Problèmes de contrôle optimal stochastique avec applications à la théorie des files d'attente et à la fiabilité

La thèse s’articule autour de plusieurs axes thématiques complémentaires, présentés ci-dessous. Contrôle optimal d’un système de files d’attente Dans le modèle classique de files d’attente M/M/k, le système est décrit de telle manière que, selon un processus de Poisson de taux λ, les clients arrivent dans le système et sont servis par l’un des k serveurs disponibles. Les temps de service fournis par chaque serveur sont distribués exponentiellement avec le paramètre µ. Ces temps de service sont indépendants et ne dépendent pas des temps interarrivées des clients. Le système fonctionne selon une discipline de service FIFO (premier entré, premier sorti) et a une capacité totale cp, qui peut être infinie. Des stratégies de commande optimale pour les systèmes de files d’attente ont été explorées dans de nombreux articles, souvent sous l’hypothèse que les paramètres de service peuvent être ajustés par le contrôleur, par exemple, en modifiant le nombre de serveurs actifs ou le taux de service. Certains auteurs ont également envisagé la possibilité de contrôler les paramètres d’arrivée. L’optimisation de ces paramètres varie, incluant des stratégies conçues pour servir différents types de clients et minimiser les coûts totaux sur un horizon temporel fini ou infini, sur la base de critères de coût. Dans cette recherche, un modèle de file d’attente M/M/k modifié est considéré, dans lequel le nombre de serveurs actifs peut être contrôlé dynamiquement dans le système à tout moment. Supposons qu’à un moment donné, k + l clients attendent un service dans le système. Afin de réduire ce nombre de clients à k + r, où 0 ≤ r < l, il s’agit de déterminer le nombre optimal de serveurs à déployer le plus rapidement possible, tout en tenant compte des coûts de contrôle associés. La fonction de valeur qui satisfait l’équation de programmation dynamique est dérivée dans le cas général, et des solutions sont proposées pour des cas particuliers du problème. Distribution optimale des temps de service dans une file d’attente M/G/1 Un système de files d’attente M/G/1 est considéré dans lequel le serveur a la flexibilité de choisir entre deux distributions de temps de service distinctes. L’objectif est de déterminer le choix qui minimise la valeur espérée d’un critère de coût, qui prend en compte à la fois le coût d’exploitation à un taux de service plus élevé et le temps nécessaire pour vider la file d’attente. Le temps final aléatoire est défini comme le premier instant où aucun client ne reste en ligne en attente de service. La programmation dynamique peut être appliquée pour obtenir la solution optimale lorsque les temps de service suivent une distribution exponentielle. Dans le cas plus général, la probabilité conditionnelle est utilisée pour analyser le comportement du système. En outre, des solutions explicites sont fournies pour des cas particuliers dans lesquels la capacité du système est finie. Pour déterminer les distributions optimales du temps de service d’un serveur unique actif opérant en continu sur un intervalle de temps aléatoire, une méthodologie novatrice est pro-posée dans ce travail. Ce travail apporte une solution à un problème non résolu concernant la prédiction de la vitesse de service optimale des modules actifs à un instant donné, permettant ainsi un contrôle efficace du système dans un cadre temporel aléatoire continu. L’accent est mis sur un cadre où un serveur peut fonctionner à deux vitesses distinctes, et la question centrale est de déterminer quelle vitesse est optimale selon les conditions. La méthodologie proposée intègre la programmation dynamique avec un conditionnement sur les taux d’arrivée et de service, garantissant une approche structurée pour optimiser la dynamique de service. Le modèle de file d’attente est formulé sur la base d’un système d’équations différentielles qui analyse le comportement du système dans ce cadre. Une formulation modifiée de commande optimale est appliquée afin de minimiser la valeur espérée de la fonction de coût et de déterminer la distribution optimale du temps de service à un instant donné. La méthodologie proposée peut être adaptée à diverses applications réelles, lesquelles sont abordées ici comme des cas particuliers avec capacité finie du système. Elle peut aussi être utilisée pour déterminer la politique