Quand le plan du matin ne survit pas à la matinée

Une machine tombe en panne, une commande urgente arrive, un agent est absent, un train est retardé sur une ligne dense. Dans tous ces cas, le plan établi quelques heures plus tôt, aussi bien optimisé soit-il, perd sa valeur. La vraie question n’est plus « quel est le meilleur plan ? » mais « quelle est la meilleure décision, maintenant, compte tenu de ce qui vient de se passer ? ».

C’est le domaine de l’optimisation en temps réel : recalculer ou ajuster une décision à chaque événement significatif, dans un délai compatible avec l’action des opérateurs ou l’autonomie des machines. Les demandes de nos clients intègrent de plus en plus cette exigence : il faut produire une nouvelle solution à chaque détection d’aléa, ce qui rend incompatibles les temps de calcul de nombreux modèles optimaux classiques.

 

Que signifie « temps réel » en optimisation ?

Le terme recouvre des réalités très différentes. Pour cadrer un projet, trois niveaux de réactivité sont à distinguer :

  • La replanification périodique : le plan est recalculé à intervalle fixe (par exemple toutes les heures ou en début de poste), en intégrant l’état réel du système.
  • La réaction à l’événement : un aléa déclenche un recalcul ciblé, avec une réponse attendue en quelques secondes à quelques minutes.
  • Le pilotage continu : le moteur ajuste en permanence les décisions à partir d’un flux de données, en lien direct avec les systèmes de supervision.

Le bon niveau dépend du coût d’une décision tardive, de la fréquence des aléas et de la capacité des équipes à absorber des changements de plan. Viser le pilotage continu quand une replanification toutes les heures suffit, c’est payer cher une complexité inutile.

Pour en savoir plus, contactez-nous
Nom
Prénom
Société
E-mail *
Téléphone
Votre message *

* Champs obligatoires

Pourquoi un plan « optimal » devient vite un plan périmé

Dans un environnement stable, chercher la meilleure solution possible est rationnel. Dans un environnement soumis à des aléas fréquents ou importants, c’est un piège à double titre. D’abord, une solution optimale à un instant donné devient rapidement obsolète. Ensuite, elle peut même être risquée si elle suppose des durées ou des disponibilités que la réalité va démentir en cours d’exécution.

Les exigences actuelles aggravent le phénomène : les clients attendent davantage de qualité, de souplesse et de réactivité, la diversité des produits augmente et la demande peut fluctuer brutalement. Chaque ressource doit être exploitée au mieux, ce qui laisse peu de marge pour absorber les imprévus sans les piloter.

Un bon système temps réel ne cherche pas le plan parfait : il cherche la meilleure décision réalisable dans le temps imparti, et la renouvelle autant que nécessaire.

 

Le défi algorithmique : exactitude contre rapidité

Un problème intrinsèquement difficile

Prenons l’exemple de l’ordonnancement, qui consiste à planifier des tâches sous contraintes de ressources (matérielles et humaines), de temps et d’enchaînement. C’est un problème classique de la recherche opérationnelle, et sa résolution exacte est de la famille des problèmes NP-complets : le temps de calcul nécessaire croît de façon exponentielle avec la taille du problème.

Or, dans l’industrie, les tailles sont rarement modestes. Dès lors qu’on investit dans un logiciel, on souhaite qu’il puisse traiter l’ensemble des en-cours sur plusieurs semaines. Avec les approches historiques de programmation mathématique (programmation linéaire en nombres entiers, programmation par contraintes), l’explosion combinatoire liée aux contraintes disjonctives conduit à des temps de réponse de plusieurs minutes, voire de plusieurs heures.

Restreindre la recherche ne suffit pas

On peut réduire les temps de calcul en limitant l’espace de recherche. Mais même avec des stratégies très ciblées sur un métier donné, les algorithmes qui garantissent l’optimalité restent trop lents pour un usage réactif. Le problème n’est pas seulement de calculer plus vite : c’est de changer de philosophie de résolution.

L’approche par heuristiques métier

Chez EURODECISION, le composant LP-Scheduler applique cette philosophie. Au lieu d’explorer toutes les possibilités théoriques du modèle mathématique, il explore un nombre limité (mais important) de combinaisons pratiques, définies explicitement par des règles métier, avec des stratégies de recherche rapides, que l’on peut multiplier et paralléliser pour converger au plus vite vers la meilleure solution métier.

La solution est construite en appliquant des leviers métier (des « heuristiques ») bien définis, donc explicables, reproductibles, de complexité connue et extensibles. Le cœur de calcul du solveur garantit la partie analytique : respect des capacités, non-chevauchements, contraintes temporelles. L’optimalité absolue est abandonnée, mais le gain de performance est considérable, de même que la capacité à introduire de nouvelles heuristiques. Cette approche a permis de satisfaire des clients exigeant une réponse du moteur en quelques secondes.

Pour résoudre un problème, il n’existe pas de méthode universelle. Le choix dépend du délai de réponse exigé, de la taille du problème, de la volatilité des données et du besoin d’explicabilité.

