une technologie, elle-
même requise par des produits spéciques. Cela permet de gérer nement les capacités de
stockage et les goulots de production sur un même site.
Contraintes de layout : la surface disponible dans un site est prise en compte et peut limiter
les installations de ressources de production (i.e. des lignes de production).
Dépassement de la capacité de production : la capacité nominale de production peut être
dépassée sous condition et avec un surcoût.
Le processus distribution :
Limite de capacité d'entreposage : la capacité de stockage des entrepôts est limitée, ce qui
contraint les quantités stockées par période.
Mono-sourcing de distribution : les sites clients sont aectés à un unique site de production
ou de distribution.
Hypothèses transversales : Les hypothèses transversales sont appliquées, si nécessaires, sur les
trois processus.
Gestion des incoterms : la gestion des incoterms détermine comment, entre fournisseurs et
clients, se répartissent les frais de transport.
Gestion du Duty drawback : certaines zones douanières où sont localisées des usines d'assem-
blage proposent des régimes douaniers avantageux en fonction des pays d'origine des compo-
sants et des pays de destination des produits. Cela impose de déterminer ou de contraindre le
régime douanier de chaque ux de produits.
119
Budget d'investissement : un budget contraint les possibilités d'investissement en nouveaux
sites et/ou en nouvelles ressources de production.
Contrainte d'ouverture/fermeture : les décisions d'investissement en termes de sites sont
contraintes par des règles, par exemple : 'un site que l'on construit doit rester ouvert sur
le reste de l'horizon' ou 'un nombre de fermetures de sites est limité'.
Limite de capacité de transport : les quantités transportées sont bornées.
Multi-organisation du transport : l'aectation des quantités transportées est réalisée sur dif-
férentes organisations de transport, i.e.. messagerie, lot, en camion complet..., avec des tari-
cations diérentes selon la quantité.
Plusieurs modes de transport : une liaison de transport propose diérents modes de transport
avec des caractéristiques diérentes (i.e. coût, délai).
Avec ces diérents critères et hypothèses, nous allons maintenant étudier des modèles de plani-
cation stratégique de la littérature.
3.3.1.3 Périmètre et ob jectif de l'état de l'art
Notre état de l'art s'est focalisé sur les modèles de conception de chaînes logistiques de production-
distribution multi-échelons (c'est-à-dire avec, au moins, 3 niveaux le long de la chaîne logistique),
multi-produits (c'est-à-dire qui gèrent les ux de plusieurs types de produits) et avec une nomenclature
(c'est-à-dire avec un assemblage de composants achetés en produits nis). Après plus de 150 articles de
planication stratégique parcourus, 23 articles ont correspondu à ces critères. Ces articles sélectionnés
sont présentés dans les tableaux des gures 3.3, 3.4 et 3.5.
3.3.2 Analyse de la littérature
Le compromis entre la localisation et le transport a été majoritairement étudié dans les problèmes
de Facility Location (FLP), parent de la planication stratégique de réseau logistique [MNSdG09]. Les
modèles basés sur des cas industriels (52%) ont des hypothèses spéciques à leur secteur d'étude. Par
ailleurs, les modèles 'théoriques' n'intègrent pas simultanément l'ensemble des hypothèses générales
(gure 3.3). Cependant nous constatons que les modèles les plus récents tendent à intégrer de plus en
plus d'éléments i.e. [Mar05], [PRI06] et [WLR+ 05].
Dans [RLC05], les auteurs présentent l'ensemble des décisions prises au sein de la chaîne logistique
et leurs interactions. La décision de conception du réseau physique est immédiatement suivie par les
décisions suivantes :
Sur l'approvisionnement : choix des fournisseurs et conception des ux d'approvisionnement,
Sur la production : implantation des ateliers et planication tactique de la production,
Sur le transport : choix des modes de transport et planication du transport en termes de
massication et de routage.
Il est donc primordial, au niveau stratégique, d'anticiper, au minimum, les décisions directement
postérieures telles que :
Anticipation des décisions d'approvisionnement L'anticipation des choix des fournisseurs dans le
schéma global du réseau logistique est primordiale. Cependant peu de modèles considèrent des
investissements au niveau des fournisseurs. La conception des ux d'approvisionnement notam-
ment en termes de limites de capacités fournisseurs ou d'économies d'échelles est aussi à consi-
dérer.
Anticipation des décisions de production La décision de planication de la production va demander,
au niveau de la planication stratégique du réseau logistique de raisonner sur une planication
(nécessairement multi-périodes) qui intègre les contraintes majeures de la gestion de la capacité
de production notamment au niveau des diérents goulots de production. De plus, la planication
va chercher à proter des économies d'échelle grâce à la distinction des coûts xes et des coûts
variables et à limiter le dépassement de la capacité nominale de production. Au niveau de la
décision d'implantation des sites, les modèles de planication stratégique de réseau logistique
120
doivent intégrer les contraintes notamment en termes de surfaces et de compatibilité entre les
diérents investissements en ressources de production ou de stockage.
Anticipation des décisions de transport Les diérents modes de transport doivent être pris en compte
dans les diverses liaisons avec des coûts diérents. La massication des ux, qui exploite les éco-
nomies d'échelle des diérentes organisations de transport, est aussi à anticiper [Fle93], ie. avec
des coûts non linéaires du transport en messagerie. Les décisions de planication du transport,
très impactantes si les ressources de transports sont limitées, est aussi à réaliser ou, au minimum,
à intégrer avec des limites de capacités sur certains modes de transport.
Par ailleurs, à l'heure de la mondialisation, peu de chaînes logistiques restent uniquement domes-
tiques.
Dans [MG05], les auteurs prônent la prise en compte de l'environnement global. En conséquence,
l'aspect international est à intégrer en amont, notamment lors de la planication stratégique du réseau
logistique :
A l'international, un sourcing global doit intégrer l'ensemble des facteurs de coûts notamment
les coûts des stocks de sécurité et des encours.
Les coûts de douanes sont un des leviers du commerce international et varient en fonction de la
valeur des produits et des accords entre les pays. Leur prise en compte ainsi que, l'anticipation
des règles de 'duty drawback' ou de 'local content' peuvent permettre de proter de réductions
substantielles sur les frais de douanes.
De plus, les impôts et taxes locales ont un impact majeur sur les résultats des liales nationales.
Ces eets peuvent aussi être anticipés, voir optimisés avec le calcul des prix de cession (via les
incoterms).
[MNSdG06]
[WLR+ 05]
[ABHT95]
[YYEC03]
[HFHA08]
[LHHA06]
[JJCP02]
[VMB06]
[PMD04]
[DBX06]
[TBP08]
[FFH06]
[CFL09]
[CPS06]
[Mar05]
[SSP08]
[PRI06]
[KR00]
[Hic99]
[KS99]
[SB00]
[FS04]
[JP01]
Modèle multi-période X X X X X X X X X X X X X X
Modèle de réseau au lieu de X X X X X X X X X X X X X
chaîne
Application industrielle X X X X X X X X X X X
International X X X X X X X X X X X X X X X
Maximisation du bénéce X X X X X X X X X X
Gestion des risques X X X X X
Figure 3.3 Hypothèses générales des modèles
121
122
[MNSdG06]
[WLR+ 05]
[ABHT95]
[YYEC03]
[HFHA08]
[LHHA06]
[JJCP02]
[VMB06]
[PMD04]
[DBX06]
[TBP08]
[FFH06]
[CFL09]
[CPS06]
[Mar05]
[SSP08]
[PRI06]
[KR00]
[Hic99]
[KS99]
[SB00]
[FS04]
[JP01]
Approvisionnement
Dotation aux amortissements des X X X X X
investissements fournisseur
Coût d'achat X X X X X X X X X X X X X X X X
Coût de transport amont X X X X X X X X X X X X X X X X X X X
Production
Dotation aux amortissements des X X X X X X X X X X X X X X X X X X
d'investissement en usine
Dotation aux amortissements des X X X X X X X X X X
investissements en ressource
Coût xe de fonctionnement X X X X X X X X X X X X X X X X X
d'une usine
Coût xe de possession d'une res- X X X X X X X X X
source
Coût variable de production X X X X X X X X X X X X X X X X X X X X X
Coût du stock de cycle X X X X X X X
Distribution
Dotation aux amortissements X X X X X X X X X X
d'investissement d'un entrepôt
Coût xe de fonctionnement X X X X X X X X X X X
d'entrepôt
Coût variable du stock saisonnier X X X X X X X X X X X X
Coût de rupture de stock X X X X X X
Coût transport aval X X X X X X X X X X X X X X X X X X X X X X X
Transversal
Coût de douane X X X X X X X X X X X
Eets de change explicite X X X X X
Impôts et taxes X X X X X X X X X X
Coût de l'encours de transport X X X X
Coût du stock de sécurité X X X X X X X X X
Figure 3.4 Les critères quantitatifs des modèles

[MNSdG06]
[WLR+ 05]
[ABHT95]
[YYEC03]
[HFHA08]
[LHHA06]
[JJCP02]
[VMB06]
[PMD04]
[DBX06]
[TBP08]
[FFH06]
[CFL09]
[CPS06]
[Mar05]
[SSP08]
[PRI06]
[KR00]
[Hic99]
[KS99]
[SB00]
[FS04]
[JP01]
Approvisionnement
Capacité des fournisseurs X X X X X X X X X X X X X X X X X
Mono-sourcing approvisionne- X X
ment
Production
Capacité de production X X X X X X X X X X X X X X X X X X X X X X
Dépassement de capacité nomi- X X X
nale
Technologie de production X X X X X X X X X X X X X
Contraintes de layout X X X X X X X X
Distribution
Capacité d'entreposage X X X X X X X X X X X X X X X X X
Mono-sourcing distribution X X
Transversal
Incoterms X X
Duty drawback X X
Budget investissement X X X X X X X X X
Amortissement des investisse- X X X X
ments
Contraintes d'ouver- X X X X X X X X X X
ture/fermeture
Capacité de transport X X X X X X
Multi-organisation de transport X X
Plusieurs modes de transport X X X X X
Figure 3.5 Les hypothèses prises en compte dans les modèles
123
124
Diérentes méthodes d'optimisation sont utilisées dans les modèles de la littérature :

