DOCUMENT DE TRAVAIL Centre de recherche sur l aide à l évaluation et à la décision dans les organisations (CRAEDO)

Dimension: px
Commencer à balayer dès la page:

Download "DOCUMENT DE TRAVAIL 1998-021. Centre de recherche sur l aide à l évaluation et à la décision dans les organisations (CRAEDO)"

Transcription

1 Publié par : Published by : Publicación de la : Édition électronique : Electronic publishing : Edición electrónica : Disponible sur Internet : Available on Internet Disponible por Internet : Faculté des sciences de l administration Université Laval Québec (Québec) Canada G1K 7P4 Tél. Ph. Tel. : (418) Fax : (418) Céline Frenette Vice-décanat à la recherche et au développement Faculté des sciences de l administration http ://www.fsa.ulaval.ca/rd DOCUMENT DE TRAVAIL MÉTAHEURISTIQUES POUR LE PROBLÈME D ATELIER MULTIGAMME : UNE COMPARAISON Caroline Gagné, Wilson L. Price, Marc Gravel Centre de recherche sur l aide à l évaluation et à la décision dans les organisations (CRAEDO) Version originale : Original manuscript : Version original : Série électronique mise à jour : One-line publication updated : Seria electrónica, puesta al dia ISBN ISBN - ISBN

2 MÉTAHEURISTIQUES POUR LE PROBLÈME D ATELIER MULTIGAMME: UNE COMPARAISON Caroline Gagné (1), Wilson L. Price (1) & Marc Gravel (2) (1) Faculté des sciences de l administration, Université Laval, Québec,G1K 7P4 (2) Département d'informatique et mathématique, Université du Québec, Chicoutimi, Québec, G7H 2B1 Résumé Le problème d atelier multigamme (job shop) abordé suit l'objectif de minimisation du temps total de production. Afin de résoudre ce problème, l implantation de quatre métaheuristiques, sous leur forme de base, a été réalisée. Ces heuristiques sont l amélioration locale avec départs multiples, le recuit simulé, la recherche avec tabous et l algorithme génétique. Nous présentons une vision unifiée de ces heuristiques afin de permettre une comparaison des résultats. Des expériences numériques sur des problèmes tests reconnus dans la littérature de taille 10X10 sont analysés et présentent une comparaison de la performance des quatre heuristiques. Les résultats et les tests statistiques démontrent que, pour les versions simples de ces heuristiques, l amélioration locale est surclassée par les trois autres heuristiques mais qu il n y a pas de différence significative entre ces dernières avec un niveau de confiance à 1%. Mots-clés: Métaheuristiques; Ordonnancement; Atelier multigamme; Amélioration locale; Recuit simulé; Recherche avec tabous; Algorithme génétique. 1. Introduction Une nouvelle classe d'heuristiques connaît une grande popularité depuis quelques années. On retrouve les appellations métaheuristiques, méthodes de recherche dans le voisinage ou encore heuristiques de proximité pour les qualifier. On compte parmi ces méthodes les algorithmes génétiques, le recuit simulé, la recherche avec tabous et bien d'autres encore. Ces dernières ont un point majeur en commun: elles tentent toutes, à leur manière, d'imiter un élément de la nature [Osman & Kelly, 1996; Reeves, 1993]. De plus, elles sollicitent des connaissances dans les domaines de recherche opérationnelle, d'informatique et d'intelligence artificielle. L'engouement pour les métaheuristiques est attribuable à plusieurs explications. Une des premières motivations pour ce champ de recherche provient de la pratique [MacCarthy & Liu, 1993]. En effet, les contextes réels présentent des problèmes de gestion complexes devenant difficiles à traiter et les ressources disponibles sont souvent limitées. Le développement de ce domaine est également attribuable à la théorie de la complexité qui fournit une base rationnelle à l'utilisation de ces méthodes [Garey & Johnson, 1979]. Enfin, les nouvelles possibilités informatiques expliquent aussi ce phénomène. Un grand nombre de problèmes d optimisation combinatoire ont servi d application à l une ou l autre de ces heuristiques. Dans le présent travail, le problème bien connu d atelier multigamme sert de support pour l étude de ces heuristiques et à leur comparaison. Dans un premier temps, l objectif recherché consiste à réaliser l implantation informatique de certaines de ces métaheuristiques soit l'amélioration locale avec départs multiples, le recuit simulé, la recherche -1-

3 avec tabous et l'algorithme génétique. L'autre objectif recherché consiste à élaborer une réflexion concernant une description unifiée de ces heuristiques. Enfin, un troisième objectif concerne la comparaison de ces quatre heuristiques de proximité. La prochaine section présente une brève revue de la littérature portant sur les travaux de comparaison des métaheuristiques. Cette synthèse de la littérature permet de faire certaines observations. La section 3 propose une définition du problème d ordonnancement d atelier multigamme qui sert de problème de support. Ensuite, la section 4 constitue une brève introduction sur chacune des heuristiques à l étude dans le but de fournir l idée de base qui soustend chacune d elles. Une généralisation de ces dernières est proposée à la section 5 et fournit une description unifiée. Cette réflexion offrira également une base de validité de la comparaison. Par la suite, les sections 6 et 7 présentent respectivement la description de l expérience numérique et l analyse des résultats obtenus. Enfin, la dernière section suggère quelques remarques en guise de conclusion à ce travail. 2. Revue sommaire de la littérature Une littérature abondante existe pour chacune des méthodes et les lecteurs qui désirent en connaître davantage sur ces dernières peuvent se référer à d excellents travaux d'introduction et de revue. Par exemple, la procédure du recuit simulé est abondamment décrite dans les papiers de [Metropolis & al, 1953; Van Laarhoven & Aarts, 1987;Aarts & Korst, 1989; Eglese, 1990]. On retrouve les travaux de Glover [1989; 1990a; 1990b] et de Soriano & Gendreau [1997] qui constituent d excellentes références sur la procédure de la recherche avec tabous. Enfin, les algorithmes génétiques obtiennent également l attention de plusieurs chercheurs et les travaux de Holland [1975], Grefenstette [1986], Goldberg [1989a], de Michalewicz [1992] et de Downsland [1996] font état du fonctionnement de cette procédure. Dans ces travaux, des raffinements et des procédures supplémentaires sont disponibles et constituent des études beaucoup plus complètes que la description sommaire faite dans ce document. En plus de ces travaux, on retrouve une autre partie de la littérature qui traite d applications diverses à l aide d une de ces heuristiques de proximité ou d une hybridation de quelques-unes d entre elles. Par exemple, Thesen [1997] propose un livre traitant d applications de la recherche avec tabous et de l algorithme génétique pour l ordonnancement dans le domaine manufacturier ainsi que dans le domaine de l informatique. Un autre volume répertorie un bon nombre d applications réalisées dans différents domaines et ce, pour le recuit simulé, la recherche avec tabous, les algorithmes génétiques et les réseaux de neurones [Reeves 1993]. Malgré cette littérature abondante, peu d efforts ont été réalisés dans le but de fournir une vision unifiée de ces heuristiques. De plus, chaque méthode ayant leurs partisans, il est possible de trouver des travaux faisant la comparaison entre deux de ces méthodes. Cependant, la littérature faisant une comparaison de la performance de plusieurs métaheuristiques est encore plus limitée. Parmi cette littérature, le travail de Downsland [1996] présente l algorithme génétique comme un outil de recherche opérationnelle qui en est encore à un stade initial si on le compare à d autres heuristiques comme le recuit simulé ou la recherche avec tabous. Sur ce point, l'auteur tente de déterminer les raisons qui expliquent pourquoi les chercheurs opérationnels semblent plus -2-

