La maintenance de systèmes industriels de production est un des enjeux actuels majeurs, et la gestion de leurs maintenances est un facteur important de compétitivité. Une bonne stratégie de maintenance permet une disponibilité élevée du système, tout en minimisant les coûts liés aux interventions. Il est pour cela possible d'utiliser différents types de maintenances : les maintenances correctives qui réparent le système après les occurrences de défaillances, et les maintenances préventives qui interviennent sur le système avant ces occurrences.

De premiers travaux [1] ont montré la faisabilité et l'application d'une approche de couplage entre la simulation stochastique de modèles de systèmes à événements discrets et un algorithme génétique d'optimisation [2]. Concrètement la simulation est contrôlée par l'optimisation via des itérations successives. À chaque itération, l'optimisation fournit une population d'ensembles de valeurs à la simulation : des intervalles de maintenances planifiées pour un ensemble de composants du système considéré. La simulation utilise ces valeurs comme paramètres lors des simulations stochastiques, afin de produire des résultats statistiques (temps moyens de disponibilité). Ces statistiques sont alors réutilisées par l'optimisation à l'itération suivante pour produire de nouveaux membres de la population affinés en fonction d'un critère d'optimisation (le temps de disponibilité), et des statistiques.

Dans cette communication, nous comparons, pour un même exemple de système, le cas où toutes les maintenances de tous les composants sont préventives, et le cas où certains composants ont des maintenances préventives et les autres ont des maintenances correctives.