La programmation linéaire (PL) et la programmation linéaire en nombres entiers généralement
(PLNE) via un modeleur algébrique et un solveur commercial,
La programmation linéaire en nombres entiers avec des techniques d'accélération (méthodes de
décomposition...),
Les métaheuristiques (Recuit simulé, recherche tabu, algorithmes génétiques...),
Les heuristiques,
La simulation à évènements discrets,
La programmation non linéaire.
Le tableau (gure 3.6) présente l'utilisation de ces méthodes dans les modèles sélectionnés. Si
plusieurs méthodes sont cochées, cela signie la mise en place d'un couplage entre ces méthodes.
Les méthodes de résolution sont majoritairement des méthodes exactes (75% des articles), c'est-
à-dire de la PL ou de la PLNE souvent implémentée avec un solveur commercial (CPLEX, LINGO,
X-PRESS...). Des méthodes d'accélération sont mises en place pour les problèmes de grande taille
notamment la décomposition de benders [CPS06] [PMD04] ou une heuristique lagrangienne [JP01]...
Des méthodes de résolution non-linéaires sont parfois rencontrées, par exemple la méthode 'Epsilon-
constraint' [SB00] ou la programmation DC [TBP08]. L'utilisation des métaheuristiques comme le
recuit simulé [JJCP02] ou les algorithmes génétiques [DBX06] sont apparues plus récemment.
L'article [ABHT95] motive le recours à des méthodes exactes dans l'importance notamment -
nancière des décisions stratégiques. Cet argument est valable tant que les modèles mathématiques
permettant la résolution exacte restent pertinents face à la réalité industrielle. Cela demande donc
souvent de s'appuyer sur des techniques d'accélération car les modèles deviennent rapidement grande
taille.
Une autre approche aidant à gérer la complexité est le couplage de modèles. Les couplages sont
généralement réalisés entre une méthode d'optimisation et la simulation à évènements discrets. Le
modèle [DBX06] utilise un algorihtme génétique, celui de [PRI06] une heuristique sur un MILP. Un
des modèles les plus complets est celui de [Hic99] dont la solution commerciale intègre à la fois une
modélisation MILP (non publié) et un modèle de simulation. Un couplage entre un modèle stratégique
et un modèle opérationnel est proposé par [SB00].
Au nal, les techniques utilisées sont beaucoup dépendantes de la modélisation choisie (et des
propriétés des méthodes alors obtenus). De plus, la complexité (cas industriel...) des problèmes à
résoudre ont un impact majeur sur ce choix de la méthode d'optimisation.
[MNSdG06]
[WLR+ 05]
[ABHT95]
[YYEC03]
[HFHA08]
[LHHA06]
[JJCP02]
[VMB06]
[PMD04]
[DBX06]
[TBP08]
[FFH06]
[CFL09]
[CPS06]
[Mar05]
[SSP08]
[PRI06]
[KR00]
[Hic99]
[KS99]
[SB00]
[FS04]
[JP01]
PNE, PLNE X X X X X X X X X X X X X X X X
?
PLNE + technique accélération X X X
Meta-heuristique (SA,GA, TS) X X X
Heuristique X X X
Simulation à évènements discrets X X X
Autres (PNL,...) X X
SLP X
Figure 3.6 Les méthodes de résolution utilisées par les modèles
125
126
Les méthodes basées sur la programmation linéaire et ses extensions (PLNE, méthodes d'accélé-
ration/de décomposition...) restent majoritairement utilisées notamment pour la facilité de mise en
÷uvre et la puissance des solveurs commerciaux. Cet aspect historique avait déjà été pointé par [GP95].
Pour les modèles les plus diciles à résoudre des approches heuristiques ou meta heuristiques sont aussi
développées. Cette tendance est appuyée dans [Lou01]. Notons que des couplages avec des modèles
de simulation à évènements discrets ont été réalisés pour évaluer des niveaux de stocks, des taux de
service et étudier certaines dynamiques au sein d'une chaîne logistique. L'intégration de la simulation
dans ce type de modèle est en plein essor [TTB09]. Enn, dans les cas de problèmes non-linéaires, des
méthodes de programmation non-linéaire sont aussi rencontrées.
Par la suite, nous détaillons l'ore logicielle commerciale actuellement disponible.
3.3.4 Ore logicielle

Les premiers logiciels d'aide à la décision pour le Supply Chain Design sont apparus dans les
années 1970 avec l'essor de l'informatique et de la Recherche Opérationnelle. Actuellement, l'ore
logicielle est mature avec plus d'une dizaine de logiciels aidant à prendre des décisions de Supply
Chain Design. Généralement intégré aux suites APS, les applications de Network Design restent à
part des applications de planication classique notamment par le niveau de détails et l'horizon de
travail utilisé. Ainsi, la mise en place d'une suite APS en général pour les prévisions de ventes et la
planication/l'ordonnancement de la production n'est pas forcément synonyme de la mise en oeuvre
d'un module de Network Design [GLFBGC09].
Nous avons donc étudié l'ore d'outils logiciels de Network Design à la fois au sein des suites APS
classiques et proposées de manière indépendante. Cette ore logicielle est détaillée dans le tableau 3.7.
Nom de l'éditeur Nom de la suite logicielle Reference
1 JDA SOFTWARE Network & Inventory Optimization [JDA09]

2 IBM/ILOG LogicNet Plus XE [IBM09]
3 I2 Technologies Supply Chain Strategist [I209]
4 Axxom Software AG ORion-PI [AXX09]
5 MODELLIUM inc SC-STUDIO [Mod09]
6 Optiant Power chain [Opt09]
7 LLamasoft Supply Chain Guru [Lla09]
8 Oracle Strategic Network Optmization [Ora09]
9 INSIGHT SAILS (Strategic Analysis of Integrated Logistics Systems) [Ins09]
10 QUINTIQ Technology QUINTIQ Strategic Planner [Qui09]
11 Eurodécision LP-Supply Chain [Eur09]
12 ProtPoint ProtNetwork [Poi09]
13 SolveIT Software Pty Supply Chain Network Optimisation (SCNO) [Sol09]
Figure 3.7 Liste de l'ore logicielle en Network Design
127
128
Une étude sur l'ore APS est réalisée par Supply Chain Magazine [Mag09]. Cette étude européenne
a été complétée par des solutions commerciales disponibles aux Etats-Unis.
Nous avons comparé les diérentes solutions en utilisant diérents critères. Ces critères qui nous
permettent de comparer ces solutions sont classés selon trois catégories distinctes : les critères de
modélisation, les critères d'optimisation et les critères d'intégration.
3.3.4.1 Critères de modélisation

Les critères de modélisation suivants sont étudiés :
Modélisation du réseau logistique L'application modélise les diérents site du réseau comme les
fournisseurs, les usines, les centres de distribution et les magasins ainsi que le transport possible
entre ces sites.
Evaluation du coût total Le coût total intègre l'ensemble des coûts des processus d'achat, de trans-
port, de production et d'entreposage.
Modélisation du transport Le réseau de transport est détaillé avec des hubs, cross-docks... Les
tournées de livraison sont calculées pour avoir une estimation précise des coûts de transport
correspondants.
Modélisation du stockage Le stockage est modélisé de manière détaillée (capacités d'entrepôt,
stocks de sécurité, stocks de cycle...). Les indicateurs liés au taux de service sont alors aussi
détaillés.
Bilan carbone Un calcul des émissions de carbone (CO2) est réalisé. Des possibilités d'intégration de
contraintes voire d'optimisation multi-objectifs sont intégrées. Parfois, ce modèle peut intégrer
le principe du 'Cap-and-Trade'.
Simulation dynamique des stocks Les logiciels suivent le stockage à la référence pièce('SKU' ou
'stock-keeping unit' en anglais) et simulent dynamiquement les niveaux de stock pour déterminer
les éventuelles ruptures et/ou retard.
Modèle international Le modèle est applicable aux multinationales avec diérentes monnaies, dif-
férentes taxes nationales et les droits de douane.
Calcul des prix de cession Le modèle évalue le prix de cession des produits nis à chaque noeud
du réseau.
3.3.4.2 Critères d'intégration

Excel et bases de données Tous les logiciels acceptent d'importer et d'exporter les informations
avec Excel et des bases de données.
Lien avec autres modules APS Le module s'intègre dans une suite APS.
Lien avec ERP L'application est intégrée dans une suite ERP.
Génération de scénarii Des routines paramétrables génèrent diérents scénarii d'études pour une
étude de sensibilité.
3.3.4.3 Critère d'optimisation

Dénition des investissements L'outil propose des décisions telles que créer une nouvelle usine,
vendre à un nouveau marché, ajouter un centre de distribution...
Planication multipériodes Les logiciels aectent les productions et les approvisionnements sur
les sites disponibles sur un horizon de plusieurs périodes.
Optimisation des stocks Le logiciel minimise le coût de stock en conservant un niveau de service
cible.
Moteur d'optimisation spécique Le logiciel utilise une méthode d'optimisation dédiée.
129
3.3.4.4 Tableau de synthèse
L'ore logicielle est étudiée à la vue des critères dénis précédement dans le tableau gure 3.8.
130
1 2 3 4 5 6 7 8 9 10 11 12 13
Modéliser Réseau logistique X X X X X X X X X X X X X
Evaluation du coût total X X X X X X X X X X X X X
Modélisation détaillée du transport X X X X X X X X X X
Modélisation détaillée du stockage X X X X X X X
Bilan carbone X X X X X
Simulation X
International X X X X X X
Calcul des prix de cession
Intégrer Lien Excel et base de données X X X X X X X X X X X X X
Génération de scénarios X X X X X X
Lien autres modules APS X X X X
Lien autres modules ERP X X X
Optimiser Dénition des investissements X X X X X X X X X X X X X
Planication multipériodes X X X X X X X X X X X X X
Moteur d'optimisation spécique X X X X
Figure 3.8 Comparatif de l'ore logicielle

131
Notre étude des outils commerciaux de Supply Chain Design nous a permis de dénir, pour les
outils existants, leurs fonctionnalités communes et leurs fonctionnalités diérencientes.
L'ensemble des logiciels propose de modéliser un réseau logistique et d'évaluer un coût total. De
plus, ils s'interfacent tous avec Excel et une base de donnée (par exemple, MS Access). La fonctionnalité
principale est d'étudier l'impact de l'ouverture/fermeture d'un site dans le réseau modélisé et de
planier la circulation des ux sur le réseau ainsi construit.
Au niveau de la modélisation, les principales fonctionnalités distinctives sont :
La modélisation ne du transport notamment dans la prise en compte de diverses tarications
(messagerie, lot complet...).
La modélisation ne du stockage notamment des stocks de sécurité en lien avec les taux de
service cible (simulation des stocks ou optimisation des stocks de sécurité).
La modélisation d'un bilan carbone pour avoir une approche multicritère coût/impact environ-
nemental de chaque solution.
Au-delà des trois fonctionnalités, il est important d'étudier aussi en détails la facilité d'intégration
de l'outil dans le système d'information existant, la puissance et l'évolutivité du solveur sous-jacent
et, bien-sûr, le prix des diérentes solutions logicielles.
Nous notons cependant qu'aucun des logiciels rencontrés n'intégrait un calcul du prix de cession.
3.3.4.5 Conclusion de l'état de l'art
Les modèles d'aide à la décision pour la planication stratégique des chaînes logistiques intègrent
de plus en plus de facteurs pour aner les compromis entre l'approvisionnement, la production et la
distribution. Dans le cadre d'une planication hiérarchique, la cohérence entre les décisions des dié-
rents horizons de planication est critique. Notre analyse montre que, souvent, les modèles théoriques
de la littérature ne sont pas réalistes industriellement car ils n'anticipent pas susamment les déci-
sions postérieures pour s'intégrer dans un processus de planication hiérarchique. De plus, l'étude de
l'ore logicielle disponible commercialement nous a montré que les modèles sont généralement limités
par les méthodes de résolution employées car ils ne peuvent calculer les prix de cessions. Le réalisme
des modèles reste donc, encore aujourd'hui, une diculté majeure dans la conception d'outils d'aide
à la décision au service de la planication stratégique de la chaîne logistique. Ainsi de nombreuses
techniques de simulation et d'optimisation peuvent être utilisées dans ce contexte. Du point de vue
de la modélisation, notre modèle inclut les prix de cession qui ont été relevés comme des éléments
diérenciants de la littérature.
Du point de vue des méthodes d'optimisation, la section suivante présente des démarches de réso-
lution proposéees.
3.4 Formalisation mathématique
Dans cette partie, nous formalisons mathématiquement le modèle de planication stratégique.