4 réticents à adopter cette méthode. Dans la suite de sa comparaison, Downsland prétend que l algorithme génétique présente un niveau de complexité un peu plus élevé en ce qui concerne son implantation. Pirlot [1996] fournit également un travail de comparaison des heuristiques de proximité. En effet, l auteur présente une description et un exemple d application pour le recuit simulé, la recherche avec tabous et l algorithme génétique. À la suite de cette présentation, l'évaluation et la comparaison de ces heuristiques sont réalisées. D'autres points intéressants de ce travail résident dans les indications au sujet des forces et des faiblesses des heuristiques, dans les sophistications et les hybridations ainsi que dans les éléments à considérer pour la comparaison des heuristiques. Le recuit simulé, la recherche avec tabous et l algorithme génétique sous leur forme de base et ensuite sous une forme améliorée font l objet d une comparaison réalisée par Crauwels & al. [1996]. Le problème de support étudié dans ce papier est celui de l ordonnancement d une machine unique avec fractionnement des lots. On remarque que, pour les implantations des heuristiques sous leur forme de base, le recuit simulé simple donne de meilleurs résultats que l algorithme génétique. Toutefois, les versions améliorées donnent avantage à l algorithme génétique. En ce qui concerne les temps de calcul, l algorithme génétique est plus rapide surtout lorsque la taille des problèmes est grande. D autres auteurs [Lee & Kim, 1996] proposent une comparaison des trois mêmes heuristiques pour un problème d ordonnancement de projet avec contraintes sur les ressources. Les résultats de cette analyse démontrent que le recuit simulé et la recherche avec tabous semblent réagir mieux que les heuristiques connues pour ce problème. Toutefois, les temps de calcul sont inférieurs pour l algorithme génétique et ce dernier présente une plus grande robustesse pour répondre aux différentes tailles de problèmes. Sinclair [1993] effectue, lui aussi, une comparaison des mêmes heuristiques en plus de l algorithme du grand déluge et du «Record-to-record travel algorithm». Cette comparaison est effectuée dans le cadre d une application de balancement de turbines hydrauliques et elle est réalisée avec des données réelles. De leur côté, Glover & Greenberg [1989] proposent une comparaison des heuristiques précédents en plus des réseaux de neurones et de l analyse cible 1. La contribution de ce travail se fait surtout sentir dans l application de ces heuristiques qui peuvent répondre à des problèmes de taille réelle et dans la réflexion des directions futures qui s ouvrent grâce à cette nouvelle génération d heuristiques. Marett & Wright [1996] proposent à leur tour un travail de comparaison entre recuit simulé, la recherche avec tabous, l'amélioration locale à départs multiples et une technique de voisinage qui procède à des échanges successifs. Ce travail se démarque surtout par le problème à l'étude: celui d'un atelier sériel à objectifs multiples. Il est démontré qu'avec l'augmentation du nombre d'objectifs, la méthode du recuit simulé est plus performante que les autres méthodes. Toujours dans le domaine de l'ordonnancement, Dorn & al. [1996] présente une étude comparative de la 1 «Target analysis» -3-

5 recherche avec tabous, de l'algorithme génétique, d'une heuristique itérative d'exploration d'arborescence et de la génération aléatoire de solutions. Ces heuristiques sont appliquées et comparées dans un contexte de fabrication de métal. De leur côté, Shtub & al. [1996] comparent la performance du recuit simulé, de l'algorithme génétique et d'une technique d'échanges successifs. Les résultats numériques démontrent que cette fois-ci la troisième méthode offre la meilleure performance. Une autre étude de Lin & al. [1995] compare le recuit simulé à deux versions de la méthode d'acceptation de seuils. Ces heuristiques sont comparées pour trois problèmes d'ordonnancement différents. Les résultats démontrent que les deux versions de la méthode d'acceptation de seuils offrent une performance égale ou supérieure au recuit simulé. Ainsi, à la suite de cette revue de la littérature qui ne se prétend pas exhaustive, il est possible de formuler certaines remarques. Tout d abord, il est à noter que le problème d atelier multigamme ne fait pas l objet d un de ces travaux de comparaison de métaheuristiques. De plus, aucun des articles mentionnés ne fait état de tests statistiques pour affirmer la supériorité d une heuristique par rapport à une autre. Ensuite, à la lumière de cette littérature, il semble impossible de déclarer une heuristique de proximité comme étant la meilleure parmi les autres pour l ensemble des problèmes et applications étudiés. Enfin, dans certains travaux, il ne s agit pas d implantations réalisées sur une base d équité et avec un souci de validité de la comparaison. En effet, quelques fois la comparaison consiste à comparer la méthode implantée dans le cadre du travail de ou des auteur(s) avec des résultats trouvés dans la littérature. Dans ces conditions, l'exercice de comparaison poursuit davantage l'objectif de justifier le travail de(s) auteur(s) et il devient alors difficile d identifier une base de comparaison valide pour déterminer la suprématie d une méthode par rapport à une autre. 3. Définition du problème d atelier multigamme Le problème d atelier multigamme est représentatif du domaine de l ordonnancement en raison de la difficulté qu il présente pour le résoudre, de la forte motivation pour ce problème provenant de besoins pratiques et des nombreux travaux réalisés jusqu à maintenant sur le sujet. Cependant, il ne faut pas oublier que le problème d atelier multigamme, malgré la difficulté à le résoudre, demeure une simplification du contexte pratique d ordonnancement. Dans la réalité, il n est pas rare de retrouver plusieurs objectifs à atteindre simultanément et ces derniers sont la plupart du temps contradictoires. Pour toutes ces raisons et bien d autres, ce problème d ordonnancement possède une énorme littérature et son histoire remonte à plus d'une trentaine d années. Parmi les travaux majeurs sur le sujet, on retrouve le volume de Conway & al. [1967], de Baker [1974], de French [1982], de Hax & Candea [1984] et de Morton & Pentico [1993] pour ne nommer que ceux-ci. Dans ces ouvrages de référence, on retrouve une variété de techniques de résolution. Les méthodes dites exactes sont rapidement devenues insuffisantes pour résoudre les problèmes de grande taille et ont dû laisser place à des méthodes approximatives nécessitant moins d efforts de calcul au détriment de l assurance de l optimalité des solutions. Les règles d ordonnancement constituent un premier type de méthodes approximatives [Blazewicz & al., 1991; 1996]. Ces règles construisent une solution un élément à la fois sans jamais remettre en question les choix déjà effectués. Ces heuristiques sont rapides mais offrent une faible qualité de solution. Une autre classe de méthodes approximatives -4-

