Apprentissage autonome de réseaux de neurones pour le pilotage en temps réel des systèmes de production basé sur l'optimisation via simulation

The real-time control of production systems requires complex decisions on resource allocation and the choice of tasks to perform. Given the importance of the relevance of decisions for the performance of a workshop on the subject of steering research whose goal is to help decision makers. In particular, it is unclear assess the impact on the performance of a real-time decision for the good performance result of a sequence of decisions, not just one. Thus, it is difficult to establish what is the best decision at any given moment. Several authors have used simulation to learn best practices using machine learning approaches but have encountered difficulty in obtaining samples or observations on real-time decisions, where the consideration state changes is essential to choose production strategies. We managed to address this problem by proposing a learning approach using neural networks, which requires no examples, observations or prior expert knowledge. This type of learning is achieved by optimization via simulation parameters of the neural network compared to a target system performance. It seeks to extract independently of knowledge on the best way to decide on a simulation model. We show faisablité and the contribution of our approach on two examples based on the literature.Le pilotage en temps réel des systèmes de production nécessite de prendre des décisions complexes sur l'affectation des ressources ou le choix des tâches à réaliser. Compte tenu de l'importance de la pertinence des décisions pour la performance d'un atelier, le pilotage fait l'objet de travaux de recherche dont l'objectif est d'aider les preneurs de décision. En particulier, on ne sait pas évaluer les conséquences sur la performance d'une décision en temps réel car les bonnes performances résultent d'une séquence de décisions et non d'une seule. De ce fait, il est difficile d'établir quelle est la meilleure décision à prendre à un instant donné. Plusieurs auteurs ont utilisé la simulation pour apprendre des bonnes pratiques à l'aide d'approches d'apprentissage automatique, mais se sont heurtés à la difficulté d'obtenir des exemples ou des observations sur des décisions en temps réel, où la prise en compte des changements d'états est indispensable pour choisir des stratégies de production. Nous avons réussi à aborder ce problème en proposant une approche d'apprentissage à l'aide de réseaux de neurones, qui ne nécessite pas d'exemples, d'observations ni de connaissances d'experts préalables. Ce type d'apprentissage s'effectue par optimisation via simulation des paramètres du réseau de neurones par rapport à un objectif de performance du système. Il vise à extraire de façon autonome des connaissances sur la meilleure façon de décider d'un modèle de simulation. Nous montrons la faisablité et l'apport de notre approche sur deux exemples inspirés de la littératur