optimale en fonction des préférences du système, telles que les contraintes de capacité et le nombre initial de clients au moment de la planification. Les résultats sont illustrés graphiquement afin de montrer l’impact significatif de la solution proposée sur l’optimisation des performances du système pendant les périodes analysées. Comparée à d’autres travaux, la méthodologie actuelle se distingue par sa capacité à contrôler le processus via une programmation dynamique et une modélisation conditionnelle sur un horizon temporel indéterminé. Cela apporte un niveau supérieur de sophistication aux modèles de commande optimale, en abordant des aspects encore inexplorés. La validation des modèles proposés montre leur aptitude à déterminer efficacement les politiques de commande optimales et à assurer la stabilité du système selon ses paramètres. Les résultats démontrent que la programmation dynamique et la modélisation conditionnelle constituent un cadre systématique pour optimiser les coûts totaux dans des conditions opérationnelles variables. Politique optimale d’inspection et de maintenance : Intégration d’une chaîne de Markov en temps continu L’état d’une machine est modélisé comme une chaîne de Markov à temps continu contrôlée, où les temps de service sont aléatoires. En intégrant les coûts de maintenance, l’objectif est de maximiser le temps de fonctionnement avant qu’une réparation soit nécessaire. Cette recherche dérive l’équation de programmation dynamique associée à la fonction de valeur, permettant une prise de décision optimale concernant les taux d’inspection. Cette méthodologie résout explicitement des problèmes visant à minimiser à la fois les coûts directs de maintenance et les dépenses liées aux défaillances, offrant ainsi un cadre robuste pour identifier des fréquences d’inspection optimales dans un contexte de maintenance centrée sur la fiabilité. Le développement d’une politique optimale d’inspection-maintenance pour les systèmes, en modélisant l’état de dégradation comme une chaîne de Markov à temps continu, est l’objectif principal de cette recherche. En particulier, l’ajustement dynamique du taux d’inspection µ, qui détermine la fréquence ou l’intensité des tâches de maintenance préventive, constitue le concept central. Ce taux agit comme un paramètre de contrôle équilibrant les compromis entre les activités de maintenance et le risque de défaillances. Un taux élevé µ augmente les activités de maintenance, réduisant potentiellement le taux de défaillance, mais génère également des coûts directs plus élevés. À l’inverse, un taux faible µ diminue les coûts immédiats mais peut engendrer davantage de défaillances et d’indisponibilités à long terme. Déterminer le taux d’inspection optimal µ qui équilibre ces facteurs est donc l’enjeu central. L’objectif est d’appliquer la programmation dynamique pour obtenir la valeur optimale de µ, minimisant les coûts espérés à long terme en prenant en compte la fréquence des interventions et les indisponibilités dues aux pannes. La programmation dynamique est un cadre adapté pour évaluer diverses stratégies de maintenance sous incertitude. La nature dynamique du problème, où l’état du système et la politique optimale dépendent des états et décisions antérieures, exige un modèle capable de gérer la prise de décision séquentielle sous aléa. Cette recherche vise à développer une méthode intégrant la programmation dynamique dans une chaîne de Markov à temps continu, afin de déterminer le taux d’inspection-maintenance optimal. Cela permet une planification robuste et adaptable aux fluctuations en temps réel des conditions du système et des contraintes opérationnelles. Dans cette méthodologie, un nouveau problème de type "homing" est proposé dans le contexte de la théorie de la fiabilité, caractérisé par une prise de décision dans des environnements stochastiques. La formulation et l’implémentation de l’équation de programmation dynamique présentent des défis théoriques que ce travail vise à relever. Représenter correctement les phénomènes de dégradation implique d’intégrer efficacement les coûts de maintenance et d’indisponibilité, tout en assurant une résolution calculable des équations pour les systèmes complexes. Surmonter ces défis permettra de faire progresser les stratégies de maintenance, en fournissant des solutions flexibles et économiquement efficaces pour différents contextes opérationnels et profils de risque.