Optimization approaches to design and manage robust and resilient manufacturing systems
Approches d'optimisation pour concevoir et gérer des systèmes de fabrication robustes et résilients
Abstract
Nowadays, the manufacturing industry operates in a much more complex and volatile environment than in past decades. To meet this challenge, manufacturers need advanced software tools capable of designing and managing manufacturing systems and supply chains to make them robust, resilient, flexible, and reconfigurable. In this context, my work focuses on two key issues: assembly line design and batch sizing. My recent contributions aim to enhance decision models for making robust and resilient decisions. Robustness is the ability to perform well under different conditions, while resilience is the ability to adapt and recover. I work with three families of optimization approaches under uncertainty, namely stochastic programming, robust optimization, and constrained Markov decision process resolution methods.
To provide robust decisions, we enhance the assembly line design and batch planning model to account for various uncertainties. To make the proposed solution resilient, we incorporate dynamic decision-making. The resulting optimization model takes into account corrective actions available for each scenario and suggests solutions where the system adapts effectively to a wide range of situations.
De nos jours, l'industrie manufacturière évolue dans un environnement bien plus complexe et volatil que durant les décennies passées. Pour relever ce défi, les fabricants ont besoin d'outils logiciels avancés capables de concevoir et de gérer des systèmes de fabrication et des chaînes d'approvisionnement pour les rendre robustes, résilients, flexibles et reconfigurables. Dans ce contexte, mon travail se concentre sur deux problèmes clés : la conception de lignes d'assemblage et le dimensionnement de lots. Mes contributions récentes visent à améliorer les modèles de décision pour prendre des décisions robustes et résilientes. La robustesse est la capacité à avoir de bonnes performances dans différentes conditions, tandis que la résilience est la capacité à s'adapter et à récupérer. Je travaille avec trois familles d'approches d'optimisation sous incertitude, à savoir la programmation stochastique, l'optimisation robuste et les méthodes de résolution de processus de décision de Markov contraints. Pour fournir des décisions robustes, nous améliorons le modèle de conception de lignes d'assemblage et de planification de lots pour tenir compte de diverses incertitudes. Pour rendre la solution proposée résiliente, nous incorporons une prise de décision dynamique. Le modèle d'optimisation résultant tient compte des actions correctives disponibles pour chaque scénario et suggère des solutions où le système s'adapte efficacement à un large éventail de situations.
Origin | Files produced by the author(s) |
---|