Le 29/11/2017 par houssin :
Les modèles théoriques classiques de planification et d’ordonnancement de tâches ne prennent en général pas en compte la dimension énergétique du problème. S’il s’agit, par exemple, de planifier un trajet, les modèles classiques de plus courts chemins ou de tournées optimales considèrent uniquement les critères de temps et/ou de distances. Dans le contexte actuel, où la consommation énergétique tend à devenir un enjeu de société majeur, il nous paraît pertinent de considérer des modèles qui prennent en compte non seulement les critères usuels de temps ou de distance, mais également la dimension énergétique du problème. En effet, les machines, ou les véhicules, qui vont réaliser les tâches, consomment de l’énergie pour réaliser celles-ci.
Par ailleurs, la prise en compte de cette dimension énergétique conduit à des questions théoriques nouvelles, lorsque cette dimension est couplée à la problématique d’efficacité. En effet, considérons par exemple un véhicule autonome alimenté par batteries. Plus la batterie se décharge, moins le véhicule est efficace. Par exemple, transporter un colis de 30 kg sur 800 mètres peut requérir 7 minutes lorsque la batterie est chargée à 100 %, mais 12 minutes si celle-ci a un niveau de charge de 40 %. Dès lors, dans un contexte de planification des déplacements d’un tel véhicule, il peut devenir pertinent de planifier des périodes de chargement de la batterie, qui seront intercalées entre des périodes de manutention de colis. Les questions qui se posent sont alors : dans quel ordre réaliser les tâches ? Quand planifier les périodes de recharge ? Jusqu’à quel niveau de charge faut-il recharger les batteries ?
Notre motivation est de développer de nouveaux modèles de planification et d’ordonnancement permettant de répondre aux questions précédentes.
Le stagiaire devra contribuer au développement de nouveaux modèles théoriques de planification et d’ordonnancement prenant en compte les dimensions énergétiques des problèmes. Idéalement, le candidat sera également en mesure de modéliser et résoudre des cas particuliers en utilisant des solveurs linéaires ou non linéaires tels LINGO, CPLEX, GUROBI ou MATLAB.
