⚡ electrical engineering

Release Date Optimization in MRP Using Clearing Functions

Cet article propose une méthode d'optimisation des dates de lancement dans la planification des besoins en matériaux (MRP) en intégrant des fonctions de déblaiement pour mieux gérer les contraintes de capacité et les délais dynamiques, démontrant par simulation des améliorations significatives par rapport à l'approche de planification inverse traditionnelle.

Auteurs originaux : Wolfgang Seiringer, Klaus Altendorfer, Reha Uzsoy

Publié 2026-03-03

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Wolfgang Seiringer, Klaus Altendorfer, Reha Uzsoy

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🏭 Le Problème : La Cuisine du Chef qui Cuit Trop Tôt (ou Trop Tard)

Imaginez un grand restaurant très populaire (l'usine) où le chef (le système de planification MRP) doit préparer des plats complexes pour des clients qui arrivent à des heures imprévisibles.

Dans la méthode traditionnelle (MRP classique), le chef utilise un livre de recettes rigide. Ce livre lui dit : "Pour faire un gâteau, il faut exactement 2 heures de préparation, peu importe si la cuisine est vide ou bondée."

Le problème ?

La cuisine est souvent pleine : Si 10 commandes arrivent en même temps, les fours sont saturés. Le gâteau ne prendra pas 2 heures, mais 5 heures à cause des files d'attente.
Le chef est aveugle : Comme il suit aveuglément son livre, il commence à cuire le gâteau 2 heures avant l'arrivée du client. Si la cuisine est saturée, le gâteau arrive en retard (le client est mécontent). S'il essaie de rattraper le temps en commençant trop tôt, le gâteau refroidit et gâche la nourriture (coût de stockage).

En résumé, le système actuel suppose que le temps de cuisson est fixe, alors qu'en réalité, il dépend du travail accumulé dans la cuisine.

💡 La Solution : Le Chef "Intelligent" avec une Fonction de Déblaiement

Les auteurs proposent d'ajouter un assistant très malin (appelé "Fonction de Déblaiement" ou Clearing Function) qui remplace la partie du livre de recettes qui calcule quand commencer à cuisiner.

Au lieu de dire "Cuisinez dans 2 heures", cet assistant regarde la cuisine en temps réel et dit :

"Oh là là, les fours sont pleins pour l'heure 14h ! On va commencer ce gâteau dès 10h pour qu'il soit prêt à l'heure."
"Par contre, pour 16h, il y a un trou dans l'emploi du temps. On peut attendre 15h pour commencer, ça économisera de l'énergie."

C'est comme si le chef pouvait adapter dynamiquement le moment où il lance la cuisson en fonction de l'encombrement réel de la cuisine, plutôt que de suivre un horaire fixe.

🎈 L'Analogie du Trafic Routier

Pour mieux comprendre la "Fonction de Déblaiement", imaginez une autoroute :

MRP classique : C'est comme si un GPS vous disait : "Pour aller de Paris à Lyon, ça prend toujours 5 heures." Peu importe s'il y a un embouteillage monstre ou si la route est libre. Si vous partez sur cette base, vous arriverez soit en retard, soit vous aurez attendu inutilement sur le bord de la route.
L'approche avec Fonction de Déblaiement : C'est un GPS connecté en temps réel. Il voit que l'autoroute est saturée (congestion). Il vous dit : "Partez 30 minutes plus tôt pour éviter le bouchon, ou attendez 10 minutes de plus si la route se libère." Il ajuste votre départ pour que vous arriviez pile à l'heure, ni trop tôt (gaspillage de temps), ni trop tard (pénalité).

🧪 Ce qu'ils ont testé (Les Expériences)

Les chercheurs ont simulé deux types d'usines (deux "cuisines") :

Une petite cuisine simple (PS1) : Quelques machines, quelques produits.
Une grande usine complexe (PS2) : Beaucoup de machines, des produits qui s'assemblent en plusieurs étapes (comme une voiture avec des pneus, un moteur, etc.).

Ils ont comparé le "Chef Rigide" (MRP) contre le "Chef Intelligent" (MRP + Fonction de Déblaiement) dans différentes situations :

Quand les commandes sont prévisibles.
Quand les commandes changent du jour au lendemain (imprévu).
Quand l'usine est presque pleine à craquer (90% d'utilisation).

