Title: Plan dchantillonnage optimal sur chanes multipostes par mthodes particulaires
1Plan déchantillonnage optimalsur chaînes
multipostes par méthodes particulaires
- Billy Amzal
- ENGREF INERIS CEREMADE
- en collaboration avec
- Eric Parent (ENGREF) et Philippe Girard (Nestlé)
2Contrôle de qualité par attribut
Échantillon à tester
- On prélève un échantillon sur un lot produit
- En fonction du nombre de défectueux trouvés, on
prend une décision
3Optimisation en contexte Bayésien
- Cadre général
- d décision / plan déchantillonnage
- ? paramètre inconnu ? loi a priori p(?)
- y ?, d données observables ? p(y d,?)
- u(d,?,y) utilité/critère de loptimisation ( gt0
) - But trouver d qui maximise lutilité moyenne U
4Cas des chaînes monopostes
? proportion de défectueux
POSTE 1
Échantillon de taille n on trouve y défectueux
- Calculs explicits possibles, avec
- Loi a priori Beta sur ?
- Modèle binômial
- Décision du type rejet du lot quand Y/n gt s et
acceptation sinon (on optimise d (n,s)) - Utilité linéaire en ?
cf Parent Girard, 1995 et 1996
5Cas des chaînes multipostes
?i proportion de défectueux au poste i
Chaîne de production industrielle en agro
alimentaire
- Si ?ni 100 échantillons sont autorisés, à
quel(s) poste(s) faut-il les répartir ? Comment
optimiser les décisions ?
6Choix pratiques pour lexemple
- Méthode doptimisation stochastique indépendante
de la forme du modèle, des coûts, des lois a
priori, des règles de décisions
- Relation de mélange de type alimentaire
coef de pollution de lenvironnement de travail
coef de mélange, lt1
7Règle de décision
- Choisir un comportement de décision réaliste face
aux données de léchantillonnage - Règle de décision
- si pour un poste i, yi / ni gt si, on rejette la
production - sinon, on accepte
- On optimise, à coût fixé, p/r à d (ni , si)
8Coûts et utilité
- Coûts
- si rejet
- si acceptation
- Utilité opposé du coût
Coût de léch -antillonnage
Perte dimage
Coût de léch -antillonnage
Coût total
9La transformation de Müller
- On interprète U comme une distribution sur
lespace des décisions (à 1 cste près) - Mais U est incalculable !
- Transformer la maximisation en un problème de
simulation de - La marginale de h en d ? U
- on sait calculer h à une cste près ? les méthodes
MCMC sappliquent !
10Version particulaire
- On ne simule non plus 1 chaîne MCMC mais N
chaînes en parallèle, en sélectionnant les plus
proches des modes et en éliminant les autres
(type SIR) - Recuit simulé on simule non plus h mais
- de marginale en d ? UJ, ? on simule plus
près du mode
11Détermination de loptimum
U
U5
U20
- On dispose dun échantillon de UJ
- On trace les histogrammes des décisions d
simulées, et on en prend le mode
d1, ,dN ?11,, ?NJ y11,,yNJ
Échantillon de hJ
Échantillon de UJ
12Exemples de résultats
Histogrammes des d simulées
13Exemples de résultats (2)
14conclusion
- On remplace un problème très difficile
d optimisation par un problème plus facile de
simulation - Grande flexibilité pour intégrer les contraintes,
la complexité du réel, lexpertise, etc - Etude théorique difficile, nombreux réglages en
pratique, pas de solution explicite