6 est celle qui cherche à améliorer une solution à l aide de modifications locales. Un nouveau type de méthodes approximatives connaît un grand succès depuis quelques années. Le recuit simulé [Van Laarhoven, Aarts & Lenstra, 1992], la recherche avec tabous [Nowicki & Smutnicki, 1996] et l algorithme génétique [Mattfeld, 1996] font partie de cette classe. Ces dernières font l objet de la section suivante. Enfin, il ne faut pas oublier la contribution des chercheurs en intelligence artificielle qui proposent des systèmes à base de connaissance, des systèmes expert, des systèmes multi-agents et autres systèmes de ce genre pour des problèmes d atelier multigamme [Fox, 1987; Kusiak & Chen, 1988; Sycara & al., 1991]. Considérons donc un contexte où un ensemble de travaux doivent être réalisés sur plusieurs machines. Chaque travail se divise en un certain nombre d opérations et chacune d elles doit s effectuer sur une machine déterminée et nécessite un temps connu de fabrication. L ordre de réalisation des opérations d un travail est fixé par une contrainte technologique. Cette contrainte technologique demeure statique mais peut différée d un travail à un autre. Le problème d atelier multigamme considéré est déterministe et n inclut pas d éléments stochastiques. Il doit également respecter la liste des contraintes suivantes : 1. Deux opérations d un même travail ne peuvent être réalisées simultanément; 2. Les opérations se font sans interruptions; 3. Un travail ne peut être réalisé plus d une fois sur une machine; 4. Tous les travaux sont réalisés en entier; 5. Les travaux sont tous disponibles au début de l horizon de planification; 6. Les travaux ne possèdent pas de dates dues; 7. Un travail doit attendre que la machine suivante soit disponible; 8. Une machine ne peut réaliser plus d une opération à un temps donné; 9. Les temps de réglages sont négligeables; 10. Il existe une machine de chaque type; 11. Une machine peut être inoccupée pendant certaines périodes; 12. Les machines sont disponibles au début de l horizon de planification; 13. Les contraintes technologiques sont connues et demeurent statiques; et 14. L'ordre des opérations d'un travail est fixé au préalable. L objectif le plus répandu pour le problème d atelier multigamme est de déterminer une séquence de travaux sur les machines qui respecte les contraintes énumérées et qui minimise le temps total de production i.e. le temps de terminaison maximum parmi les opérations réalisées. Afin de figurer l importance de l espace de solutions pour une instance de problème donné, il est connu qu il existe au maximum (n!) m différentes solutions où n est le nombre de travaux à réaliser et m le nombre de machines. En conséquence, les problèmes tests utilisés dans le cadre de ce travail sont de taille 10x10 et génèrent ainsi chacun E 65 solutions différentes. En accord avec Lenstra & Rinnooy Kan [1979], ce problème est définit comme NP-Dur et se trouve parmi les problèmes les plus difficiles à traiter [Lawler & al., 1993]. 4. Métaheuristiques Le concept de recherche dans le voisinage est à la base de l amélioration locale mais il est également présent dans les autres méthodes. Ainsi, en plus de la définition de ce concept, la -5-