Par la suite, nous présentons les ensembles, les paramètres, les variables, la fonction objectif et les
contraintes du modèle mathématique.
132
3.4.1 Ensembles

Ensemble des périodes H h
3.4.2 Paramètres
3.4.2.1 Approvisionnement
pf ai,j,p /i ∈ F V, j ∈ RA, p ∈ F P Coût rendu d'approvisionnement (hors amortissements)
par la route d'approvisionnement j de la famille de pièces
p assemblée sur la famille de véhicules i

aj,s /j ∈ RA, s ∈ ZA = 1 si la zone d'approvisionnement s est l'origine de la
route d'approvisionnement j, = 0 sinon
bj,u /j ∈ RA, u ∈ ZP = 1 si la zone de production u est la destination de la
route d'approvisionnement j, = 0 sinon
appmax
h,p,s /h ∈ H, p ∈ F P, s ∈ ZA Approvisionnement existant maximal (pc) en famille de
pièces p sur la zone d'approvisionnement s à la période h

appmin
h,p,s /h ∈ H, p ∈ F P, s ∈ ZA Approvisionnement existant minimal (pc) en famille de
pièces p sur la zone d'approvisionnement s à la période h

appmax
p,s /p ∈ F P, s ∈ ZA Approvisionnement potentiel maximal (pc) en famille de
pièces p sur la zone d'approvisionnement s

appmin
p,s /p ∈ F P, s ∈ ZA Approvisionnement potentiel minimal (pc) en famille de
pièces p sur la zone d'approvisionnement s

f iap,s /p ∈ F P, s ∈ ZA Frais d'investissement pour ouvrir la zone d'approvision-
nement s pour la famille de pièces p sur l'horizon
das Durée d'amortissement des sources d'approvisionnement
asrh,p,s /p ∈ F P, s ∈ ZA, h ∈ H Frais d'investissement restant à amortir sur la zone d'ap-
provisionnement s pour la famille de pièces p à la période

h
syncp /p ∈ F P = 1 si la famille de pièce p est synchrone, = 0 sinon
133
3.4.2.2 Production
f ft,u /t ∈ T P, u ∈ ZP Frais xes (e/période) de la ressource de production de

la zone de production u utilisant la technologie de pro-
duction t
f vt,u /t ∈ T P, u ∈ ZP Frais variables (e/vhl) de la ressource de production de
la zone de production u utilisant la technologie de pro-
duction t
capmax
h,t,u /h ∈ H, t ∈ T P, u ∈ ZP Capacité existante maximale par période (vhl ) en tech-
nologie de production t sur la zone de production u à la
période h
capmin
h,t,u /h ∈ H, t ∈ T P, u ∈ ZP Capacité existante minimum par période (vhl) en tech-
nologie de production t sur la zone de production u à la
période h
capmax
t,u /t ∈ T P, u ∈ ZP Capacité potentielle maximale par période (vhl ) en tech-
nologie de production t sur la zone de production u
capmin
t,u /t ∈ T P, u ∈ ZP Capacité potentielle minimum par période (vhl) en tech-
nologie de production t sur la zone de production u
xci,t /i ∈ F V, t ∈ T P Coecient de charge (/) pour la fabrication de la famille
de véhicules i avec la technologie t
xni,p /i ∈ F V, p ∈ F P Coecient de nomenclature (pc/vhl) entre la famille de
véhicule i et la famille de pièce p (nombre de pièces p par
véhicule i)
f irt,u /t ∈ T P, u ∈ ZP Frais d'investissement pour ouvrir la technologie de pro-
duction t sur la zone de production u sur l'horizon
dar Durée d'amortissement des ressources de production
arrh,t,u /t ∈ T P, u ∈ ZP, h ∈ H Frais d'investissement restant à amortir de la technologie
de production t sur la zone de production u à la période
h
locales,u /s ∈ ZA, u ∈ ZP = 1 si la zone d'approvisionnement s est locale à la zone
de production u, = 0 sinon
specif iquei,t /i ∈ F V, t ∈ T P = 1 si la famille de véhicule est spécique à la technologie
de production t, = 0 sinon
3.4.2.3 Distribution
pf di,k /i ∈ F V, k ∈ RD Frais de distribution (indépendant du prix de cession) de

la famille de véhicule i sur le route de distribution k
xf di,k /i ∈ F V, k ∈ RD Coecient de frais de distribution (dépendant du prix de
cession) de la famille de véhicule i sur le route de distri-
bution k
pvh,i,v /h ∈ H, i ∈ F V, v ∈ ZC Prévision de vente (vhl) sur la zone de commercialisation
v pour la famille de véhicules i à la période h
ck,u /k ∈ RD, u ∈ ZP = 1 si la zone de production u est l'origine de la route de
distribution k, = 0 sinon
dk,v /k ∈ RD, v ∈ ZC = 1 si la zone de commercialisation v est la destination
de la route de distribution k, = 0 sinon
3.4.2.4 Divers
xdh /h ∈ H Taux de dépréciation monétaire (%) à la période h

hmax Dernière période de l'horizon d'étude
134
3.4.3 Variables
IRh,t,u /h ∈ H, t ∈ T P, u ∈ ZP =1 si on investit la technologie de production t sur la zone

de production u à la période h, =0 sinon
IAh,p,s /h ∈ H, p ∈ F P, s ∈ ZA =1 si on investit la source d'approvisionnement de la pièce
p sur la zone d'approvisionnement s à la période h, =0
sinon
Yh,i,k /h ∈ H, i ∈ F V, k ∈ RD Quantité de véhicules de la famille de véhicules i trans-

portée sur la route de distribution k à la période h
Xh,i,j,p /h ∈ H, i ∈ F V, j ∈ RA, p ∈ Quantité de familles de pièces de type p à transporter sur
FP la route d'approvisionnement j à destination de la famille
de véhicules i à la période h
3.4.4 Fonction objectif
L'objectif est de minimiser la valeur actualisé nette du coût total d'exploitation. Elle permet d'avoir
un compromis entre les frais d'investissements et les coûts d'exploitation.
M inimiserf (X, Y, IA, IR) =

X X X X
xdh .( Yh,i,k .(pf di,k + ck,u .pch,i,u .xf di,k )) (3.44)
h∈H i∈F V k∈RD u∈ZP
avec le prix de cession pch,i,u tel que :
X X xni,p .Xh,i,j,p .pf aj,p

pch,i,u = xcsi,u .( ( bj,u . X X
p∈F P j∈RA ck′ ,u .Yh,i,k′ + δ0 ( ck′ ,u .Yh,i,k′ )
k′ ∈RD k′ ∈RD
X
f iaps /das. IAh′ ,p,s + asrh,p,s
X h′ ∈H/h′ ≥h−das+1
+Xh,i,j,p . aj,s .( X X X X
s∈ZA ( aj ′ s .Xhi′ j ′ p ) + δ0 ( ( aj ′ s .Xhi′ j ′ p ))
i′ ∈F V /xni′ p >0 j ′ ∈RA i′ ∈F V /xni′ p >0 j ′ ∈RA
X X
f irtu /dar. IRh′ ,t,u + arrh,t,u + f ft,u . IRh′ ,t,u
X h′ ∈h/h′ ≥h−dar+1 et h′ ≤h h′ ∈H/h′ ≤h
+ ( X X X X
t∈T P/xci,t >0 ck′ u .Yhi′ k + δ0 ( ck′ u .Yhi′ k )
i′ ∈F V /xci′ t >0 k′ ∈RD i′ ∈F V /xci′ t >0 k′ ∈RD
+xci,t .f vt,u ))))
(3.45)
3.4.5 Contraintes
X
dk,v .Yh,i,k = pvh,i,k
k∈RD
∀i ∈ F V, v ∈ ZC, h ∈ H (3.46)
X X
xni,p . ck,u .Yh,i,k = bj,u .Xh,i,j,p
k∈RD j∈RA
∀p ∈ F P, ∀u ∈ ZP, ∀i ∈ F V, h ∈ H (3.47)
135
X X X
ck,u .( Yh,i,k .xci,t ) ≥ capmin
h,t,u . IRh′ ,t,u
k∈RD i∈F V h′ ∈H/h′ ≤h
∀t ∈ T P, u ∈ ZP, h ∈ H (3.48)
X X X
ck,u .( Yh,i,k .xci,t ) ≤ capmax
h,t,u . IRh′ ,t,u
k∈RD i∈F V h′ ∈H/h′ ≤h
∀t ∈ T P, u ∈ ZP, h ∈ H (3.49)
X X X
aj,s .( Xh,i,j,p ) ≥ appmin
h,p,s . IAh′ ,p,s
j∈RA i∈F V h′ ∈H/h′ ≤h
∀p ∈ F P, s ∈ ZA, h ∈ H (3.50)
X X X
aj,s .( Xh,i,j,p ) ≤ appmax
p,s . IAh′ ,p,s
j∈RA i∈F V h′ ∈H/h′ ≤h
∀p ∈ F P, s ∈ ZA, h ∈ H (3.51)
IAh,p,s ≥ IRh,t,u , ∀h ∈ H, t ∈ T P, i ∈ F V /specif iquei,t = 1,

u ∈ ZP, p ∈ F P/syncp = 1, s ∈ ZA/locals,u = 1 (3.52)
X
IRh,t,u ≤ 1, ∀t ∈ T P, u ∈ ZP (3.53)
h∈H
X
IAh,p,s ≤ 1, ∀p ∈ F P, s ∈ ZA (3.54)
h∈H
IRh,t,u = 0, ∀h ∈ H/h > hmax − das + 1, t ∈ T P, u ∈ ZP (3.55)
IAh,p,s = 0, ∀h ∈ H/h > hmax − dar + 1, p ∈ F P, s ∈ ZA (3.56)
Yh,i,k ≥ 0, ∀i ∈ F V, k ∈ RD, h ∈ H (3.57)
Xh,i,j,p ≥ 0, ∀i ∈ F V, p ∈ F P, j ∈ RA, h ∈ H (3.58)
IRh,t,u ∈ {0, 1}, ∀t ∈ T P, u ∈ ZP, h ∈ H (3.59)

136
IAh,p,s ∈ {0, 1}, ∀p ∈ F P, s ∈ ZA, h ∈ H (3.60)

Les contraintes (3.46) vérient que la demande est entièrement satisfaite à toutes les périodes. Les
contraintes (3.47) assurent que l'équilibre des ux est respecté. Les contraintes (3.50) et (3.51) assurent
le respect des capacités minimum et maximum d'approvisionnement sur les sources d'approvisionne-
ment. Les contraintes (3.48) et (3.49) assurent le respect des capacités minimales et maximales des
ressources de production. Les ressources de production et les sources d'approvisionnement ne peuvent
être investies qu'une seule fois sur l'horizon (3.53) et (3.54) et les contraintes (3.55) et (3.56) as-
surent que les investissements soient réalisés susamment tôt pour pouvoir amortir complétement les
frais d'investissement sur l'horizon. Les variables de ux sont positives (3.57) et (3.58). Les variables
d'investissements sont booléennes (3.59) et (3.60).
3.4.6 Modélisation des investissements
Pour diérentier les investissements existants et potentiels, les premiers sont considérés avec leurs
variables correspondantes (IAh,p,s et IRh,t,u ) à 1 en première période, des frais d'investissements f iap,s
et f irt,u nuls mais avec des frais d'amortissement restants asrh,p,s et arrh,t,u non nuls pour les périodes
de n de l'amortissement.
Les investissements potentiels ont leurs variables libres, des frais d'investissements non nuls et un
amortissement restant nul.
L'amortissement restant des ressources de production arrh,t,u est calculé comme suit :
arrh,t,u =



f rais_amortissement_restant_ressourcet,u /duree_amortissement_restante_ressourcet,u
 si duree_amortissement_restante_ressource > 0

t,u

 et h < min(H) + duree _amortissement_restante _ressourcet,u ,
0 sinon


∀h ∈ H, t ∈ T P, u ∈ ZP
(3.61)
L'amortissement restant des sources d'approvisionnement asrh,p,s est calculé comme suit :
asrh,p,s =



f rais_amortissement_restant_sourcep,s /duree_amortissement_restante_sourcep,s
 si duree_amortissement_restante_source > 0

p,s

 et h < min(H) + duree_amortissement_restante_sourcep,s ,
0 sinon


∀h ∈ H, p ∈ F P, s ∈ ZA
(3.62)
3.5 Méthodes de résolution
Nous présentons une heuristique basée sur la programmation linéaire mixte successive et une
métaheuristique.
3.5.1 Heuristique basée sur la programmation linéaire en nombres entiers succes-

sive
Dans cette méthode de résolution, nous linéarisons la fonction objectif pour revenir à un problème
d'optimisation linéaire mixte. Pour cela, nous prenons les hypothèses suivantes :
137
nous estimons la masse achat d'un véhicule pour calculer a priori un prix de cession,
nous diérentions les frais d'investissement et les frais d'exploitation,
nous variabilisons avec une quantité de production standard les frais xes de production qui sont
alors inclus dans les frais variables.
3.5.1.1 Estimation de la masse achat

La masse achat d'un véhicule est estimée a priori : la somme des coûts rendu de tous les ux
d'approvisionnement est estimée a priori (par exemple, avec les valeurs d'un projet véhicule similaire ou
à l'aide des prix objectifs des projets). Cela permet de calculer une masse achat mai,u (i ∈ F V, u ∈ ZP )
qui servira au calcul de la douane de distribution. Cette estimation sera mise à jour avec un calcul
précis à partir des quantités réellement transportées dans le fonctionnement itératif de l'algorithme.
3.5.1.2 Diérentiation des frais d'investissement et d'exploitation

