L’OCP (Office Chérifien des Phosphates) est une entreprise marocaine spécialisée dans l’extraction, la transformation et la commercialisation des phosphates et de leurs dérivés. L’OCP est l’un des plus grands producteurs mondiaux de phosphates, et le Maroc est l’un des principaux pays exportateurs de phosphates au monde.

Création de deux modèles mathématiques en langage python dont l’objectif est de résoudre une problématique métier de type Business Steering concernant l’acheminement logistique de produits aux ports des clients, l’optimisation des délais d’acheminement et des délais de stationnements sur les quais des ports permet une réduction des frais portuaires, ceci grâce à du traitement de données en masse dans un super calculateur

Créer des modèles mathématiques pour résoudre des problématiques métier de type Business Steering dans le domaine de la logistique peut être un défi gratifiant mais il n’en demeure qu’il était complexe. Ceci pour plusieurs raisons :

Données Réelles :
Obtenir des données précises et complètes est un défi. Les modèles dépendent fortement de la qualité des données pour produire des résultats pertinents.

Complexité du Problème :
Certains problèmes logistiques étaient NP-difficiles, ce qui signifie qu’il n’existait pas d’algorithme efficace pour les résoudre en temps polynomial. Cela a rendu la résolution exacte du problème impraticable pour des instances de grande taille.

Dimensionnalité :
Les modèles devenaient complexes avec une augmentation de la dimensionnalité, notamment lorsque nous commencions à traiter un grand nombre de clients, de ports, ou d’autres entités logistiques.

Mise à l’Échelle :
Les modèles devaient être capables de s’adapter à des ensembles de données de différentes tailles. Nous assurer de la scalabilité tout en maintenant des performances acceptables était un RÉEL DEFI.

Optimisation Multi-objectif :
Notre problème avait plusieurs objectifs à optimiser (Minimiser les coûts et les délais simultanément), la définition d’une fonction objectif unique était délicat. D’autre part, les résultats des modèles mathématiques pouvaient parfois être difficiles à interpréter, surtout pour des parties prenantes non techniques. La communication des résultats de manière compréhensible n’était pas chose évidente.

Nous avons travaillé sur deux modèles : Un qui vise à optimiser les itinéraires pour réduire les délais d’acheminement, l’autre vise à minimiser les délais de stationnement sur les quais des ports à la fois pour les produits secs et liquides.

Nous avons joué sur les éléments suivants pour réussir notre défi :

Complexité du Problème :
Nous avons utilisé des méthodes d’approximation (des heuristiques) pour le problème NP-difficile, avec des approches de résolution parallèle pour accélérer le processus.

Dimensionnalité :
Nous avons appliqué des techniques de réduction de dimension, telles que l’analyse en composantes principales (PCA) ou des méthodes de clustering pour regrouper des entités similaires et réduire la complexité du modèle.

Intégration de Contraintes Réalistes :
Nous avons impliqué des experts du domaine logistique pour traduire les contraintes du monde réel en termes mathématiques. Nous nous sommes assurés que les modèles reflètent fidèlement les conditions opérationnelles.

Mise à l’Échelle :
Nous avons utilisé des techniques d’optimisation distribuées et parallèles pour gérer des ensembles de données volumineux. Nous avons exploré l’utilisation de technologies Big Data mais sans aller plus loin.

Complexité Algorithmique :
Notre choix s’est porté sur des algorithmes à partir de la littérature académique en collaborant avec des experts en optimisation, nous avons d’ailleurs suivi une approche agile et itérative pour permettre des mises à jour fréquentes du modèle afin qu’il reste pertinent.

Intégration avec le Super Calculateur :
Nous avons collaboré avec des experts en calcul haute performance (HPC) pour assurer une intégration efficace et nous assurer que notre modèle est compatible avec l’architecture du super calculateur.