7 présente section propose une présentation sommaire du recuit simulé, de la recherche avec tabous et de l algorithme génétique. Cette brève présentation permet de mieux comprendre de quelle façon chacune de ces métaheuristiques essaie d'imiter une forme d intelligence qui est présente dans la nature. 4.1 L Amélioration locale avec départs multiples (AL) L idée de l amélioration locale réside dans une recherche, à l intérieur d un certain voisinage, d une meilleure solution que la solution courante. Cette recherche s effectue grâce à la définition d un voisinage plus ou moins grand de la solution courante. Si un élément de ce voisinage offre une meilleure valeur de fonction, on modifie alors la solution courante pour reprendre l exploration. Cette méthode fonctionne généralement bien avec un espace de solutions qui présente peu de dispersions i.e. qu il doit y avoir le moins possible d écart entre les bonnes et les moins bonnes solutions. Ceci s explique facilement par le fait que l amélioration locale présente une faiblesse majeure : sa difficulté à progresser au-delà du premier optimum local rencontré. Afin d améliorer la performance de cette heuristique, des départs répétés avec des solutions initiales différentes sont suggérés. D une façon plus formelle, on considère un problème de minimisation : min {f(x) x S} où S est l ensemble des solutions réalisables du problème. Une approche intuitive serait de débuter avec une solution réalisable et de perturber celle-ci pour tenter de diminuer la valeur de la fonction objectif. Pour opérer ce concept de perturbation, définissons pour chaque solution x S un sousensemble N(x) de S qui est appelé voisinage de x. Ainsi, l idée de l amélioration locale est de partir avec différentes solutions de départ et de se déplacer de voisinage en voisinage aussi longtemps que possible pour diminuer la valeur de la fonction objectif. L intérêt de cette heuristique provient surtout de son application à un large éventail de problèmes et à un effort de calcul faible. Pour plus de détails, le lecteur est référé à Johnson [1988]. 4.2 Recuit Simulé (RS) La première version du recuit simulé 2 a été publiée en 1953 [Metropolis & al., 1953]. Cependant, l algorithme que l on connaît aujourd hui est un produit du début des années 80 [Kirkpatrick & al., 1983]. Cette méthode est en fait une analogie avec le processus de coulée du métal dans un bain chauffant. Dans ce processus, il y a contrôle de la «température» (paramètre de contrôle) ainsi que le calcul de «l énergie» (coût) dépensée pour obtenir un «état de stagnation» (solution) du système. Les règles de coulée du métal indiquent que la température doit descendre suffisamment lentement et de façon contrôlée afin de fournir un métal de qualité. Ainsi, une solution donnée xi génère une solution xi+1 à la suite d un déplacement dans le voisinage de xi. D un côté, en utilisant la terminologie de la physique, cette recherche se fait en minimisant l énergie du système. D un autre côté, la recherche est effectuée afin de maximiser la forme physique en employant cette fois le vocabulaire des biologistes. Posons f(x), la fonction 2 «Simulated Annealing» -6-

8 d évaluation de la forme physique pour une solution x de l espace de solutions. Avec le recuit simulé, si f(xi+1) < f(xi) alors le saut est effectué vers la nouvelle solution xi+1 et cette dernière devient la solution courante. Dans le cas contraire, le changement est accepté avec une probabilité p = e v T où ν est la valeur du changement et T est la valeur courante de la température. À ce sujet, les conclusions de Kirkpatrick et de ses collègues indiquent que si la température est élevée au départ, elle permet de couvrir une large région de l espace de solutions. De plus, en diminuant la température peu à peu, il est alors possible de diriger la recherche vers un optimum local. En somme, la clé du succès de cette méthode se trouve surtout dans la diminution de la température qui doit se faire suffisamment lentement. 4.3 Recherche avec tabous (RT) La forme moderne de la recherche avec tabous 3 a été développée par [Glover 1989; 1990a; 1990b]. Cette heuristique utilise à son tour certains concepts de l intelligence artificielle en simulant une forme de «mémoire». Pour ce faire, les dernières solutions explorées sont conservées dans une liste de «tabous» afin de ne pas reprendre, avant un certain temps, un chemin déjà emprunté. Ceci permet ainsi d éviter un cyclage et de diriger le processus de recherche. Ce processus offre alors la possibilité de transcender l obstacle des optimums locaux. Encore une fois, la solution courante est définie par xi et elle est évaluée selon une fonction f. Le résultat de l évaluation de cette solution est donné par f(xi). À l aide de transformations locales sur la solution xi, on obtient un ensemble de solutions xi+1 qui constituent le voisinage de la solution courante noté par N(xi). Le choix d une nouvelle solution xi+1 est déterminé selon son évaluation. Comme il a été dit, la recherche avec tabous impose certaines restrictions afin d éviter un cyclage. Ces restrictions opèrent de différentes façons. Par exemple, les dernières opérations effectuées sont conservées en mémoire pour ainsi empêcher de les répéter avant un certain temps ou bien, certains mécanismes dirigent la recherche afin de visiter des régions peut-être oubliées jusqu'ici. 4.4 Algorithme Génétique (AG) Les algorithmes qui sont basés sur le principe de la génétique, au sens où les biologistes l'entendent, reposent sur des idées des années 1970 [Holland 1975]. Il ne faut pas passer sous silence la contribution de Golderg sur le sujet [Goldberg 1989a; 1989b]. Les algorithmes génétiques 4 sont des algorithmes d'exploration fondés sur les mécanismes de la sélection naturelle et de la génétique. Ils utilisent à la fois les principes de la survie des structures les mieux adaptées ainsi que les échanges d'informations pseudo-aléatoires [Goldberg 1989a, Davis 1991]. L'algorithme génétique repose sur trois principaux opérateurs: la reproduction, le croisement et la mutation. Le premier est le processus qui sélectionne une paire de «chromosomes» ou «individus» provenant de l'ensemble des solutions pour produire une descendance. Le procédé par lequel est produit cette descendance se nomme le croisement. Finalement, l'opérateur de mutation vient s'ajouter 3 «Tabou Search» 4 «Genetic algorithms» -7-

9 occasionnellement afin d'ajouter des nouvelles propriétés et d ajouter de la diversité pour éviter une convergence trop hâtive. Ce processus itératif fournit sans cesse de nouvelles progénitures. Une nouvelle génération est créée en utilisant des parties des meilleurs éléments de la génération précédente ainsi que des parties innovatrices. Bien que ces algorithmes utilisent ce que l'on appelle le hasard, ils ne sont pas purement aléatoires. L'algorithme génétique exploite les informations obtenues au préalable dans l'espoir de toujours améliorer la performance. De plus, notons que l'algorithme génétique a été développé initialement par John Holland et ses étudiants à l'université du Michigan. Leurs recherches avaient pour but de concevoir des systèmes artificiels possédant certaines propriétés des systèmes naturels. Pour y arriver, ils ont tout d'abord été dans l'obligation de définir le plus précisément possible les processus d'adaptation présents dans la nature. La contribution de ces recherches a été importante pour les sciences des systèmes naturels mais également pour celles des systèmes artificiels. Le premier ouvrage sur ce thème porte le nom de "Adaptation in Natural and Artificial Systems" [Holland 1975]. Depuis, le sujet a fait l'objet de nombreuses thèses et publications scientifiques. Une revue intéressante de travaux pratiques dans ce domaine d'activité a été réalisée [Goldberg 1989a]. 5. Description unifiée des heuristiques de proximité Il existe un rapprochement très étroit entre les métaheuristiques. Le but de cette section est donc de mettre en lumière ces similitudes. Ceci permettra de fournir une description globale des heuristiques réalisées dans le cadre de ce travail. Il faut rappeler que les implantations réalisées n incluent pas tous les raffinements disponibles mais constituent plutôt des versions préliminaires élaborées avec le souci de ne favoriser aucune heuristique par rapport à une autre et de pouvoir décrire ces quatre méthodes à l aide d un cadre unique. Toutefois, avant de procéder à la description du fonctionnement des heuristiques, il convient de faire une réflexion sur les objectifs communs et les possibilités qu offrent ces méthodes. Le but des heuristiques en général, les heuristiques de proximité ne faisant pas exception, est de trouver une solution réalisable possédant une qualité de solution la meilleure possible sans toutefois en assurer l optimalité. Ceci doit évidemment être réalisé de façon à nécessiter un effort de calcul moins important que pour les méthodes exactes. En ce sens, ces algorithmes d approximation trouvent leur raison d être dans le traitement des problèmes complexes et de grande taille. En plus d offrir cette capacité non négligeable, les heuristiques de proximité offrent une grande flexibilité permettant la formulation de contraintes diverses afin de mieux représenter les cas réels. La possibilité d inclure des contraintes spécifiques permet par la même occasion de couvrir un large éventail d applications. La littérature est significative de ce côté avec les nombreuses adaptions des méthodes à des contextes aussi différents les uns des autres. Une autre caractéristique commune est qu'elles s'inspirent toutes des phénomènes naturels. En ce sens, le recuit simulé s inspire de la coulée du métal qui doit être réalisée de manière à ce que la chute de température assure une bonne qualité du métal. En ce qui concerne la recherche avec tabous, elle -8-