🏆 Les Résultats Clés

Quand c'est calme : Si l'usine ne travaille pas à fond, les deux méthodes fonctionnent à peu près pareil. Le livre de recettes suffit.
Quand c'est le chaos (forte demande ou imprévus) : Le "Chef Intelligent" gagne haut la main.
- Il arrive à réduire les retards (les clients sont contents).
- Il évite de stocker trop de produits (moins de gaspillage).
- Il gère mieux les embouteillages en décalant intelligemment les ordres de fabrication.

Le secret ? Le système intelligent ne donne pas un temps de fabrication fixe pour un produit (ex: "le produit A prend 2 jours"). Il calcule un temps de fabrication spécifique pour chaque commande, en fonction de l'encombrement du moment.

🚧 Les Limites (Le "Mais")

L'approche n'est pas magique. Elle a quelques règles strictes pour fonctionner :

Elle suppose que toutes les pièces qui utilisent la même machine sont au même niveau de l'assemblage (un peu simpliste pour des usines très complexes).
Elle ne change pas la taille des lots de production (elle ne dit pas "fabriquez 10 au lieu de 20", elle dit juste "commencez plus tôt ou plus tard").

🎯 En Résumé

Ce papier nous dit qu'on peut améliorer énormément la gestion des usines modernes sans tout casser. Il suffit de remplacer la partie "quand lancer la production" d'un système classique par un petit algorithme intelligent qui regarde l'encombrement réel.

C'est comme passer d'un train qui suit un horaire fixe (qui arrive en retard si la voie est bloquée) à un train à grande vitesse qui adapte sa vitesse en temps réel pour arriver à l'heure, même si la voie est encombrée.

C'est une amélioration modeste mais puissante, surtout quand la demande est incertaine et que l'usine tourne à plein régime.

1. Problématique

Le Planification des Besoins en Matières (MRP - Material Requirements Planning) reste une méthode dominante dans l'industrie pour la planification des flux de matériaux. Cependant, l'article identifie une limitation fondamentale de la procédure MRP classique (MRP-I) : sa gestion simpliste des contraintes de capacité.

Le problème des délais planifiés (PLT) : La MRP utilise des délais planifiés (PLT) exogènes, déterministes et spécifiques à chaque article (BOM). Ces délais sont supposés constants, indépendants de la charge de travail réelle.
La réalité de la production : En réalité, les temps de cycle sont des variables aléatoires dépendantes de la charge (workload-dependent). Plus la charge d'une ressource est élevée, plus les temps de cycle augmentent de manière non linéaire (phénomène de congestion).
La contradiction : La MRP suppose que les ressources peuvent livrer dans le délai prévu quelle que soit la charge, ce qui crée un décalage entre la planification et la réalité du shop-floor, entraînant soit des retards (tardiness), soit des stocks excessifs (WIP) pour compenser l'incertitude.

L'objectif de l'article est d'améliorer la MRP en remplaçant l'étape de planification rétroactive (backward scheduling) par un modèle d'optimisation basé sur des fonctions de vidage (Clearing Functions - CF), permettant de calculer des délais planifiés de manière endogène pour chaque ordre de production plutôt que pour chaque article.

2. Méthodologie

Les auteurs proposent une approche hybride qui intègre un modèle d'optimisation dans la structure existante de la MRP sans en modifier les autres composants (nettoyage, lot-sizing, explosion de nomenclature).

A. Le Modèle d'Optimisation (Remplacement du Backward Scheduling)

Au lieu de soustraire un délai fixe à la date de livraison pour déterminer la date de lancement, le modèle CF optimise les dates de lancement en tenant compte de la capacité limitée.

Fonction de Vidage (CF) : C'est un modèle de substitution qui relie la charge de travail disponible à la sortie attendue d'une ressource sur une période. Contrairement aux modèles linéaires fixes, la CF est concave et non décroissante, reflétant la perte de productivité due à la congestion.
Variables de décision : Le modèle détermine la date de lancement ( $R_{gjt}$ ) pour chaque ordre de production individuel, en respectant une fenêtre de temps admissible.
Fonction objectif : Minimiser la somme des coûts de stock fini, de travail en cours (WIP), de retard (backlog) et des capacités externes (pénalité élevée pour les cas non réalisables).
Contraintes clés :
- Préservation de l'intégrité des lots (définis par l'étape de lot-sizing de la MRP).
- Ordre de lancement non décroissant par rapport aux dates de réception prévues (pour respecter la logique MRP).
- Contraintes de capacité via une approximation linéaire par morceaux de la fonction de vidage.