Les frais d'investissements sont calculés séparément de la valeur des ux, c'est à dire de la masse
achat (pour l'investissement des sources d'approvisionnement) et des prix de revient (pour l'investis-
sement des ressources de production). Ainsi on sous-estime la valeur des stocks d'approvisionnement
et les coûts de douane et la valeur des stocks de distribution.
3.5.1.3 Variabilisation des frais xes

Enn, les frais xes de production sont variabilisés (amortis sur la quantité empirique d'utilisation
des capacités de production pour obtenir une part de ce coût xe au véhicule) et intégrés aux frais
variables de production. On divise les frais xes de production par la capacité de production pour
obtenir un coût unitaire des frais xes de production.
La fonction objectif 3.44 est alors remplacée par la fonction objectif 3.63.
M inimiserf (X, Y, IA, IR) =

X X X X
xdh .( Yh,i,k .(pf di,k + xcsi,u .(xf di,k .( xci,t .f vt,u ) + maiu .(xf di,k − 1)))
h∈H i∈F V k∈RD t∈T P
X X X
+ (Xh,i,j,p .pf aj,p )
i∈F V j∈RA p∈F P
X X X
+ (f iap,s . IAh′ ,p,s /das + asrh,p,s )
p∈F P s∈ZA h′ ∈H/h′ ≥h−das+1 et h′ ≤h
X X X
+ (f irt,u,s . IRh′ ,t,u /dar + arrh,t,u )) (3.63)
t∈T P u∈ZP h′ ∈H/h′ ≥h−dar+1 et h′ ≤h
avec pour variables les ux d'approvisionnement X , les ux de distribution Y , les investissements
des sources d'approvisionnement IA et les investissements des ressouces de production IR.
sous contraintes 3.46 à 3.60
La fonction objectif fait donc la somme entre les coûts d'exploitation comprenant les frais de distri-
bution calculés notamment à partir de la masse achat, les frais de production ainsi que les frais d'ap-
provisionnement. De plus, les frais des investissements en sources d'approvisionnement (potentielles
et existantes) et en ressources de production (potentielles et existantes) sont ajoutés. Les contraintes
sont identiques à celle du problème de planication stratégique déni en 3.4.
Cette méthode utilise successivement ce modèle linéaire mixte. L'idée est de mettre à jour suces-
sivement l'estimation de la masse achat jusqu'à obtenir un minimum local : à chaque itération, on
modie cette estimation de la masse achat avec la valeur réelle de masse achat calculée à partir des
ux d'approvisionnement. A partir de ces valeurs de masse achat, on utilise le MILP pour optimiser à
la fois les investissements en source d'approvisionnement et en ressources de production ainsi que les
138
quantités de ux d'approvisionnement et de distribution. Cette nouvelle solution pourra être évaluée
pour calculer une nouvelle valeur de masse achat. On itère ainsi jusqu'à convergence de l'algorithme,
c'est-à-dire jusqu'à ce que les masses d'achat n'évoluent plus en deux itérations (critère d'arrêt).
La gure 3.9 présente un schéma de l'algorithme proposé.
Figure 3.9 Synopsis de la méthode de programmation linéaire en nombres entiers successive
3.5.2 Métaheuristique
Nous proposons une métaheuristique pour résoudre le problème sans prendre d'hypothèses sim-
plicatrices dans sa formulation. Il s'agit d'un chaînage entre une recherche locale utilisant plusieurs
voisinages pour modier les investissements et la résolution successive des problèmes de répartition (à
partir des investissements dénis et pour chaque période). Nous présentons le codage des solutions,
les systèmes de voisinage et l'algorithme de principe.
3.5.2.1 Codage des solutions
Les solutions sont codées en deux parties : une partie représentant les ux de distribution et une
seconde partie représentant les investissements. La première partie est une matrice (Yh,i,k )h∈H,i∈F V,k∈K
correspondant aux quantités sur les ux de distribution de la famille de véhicules i transportée sur la
route de distribution k à la période h. Les ux impossibles sont valorisés à -1.
La seconde partie est composée d'une première matrice (HRh,t,u )h∈H,t∈T P,u∈ZP où HRt,u corres-
pond à la décision d'investissement à la période h de la ressource de production de la technologie de
production t sur la zone de production u. Nous avons aussi une seconde matrice (HSh,p,s )h∈H,p∈F P,s∈ZA
où HSh,p,s correspond à la décision d'investissement à la période h de la source d'approvisionnement
de la famille de pièces p sur la zone d'approvisionnement s. Pour ces deux matrices, la valeur 0 indique
qu'il n'y a pas d'investissement et la valeur 1 indique qu'un investissement est réalisé.
3.5.2.2 Systèmes de voisinage
Deux ensembles de systèmes de voisinage sont utilisés. Un premier ensemble de systèmes de voisi-
nage va modier les investissements à la fois en ressources de production et en sources d'aprovisionne-
ment. Ces voisinages sont classiquement utilisés pour les problèmes de Facility Location [AMZM09].
139
Les sytèmes de voisinage sur les investissements sont les suivants :
ADD source : On ouvre au hasard une source à une période au hasard.
DROP source : On annule l'ouverture d'une source.
SHIFT source : On décale l'ouverture d'une source dans le temps.
SWITCH source : Pour une famille de pièces donnée, on ferme une source ouverte et on ouvre
une source fermée d'une autre zone d'approvisionnement.
ADD ressource : On ouvre une ressource au hasard à une période au hasard.
DROP ressource : On annule l'ouverture d'une ressource.
SHIFT ressource : On déplace dans le temps l'ouverture d'une ressource.
SWITCH ressource : Pour une technologie de production donnée, on ferme un ressource de
production ouverte et on ouvre une ressource fermée sur une autre zone d'approvisionnement.
La gure 3.10 donne un exemple des diérents voisinages sur les sources d'approvisionnement. La
gure 3.11 donne un exemple des diérents voisinages sur les ressources de production.
Figure 3.10 Schéma des voisinages sur les sources
Le second ensemble de voisinages comprend un unique voisinage sur les ux de distribution (cf.
2.3.5.3).
140
Figure 3.11 Schémas des voisinages sur les ressources
3.5.2.3 Algorithme de principe
L'algorithme 12 présente le couplage entre les diérentes métaheuristiques.

La vérication de la faisabilité après l'application des voisinages sur les investissement et l'initiali-
sation est réalisée avec le programme linéaire avec des prix de cession estimés. Cela pourrait aussi être
réalisé avec l'heuristique basée sur la programmation linéaire en nombres entiers successive présentée
précédement (3.5.1).
3.6 Conclusion
Dans ce chapitre, nous avons déni le problème de planication stratégique de la chaîne logistique
de PSA au travers d'un modèle de connaissance. Nous avons vu au cours d'un état de l'art que ce
problème est très étudié mais reste dicile à résoudre notamment dans les cas d'un environnement
international (avec des prix de cession) et avec des économies d'échelles. De plus, de nombreuses ap-
plications commerciales proposent d'optimiser des réseaux logistiques. Cependant, aucune application
commercialle ne prend en compte le calcul des prix de cession. Ce dernier a un impact majeur sur
l'évaluation de la fonction objectif. Nous avons ensuite proposé une formulation mathématique du
problème. Enn, nous avons présenté deux méthodes de résolution, une heuristique et une métaheu-
ristique.
Il existe de nombreuses perspectives d'amélioration des modèles d'aide à la décision pour la plani-
cation stratégique. A la fois en termes de modélisation et de résolution :
concernant la modélisation, l'intégration de la notion environnementale devient critique quand
Algorithme 12 Algorithme de principe de la planication stratégique
1: Initialiser la solution courante S0 .
2: Soit S _best la meilleure solution connue.
3: répéter
4: Sélectionner aléatoirement un voisinage sur les investissements et l'appliquer.
5: Déterminer une solution initiale de répartition sur toutes en estimant les prix de cession et en
utilisant le modèle linaire.
6: si une solution initiale admissible est trouvée alors
7: pour chaque période h dans H faire
8: Appliquer une métaheuristique hybride de répartition stratégique en partant de la solution
initiale.
9: Calculer les nouveaux prix de cession pc à partir de la fonction 3.44 .
10: n pour
11: si f (Sk ) < f (S _best) alors
12: S _best := Sk
13: n si
14: k := k + 1
15: n si
16: jusqu'à k = k_max
les entreprises intègrent le développement durable dans leur stratégie. De plus, la prise en compte
des risques, des incertitudes et des variabilités dans le modèle orirait des solutions robustes.
concernant l'optimisation, l'hybridation de méthodes exactes, heuristiques et méthaheuristiques
semble orir encore des possibilités d'amélioration notamment si des critères multiobjectifs
(coût/taux de service/empreinte environnementale...) ou robustes (vis à vis d'un ensemble de
scénarios économiques alternatifs) sont considérés.
Dans [MG05], des perspectives de recherche portent sur l'optimisation conjointes de la planication
industrielle et des prix de cession (notamment au niveau des incoterms). De plus, seuls 22% des modèles
étudiés intègrent la notion de risques. La gestion de ces risques est pourtant primordiale dans l'approche
stratégique.
Le chapitre suivant présente l'application industrielle de la problématique au travers d'une appli-
cation d'aide à la décision et d'un cas d'étude industriel.
142
Conclusion
La coordination des diverses activités au sein d'une chaîne logistique est actuellement un enjeu
majeur de la performance économique des entreprises industrielles. Cette coordination se concrétise
par l'existence d'un système de planication hiérarchique permettant de planier sur le long terme
et de réagir à court terme dans une recherche constante de l'optimisation des ressources limitées de
l'entreprise.
La planication stratégique du réseau logistique est une des activités fortement structurante de
cette planication hiérarchique. Elle dénit et planie le réseau logistique à long terme (dans l'automo-
bile, cela correspond à près de 10 ans). Ce réseau logistique ainsi organisé sera le support aux activités
opérationnelles créatrices de valeur pour l'entreprise. Cependant la complexité opérationnelle est un
frein à une optimisation globale notamment par un partage partiel des informations et des prévisions
de tous types (commerciales, économiques, technologiques...) qui peuvent s'avérer erronées.
Les décideurs responsables de la planication stratégique de la chaîne logistique font donc de plus
en plus appel à des outils d'aide à la décision pour les assister dans cette démarche d'optimisation.
Ces outils ont pour but de modéliser le réel dans un modèle numérique qui pourra facilement évaluer
des scénarios industriels et proposer des solutions.
La problématique de cette thèse CIFRE au sein d'un constructeur automobile a donc été de
rééchir à quel modèle stratégique utiliser pour représenter l'environnement économique et industriel
de l'entreprise pour la planication stratégique de son réseau logistique.
Ensuite, face à la complexité du problème posé, une décomposition du problème a été déni pour
le résoudre progressivement ; dénissant trois problèmes distincts :
La répartition stratégique sans contrainte de sourcing,
La répartition stratégique avec contraintes de souring,
La planiciation stratégique avec investissements.
Pour chaque problème de répartition stratégique, une formalisation mathématique a été proposée
et diérents algorithmes d'optimisation de ce modèle ont été proposés et appliqués.
Concernant la planication stratégique, une formalisation a été proposée et des algorithmes d'op-
timisation ont été proposés.
Cette démarche a donné lieu à la dénition d'un prototype d'un outil d'aide à la décision utilisable
par les décideurs et à un cas d'étude industriel représentatif de la complexité industrielle rencontrée
par l'entreprise. L'application industrielle a démontré l'intérêt pratique et économique d'une approche
globale du problème épaulée par un système d'aide à la décision.
Le travail d'analyse de l'existant industriel et organisationnel de l'entreprise a permis de dénir un

modèle à horizon stratégique intégrant à la fois les contraintes industrielles correspondantes à cet hori-
zon et un modèle d'évaluation économique correspondant. Ce modèle a l'intérêt de prendre en compte
l'aspect international de la chaîne logistique de l'entreprise notamment dans les activités logistiques
modélisées (transport multimodal, fret maritime, douanes...) et dans l'évaluation économique de la
chaîne de valeur, notamment dans la prise en compte des prix de cession.
Le travail d'optimisation du modèle numérique précédemment déni s'est avéré dicile à cause
de la propriété de non-convexité des diérents problèmes d'optimisation étudiés. Ainsi des approches
de résolution basées sur une linéarisation ou sur une approche directement non-linéaire (optimisation
convexe et métaheuristiques) ont été testées. De nombreux tests sur des instances générées ont été
143
144
réalisés pour valider les approches d'optimisation stochastiques.
Le travail de prototypage et d'application du modèle et des méthodes d'optimisation ont mené
à la réalisation d'une application Java baptisée LogNet avec une interface Excel. Un cas d'étude a
été réalisé à partir d'un projet industriel mondial. Il a démontré l'intérêt industriel d'un outil d'aide
à la décision orant une synthèse économique et de nombreux indicateurs économiques. Il a aussi
montré les limites d'utilisation d'un tel outil notamment en termes de disponibilité des données et de
abilité des informations nécessaires à l'utilisation able d'une telle application. De nombreux modèles
d'agrégation de données ont donc été dénis pour dénir rapidement et à l'aide de peu d'inducteurs
les nombreuses données nécessaires.
De nombreuses perspectives existent suite à ce travail.