10 exploite une certaine forme de mémoire et l algorithme génétique découle directement du domaine de la biologie et de la sélection naturelle. En ce qui concerne le fonctionnement des heuristiques à l étude, un cadre commun semble ressortir et les principales étapes se résument de la façon suivante : 1. Encodage des solutions 2. Génération de solutions départ 3. Processus itératif 3.1 Mécanisme d intensification 3.2 Mécanisme de diversification 4. Critère d arrêt La méthode employée pour coder une séquence réalisable d un problème d atelier multigamme est la représentation par liste ordonnée [Kelly, 1963]. Plus précisément, une séquence est représentée par une liste où chacune des opérations qui composent les travaux est présente une seule fois. De plus, une opération ne peut être placée avant son prédécesseur et après son successeur afin de respecter les contraintes technologiques. La séquence qui se cache derrière ce codage se déduit en progressant du début à la fin de la liste et en planifiant tour à tour les opérations sur la machine correspondante à leur date de début au plus tôt (Earliest Start). La figure 1 présente un petit ensemble de deux travaux composés de trois opérations chacun. La légende située à droite donne la signification des chiffres dans le codage de la solution et la partie inférieure de la figure offre une représentation de la séquence sous la forme d un tableau Gantt. Comme il est possible de le remarquer, les opérations sont placées le plus tôt possible dans la séquence tout en respectant les contraintes de précédence et de disponibilité des machines. Figure 1 : Codage des solutions 1 M3,2 M1,2 M1,1 M3,3 M2,1 M2, Mac,Temps Job ope M1 M2 2,1 1,2 1,3 2,3 M3 1,1 2,

11 Un codage de solutions de ce type offre certains avantages. Tout d abord, cette forme de représentation garantit que la solution est réalisable. Ensuite, notons qu une solution codée génère une seule séquence mais à l inverse, une même séquence peut être obtenue à partir de plusieurs solutions différentes. En d autres termes ceci signifie que la solution optimale peut être déduite à partir de plusieurs solutions. Enfin, cette méthode de représentation est assez générale pour convenir à des variantes du problème d atelier multigamme mais aussi à des problèmes de gestion de projet [Boctor, 1996]. Afin de poursuivre la description unifiée des heuristiques de proximité, il est important de préciser la méthode de génération des solutions de départ. Dans les quatre heuristiques, une méthode de construction a été utilisée afin de fournir une solution de départ réalisable avec une valeur de fonction acceptable. La règle d ordonnancement utilisée consiste à placer le plus tôt possible les opérations des travaux qui présentent le temps de fabrication restant pour accomplir le reste du travail (Longest Remaining Processaing Time). Ainsi, notons que pour le recuit simulé et la recherche avec tabous une seule solution de départ est nécessaire contrairement aux deux autres heuristiques : l amélioration locale avec départs multiples et l algorithme génétique. Dans les deux derniers cas, la méthode de construction a été utilisée en plus de la génération aléatoire de solutions. Après avoir obtenu la ou les solution(s) initiale(s), un processus itératif s enclenche jusqu à ce qu un critère d arrêt soit vérifié. Encore une fois, une attention particulière a été portée afin de définir un critère d arrêt commun. En effet, le critère choisi consiste à cesser les itérations lorsqu il ne se produit pas de modification de la meilleure solution depuis un certain nombre d itérations fixé au préalable. Dans le but de limiter les efforts de calcul, il a semblé judicieux d ajouter un critère d arrêt supplémentaire au recuit simulé et à l algorithme génétique. En effet, ces méthodes semblaient dépenser inutilement un temps de calcul important à la fin de leur exécution. C est pourquoi, le recuit simulé voit l arrêt de son exécution si le critère mentionné est respecté ou si la température devient inférieure à une valeur déterminée. Pour ce qui est de l algorithme génétique, le second critère d arrêt consiste à interrompre l exécution si la convergence de la population est atteinte à un certain pourcentage. Le processus itératif quant à lui se décompose en deux mécanismes distincts qui poursuivent des buts différents voire même opposés : les mécanismes d intensification et de diversification. Le premier mécanisme consiste à doter les heuristiques d une méthode capable d explorer une région de l espace des solutions de façon systématique afin de découvrir la meilleure solution dans cette région et ainsi espérer améliorer la solution courante. Ce mécanisme a déjà été abordé précédemment sous l appellation de recherche dans le voisinage. Étant donné qu il existe une multitude de façon de définir le voisinage, il a fallut faire un choix en ce sens et déterminer un voisinage performant nécessitant un temps de calcul le plus faible possible. Tout d abord, le calcul des temps de fin au plus tard des opérations est nécessaire dans la définition du voisinage utilisé. Cette méthode est largement employée en gestion de projet afin de déterminer le chemin critique (Critical Path Method). Dans le même sens, les dates de fin au plus tard permettent d identifier les opérations critiques et c est à partir de celles-ci que les modifications de la solution sont réalisées. Cette approche a également été utilisée par Nowichi & -10-

