Recrutement

recrutement

Stage "Implémentation d’un réseau de neurones artificiels pour la sélection dynamique de règles d’ordonnancement d’un système manufacturier"

Type de recrutement
Stage
Durée
Urgent
oui
Rattachement
LS2N (Equipe CPS3)
Fin de l'affichage
Détails (fichier)

Titre du sujet stage M2 : Implémentation d’un réseau de neurones artificiels pour la sélection dynamique de règles d’ordonnancement d’un système manufacturier

  • Contact :  Wassim.Bouazza@ls2n.fr
  • Laboratoire :  LS2N (Laboratoire des Sciences du Numérique de Nantes)
  • Lieu : IUT de Nantes - Campus de Carquefou
  • Type de stage : Recherche / R&D
  • Gratification/rémunération : 600€ net/mois
  • Mots-clés : Manufacturing ; JAVA ; Machine Learning (ML); Artificial Neural Network ; Simulation ; Optimization ;
  • Compétences requises : Modélisation ; Développement logiciel ; Machine Learning (basique).
  • Environnement et outils logiciel : Git/GitHub ; Gradle/Maven ; Java ; Librairie ML Java compatible avec CUDA (Deeplearning4j ou autre) ; UML 2.0 

Description du sujet :

- Contexte : le travail s’intègre aux activités de recherche de l’équipe CPS3 (Conception, Pilotage, Surveillance et Supervision des systèmes) du Laboratoire LS2N de Nantes Université. Les membres de l’équipe traitent notamment du pilotage des systèmes de production. Les approches d’Intelligence Artificielle font pleinement partie des solutions développées. Les environnements de production étant des environnements dynamiques, il est indispensable de créer des architectures de contrôle réactives et agiles. Parmi ces méthodes réactives, les règles d’ordonnancement (pour simplifier, des règles telles que First In First Out, Shortest Job First, etc.) offrent des temps de réponse sans pareil. Cependant, il faut améliorer leurs performances globales relativement faibles.

- Mission : dans ce contexte, la personne recrutée pour ce stage devra contribuer au développement d’un outil spécifique de ML pour le pilotage de la production. Un réseau de neurones (ANN) sera créé afin de sélectionner de façon dynamique la règle d’ordonnancement (Dispatching Rules) à appliquer. Son entrainement se fera via simulation. L'outil devra ainsi permettre de paramétrer puis de créer l’ANN. Dans le but d'assurer l’interopérabilité et l’intégration de ce nouvel outil aux outils existants, le développement se fera en Java. En plus des compétences d’abstraction et de modélisation, des connaissances, même basiques, des principes du ML sont vivement souhaitées, de même qu’un intérêt pour les problématiques de R&D liées à la production et à la logistique.

Plus d’information :

https://www.ls2n.fr/equipe/cps3/

Kovalev, V., Kalinovsky, A., & Kovalev, S. (2016). Deep learning with theano, torch, caffe, tensorflow, and deeplearning4j: Which one is the best in speed and accuracy?.

Bouazza, W., Sallez, Y., & Trentesaux, D. (2021). Dynamic scheduling of manufacturing systems: a product-driven approach using hyper-heuristics. International Journal of Computer Integrated Manufacturing, 34(6), 641–665. https://doi.org/10.1080/0951192X.2021.1925969

Bouazza, Wassim., Sallez, Y., & Beldjilali, B. (2017). A distributed approach solving partially flexible job-shop scheduling problem with a Q-learning effect. IFAC-PapersOnLine, 50(1), 15890–15895. https://doi.org/10.1016/j.ifacol.2017.08.2354