D'un point de vue scientique, la dénition de modèles économico-industriels réalistes est un
domaine de recherche. Les aspects internationaux (meilleure prise en compte des douanes, optimisation
des prix de cession...) et les liens avec les modèles nanciers (besoins en fond de roulement, coût du
nancement...) restent encore rarement modélisés. De plus, la gestion des risques ou, plus généralement,
des incertitudes est une tendance très forte dans l'environnement volatile actuel. La mondialisation
a accéléré les échanges de biens et d'information mais aussi la propagation des crises. L'utilisation
d'indicateurs de robustesse ou de exibilité des solutions est encore balbutiante. Enn, l'intégration
des préoccupations environnementales (bilan CO2 ), soit directement valorisées économiquement, soit
intégrées comme un second objectif, est une évolution majeure des modèles industriels actuels.
Ces modèles de plus en plus complexes sont naturellement de plus en plus diciles à résoudre
notamment si les propriétés de linéarité ou même de convexité ne sont pas validées. Le compromis entre
réalisme et rapidité de résolution reste d'actualité malgré un coût de la puissance de calcul toujours plus
faible. Le travail sur les reformulations convexes ou même linéaires de ces problèmes sont des approches
très prometteuses. Les dicultés d'optimisation avec les méthodes exactes (généralement basées sur la
programmation linéaire) ore une opportunité aux méthodes d'optimisation approchées (notamment
les metaheuristiques) encore peu utilisées pour ce type de problèmes. Ces métaheuristiques peuvent
encore être accélérées à la fois dans leur algorithmique et dans leur implémentation. L'utilisation
de moyens de calcul comme des grilles ou architecture multi-c÷ur ore par ailleurs des perspectives
intéressantes si les méthodes d'optimisation sont conçues pour favoriser le parallélisme.
Une réexion sur les outils d'aide à la décision et leur intégration dans le système d'information
d'une entreprise a aussi été esquissée. Les approches de gestion des connaissances notamment à base
d'ontologie peuvent apporter beaucoup à la structuration des données nécessaire au bon fonctionne-
ment des outils d'aide à la décision stratégique. De plus, l'agrégation des données pose la question de
l'entreposage des données et de l'utilisation de la fouille de données pour obtenir à chaque fois la bonne
information décisionnelle à partir des données opérationnelles. Enn, la exibilité et l'évolutivité des
modèles stratégiques sont primordiales. Ainsi, des environnements de développement rapide et des
langages de modélisation proches du métier (et indépendants des méthodes d'optimisation) sont aussi
des perspectives dignes d'intérêt.
Au nal, la planication stratégique du réseau logistique d'un constructeur automobile est un en-
jeu majeur de la pérennité de l'entreprise. L'extension des organisations et la mondialisation rendent
toujours plus complexe cette planication. Nous proposons, dans le secteur de la construction automo-
bile, un outil d'aide à la décision modélisant au plus juste les activités industrielles, implémentant des
méthodes d'optimisation innovantes et s'intégrant au mieux dans le système d'information existant.
ANNEXE 1 - Procédure de génération
des instances de test
Pour valider les diérentes méthodes d'optimisation, nous avons généré diérents jeux d'essais
pour les problèmes monopériode. Cette génération est dicile pour deux raisons : il faut générer
des instances réalistes et réalisables. Le réalisme des jeux d'essais doit assurer que les méthodes sont
applicables sur des instances industrielles. La réalisabilité assure qu'il existe des solutions au cas
posé. Nous présentons d'abord un générateur pour des problèmes de planications stratégiques et
précédemment réalisé dans le cadre des travaux de [TBP08] puis nous présentons la dénition des
instances générées dans notre cas. Enn, le processus de génération des données sera présenté.
Générateur d'instance de [TBP08]
Un générateur de données pour des modèles de planication stratégique avec investissement a été
présenté dans [TBP08]. Dans ce qui suit, nous allons présenter plus en détails les données générées,
la procédure de génération et les paramètres de génération. Nous concluons par les similitudes avec le
problème de planication approvisionnement, production et distribution et les éléments pouvant être
repris de ces travaux.
Données générées
Les instances générées correspondent à des problèmes de planication multipériodes d'un réseau
logistique avec 4 niveaux (fournisseurs, usines, plateformes et clients) avec une nomenclature multi-
niveaux. Des ouvertures ou fermetures au niveau des fournisseurs, des usines et des plateformes sont
proposés ainsi que des options de capacités de production (au niveau des usines) et des options de
capacités de stockage (au niveau des plateformes). Des niveaux maximum d'utilisation des sites sont
considérés pour modéliser les phases de transition (lors d'une ouverture ou d'une fermeture).
Les coûts considérés sont à la fois des coûts xes et des coûts variables :
Les coûts xes correspondent aux coûts d'ouverture, de maintien en fonctionnement ou de fer-
meture des sites et des options de capacité.
Les coûts variables correspondent aux opérations de production, de stockage, de production en
sous-traitance et de transport.
[TBP08] propose une procédure de génération assez générique reprenant en partie des travaux
précédemment réalisés. La procédure proposée génère les données dans l'ordre suivant :
1. Demande des clients : une distinction est faite entre des clients standards et des clients impor-
tants, ces derniers ayant une demande plus forte. La demande est générée pour plusieurs périodes
avec une hypothèse de croissance. Cette seconde partie est identique à [MNSdG06].
2. Nomenclature : La nomenclature multiniveaux est dénie en générant les coecients de no-
menclature et de manière à ce que chaque produit ni et chaque produit semi-ni ait bien un
composant et que chaque matière première et chaque produit entre bien dans la nomenclature
d'un composé.
145
146
3. Données concernant les possibilités : Toutes les possibilités d'achat, de production, de stockage
sont générées en dénissant des seuils minimaux de possibilité au niveau de chaque site concerné
(par exemple, pour chaque usine, une matière première est disponible au niveau de 75% de ses
fournisseurs). Une procédure similaire est présentée dans [CPS06].
4. Matrice d'incidence entre les n÷uds : Toutes les liaisons entre les diérents sites sont générées
entre les niveaux successifs (entre les fournisseurs et les usines, les usines et les plateformes...)
et sans transport direct. Puis entre 2 niveaux, 10% des arcs sont supprimés.
5. Charge unitaire de production, de traitement et de stockage : Ces charges sont générées aléatoi-
rement entre des bornes.
6. Capacités des sites et options de capacités : Les capacités disponibles en première période sont
calculées à partir de la demande totale pour chaque type de capacité nécessaires. Ce travail est
adapaté de [MD01]. Les capacités des nouveaux sites sont le double de la capacité moyenne des
sites existants (cf hypothèse de demande croissante). Les options de capacités sont des fractions
de la capacité du site où elles sont disponibles.
7. Evolution du pourcentage d'utilisation maximal des sites : La règle, inspirée de [MM00], est de
50% la première année, 70% la seconde année et 90% (maximum) la dernière année.
8. Coûts xes : La génération est inspirée de [CC03]. De manière générale, les coûts xes sont
composés d'une partie xes et d'une partie fonction de la valeur de capacité correspondante.
9. Coût variables : La génération des coûts de production et de stockage est inspirée de [MM00]
avec des générations aléatoires. Les coûts de transport sont générés en positionnant les sites sur
une grille et en calculant une distance euclidienne comme dans [MD01]. Des tests de réalisabilité
sont dénis pour s'assurer de la réalisabilité des instances générées. Un test automatique est
réalisé pour la cohérence entre la charge et la capacité au niveau des usines et des fournisseurs :
des charges sont surestimées et aectées pour vérier qu'elles ne dépassent pas les capacités
disponibles dans le problème. En cas d'échec, une nouvelle instance est générée.
Cette méthode de génération se veut générique et paramétrable en fonction du réseau.
Paramètres de génération
Trois familles d'instances sont déterminées : petite, moyenne et grande. Chaque famille contient 5
instances. Ces trois familles proposent des tailles de problèmes diérents avec notamment :
5 périodes
De 15 à 27 fournisseurs, de 10 à 22 usines, de 5 à 13 plateformes et de 100 à 260 clients
De 10 à 18 produits
Par ailleurs, le ratio charge/capacité est aussi un facteur de diculté. Trois niveaux sont dénis :
1/3, entre 1/4 et 1/7 et entre 1/8 et 1/11. Cela forme des sous-familles.
Au nal, 450 instances ont été générées à partir des 15 types d'instances classées dans les 3 familles
de ratio charge/capacité (donc 45 sous-familles) avec 10 générations aléatoires par sous-familles.
Conclusion sur le générateur de données de [TBP08]

Notre problème est relativement diérent. Tout d'abord, il est multipériodes. Ensuite le réseau
logistique considéré ne prend pas en compte les plateformes logistiques. De plus, les investissements
ne sont pas tout le temps pris en compte. Enn, au niveau des coûts et en dehors de l'aspect stockage
non traité, nous prenons en compte la douane de manière plus réaliste avec l'application d'un véritable
taux de douane sur le prix de cession. Cependant des éléments peuvent être repris :
La distinction des types de clients pour la génération des demandes,
L'utilisation de seuils pour s'assurer la diversité de possibilités d'achat et de production.
La méthode d'obtention des réseaux avec une certaine densité,
L'utilisation des demandes pour générer les capacités de production,
Le calcul des coûts de transport à partir d'une grille,
147
L'utilisation d'un test de réalisabilité pour valider la génération.
Dénition des instances du problème repartition

Les diérents coûts sont générés à partir des données d'entrée suivantes :
Taux de douane approvisionnement minimum et maximum,
Prix d'achat par famille de pièce minimum et maximum,
Coût moyen de transport d'approvisionnement minimum et maximum ;
Amortissement moyen minimum et maximum,
Frais variables moyens de production minimum et maximum,
Coût moyen de transport de distribution minimum et maximum,
Taux de douanes de distribution minimum et maximum.
Ainsi, à partir de ces valeurs minimum et maximum, on dénit les intervalles de génération des
coûts pour les diérentes structures de coûts.
Processus de génération des données

Nous allons maintenant décrire le processus de génération des données. Ce processus est progressif
pour assurer la cohérence de chaîne logistique générée.
Etape 1 Dénition du réseau

En fonction de la taille du problème, on dénit les ZoneApprovisionnement, ZoneProduction et de
ZoneCommercialisation, Pour la génération des RouteApprovisionnement et des RouteDistribution,
on construit le réseau complet entre les ZA et les ZP et, respectivement, entre les ZP et les ZC. Puis,
en fonction de la densité voulue, on supprime aléatoirement diérentes des routes d'approvisionnement
et des routes de distribution.
Etape 2 Familles de véhicules, de pièce et nomenclature

En fonction de la taille du problème, on dénit les FamilleVehicule et FamillePiece. Une plateforme
est attribuée aux familles de véhicules et aux familles de pièces en les répartissant de manière équilibrée.
Etape 3 Technologie de production et coecient de charge