12 Smutnicki [1996] et offre l avantage de limiter le voisinage. Par la suite, on sélectionne au hasard une opération critique et on identifie les déplacements qui peuvent être effectués tout en conservant une solution réalisable. Lorsqu un voisin permet d améliorer la solution courante, on cesse les insertions et la solution courante est modifiée. Le même processus se répète un certain nombre de fois. Pour effectuer l exploration complète du voisinage (qui est utilisée dans l amélioration locale), on progresse de la première opération critique vers la seconde et ainsi de suite en procédant aux insertions. Lorsqu une amélioration est obtenue, on recommence à la première opération critique jusqu à ce qu il n y ait plus d amélioration possible pour l ensemble des opérations critiques de la solution courante. La figure 2 démontre que pour une opération i, les déplacements valides (identifiés par les petites flèches avec un carré) se situent après le prédécesseur immédiat (Pi) et avant le successeur immédiat (Si). Figure 2 : Déplacements possibles Si = successeur immédiat de i Pi = prédécesseur immédiat de i Insertions possibles = entre la Position (Pi)+1 et Position (Si)-1 i P i S i Les métaheuristiques possèdent un deuxième mécanisme qui peut être qualifié de «mécanisme de diversification» et le but de ce dernier est de permettre de transcender l obstacle des optimums locaux. En effet, la principale carence des heuristiques de construction (comme par exemple LRPT) est l incapacité de progresser au-delà du premier optimum local rencontré. Pour remédier à cette difficulté, les heuristiques de proximité présentent tous, à leur façon, un mécanisme de diversification. C est à ce niveau que les heuristiques semblent se distinguer le plus les unes des autres. En ce qui concerne l amélioration locale avec départs multiples ce mécanisme se traduit justement par la répétition de l algorithme à partir de différentes solutions initiales. Le recuit simulé de son côté assure une certaine forme de diversification par la probabilité d accepter une solution qui entraîne une détérioration de la solution courante. De cette façon, la méthode tente d'éviter un optimum local et de se diriger vers une autre région de solutions. La gestion d une liste de tabous qui conserve en mémoire les dernières transformations effectuées permet à la recherche avec tabous d encourager l exploration de régions différentes. Enfin, l algorithme génétique assure une diversification par l utilisation d une population de solutions ainsi que par les perturbations (mutations) appliquées dans le but d éviter une convergence trop hâtive. Il est important de souligner que l'implantation de ces méthodes nécessite l'ajustement de nombreux paramètres. Cet ajustement est délicat car les méthodes y sont normalement très sensibles. Dans le présent travail, les paramètres utilisés ont été choisis à la suite d'une -11-

13 expérimentation des heuristiques mais également en fonction des valeurs généralement reconnues dans la littérature. Les paramètres choisis devaient aussi offrir des temps de résolution comparables pour chacune des méthodes. 6. Description de l expérience numérique Des essais numériques sont réalisés afin d évaluer et de comparer la performance des heuristiques de recherche dans le voisinage discutées dans ce travail. En plus de l amélioration locale, du recuit simulé, de la recherche avec tabous et de l algorithme génétique s ajoute à l analyse, la génération aléatoire des solutions (RN). La comparaison des résultats obtenus par ces cinq méthodes se fait à l aide de 18 problèmes tests reconnus dans la littérature. Ces problèmes ont déjà une longue histoire derrière eux car ils font l objet d une compétition entre les chercheurs [Blazewicz & al., 1996]. Ces 18 problèmes sont disponibles sur Internet dans une librairie de problèmes en recherche opérationnelle (http://mscmga.ms.ic.ac.uk/info.html) et présentent l avantage que les solutions optimales sont connues. Ceci permet donc de comparer la performance entre les heuristiques mais également par rapport à l optimum. La taille des problèmes est 10X10 (10 machines, 10 travaux) et représente tout de même une taille de problème respectable comme il a été démontré précédemment. L implantation informatique des heuristiques a été faite sous un environnement Windows 95 et dans un langage de programmation Microsoft Visual Basic 5.0. Ce langage de programmation nécessite un temps de résolution un peu supérieur à des langages reconnus pour leur vitesse de calcul comme par exemple le langage C. Ceci ne représentait pas nécessairement un obstacle étant donné que la résolution des problèmes pour chaque heuristique était faite dans les mêmes conditions. La plate-forme utilisée pour effectuer les essais numériques est un ordinateur de type PC avec un processeur pentium à 100 MHz et 24 RAM. La section précédente à fait longuement état d'une recherche de similarités entre les heuristiques dans le but de pouvoir réaliser une comparaison de ces derniers. Dans le même esprit de vouloir accomplir une comparaison avec les meilleures garanties de validité, la résolution des 18 problèmes pour les cinq méthodes a été effectuée dans des conditions similaires. Par exemple, l ordinateur était dédié uniquement à cette tâche lors des résolutions. De plus, lors des ajustements préalables de chacune des heuristiques de proximité, les paramètres utilisés ont été établis de façon à offrir un temps de résolution moyen pour les méthodes présentant des écarts réduits. Le principal critère d évaluation est le pourcentage d augmentation par rapport à l optimum ou encore la déviation par rapport à l optimum. D autres critères d évaluation sont également observés comme par exemple les déviations maximale et minimale de l optimum, le nombre de fois qu une heuristique obtient la meilleure (pire) solution, le nombre de fois que cette meilleure (pire) solution est l unique meilleure (pire), et le temps moyen de calcul. De plus, afin de faire un classement de ces heuristiques, les dominances empirique et stochastique sont étudiées. Deux tests statistiques viennent confirmer ou infirmer ces classements : le test non paramétrique de Wilcoxon et le test paramétrique t. -12-