Un point souvent oublié : la stabilité du plan

Replanifier vite ne suffit pas : il faut aussi replanifier de manière stable. Une solution qui bouleverse complètement le plan en cours à chaque aléa est inapplicable sur le terrain, même si elle est mathématiquement meilleure. Les moteurs temps réel doivent donc arbitrer entre la qualité de la nouvelle solution et son écart avec la précédente.

 

Anatomie d’un système de décision temps réel

Un moteur d’optimisation, aussi performant soit-il, ne fait pas un système temps réel. Il s’inscrit dans une boucle complète :

  • Percevoir : collecter l’état réel du système (machines, stocks, ressources, trafic) via capteurs, API, journaux d’événements ou reconnaissance d’images par vision embarquée.
  • Détecter : identifier les écarts significatifs et décider s’ils justifient un recalcul.
  • Décider : lancer le moteur d’optimisation sur la situation courante, en respectant le délai imparti.
  • Proposer : présenter la décision, ou plusieurs alternatives, à l’opérateur de manière lisible (ou transmettre directement la consigne aux actionneurs dans le cas d’un système autonome supervisé).
  • Apprendre : mesurer les résultats et ajuster modèles et règles.

Cette boucle rejoint la logique du jumeau numérique : un modèle enrichi de données en temps réel, qui reflète en permanence l’état du système physique. La différence avec un modèle numérique classique, plutôt statique et utilisé pour des simulations ponctuelles, est la connexion au réel. Dans l’usine, un tel jumeau permet de suivre les machines, d’identifier les dérives de performance, de prévenir les pannes et de réallouer dynamiquement des ressources. Mais il ne faut pas systématiquement viser le jumeau complet : la digitalisation ne consiste pas à tout faire en temps réel, mais à choisir les bons outils pour ses priorités.

Un point fondamental pour la conception : la qualité, la fréquence et la fiabilité des données conditionnent la fiabilité des décisions. Un moteur très rapide alimenté par des données erronées produit très rapidement de mauvaises décisions.

 

Un savoir-faire éprouvé, dans plusieurs métiers

L’optimisation en temps réel ne se limite pas à l’atelier. Les mêmes principes (réagir à un aléa, respecter des contraintes dures, proposer vite une décision acceptable) se retrouvent dans de nombreux secteurs où EURODECISION intervient.

Dans le secteur ferroviaire, le régulateur, responsable de la régularité des trains, doit faire face à des aléas liés au personnel, à l’infrastructure, au matériel roulant ou aux incidents voyageurs. Un module de replanification réactive reconstruit en temps réel l’offre de transport et propose des solutions de remplacement, afin de faciliter des arbitrages délicats sous contrainte de disponibilité des ressources (réseau, rames, agents de conduite).

EURODECISION met en œuvre le module d’optimisation d’un système de régulation automatique et temps réel d’une ligne de type RER pour SIEMENS. La problématique, très complexe et dans un environnement où l’erreur n’est pas permise, est traitée par des approches hybrides.

Avec SNCF Réseau, le projet RailwAI explore une autre voie : un module de régulation automatisée entraîné par apprentissage par renforcement, au sein d’un outil de simulation d’infrastructure. Des milliers de perturbations sont injectées en simulation et le module est récompensé lorsqu’il prend de bonnes décisions. Les résultats en simulation sont prometteurs, et l’intégration à l’outil OSRD est en cours. À plus long terme, un tel module pourrait être mis à disposition des équipes opérationnelles pour les aider dans leurs décisions de régulation en temps réel.

Cas d’usages rencontrés :

  • Production industrielle
    • Aléas typiques : panne, commande urgente, retard matière
    • Décision à prendre : réordonnancer les ordres de fabrication
  • Transport public
    • Aléas typiques : incident voyageur, panne, infrastructure, absence de personnel
    • Décision à prendre : adapter le plan de transport, arbitrer les priorités
  • Robotique dans un entrepôt ou un atelier (AMR/AGV)
    • Aléas typiques : décalage entre la prévision et la réalisation d’une tâche, indisponibilité
    • Décision à prendre : modifier la planification, réassigner les missions
  • Défense & Systèmes autonomes (drones / combat collaboratif)
    • Aléas typiques : détection d’opportunité/menace, décalage entre la situation courante et le plan préalablement calculé
    • Décision à prendre : replanifier la mission, réallouer les cibles et reconfigurer l’essaim
  • Transport routier
    • Aléas typiques : trafic, indisponibilité d’un véhicule ou d’une ressource
    • Décision à prendre : recalculer les itinéraires ou les tournées
  • Maintenance
    • Aléas typiques : changement ou précision de diagnostic de panne, défaillance détectée, retard ou indisponibilité
    • Décision à prendre : adaptation du planning
  • Planification des ressources humaines
    • Aléas typiques : absences, situation perturbée
    • Décision à prendre : réaffecter les équipes
  • Supply chain
    • Aléas typiques : rupture, retard fournisseur, variation de la demande
    • Décision à prendre : ajuster approvisionnements et stocks