B. Assumptions et Limites de l'Approche

L'approche repose sur des hypothèses restrictives pour rester compatible avec la logique MRP :

Les articles partageant une ressource doivent être au même niveau de l'arbre de nomenclature (BOM).
La taille des lots et la séquence de lancement sont préservées (pas de ré-ordonnancement global).
L'optimisation est appliquée localement à chaque niveau du BOM.

C. Expérimentation

L'évaluation est réalisée via des simulations sur deux systèmes de production (Flow Shop) :

PS1 (Système Simple) : 3 niveaux de BOM, 3 machines.
PS2 (Système Complexe) : 32 articles finis, multi-étages, multi-machines.
Conditions : Incertitude de la demande (modèle MMFE), temps de setup stochastiques, différents niveaux d'utilisation (80%, 85%, 90%), et politiques de lot-sizing (FOP vs FOQ).
Comparaison : MRP standard (délais fixes) vs. MRP avec CF (délais optimisés dynamiquement).

3. Contributions Clés

Intégration Modulaire : Démonstration qu'il est possible d'améliorer significativement la MRP en remplaçant uniquement l'étape de planification rétroactive par un modèle d'optimisation CF, sans réécrire tout le système MRP.
Délais Endogènes par Ordre : Passage d'un délai planifié fixe par article à un délai calculé dynamiquement pour chaque ordre de production, en fonction de la charge réelle et de la congestion.
Analyse de l'Impact de l'Incertitude : Mise en évidence que la CF excelle particulièrement dans des environnements à forte incertitude de demande et à forte utilisation des ressources, là où la MRP classique échoue.
Effet de Mutualisation (Risk Pooling) : Dans les systèmes complexes (PS2), la CF exploite mieux les effets de mutualisation de la demande sur les composants partagés, réduisant la variabilité aux niveaux inférieurs du BOM.

4. Résultats Principaux

Les résultats des simulations montrent des améliorations significatives de la performance de la CF par rapport à la MRP standard, selon les conditions :

Performance sous Incertitude :
- Dans les scénarios à forte incertitude (prévisions imparfaites) et forte utilisation (90%), la CF réduit considérablement les coûts totaux (jusqu'à 1 500 CU dans PS2) par rapport à la MRP.
- La MRP, pour éviter les retards, augmente artificiellement les délais planifiés (PLT) et les stocks de sécurité, ce qui gonfle les coûts de possession. La CF, en ajustant dynamiquement les lancements, maintient des niveaux de stock plus bas tout en assurant un taux de service élevé.
Flexibilité des Délais :
- La CF permet des délais planifiés (APF - Average Planned Flow Time) variables. Par exemple, elle peut lancer certains ordres très tôt (PLT court) et d'autres plus tard, contrairement à la MRP qui applique un délai fixe à tous les ordres d'un même article.
- Sous prévisions parfaites, la MRP peut parfois être légèrement meilleure car elle évite les lancements prématurés inutiles (effet de cascade dans le BOM), mais dès que l'incertitude apparaît, la CF surpasse la MRP.
Impact de la Politique de Lot-sizing :
- La CF s'adapte mieux aux politiques de quantités fixes (FOQ) que la MRP. Là où la MRP subit des coûts de retard massifs avec des lots fixes sous incertitude, la CF ajuste les dates de lancement pour compenser, maintenant des coûts de retard faibles.
Effet de la Congestion :
- L'utilisation de fonctions de vidage à trois segments (incluant la perte de productivité due à la congestion) montre que la prise en compte explicite de la congestion améliore la robustesse du plan, bien que cela puisse augmenter légèrement les coûts de WIP pour éviter les retards.

5. Signification et Conclusion

Cet article démontre qu'une intégration « naïve » mais structurée des fonctions de vidage dans la MRP peut offrir des gains de performance substantiels dans des environnements de production discrets complexes, stochastiques et contraints en capacité.

Signification Pratique : Les gestionnaires de production peuvent améliorer la réactivité de leurs systèmes MRP existants sans abandonner l'infrastructure logicielle actuelle, en remplaçant simplement le module de calcul des dates de lancement.
Limites et Perspectives : L'approche actuelle ne modélise pas les interactions de capacité entre différents niveaux du BOM (hypothèse restrictive). Les travaux futurs devront viser à étendre le modèle pour gérer simultanément plusieurs niveaux de nomenclature et des politiques de lot-sizing plus complexes (ex: Wagner-Whitin).

En résumé, la méthode proposée transforme la MRP d'un système rigide basé sur des paramètres statiques en un système adaptatif capable de réagir aux fluctuations de charge et de demande, offrant ainsi un meilleur équilibre entre coûts de stock et taux de service.