Résumé :

Depuis quelques années, la prise en compte des incertitudes rencontre
un intérêt grandissant dans le milieu de la Recherche
Opérationnelle. D'une part dans les principaux domaines
applicatifs, l'optimisation sur des données estimées montre ses
limites dans l'aide à la décision. D'autre part de nouveaux
modèles, de nouvelles méthodes ont fait leur apparition :
programmation stochastique, optimisation robuste, ...  La spécificité de l'ordonnancement dans ce contexte tient à
l'importance de la dimension temporelle : l'incertitude est
susceptible d'être levée durant la phase même d'exécution de
la « solution » du problème posé. Autrement dit, des décisions doivent
être prises alors même que certaines incertitudes demeurent. Des
réponses adaptées à l'ordonnancement ont été proposées depuis
longtemps, la plupart dans un cadre stochastique.  Plus récemment, une
explosion de propositions diverses a pu être observée. Face à cette
explosion, nous avons identifié le besoin de concevoir des outils pour
valider, évaluer, comparer les différentes approches. C'est ainsi
qu'est né au sein du nouveau GdR Recherche Opérationnelle le
projet AVAPRO qui regroupe 4 laboratoires et une entreprise : LAAS,
LAMSADE, LIMOS, LIT, ILOG. Je me propose dans cet exposé de présenter brièvement la problématique
et les enjeux de la prise en compte des incertitudes dans l'aide
à la décision. J'exposerai ensuite les objectifs du projet, et
l'architecture proposée.  Enfin j'illustrerai les mécanismes
mis en jeu sur un exemple simple, l'ordonnancement sur machines
identiques avec incertitudes sur les temps de transport.