TB2 - Session industrielle / Industrial Session 2

Knitro was originally developed in the 1990s as an interior-point algorithm for general nonlinear, non-convex optimization. Over the years, Knitro evolved into a more general optimization toolbox that includes an Active-Set LP-based solver, a Sequential Quadratic Programming (SQP) solver, specialized LP, QP, and SOCP solvers, a branch-and-bound solver for mixed integer programming, and multi-start heuristics for global optimization. To add to this toolbox of algorithms, we have recently started developing first-order methods that do not require any matrix factorizations. The hope is that these might be able to provide useful solutions to extremely large-scale models where the factorizations in interior-point methods become too expensive. In this talk we will present some of this work, primarily based on Augmented Lagrangian (AL) type methods.

Dans un contexte de transition énergétique et de forte croissance de la demande en équipements électriques, les industriels font face à une complexification accrue de leurs processus de production. Le cas de la planification de transformateurs électriques illustre particulièrement ces défis : production sur mesure, forte variabilité des spécifications et incertitude sur les temps de fabrication rendent la planification traditionnelle difficile.
Ce projet, mené en collaboration entre Artelys et un acteur industriel majeur, propose une approche innovante combinant intelligence artificielle et optimisation pour améliorer significativement la planification de production. Des modèles de machine learning supervisé ont été développés à partir des données historiques afin d’estimer plus précisément les temps de production sur des étapes critiques. Cette amélioration de la précision, avec une réduction notable des erreurs d’estimation, permet une allocation plus efficace des ressources, une réduction des délais et une meilleure robustesse face à la variabilité opérationnelle.
Au-delà de la performance algorithmique, ce retour d’expérience met en lumière un enjeu clé souvent sous-estimé : l’acceptabilité des solutions d’intelligence artificielle en milieu industriel. L’intégration réussie de ces outils repose sur plusieurs facteurs, notamment la transparence des modèles, l’implication des experts métiers dans leur conception, la confiance dans les données utilisées et la capacité à démontrer une valeur opérationnelle concrète.
Ce travail propose ainsi une double contribution. D’une part, il illustre comment l’IA peut répondre à des problématiques industrielles complexes de planification dans un contexte de production sur mesure. D’autre part, il identifie les leviers organisationnels et humains nécessaires pour favoriser l’adoption de ces solutions, condition essentielle à leur déploiement à grande échelle.
Cette présentation offrira des enseignements transférables à d’autres secteurs manufacturiers confrontés à des problématiques similaires d’incertitude et de planification sous contraintes.

Scheduling steel production involves a highly complex flexible job-shop problem with sequence-dependent setups, parallel batch machines, and limited operator availability. The challenge is to assign machines and execution intervals to nearly 2,000 operations while respecting all constraints and minimizing production delays.

Keywords: flexible job-shop scheduling, batch scheduling, steel production.

Building an optimal 11-player squad in a popular football video game is a highly combinatorial challenge. It requires satisfying multiple complex constraints including nationality, chemistry, formation, and overall rating, while minimizing the total cost, all within a few seconds.

Keywords: combinatorial optimization, team composition, gaming.