Application des techniques d’IA aux problemes d’ordonnancement dynamique d’ateliers de type « job shop flexible » dans le contexte d’Industrie 5.0

Cette thèse se concentre sur le développement de solutions d'ordonnancement pour les job shops dynamiques et flexibles, en équilibrant les objectifs économiques (makespan), environnementaux (consommation d'énergie, empreinte carbone) et sociaux (OCRAmax, préférences des travailleurs). Les approches développées visent à optimiser ces trois dimensions simultanément, en fournissant des solutions durables et efficaces pour les systèmes de production modernes. Les modèles proposés intègrent des contraintes pratiques et réalistes, telles que la priorité des tâches, les temps de transport au sein de l'atelier, la configuration des machines et les mouvements des travailleurs. Les perturbations dynamiques, telles que les absences des travailleurs et les fluctuations des sources d'énergie renouvelable, sont gérées par des stratégies adaptatives et des approches basées sur l'IA, en particulier le Deep Q-Learning, qui s'est avéré très efficace.Les résultats démontrent la capacité des modèles à réduire les risques ergonomiques, à minimiser les émissions de carbone et à améliorer l'adaptabilité du système face aux perturbations. Les recherches futures portent sur l'application des modèles à des données industrielles réelles, l'intégration de diverses sources d'énergie renouvelables, l'amélioration de la gestion des événements dynamiques imprévus et l'extension à des scénarios plus complexes tels que la maintenance des machines et la logistique intersites. Ce travail contribue à des systèmes de production plus durables, adaptatifs et centrés sur l'humain, alignés sur les objectifs de l'Industrie 5.0.