14 7. Résultats et analyse Chacun des 18 problèmes a été résolu une seule fois par les cinq méthodes. Un résumé des résultats est donné au tableau 1. À l aide de ces résultats, on remarque que le recuit simulé, la recherche avec tabous et l algorithme génétique surclassent l amélioration locale et la génération aléatoire selon le critère de déviation moyenne par rapport à l optimum. Cependant, la discrimination de ces trois heuristiques semble difficile à faire. En ce qui concerne, la déviation maximale, les heuristiques se retrouvent toutes avec des résultats identiques sauf pour la génération aléatoire qui présente une déviation maximale nettement supérieure. L algorithme génétique se démarque sur le critère de déviation minimale avec un résultat en dessous de 1%. Un autre résultat à souligner concerne l incapacité de toutes les méthodes à atteindre, même une seule fois, la solution optimale. Les meilleures solutions sont obtenues la majorité du temps par l algorithme génétique et à l inverse, l amélioration locale présente les pires solutions obtenues 15 fois sur 18 (en faisant exception pour ce critère de la génération aléatoire). Enfin, les temps moyens de calcul se situent entre 0 seconde et 5 minutes 16 secondes. On remarque cependant que pour des résultats semblables, le recherche avec tabous nécessite en moyenne au-delà de 1 minute 30 secondes de moins que l algorithme génétique. Tableau 1 : Résumé des résultats obtenus Heuristique AL RS RT AG RN Déviation moyenne par 12,81 8,22 8,34 7,22 41,78 rapport à l optimum Écart type (Déviation) 3,06 4,21 3,94 4,51 10,88 Déviation maximale par 19,90 17,62 17,43 15,52 61,56 rapport à l optimum Déviation minimale par 8,33 2,55 4,32 0,89 25,25 rapport à l optimum Nb. de fois que l optimum est atteint Nb. de fois que l heuristique obtient la meilleure solution Nb. de fois que l heuristique obtient la pire solution (RN non considéré) Temps moyen de calcul 00:01:43 00:04:51 00:03:44 00:05:16 00:00:00 Tableau 2 : Nombre de fois que l heuristique dans la ligne est strictement meilleure que celle dans la colonne. AL RS RT AG RN AL RS RT AG RN

15 Le tableau 2 présente à son tour un autre indicateur de performance en affichant le nombre de fois que l heuristique indiquée dans la ligne produit un résultat strictement meilleur que celle indiquée dans la colonne. Il est à noter que le nombre de fois que les heuristiques produisent des solutions équivalentes peut être déduit facilement. Il peut être intéressant d observer les relations de dominance empirique et stochastique afin de déduire un classement des méthodes. On dit qu une heuristique (a) domine empiriquement une heuristique (b) si pour tous les problèmes tests, la solution donnée par (a) est égale ou meilleure que celle donnée par (b) avec au moins une solution strictement meilleure pour (a). Selon cette définition et le graphique 1, on observe que la génération aléatoire est dominée empiriquement par les quatre heuristiques de proximité. Aucune autre relation de dominance ne peut être établie. Graphique 1 : Dominance empirique Dom inance Em pirique 70,00 60,00 Déviation (%) 50,00 40,00 30,00 20,00 AL RS RT AG RND 10,00 0,00 abz5.txt abz6.txt ft10.txt la16.txt la17.txt la18.txt la19.txt la20.txt orb01.txt orb02.txt orb03.txt orb04.txt orb05.txt orb06.txt orb07.txt orb08.txt orb09.txt orb10.txt Problèm e Graphique 2 : Dominance stochastique D o m in a n c e S t o c h a s t iq u e 1,2 0 Fréquences cumulées 1,0 0 0,8 0 0,6 0 0,4 0 0,2 0 A L R S R T A G R N 0,0 0 D é v i a t io n d e l ' o p t im u m ( % ) En ce qui concerne l autre relation de dominance, on dit qu une heuristique (a) domine stochastiquement une heuristique (b) si pour toutes les valeurs de la déviation de l optimum, le nombre de fois que l heuristique (a) a produit des solutions en dessous de cette valeur de déviation -14-

16 est plus élevé que le nombre de fois produit par (b). Représentée par un graphique, on identifie une dominance stochastique si une courbe de fréquences cumulées surplombe une autre courbe. Le graphique 2 illustre les relations de dominance stochastique et présente le rangement suivant (en commençant par l'heuristique qui présente la plus forte dominance) : AG RS RT- AL et RN. À la lumière de ces résultats, il semble difficile, étant donné la faible différence dans les résultats, de déterminer un classement certain entre les trois heuristiques qui réagissent le mieux : le recuit simulé, la recherche avec tabous et l algorithme génétique. C est pourquoi, un test statistique semble approprié afin d établir si la différence dans les résultats est suffisamment significative pour distinguer ces heuristiques entre elles. Le test non paramétrique de Wilcoxon [Conover, 1980] est utilisé car il présente l avantage de ne pas nécessiter d hypothèse en ce qui a trait à la distribution des résultats. Pour comparer deux à deux des heuristiques, le test statistique pose l hypothèse nulle que la déviation moyenne de la première heuristique, µ1, est égale à la déviation moyenne de la deuxième, µ2, et l hypothèse alternative est µ1 > µ2. Le tableau 3 présente les valeurs de la statistique de Wilcoxon pour les valeurs positives seulement. L hypothèse nulle est rejetée dans les cas où la valeur de la statistique est supérieure à une valeur critique (W= ) correspondant à un niveau de confiance de 1%. Les caractères gras indiquent les cas où l hypothèse nulle est rejetée. Tableau 3 : Test statistique non paramétrique de Wilcoxon AL RS RT AG RN AL RS RT AG -- RN Le test statistique de Wilcoxon indique donc que les quatre heuristiques de proximité obtiennent des résultats significativement supérieurs à un niveau de confiance de 1% à ceux de la génération aléatoire. À son tour, l amélioration locale avec départs multiples est surclassée par les trois autres heuristiques. Cependant, le recuit simulé, la recherche avec tabous et l'algorithme génétique présentent des résultats qui ne peuvent conduire à une conclusion de supériorité d une de ces méthodes par rapport aux autres. Tableau 4 : Test paramétrique t AL RS RT AG RN AL RS RT AG -- RN Pour des fins théoriques seulement, le test paramétrique t a été appliqué pour vérifier si les mêmes conclusions étaient obtenues. Ce test exige cependant de poser l hypothèse que les résultats suivent -15-

