Cette thèse de doctorat s'inscrit dans le cadre des activités de recherche sur les systèmes de lancement aéroporté autonome. L'originalité du travail est basée sur la planification de mission effectuée par un algorithme de type A*(A-étoile). Cet algorithme a été amélioré pour répondre aux besoins de la mission de largage d'un lanceur. Il effectue la planification du chemin le plus court dans un espace tridimensionnel. Le meilleur chemin est choisi à partir de plusieurs points de passage générés dans la région de mission. Une région peut être une phase du vol ou une partie du profil de vol. Le chemin le plus court est identifié par rapport à la présence de différents obstacles dans l'espace de recherche et son objectif consiste à atteindre un point désiré. Les obstacles ont différentes dimensions et orientations dans l'espace. L'étude de leur comportement est associée aux incertitudes en provenance de l'environnement. Ils peuvent représenter des régions interdites au vol ou des conditions atmosphériques défavorables. L'évolution de ces derniers n'est pas prévisible à l'avance, ce qui impose l'addition d'une fonctionnalité dans l'algorithme. Il est possible de replanifier le chemin à partir d'un point de passage appartenant à un chemin généré en fonction de la position détectée récemment de l'obstacle en déplacement pour arriver dans la configuration finale désirée. Cette détection est possible grâce aux capteurs positionnés sur le premier étage de ce système de lancement représenté par un avion-porteur. Les points de passage que le véhicule aérien doit suivre pour atteindre les objectifs importants ne sont pas choisis d'une manière aléatoire. Leur génération dans l'espace de recherche du chemin est définie en rapport aux limitations dynamiques de l'avion. Les modèles cinématique et dynamique du véhicule aérien qui décrivent son évolution sont aussi développés dans cette thèse. Ces modèles sont étudiés dans un système de coordonnées aérodynamiques. Le référentiel traite la présence du vent qui influe sur le comportement du véhicule. Cela nous permet de considérer d'une manière prédictive plusieurs incertitudes en provenance de l'environnement ou internes pour le véhicule. Les perturbations internes sont provoquées par le largage du lanceur. Le régime transitoire est relié à la perte de masse qui pour certaines missions peut atteindre le tiers de la masse totale du système de lancement. L'algorithme de planification traite une autre prévision - la possibilité que le largage ne soit pas réalisé. Cela peut arriver dans le cas où une tempête s'est installée dans la région de lancement ou il y a plusieurs obstacles dont l'évitement risque de consommer trop de carburant et d'empêcher le retour sur le site d'atterrissage. Les connexions entre les différents points de passage peuvent être souvent brutes et difficiles à réaliser par le véhicule aérien. Pour résoudre cette problématique dans le deuxième module développé sur la génération de trajectoire réalisable, nous utilisons l'approche des polynômes de troisième ordre. Ces polynômes par rapport aux autres techniques diminuent le temps du calcul pour générer une trajectoire réalisable entre deux points de passage consécutifs. Le chemin réalisable est facile à suivre par le système. Pour le suivi de la trajectoire, nous avons introduit dans un troisième module - la commande par mode glissant. Le principe de cette commande consiste le choix de la surface de commutation entre la trajectoire actuelle suivie par le véhicule et la trajectoire désirée déterminée par l'algorithme de planification A-étoile et générée par les polynômes cartésiens de troisième ordre.

Dans ce travail nous considérons des problèmes de planification de production sur plusieurs sites avec transport de produits entre ces sites. L'objectif est de synchroniser les deux problèmes (planification et transport) et de construire une solution globale. Le système de production sur chaque site est modélisé comme un problème de Capacitated Lot-Sizing où nous travaillons avec stock et ressources. Le transport de produits entre les sites se ramène à une version simplifiée du Vehicle Routing Problem où le temps est discrétisé. D'abord nous proposons un modèle linéaire en nombres entiers que nous appelons le " Lot-Sizing and Vehicle Routing Problem " (LSVRP). Puis nous présentons deux cas particuliers : le Single-item LSVRP (SLSVRP) et le Single-level LSVRP (1-LSVRP). Les problèmes sont traités ici par six heuristiques que nous avons développé. Quatre de ces méthodes sont des heuristiques qui utilisent la programmation en nombres entiers et prennent en compte la relaxation linéaire de quelques variables du problème. Elles s'appuient sur l'exploration partielle de l'arbre de décision et la fixation de variables. Les deux autres sont spécifiques pour les cas particuliers. La première, qui traite le S-LSVRP, est basée sur la propagation des ordres de production sur chaque site. Puis à chaque itération elle calcule le plan de transport compatible et essaie d'améliorer la solution en modifiant la production sur les sites. L'autre méthode consiste en une relaxation lagrangienne qui travaille sur une modélisation du 1-LSVRP en un problème de flot. Des résultats numériques et des analyses sont présentés pour évaluer l'efficacité de ces heuristiques.

Je présente une approche cognitive pour la planification de trajectoire sous contraintes. Elle repose en premier lieu sur DKP : un planificateur de trajectoires par échantillonnage. DKP construit un arbre d'exploration dans les parties atteignables de l'environnement à la manière d'un A∗ . Les solutions sont des trajectoires splines quadratiques adaptées au contrôle de robots à deux roues indépendantes. La couche de propagation construit un espace des paramètres, contenant toutes les valeurs des paramètres laissés libres dans les solutions. Il est représenté sous la forme d'une surface contenant toutes les solutions locales qui respectent les contraintes du problème : vitesse, accélération, évitement d'obstacle. . . Ensuite, une recherche de solutions est effectuée sur l'espace des paramètres selon un critère d'optimisation. DKP a la propriété d'être entièrement déterministe : les résultats sont reproductibles et son comportement est complètement contrôlable. Ce contrôle me sert à définir des comportements de pilotage. Ils sont exprimés sous la forme d'un arbre de comportements : chaque comportement agit sur la manière dont l'arbre d'exploration produit par DKP progresse dans l'environnement. De plus, les comportements sont appliqués en fonction de la partie explorée. Ainsi, seuls les comportements faisables sont développés. TÆMS permet de décrire ces comportements de pilotage puis d'évaluer les solutions ainsi construites. Pour résumer, mon approche cognitive repose sur l'évolution conjointe d'un arbre de comportements de pilotage et d'un arbre d'exploration : elle fait ainsi le lien entre planification classique et planification de trajectoire sous contraintes.

Thèse (Ph. D.)--Université Laval, 2008. / Titre de l'écran-titre (visionné le 9 mai 2008). Bibliogr.

Thèse (Ph.D.)--Université Laval, 2005. / Bibliogr.: f. 192-222. Publié aussi en version électronique.

Mémoire (M.A.-Gestion des P.M.O.)- Université du Québec à Chicoutimi, 1982. / Document électronique également accessible en format PDF. CaQCU

Mémoire(M.P.M.O.)--Université du Québec à Chicoutimi, 1986. / Document électronique également accessible en format PDF. CaQCU

Mémoire (M.P.M.O.)-- Université du Québec à Chicoutimi, 1993. / Document électronique également accessible en format PDF. CaQCU

Mémoire (M.P.M.O.)-- Université du Québec à Chicoutimi, 1993. / Document électronique également accessible en format PDF. CaQCU

Mémoire (M.P.M.O.)-- Université du Québec à Chicoutimi, 1993. / Document électronique également accessible en format PDF. CaQCU