On dénit les TechnologieProduction telles que : Peinture, Assemblage pour les diérentes plate-
formes, Ferrage pour les diérentes familles de véhicules. La génération des coef f _charge va mettre
à 1, pour chaque famille de véhicule, les coecients correspondant à la peinture, à l'assemblage de la
plateforme de la famille de véhicules considérée et le ferrage de la famille de véhicule considérée.
Etape 4 Prévision de ventes

Par famille de véhicule et en fonction de la taille du réseau, on génère une prévision de ventes globale
initiale (PVGI). De plus, on diérencie les zones de commercialisation en trois types de demandes :
importante, standard et mineures ; puis on calcule les prevision_vente selon le type de demande :
importantes, entre 1 et 3 zones de commercialisation ayant de 15% à 25% de la PVGI,
standards, 20% des zones de commercialisation avec une demande ayant de 3% à 8% de la PVGI,
mineures, les autres sites non sélectionnés avec des niveaux de demandes diérents ayant de 1%
à 3% de la PVGI.
La somme des diérentes demandes pour une famille de véhicule formera les prévisions de ventes
globales nales (PVGF).
148
Etape 5 Détermination des productions
Pour dénir les possibilités de production, on classe les familles de véhicules par PVGF décroissante.
Puis on décide que les premiers 5% de ces familles de véhicules seront en tri-sourcing c'est-à-dire que
toutes les distributions de ces familles pourront être satisfaites à partir de 3 zones de production.
Ensuite, les 50% des familles de véhicules suivantes seront en bi-sourcing (les distributions de ces
familles de véhicules auront deux zones de production capable de les satisfaire). Enn, les familles
de véhicules restantes auront des distributions nécessitant une seule zone de production pouvant les
servir. La répartition des productions privilégie les zones qui n'ont aucune production puis répartie
aléatoirement les productions.
Etape 6 Ressource et capacités de production
Une fois les productions dénies, on sait, à partir des activités de production, quelles technologies
de production sont nécessaires sur les diérentes zones de production. Pour chaque technologie de
production, en fonction des productions de la zone de production, on crée une RessourceProduction
si elle n'existe pas déjà. Les diverses capacités cap_min et cap_max (6) sont calculées à partir de
la demande prévisionnelle. On fait la somme de la charge par technologie de production avec les
coef f _charge de chaque activité de production et les PVGF. On divise cette charge par le nombre de
ressource de production pour obtenir une charge moyenne par ressource. Les capacités de production
sont calculées comme suit : cap_max = a ∗ β avec β tiré aléatoirement dans l'intervalle [1; 1, 5] et
cap_min = a ∗ α avec α tiré aléatoirement dans l'intervalle [0, 5; 1]. Note : Avec la génération aléatoire
des capacités de production et l'inexistence possible des routes, on peut générer des solutions non
réalisables. Elles seront détectées avec le programme linéaire de la borne inférieure 2.3.4.
Etape 7 Source et capacité d'approvisionnement
Possibilité des sources d'achat : pour chaque famille de pièce, on sélectionne, sur les zones d'appro-
visionnement possible (selon les routes et approvisionnant les productions dénies), [2, card(ZA)] zones
d'approvisionnement pour créer ces sources d'approvisionnement. Par famille de pièces, on calcule les
capacités d'approvisionnement à partir de la somme totale des approvisionnements (ST Ap ) nécessaires,
calculée à l'aide des coef f _nomenclature. Puis on divise cela par le nombre de source d'approvision-
nement possibles. Les capacités d'approvisionnement sont donc app_max = ST Ap /card(SA) ∗ β avec
β tiré aléatoirement dans l'intervalle [1; 1, 5] et app_min = ST Ap/|SA| ∗ alpha avec α tiré aléatoire-
ment dans l'intervalle [0, 5; 1]. Note : Avec la génération aléatoire des capacités d'approvisionnement et
l'inexistence possible des routes, on peut générer des solutions non réalisables. Elles seront détectées
avec le programme linéaire de la borne inférieure 2.3.4.
Etape 8 Détermination des prix
Localisation et estimation des distances

On génère enn les prix de transport en localisant les diérentes zones sur une grille de 1000x1000.
Cela donnera une distance Euclidienne D entre deux zones d'approvisionnement et de production et
D' entre deux zones de production et de commercialisation. On dénit un coût moyen entre 0,015 et
0,040e/km/pc pour l'approvisionnement et entre 0,08 et 0,12e/km/vhl pour la distribution.
Prix ux d'approvisionnement

La génération des prix des ux d'approvisionnement est réalisée en distinguant trois sous-composantes :
1. la part transport,
2. la part achat,
3. la part douane.
149
La part transport est déni à l'aide de la distance entre la ZA et ZP considérée corrigée d'un
coecient correspondant au transport d'approvisionnement (cf 6.3.9.1). La part achat est calculée
à partir d'un prix d'achat standard global par pièce (P ASGp ). Celui ci est déni en le générant
dans l'intervalle [0, 05 − 600]. Ce coecient correspond à l'écart moyen de coût d'achat entre la zone
d'approvisionnement d'Europe occidentale et une zone d'approvisionnement étudiée. Puis, selon la zone
d'approvisionnement, on génère un coecient de performance achat XP A générée entre [0, 5 − 1, 5].
On obtient la part achat en calculant P ASGp ∗ XP A. La part douane est dénie aléatoirement : Pour
chaque famille de pièce et chaque route d'approvisionnement, on génère un T aux_douanes_appro
compris dans l'intervalle [0; 35]% qui est appliqué à la part achat et à la part transport.
Frais xes et variables de production

Par ressource de production, les prix de F rais_f ixes sont dénis en utilisant un amortissement
moyen entre 100 et 200emultiplié par la cap_max de la ressource de production. Les F rais_variables
sont alors générés par ressource entre 50 et 300e/vhl.
Douanes de distribution et Coe ux de distribution

Pour chaque famille de véhicule et chaque route de distribution, on génère un T aux_douanes_distri
compris dans l'intervalle [0; 90]%.
Prix ux distribution

