| Libellé du cours : | Smart Decision |
|---|---|
| Département d'enseignement : | EEA / Electronique Electrotechnique Automatique |
| Responsable d'enseignement : | Monsieur ABDELKADER EL KAMEL |
| Langue d'enseignement : | Anglais |
| Ects potentiels : | 4 |
| Grille des résultats : | Grade de A+ à R |
| Code et libellé (hp) : | G1G2_ED_EEA_SDE - Smart Decision |
Equipe pédagogique
Enseignants : Monsieur ABDELKADER EL KAMEL / Monsieur KHALED MESGHOUNI
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires
Résumé
L’objectif de cet électif disciplinaire de « Méthodes quantitatives en Business Décision » est de connaître et d’appréhender les techniques avancées du soft-computing, via l’apprentissage par problèmes (APP) et les techniques de simulation, dans le cadre des «Systems, Man & Cybernetics» et leurs applications en optimisation et aide à la décision. Des problèmes vastes, ouverts et pluridisciplinaires en systémique basés sur des études de cas réels issues du monde industriel, de la logistique et des services, de la finance, du transport et du développement durable… seront étudiés. Une partie heuristiques et méta-heuristiques, donnée par la Directrice IT&IS de Malakoff - Humanis, ancienne Docteur de Centrale, sera également abordée pour les problèmes d'optimisation et de décision et appliquée au problème classique du Voyageur du Commerce VRP
Objectifs pédagogiques
À l’issue du cours, l’élève sera capable de : - Connaitre les techniques d’Analyses Quantitatives, raisonner et appréhender des problèmes concrets vastes et ouverts (modélisation du problème, spécifications, analyse hiérarchique des niveaux de besoin... - Prendre en compte les aspects subjectifs, incertain, flous... des systèmes réels - Interpréter les résultats et les faire évoluer via un mécanisme de feedback et remise en question d’hypothèses/contraintes (prise de recul, méta-connaissance, divide & conquest strategy...) - Simuler et adapter le choix du langage de programmation/logiciel aux besoins - Comparer différentes approches et évaluer leurs performances (coût, temps, complexité...) - Faire évoluer le processus de simples simulations vers des EIS (Executif Information Systems) - Appréhender des problèmes complexes pluridisciplinaires, multi-échelles, multi-domaines et ouverts issus de la réalité industrielle et des services Ainsi, nous pouvons décrire les problématiques & processus d'aide à la décision comme suit (en anglais). When considering complex engineering and/or business & management decision problems, we usually make a strong assumption that all variables involved in the decision process, called the input variables, are known, accessible and manageable. Therefore, we say that these input variables are controllable. In real word, this assumption is far from being verified and appears restrictive or even completely wrong when trying to keep a practical and realistic sense in decision-making processes in uncertain real environments. In this course, we present a Quantitative Analysis, multi-criteria multi-objectives decision-making approach in the presence of controllable and non-controllable input variables. Based on simulation and using the Software Excel, we search for optimal or quasi-optimal solutions for decision-maker to implement following deep problem analysis and specification (design level), algorithm conception (flow chart) and computer-based programming (simulation). This approach will be applied to solve several real case studies in decision-making in different fields such as Logistics (Stock, Queuing, Conveying…), Transportation (bus, airport coach, delivery…), Management (best options, planning…), Investment (Call for competitive tenders, retirement planning…), Financial Placements (bank placements vs. stock market)… We shall show how, from simple initial situations, we can improve the decision-making process by integrating phenomena neglected in a first analysis and modeling phase. In fact, in each decision process, we are driven to define a precise study framework leading