Build your ultimate AI agent
Description du cours
L’Analyse de la chaîne d’approvisionnement transforme des activités basées sur l’intuition en décisions guidées par les données. Un outil essentiel dans ce domaine est l’analyse d’optimisation pour appuyer la prise de décision. D’après Deloitte, 79 % des organisations dont les chaînes d’approvisionnement performent le mieux enregistrent une croissance du chiffre d’affaires nettement supérieure à la moyenne. Ce cours vous présentera PuLP, un modéliseur d’optimisation en Programmation Linéaire écrit en Python. Avec PuLP, vous apprendrez à formuler et à résoudre des problèmes d’optimisation typiques de la chaîne d’approvisionnement : où implanter un site de production, comment répartir la demande de production entre différents sites, et plus encore. Nous analyserons les résultats des modèles et leurs implications grâce à des tests de sensibilité et de simulation. Ce cours vous aidera à améliorer la prise de décision au sein d’une chaîne d’approvisionnement en tirant parti de la puissance de Python et de PuLP.
Prérequis
Programme de formation
Plan du cours
1
Bases de l’optimisation de la chaîne d’approvisionnement et de PuLP
La Programmation Linéaire (LP) est une technique clé pour l’optimisation de la chaîne d’approvisionnement. Le framework PuLP est un outil simple d’utilisation pour traiter des problèmes de LP et permet au programmeur de se concentrer sur la modélisation. Dans ce chapitre, nous abordons les bases des problèmes de LP et commençons à apprendre à utiliser PuLP pour les résoudre.
- Notions fondamentales d’optimisation50 XP
- LP ou pas IP ?50 XP
- Choisir une routine d’entraînement50 XP
- Notions de base de la modélisation avec PuLP50 XP
- Premiers pas avec LpProblem()50 XP
- Exercice simple de planification des ressources100 XP
- Utiliser lpSum50 XP
- Essayer lpSum100 XP
- Problème de planification logistique100 XP
2
Modéliser avec PuLP
Dans ce chapitre, nous poursuivons l’apprentissage de la modélisation des problèmes de LP et d’IP avec PuLP. Nous abordons l’usage de PuLP pour des problèmes de grande taille. Nous lançons également notre étude de cas : comment résoudre le modèle de localisation d’usines avec capacité (Capacitated Plant Location).
3
Résoudre et évaluer le modèle
Ce chapitre passe en revue des erreurs courantes lors de la création de contraintes et détaille les étapes de résolution du modèle. Une fois que nous avons une solution à notre modèle de LP, comment savoir si elle est correcte ? Nous présentons aussi une démarche pour vérifier la plausibilité (sanity check) des résultats. En outre, nous poursuivons notre étude de cas sur le modèle de localisation d’usines avec capacité en finalisant toutes les contraintes nécessaires.
4
Analyse de sensibilité et tests de simulation du modèle
Dans ce dernier chapitre, nous étudions l’analyse de sensibilité des contraintes via les prix d’ombre et les écarts (slack). Nous examinons également les tests de simulation de nos modèles de LP. Ces différentes techniques nous permettent de répondre à des questions métier sur nos modèles, comme la capacité disponible et les coûts marginaux. Enfin, nous achevons notre étude de cas en nous concentrant sur l’utilisation de l’analyse de sensibilité et des tests de simulation pour répondre aux questions concernant notre modèle.
Analyse de la chaîne d’approvisionnement en Python
Cours
terminé