On génère les coûts logistiques de distribution en reprenant la distance D entre les zones de
production et de commercialisation et en calculant un prix_f lux_distribution (e/vhl) égal à D′ ∗
Cout_moyen_distribution ∗ (1 + taux_douanes_distri).
150
Références bibliographiques
[ABH+ 04] C. Audet, J. Brimberg, P. Hansen, S. Le Digabel, and N. Mladenovi¢. Pooling problem :
Alternate formulations and solution methods. Management science, 50 :761776, 2004.
[ABHT95] B.C. Arntzen, G.G. Brown, T.P. Harrison, and L.L. Trafton. Global supply chain
management at Digital Equipment Corporation. Interfaces, 25 :6993, 1995.
[AE09] H. Almutairi and S. Elhedhli. A new Lagrangean approach to the pooling problem.
Journal of Global Optimization, 45 :237257, 2009.
[AGIS03] H. Arsham, M. Gradisar, and M. Indihar Stemberger. Linearly constrained global
optimization : a general solution algorithm with applications. Applied Mathematics and
Computation, 134(2-3) :345361, 2003.
[AMZM09] H. Amrani, A. Martel, N. Zuerey, and P. Makeeva. A variable neighborhood search
heuristic for the design of multicommodity productiondistribution networks with al-
ternative facility congurations. OR Spectrum, Online First :119, 2009.
[Ant65] R.N. Anthony. Planning and control systems : a framework for analysis. Division of
Research, Graduate School of Business Administration, Harvard University, 1965.
[AXX09] AXXOM. Orion-pi. Technical report, http ://www.axxom.com, 2009.
[Bal04] R.H. Ballou. Business logistics/supply chain management : planning, organizing, and
controlling the supply chain. Pearson/Prentice Hall, Upper Saddle River, NJ, 2004.
[BC05] J.H. Blackstone and JF Cox. APICS dictionary. APICS, 2005.
[BCC02] D.J. Bowersox, D.J. Closs, and M.B. Cooper. Supply chain logistics management.
McGraw-Hill/Irwin, 2002.
[BL85] T.E. Baker and L.S. Lasdon. Successive linear programming at Exxon. Management
science, 30 :264274, 1985.
[BNW06] R.H. Byrd, J. Nocedal, and R.A. Waltz. KNITRO : An integrated package for nonlinear
optimization. Large-scale nonlinear optimization, 83 :3559, 2006.
[CC03] M.J. Cortinhal and M.E. Captivo. Upper and lower bounds for the single source capa-
citated location problem. European Journal of Operational Research, 151(2) :333351,
2003.
[CCW05] F.T.S. Chan, SH Chung, and S. Wadhwa. A hybrid genetic algorithm for production
and distribution. Omega, 33(4) :345355, 2005.
[CFL09] S.S. Chauhan, J.M. Frayret, and L. LeBel. Multi-commodity supply network planning
in the forest supply chain. European Journal of Operational Research, 196(2) :688696,
2009.
[CG07] C. Chandra and J. Grabis. Supply chain conguration : concepts, solutions, and appli-
cations. Springer, 2007.
[Chr05] M. Christopher. Logistics and supply chain management : creating value-added networks.
Financial Times/Prentice Hall, 2005.
[CM91] M. Cohen and S. Moon. An integrated plant loading model with economies of scale and
scope. European Journal of Operational Research, 50(3) :266279, 1991.
151
152
[CM01] S. Chopra and P. Meindl. Supply Chain Management : Strategy, Planning, and Opera-
tion. Prentice-Hall, 2001.
[CN96] J. Castro and N. Nabona. An implementation of linear and nonlinear multicommodity
network ows. European Journal of Operational Research, 92(1) :3753, 1996.
[Coo64] L. Cooper. Heuristic methods for location-allocation problems. Siam Review, 6(1) :37
53, 1964.
[CP03] S.S. Chauhan and J.M. Proth. The concave cost supply problem. European Journal of
Operational Research, 148(2) :374383, 2003.
[CPS06] J.F. Cordeau, F. Pasin, and M.M. Solomon. An integrated model for logistics network
design. Annals of Operations Research, 144(1) :5982, 2006.
[Cro99] K.L. Croxton. Modeling and solving network ow problems with piecewise linear costs,
with applications in supply chain management. PhD thesis, Massachusetts Institute of
Technology, 1999.
[CW95] B. Coriat and O. Weistein. Herbert Simon et la rationalité limitée, in Les nouvelles
théories économiques. Cahiers Français, 272 :16, 1995.
[DBG+ 07] W. Dullaert, O. Braysy, M. Goetschalckx, B. Raa, and A. Center. Supply chain (re)
design : Support for managerial and policy decisions. European Journal of Transport
and Infrastructure Research, 7(2) :7392, 2007.
[DBX06] H. Ding, L. Benyoucef, and X. Xie. A simulation-based multi-objective genetic algorithm
approach for networked enterprises optimization. Engineering Applications of Articial
Intelligence, 19(6) :609623, 2006.
[DF07] PP Dornier and M. Fender. La logistique globale et le Supply Chain Management.
Edition d'organisation, 2007.
[EGG+ 99] LF Escudero, E. Galindo, G. Garcia, E. Gomez, and V. Sabau. Schumann, a mode-
ling framework for supply chain management under uncertainty. European Journal of
Operational Research, 119(1) :1434, 1999.
[Eur09] Eurodécision. Lp-supplychain. Technical report, http ://www.eurodecision.com, 2009.
[FFH06] B. Fleischmann, S. Ferber, and P. Henrich. Strategic planning of BMW's global pro-
duction network. Interfaces, 36(3) :194208, 2006.
[FG07] D.B.M.M. Fontes and J.F. Gonçalves. Heuristic solutions for general concave minimum
cost network ow problems. Networks, 50(1) :6776, 2007.
[FL06] D.B.M.M. Fontes and L.I.P. LA. On minimum concave cost network ow problems.
2006.
[Fle93] B. Fleischmann. Designing distribution systems with transport economies of scale.
European Journal of Operational Research, 70(1) :3142, 1993.
[For61] J.W. Forrester. Industrial dynamics. Productivity Press, 1961.
[FS04] G. Fandel and M. Stammen. A general model for extended strategic supply chain
management with emphasis on product life cycles including development and recycling.
International journal of production economics, 89(3) :293308, 2004.
[GCF98] B. Gendron, T.G. Crainic, and A. Frangioni. Multicommodity capacitated network de-
sign, volume Telecommunications Network Planning. Springer, 1998.
[GCI00] M. Gen, J. Choi, and K. Ida. Improved genetic algorithm for generalized transportation
problem. Articial Life and Robotics, 4(2) :96102, 2000.
[Gen03] P. Genin. Planication tactique robuste avec usage d'un APS Proposition d'un mode
de gestion par plan de référence. Mémoire de thèse, Ecole des Mines de Paris, France,
2003.
[GF07] M. Goetschalckx and B. Fleischmann. Strategic network design. Springer, 2007.
153
[GK01] M Gourgand and P Kellert. Conception d'un environnement de modélisation des sys-
tèmes de production. Troisième congrès de international de Génie Industriel, Tours
,
2001.
[GLFBGC09] F.A. Gruat La Forme, V. Botta-Genoulaz, and J.P. Campagne. The role of APS systems
in Supply Chain Management : a theoretical and industrial analysis. International
Journal of Logistics Systems and Management
, 5(3) :356374, 2009.
[GLS93] M. Grotschel, L. Lovasz, and A. Schrijver. Geometric algorithms and combinatorial
optimization, volume 2. Springer-Verlag, 1993.
[Gol97] E. Goldratt. Critical Chain : A Business Novel. Great Barrington, MA : The North
River Press, 1997.
[GP90] G.M. Guisewite and P.M. Pardalos. Minimum concave-cost network ow problems :
Applications, complexity, and algorithms. Annals of Operations Research
, 25(1) :7599,
1990.
[GP95] A.M. Georion and R.F. Powers. Twenty years of strategic distribution system design :
An evolutionary perspective. Interfaces
, 25(5) :105127, 1995.
[GVD02] M. Goetschalckx, C.J. Vidal, and K. Dogan. Modeling and design of global logistics
systems : A review of integrated strategic and tactical models and design algorithms.
European Journal of Operational Research , 143(1) :118, 2002.
[GW00] S.C. Graves and S.P. Willems. Optimizing strategic safety stock placement in supply
chains. Manufacturing & Service Operations Management, 2(1) :6883, 2000.
[Har03] T. Harrison. Principles for the strategic design of supply chains in The practice of
supply chain management : where theory and application converge, chapter 1, pages 3
12. KLUWER ACADEMIC, 2003.
[Hen99] J.C. Hennet. From the aggregate plan to lot-sizing in multi-level production planning.
Springer-Verlag, Berlin, pages 523, 1999.
[HFHA08] R. Hammami, Y. Frein, and A.B. Hadj-Alouane. Supply chain design in the delocali-
zation context : Relevant features and new modeling tendencies. International Journal
of Production Economics , 113(2) :641656, 2008.
[Hic99] D. A. Hicks. A four step methodology for using simulation and optimization technologies
in strategic supply chain planning. In Proceedings of the 31st conference on Winter
simulation : Simulationa bridge to the future, pp. 1215 - 1220, , 1999.
[HL09] Chaug-Ing Hsu and Hui-Chieh Li. An integrated plant capacity and production planning
model for high-tech manufacturing rms with economies of scale. International Journal
of Production Economics, 118(2) :486 500, 2009.
[HM75] A.C. Hax and H.C. Meal. Hierarchical Integration of Production Planning and Sche-
duling. Logistics : TIMS Studies in Management Sciences, 1 :5360, 1975.
[HPC04] M. Holweg, F.K. Pil, and T. Christiansen. The second century : reconnecting customer
and value chain through build-to-order : moving beyond mass and lean production in the
auto industry. The MIT Press Ltd, 2004.
[I209] I2. Supply chain strategist. Technical report, http ://www.i2.com, 2009.
[IBM09] IBM/ILOG. Logicnet plus xe. Technical report, http ://www.ibm.com/, 2009.
[Ins09] Insight. Sails. Technical report, http ://www.insight-mss.com, 2009.
[IS01] N. Ilich and S.P. Simonovic. An evolution program for non-linear transportation pro-
blems. Journal of Heuristics, 7(2) :145168, 2001.
[JB80] P.A. Jensen and J.W. Barnes. Network ow programming. John Wiley & Sons, 1980.
[JB09] N. Jawahar and AN Balaji. A genetic algorithm for the two-stage supply chain distribu-
tion problem associated with a xed charge. European Journal of Operational Research,
194(2) :496537, 2009.
154
[JDA09] JDA. Network & inventory optimization. Technical report, http ://www.jda.com, 2009.
[JFGB04] A. Joly, Y. Frein, D. Gauthier, and V. Bernier. Etude de l'impact des blocages sur le
ux de production d'une usine terminale automobile. Journal européen des systèmes
automatisés, 38(3-4) :291313, 2004.
[JJCP02] Y.J. Jang, S.Y. Jang, B.M. Chang, and J. Park. A combined model of network design
and production/distribution planning for a supply network. Computers & Industrial
Engineering, 43(1-2) :263281, 2002.
[JJT06] M. Ji, Z. Jin, and H. Tang. An improved simulated annealing for solving the linear
constrained optimization problems. Applied mathematics and computation, 183(1) :251
259, 2006.
[JP01] V. Jayaraman and H. Pirkul. Planning and coordination of production and distribu-
tion facilities for multiple commodities. European Journal of Operational Research,
133(2) :394408, 2001.
[KK82] D.L. Kelly and B.M. Khumawala. Capacitated warehouse location with concave costs.
Journal of the Operational Research Society, 33 :817826, 1982.
[KM99] S. Koziel and Z. Michalewicz. Evolutionary algorithms, homomorphous mappings, and
constrained parameter optimization. Evolutionary computation, 7(1) :1944, 1999.
[KM06] J. Kallrath and T.I. Maindl. Real optimization with SAP APO. Springer Verlag, 2006.
[KP99] D. Kim and P.M. Pardalos. A solution approach to the xed charge network ow pro-
blem using a dynamic slope scaling procedure. Operations Research Letters, 24(4) :195
203, 1999.
[KR00] P. Kouvelis and M. Rosenblatt. A mathematical programming model for global supply
chain management : Conceptual approach and managerial insights. Supply Chain Ma-
nagement : Models, Applications, and Research Directions,(Eds. Geunes et al.), Kluwer
Publisher, 2000.
[KS99] M. Koksalan and H. Sural. Efes Beverage Group makes location and distribution deci-
sions for its malt plants. Interfaces, 29(2) :89103, 1999.
[Lar10] Larousse. Dictionnaire. 2010.
[LHHA06] J. Lamothe, K. Hadj-Hamou, and M. Aldanondo. An optimization model for selecting
a product family and designing its supply chain. European Journal of Operational
Research, 169(3) :10301047, 2006.
[Lla09] Llamasoft. Supply chain guru. Technical report, http ://www.llamasoft.com, 2009.
[LMR94] T. Larsson, A. Migdalas, and M. Ronnqvist. A Lagrangean heuristic for the capacitated
concave minimum cost network ow problem. European journal of operational research,
78(1) :116129, 1994.
[Lou01] H. Lourenco. Supply Chain Management : An Opportunity for Metaheuristics. Econo-
mics Working Papers, 538, 2001.
[LR05] A. Langevin and D. Riopel. Logistics systems : design and optimization. Springer
Verlag, 2005.
[LTPD08] H.A. Le Thi and T. Pham Dinh. A continuous approach for the concave cost supply
problem via DC programming and DCA. Discrete Applied Mathematics, 156(3) :325
338, 2008.
[Mag09] Supply Chain Magazine. Synthèse de l'ore aps. Tech-
nical report, http ://www.supplychainmagazine.fr/TOUTE-
INFO/APPELSOFFRE/APS/APS.html., 2009.
[Mar] A. Martel. Conception de réseaux logistiques globaux. Cours MBA gestion manufac-
turière et logistique : Conception et Gestion de chaînes logistiques, pages 287300.
155
[Mar05] A. Martel. The design of production-distribution networks : A mathematical program-
ming approach. APPLIED OPTIMIZATION, 98 :265, 2005.
[McK75] P. McKeown. A vertex ranking procedure for solving the linear xed-charge problem.
Operations Research, 23(6) :11831191, 1975.
[MD01] S. Melkote and M.S. Daskin. Capacitated facility location/network design problems.
European Journal of Operational Research, 129(3) :481495, 2001.
[Mey04] H. Meyr. Supply chain planning in the German automotive industry. OR Spectrum ,
26(4) :447470, 2004.
[MF09] R. Misener and C.A. Floudas. Advancces for the pooling problem - modeling, global
optimization and computational studies. Appl. Comput. Math, 8(1) :322, 2009.
[MG05] M.J. Meixell and V.B. Gargeya. Global supply chain design : A literature review and
critique. Transportation Research Part E, 41(6) :531550, 2005.
[MM00] E. Melachrinoudis and H. Min. The dynamic relocation and phase-out of a hybrid, two-
echelon plant/warehousing facility : A multiple objective approach. European Journal
of Operational Research, 123(1) :115, 2000.
[MM04] A. Muriel and F.N. Munshi. Capacitated multicommodity network ow problems with
piecewise linear concave costs. IIE Transactions, 36(7) :683696, 2004.
[MMBDA06] A. Martel, W. M Barek, and S. D Amours. L'inuence des facteurs internationaux sur la
compétitivité des réseaux de création de valeur multinationaux : le cas des compagnies
canadiennes de pâtes et papiers. GESTION-MONTREAL-, 31(3) :85, 2006.
[MNSdG06] MT Melo, S. Nickel, and F. Saldanha da Gama. Dynamic multi-commodity capacita-
ted facility location : a mathematical modeling framework for strategic supply chain
planning. Computers and Operations Research, 33(1) :181208, 2006.
[MNSdG09] MT Melo, S. Nickel, and F. Saldanha-da Gama. Facility location and supply chain
managementA review. European Journal of Operational Research, 196(2) :401412,
2009.
[Mod09] Modellium. Sc-studio. Technical report, http ://www.modellium.com/, 2009.
[Moo89] S. Moon. Application of generalised benders decomposition to a non linear distribution
system design problem. Naval Research Logistics, 36 :283295, 1989.
[Mur68] K.G. Murty. Solving the xed charge problem by ranking the extreme points. Operations
Research, 16(2) :268279, 1968.
[NP08] A. Nahapetyan and P. Pardalos. Adaptive dynamic cost updating procedure for solving
xed charge network ow problems. Computational Optimization and Applications,
39(1) :3750, 2008.
[Opt09] Optiant. Power chain. Technical report, http ://www.optiant.com/solutions/, 2009.
[Ora09] Oracle. Strategic network optimization. Technical report, http ://www.oracle.com/,
2009.
[PHLDM09] S. Perron, P. Hansen, S. Le Digabel, and N. Mladenovi¢. Exact and heuristic solutions of
the global supply chain problem with transfer pricing. European Journal of Operational
Research, 2009.
[Pim01] Y. Pimor. . Ed, 2001.

Logistique, Techniques et mises en ceuvre, 2è
[PMD04] M. Paquet, A. Martel, and G. Desaulniers. Including technology selection decisions

in manufacturing network design models. International journal of computer integrated
manufacturing, 17(2) :117125, 2004.
[Poi09] Prot Point. Protnetwork. Technical report, http ://www.protpt.com/, 2009.