to the definition of a set of more or less restrictive assumptions (Simon DSS Model). The proposed approach suggests proceeding in steps where the transition from one step to the next, to enrich the optimization model and derive the most realistic decision, is carried out through a feedback mechanism by freeing some initial restrictive assumptions. Thus, we can measure the impact of such assumptions on the effective decision-making under uncertainties in real environments. Students hence take active part to deal with the study-cases in a genius pro-active way working in binomial to enhance cooperative and group discuss. The course & study-cases decomposition is as follows: 1) Overview about Decision Support Systems (DSS) • Introduction to DSS • The Decision Maker • The Process of Making a Decision • Simulation for Optimal Operational Decision-Making Problems 2) Practical Case Studies • Plane Overbooking • New product launch • Competitive Tender • Stock Management • Queuing Process / ATM • Airport coach management • Rent a Car • Bus planning • Investment for Retirement • Cash-Flow & Placement • Project management • Manufacturing problems & Smart Factory Une étude comparative via les études de cas sur la "Smart Factory" avec l'outil de simulation de flux FLEXSIM, que nous avons introduite en 2025 et qui a beaucoup été appréciée par les élèves sera également reconduite. La partie heuristique abordera les notions mathématiques et algorithmiques de base, des approches classiques par descente du gradient, recherche Tabou et Fourmis, algorithmes génétique... puis déployée par les élèves en binôme sur un maillage de 100 villes au moins utilisant la Géolocalisation et le Mapping Temps-réel afin d'évaluer les performances de deux approches au choix.
Objectifs de développement durable
Modalités de contrôle de connaissance
Contrôle Continu
Commentaires: - Travaux en cours : Analyses Quantitatives, Design, Modélisation, Simulation et Analyse de performances.
- Travaux non encadrés: mini-études et/ou mini-projets complémentaires
- Soutenance finale mettant l’accent sur les différentes facettes méthodologiques et pratiques des projets développés/abordés.
Ressources en ligne
Logiciels de Programmation et ouvrages de référence. MICROSOFT EXCEL "Optimization in Engineering Sciences: Approximate and Metaheuristic Methods", P. BORNE, A. EL KAMEL, F. FILIP, D. POPESCU, D. STEFANOIU, Wiley 2014 ISBN: 9781118648766 "Optimisation en sciences de l’ingénieur: Métaheuristiques, Méthodes Stochastiques et Aide à la Décision", P. BORNE, A. EL KAMEL, F. FILIP, D. POPESCU, D. STEFANOIU, Hermes Science - Lavoisier, Paris 2014. ISBN: 978-2-7462-3927-2
Pédagogie
- APP & « Learning by Doing » basée sur des études de cas réels - Alternance de séances de cours, de simulation, d’analyse et discussions de groupe - Pédagogie inversée via des études de cas et des mini-projets
Séquencement / modalités d'apprentissage
| Nombre d'heures en CM (Cours Magistraux) : | 36 |
|---|---|
| Nombre d'heures en TD (Travaux Dirigés) : | 12 |
| Nombre d'heures en TP (Travaux Pratiques) : | 0 |
| Nombre d'heures en Séminaire : | 0 |
| Nombre d'heures en Demi-séminaire : | 0 |
| Nombre d'heures élèves en TEA (Travail En Autonomie) : | 24 |
| Nombre d'heures élèves en TNE (Travail Non Encadré) : | 0 |
| Nombre d'heures en CB (Contrôle Bloqué) : | 0 |
| Nombre d'heures élèves en PER (Travail PERsonnel) : | 0 |
| Nombre d'heures en Heures Projets : | 0 |
Pré-requis
- Éléments de base de probabilités, d’optimisation, de régulation, de logique, de programmation et d'algorithmique - Sens réel et pratique, esprit ouvert et brainstorming, créativité
Nombre maximum d'inscrits
64
Remarques
* Électif pouvant se fait en 2 demi-groupes un en Français et un en Anglais. * Les binômes travaillent à leur rythme sur un vaste et large choix d'études de cas dont la complexité et la difficulté est croissante couvrant des problèmes de Logistique, Files d'Attente, Business & Management, Finance & Investissement, Management... ainsi que sur le projet VRP