[Por98] M.E. Porter. Competitive advantage : Creating and sustaining superior performance .
Free Press, 1998.
156
[PRI06] F. Pirard, F. Riane, and S. Iassinovski. Une démarche hybride d'aide à la decision pour
la reconguration et la planication strategique des réseaux logistiques des entreprises
multi-sites. In Conférence MOSIM'06, Rabat, Maroc, 2006.
[Qui09] Quintiq. Quintiq strategic planner. Technical report, http ://www.quintiq.com/, 2009.
[RLC05] D. Riopel, A. Langevin, and J.F. Campbell. The network of logistics decisions. Logistical
Systems : Design and Optimization, 2 :138, 2005.
[RNP09] S. Rebennack, A. Nahapetyan, and P.M. Pardalos. Bilinear modeling solution approach
for xed charge network ow problems. Optimization Letters, 3(3) :347355, 2009.
[Sah96] N.V. Sahinidis. BARON : A general purpose global optimization software package.
Journal of Global Optimization, 8(2) :201205, 1996.
[SB00] E.H. Sabri and B.M. Beamon. A multi-objective approach to simultaneous strategic
and operational planning in supply chain design. Omega, 28(5) :581598, 2000.
[Sch02] A. Schrijver. On the history of the transportation and maximum ow problems. Ma-
thematical Programming, 91(3) :437445, 2002.
[Sch03] C.A. Schneeweiss. Distributed decision making . Springer Verlag, 2003.

[SGNG09] M. Suon, N. Grangeon, S. Norre, and O. Gourguechon. Conguration de réseaux lo-
gistiques approvisionnement, production et distribution : Etat de l'art. JDJN MACS,
Angers, 2009.
[SGNG10a] M. Suon, N. Grangeon, S. Norre, and O. Gourguechon. A hybrid metaheuristic for

a strategic supply chain planning problem with procurement-production-distribution
activities and economy of scale. Proceedings of the 3rd International Conference on
Information Systems, Logistics and Supply Chain Creating value through green supply
chains ILS 2010, Casablanca (Morocco), April 14-16 , 2010.

[SGNG10b] M. Suon, N. Grangeon, S. Norre, and O. Gourguechon. Une problème de planication
stratégique de type production-distribution avec économies d'échelles et technologies de
production. 8e Conférence Internationale de MOdélisation et SIMulation, MOSIM10,
10 au 12 mai 2010, Hammamet (Tunisie), 2010.
[Sha05] JK Sharma. Extensions and special cases of transportation problem : A survey. Indian
Journal of Pure and Applied Mathematics, 9(9) :928940, 2005.
[SK07] H. Stadtler and C. Kilger. Supply chain management and advanced planning : concepts,
models, software, and case studies . Springer Verlag, 2007.

[SK08] H. Stadtler and C. Kilger. Supply Chain Management and Advanced Planning. Springer-
Verlag Berlin Heidelberg, 2008.
[SLKSL02] D. Simchi-Levi, P. Kaminsky, and E. Simchi-Levi. Designing and Managing the Supply
Chain. McGraw-Hill/Irwin, 2002.

[Sol74] R.M. Soland. Optimal facility location with concave costs. Operations Research ,
22(2) :373382, 1974.
[Sol09] SolveIT. Supply chain network optimization. Technical report,
http ://www.solveitsoftware.com, 2009.
[SP97] E.M.B. Smith and C.C. Pantelides. Global optimisation of nonconvex MINLPs. Com-
puters and Chemical Engineering, 21 :791796, 1997.
[SSP08] R. Sousa, N. Shah, and L.G. Papageorgiou. Supply chain design and multilevel planning
- An industrial case. Computers and Chemical Engineering, 32(11) :26432663, 2008.
[TBP08] P.N. Thanh, N. Bostel, and O. Péton. A dynamic model for facility location in the design
of complex supply chains. International Journal of Production Economics, 113(2) :678
693, 2008.
157
[Ter07] K. Terefe. Nonlinear transportation problems. Master Thesis, Addis Ababa University
School of Graduate Studies, 2007.
[TTB09] C. Thierry, A. Thomas, and G. Bel. Simulation for Supply Chain Management. WILEY,
2009.
[VBWJ05] T.E. Vollmann, W.L. Berry, D.C. Whybark, and F.R. Jacobs. Manufacturing planning
and control systems for supply chain management. McGraw-Hill Companies, 2005.
[VF90] V. Visweswaran and C. Floudas. A Global Optimization Algorithm(GOP) for certain
classes of nonconvex NLPsII. Application of theory and test problems. Computers &
Chemical Engineering, 14(12) :14191434, 1990.
[VG01] Carlos J. Vidal and Marc Goetschalckx. A global supply chain model with transfer
pricing and transportation cost allocation. European Journal of Operational Research,
129(1) :134 158, 2001.
[VMB06] D. Vila, A. Martel, and R. Beauregard. Designing logistics networks in divergent process
industries : A methodology and its application to the lumber industry. International
journal of production economics, 102(2) :358378, 2006.
[VV09] AIF Vaz and LN Vicente. PSwarm : a hybrid solver for linearly constrained global
derivative-free optimization. Optimization Methods and Software, 24(4) :669685, 2009.
[WLR+ 05] W. Wilhelm, D. Liang, B. Rao, D. Warrier, X. Zhu, and S. Bulusu. Design of internatio-
nal assembly systems and their supply chains under NAFTA. Transportation Research
Part E, 41(6) :467493, 2005.
[WN03] R.A. Waltz and J. Nocedal. KNITRO user's manual. Technical report, 2003.
[YH09] M.J. Yao and H.W. Hsu. A new spanning tree-based genetic algorithm for the design
of multi-stage supply chain networks with nonlinear transportation costs. Optimization
and Engineering, 10(2) :219237, 2009.
[YL99] S. Yan and S.C. Luo. Probabilistic local search algorithms for concave cost transpor-
tation network problems. European Journal of Operational Research, 117(3) :511521,
1999.
[YYEC03] H. Yan, Z. Yu, and TC Edwin Cheng. A strategic model for supply chain design with
logical constraints : formulation and solution. Computers and Operations Research,
30(14) :21352155, 2003.
[ZKL85] J. Zhang, N.H. Kim, and L. Lasdon. An improved successive linear programming algo-
rithm. Management Science, 31(10) :13121331, 1985.
[ZW08] H. Zhang and S. Wang. Linearly constrained global optimization via piecewise-linear
approximation. Journal of Computational and Applied Mathematics, 214(1) :111120,
2008.

Optimisation de La Logistique Internationale À Horizon Stratégique. Application À Un Constructeur Automobile

Transféré par

Droits d'auteur :

Formats disponibles

Optimisation de La Logistique Internationale À Horizon Stratégique. Application À Un Constructeur Automobile

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Optimisation de La Logistique Internationale À Horizon Stratégique. Application À Un Constructeur Automobile

Transféré par

Droits d'auteur :

Formats disponibles

Optimisation de la logistique internationale à horizon

stratégique. Application à un constructeur automobile

To cite this version:

HAL Id: tel-00787341

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

UNIVERSITE BLAISE PASCAL - CLERMONT-FERRAND II

SCIENCES POUR L'INGENIEUR DE CLERMONT-FERRAND

Ingénieur INSA Lyon - Génie Industriel

pour obtenir le grade de

Optimisation de la logistique internationale à

Soutenue publiquement le 10 février 2011 devant le jury :

1 L'optimisation de la logistique internationale 7

En prenant l'exemple de l'industrie automobile, la mutation est forte à la fois au niveau de la

Au travers de la problématique de l'optimisation de la logistique internationale et à l'aide du cas

Ce travail ore donc deux objectifs distincts :

Tout au long de ce mémoire, un compromis entre l'innovation scientique et le pragmatisme in-

Suivant cette démarche, le plan proposé est le suivant :

1.2 La planication de la chaîne logistique

1.2.1 De la logistique à la gestion de chaîne logistique globale

Nous considérons un réseau logistique comme un réseau constitué de fournisseurs, d'usines, de

Figure 1.1  Schéma d'un réseau logistique

1.2.1.2 La chaîne logistique

Figure 1.2  Schéma d'une chaîne logistique

1.2.1.3 La gestion de la chaîne logistique

A partir de la dénition précédente du concept de  chaîne logistique , le concept de  gestion

1.2.1.3.2 Positionnement du point de découplage Le positionnement du point de découplage

1.2.1.4 La gestion de chaînes logistiques internationales

La globalisation et l'explosion des échanges commerciaux internationaux ont donné la possibilité de

Figure 1.3  Schéma d'une chaîne logistique internationale

1.2.2 La planication de la chaîne logistique

1.2.2.1 La décomposition en horizons

1.2.2.2 La planication hiérarchisée

Figure 1.4  La méthode MRP2 ??

 la gestion des emballages,

1.2.3 La conception d'un réseau logistique

La problématique de la thèse concerne l'optimisation de la logistique internationale à horizon stra-

1.2.3.1 Enjeux et motivations de la conception de réseaux logistiques

1.2.3.2 Dénition de la conception d'un réseau logistique

Conception des nouveaux produits et des nouveaux process

1.2.3.3 La nécessité d'une approche d'optimisation  globale 

Question Variables Contraintes Coûts

Figure 1.5  Détails des décisions de la conception de réseau logistique

1.3.1 Présentation générale de l'entreprise et de son système industriel

1.3.1.1 Le réseau logistique automobile

Figure 1.6  Les usines terminales

Figure 1.7  Les usines de mécanique et bruts

1.3.2 La gestion des commandes

Figure 1.8  Le cycle de la commande à la livraison

1.3.2.1 Organisation globale du système industriel

1.3.2.2 L'aectation des OF aux sites de production

Figure 1.9  Cartographie du processus classique de réponse à la commande (adaptée de [HPC04])

1.3.2.3 L'ordonnancement des OF

La production des véhicules est réalisée au sein des usines terminales.

1.3.3.1 L'usine terminale

1.3.3.2 L'atelier de ferrage

1.3.3.4 L'atelier de montage

1.3.4.1 Les achats

1.3.4.2 Les systèmes d'ordre

Figure 1.10  Les diérents incoterms (www.jfhillebrandbulk.com)

Ce travail ore donc deux objectifs distincts :

Tout au long de ce mémoire, un compromis entre l'innovation scientique et le pragmatisme in-

1.2 La planication de la chaîne logistique

Figure 1.1 Schéma d'un réseau logistique

Figure 1.2 Schéma d'une chaîne logistique

A partir de la dénition précédente du concept de chaîne logistique , le concept de gestion

Figure 1.3 Schéma d'une chaîne logistique internationale

1.2.2 La planication de la chaîne logistique

1.2.2.2 La planication hiérarchisée

Figure 1.4 La méthode MRP2 ??

la gestion des emballages,

1.2.3.2 Dénition de la conception d'un réseau logistique

1.2.3.3 La nécessité d'une approche d'optimisation globale

Figure 1.5 Détails des décisions de la conception de réseau logistique

Figure 1.6 Les usines terminales

Figure 1.7 Les usines de mécanique et bruts

Figure 1.8 Le cycle de la commande à la livraison

1.3.2.2 L'aectation des OF aux sites de production

Figure 1.9 Cartographie du processus classique de réponse à la commande (adaptée de [HPC04])

Figure 1.10 Les diérents incoterms (www.jfhillebrandbulk.com)

Figure 1.11 Les diérents systèmes d'ordres

Le RECOR : Le système RECOR (REapprovisionnement sur la COnsommation Réelle) est la

La distribution intègre le transport de la sortie de l'usine (appelée bout d'usine ) jusqu'à la

1.3.6 Le processus PSA de planication hiérarchique

1.3.6.1 La planication avancée et son application dans l'automobile

1.3.6.2 Application à l'automobile de la planication avancée

Figure 1.12 Les diérentes prévisions

1.3.6.4 Les diérents plans

Figure 1.13 La planication avancée PSA

1.3.6.4.1 La planication stratégique de la chaîne logistique La planication stratégique

1.3.6.4.2 La planication du montage La planication du montage répartit les prévisions com-

1.3.6.4.4 Le programme directeur de production Le programme de production va dénir

1.4 Les diérents problèmes de planication stratégique de PSA

1.4.1 Décomposition du problème de planication stratégique

1.4.1.3 La planication stratégique avec investissement

Le modèle de connaissance est une formalisation dans un langage naturel ou graphique de la

Existence des ux d'approvisionnement La quantite_f lux_approi,j,p est égale à 0 si la

Existence des ux de distribution La quantite_f lux_distrii,k est égale à 0 si la zone de

2.2.3.1.1 Evaluation des coûts d'approvisionnement Pour un ux d'approvisionnement, les

Coût de douane d'approvisionnement Le coût de douane d'un ux d'approvisionnement est