17 une distribution normale. Même si la taille de l échantillon de 18 problèmes est insuffisante pour établir cette hypothèse, nous avons tout de même procédé à ce test avec un niveau de confiance identique de 1%. Le tableau 4 présente le résultat de ce test statistique. Encore cette fois, les caractères gras indiquent les cas où l hypothèse nulle est rejetée. Seules les valeurs positives de la statistique sont présentées (t0.01,28=2.467). Ce test statistique vient donc confirmer le même rangement des heuristiques qui a été déduit du test de Wilcoxon. 8. Conclusions Dans ce travail, la conception d heuristiques de proximité a été réalisée pour la résolution d un problème d atelier multigamme. Ce problème NP-Dur largement étudié dans la littérature n avait pas fait l objet, à notre connaissance, d un travail de comparaison pour ce type d heuristique. De plus, la littérature est assez limitée sur la comparaison de la performance pour l ensemble des problèmes d optimisation combinatoire en général. Une grande partie des travaux qui effectuent une comparaison entre des heuristiques de proximité découlent d un besoin de justification de l application d une heuristique à un contexte donné. Les résultats obtenus lors de l application sont alors comparés à des résultats recueillis dans la littérature. Dans de telles conditions, il est légitime de s interroger sur la comparaison effectuée. Ainsi, une brève introduction sur l amélioration locale avec départs multiples, le recuit simulé, la recherche avec tabous et l algorithme génétique a permis de faire ressortir l idée de base de chacune de ces heuristiques pour conduire ensuite à la description d un cadre général. Ce cadre inclut le codage des solutions, la génération de solutions initiales, un processus itératif composé des mécanismes d intensification et de diversification et d un critère d arrêt. Il a alors été possible de remarquer la grande corrélation qui existe entre les heuristiques présentées. La distinction majeure a été identifiée au niveau du mécanisme de diversification qui est présent dans toutes les méthodes mais chacune exploitant ce mécanisme à sa façon. Figure 3 : Rangement final des heuristiques RS RT AL RN AG L implantation des heuristiques de proximité sous leur forme de base incluant les parties communes décrites a conduit à une comparaison des résultats. Une première remarque à formuler concerne la facilité d implantation de ces méthodes et la flexibilité offerte par ces dernières pour s adapter aux contraintes des problèmes traités. On aurait pu croire que des versions de base de ces -16-

18 heuristiques auraient de la difficulté à fournir une bonne qualité de solution mais au contraire, les résultats obtenus en moyenne pour le recuit simulé, la recherche avec tabous et l algorithme génétique se situent en dessous de 8% de l optimum. De plus, parmi les trois qui viennent d être mentionnées, il a été impossible de déclarer que la performance d'une de celles-ci est significativement supérieure aux autres. L amélioration locale avec départs multiples a cependant été classée comme moins performante que ces trois heuristiques mais tout de même meilleure que la génération aléatoire. La figure 3 présente le rangement obtenu des heuristiques (le sens d une flèche indique un surclassement). Il est certain que cette recherche présente des limites qui se doivent d être soulevées. Tout d abord, l échantillon des problèmes qui a servi à comparer les heuristiques est faible. En ce sens, la résolution d'un plus grand nombre de problèmes mais aussi de problèmes de taille et de nature différentes serait souhaitable pour compléter cette analyse. De plus, malgré l attention particulière apportée afin de garantir une base de comparaison valide, il est possible qu une heuristique ait été avantagée par rapport à une autre. Par exemple, ceci a pu se produire en raison de l ajustement des nombreux paramètres ou encore à une meilleure intuition pour une méthode par rapport à une autre. Cependant, cet effet négatif a tout de même été limité par les éléments mis en communs. En ce qui concerne les directions futures à cette recherche, il peut être intéressant d envisager un raffinement des méthodes pour améliorer davantage les résultats obtenus et pour comparer à nouveaux les heuristiques afin de constater si le même rangement était obtenu. En plus, il serait intéressant d'effectuer un exercice semblable pour des problèmes de plus grande taille. Notre intuition à ce sujet est qu'il y aurait sans doute plus de chances pour que les heuristiques se démarquent les unes des autres. Sans obtenir un rangement complet, il serait probablement possible de déceler d'autres relations de dominance. Une autre direction envisagée concerne l'implantation de concepts d'apprentissage afin d'apporter une aide supplémentaire pour l'ajustement des nombreux paramètres rencontrés. Enfin, l inclusion d éléments de connaissance au problème d atelier multigamme est prévue afin de produire une adaptation plus juste de ces heuristiques pour ce problème particulièrement difficile. 9. Bibliographie Aarts, E.H.L., Korst, J.H.M., (1989), Simulated annealing and Boltzmann machines, Wiley, Chichester. Baker, K.R, (1974), Introduction to Sequencing and scheduling, Wiley, New York. Boctor, F.F., (1996), Resource-constrained project scheduling by simulated annealing, International Journal of Production Research, Vol. 34, No. 8, pp Conover, W.J., (1980), Practical Nonparametric Statistics, 2 nd Edn., Wiley, New York. Blazewicz, J., Dror, M., Weglarz, J., (1991), Mathematical programming formulations for machine scheduling: A survey, European Journal of Operational Research 51, pp Blazewicz, J., Wolfgang, D., Pesch, E., (1996), The job shop scheduling problem: conventional and new solution techniques, European Journal of Operational Research 93, pp Conway, R.N., Maxwell, W.L., Miller, L.W., (1967), Theory of scheduling, Addison-Wesley, Reading, MA. -17-

19 Crauwels, H.A.J, Potts, C.N. et VanWassenhove, L.N., (1996), Local search heuristics for singlemachine scheduling with batching to minimize the number of jobs, European Journal of Operational Research, Vol.90, Iss.2, pp Davis, L., (1991), "Hanbook of Genetic Algorithms", Van Nostrand Reinhold, New York. Dorn, J., Girsch, M., Skele, G., Slany, W., (1996) Comparison of iterative improvement techniques for schedule optimization, European Journal of Operational Research, Vol 94, pp Downsland, K.A., (1996), Genetic algorithms - A tool for OR?, Journal of the Operational Research Society, Vol.47, Iss.4, pp Eglese, R.W, (1990), "Simulated annealing: A tool for operational research", European Journal of Operational Research, Vol 46, No 2, pp Fox, M., (1987), Constraint-directed search: A case study of job shop scheduling, Pitman, London. French, S., (1982), Sequencing and scheduling: An introduction to the mathematics of the job-shop, Wiley, New York. Garey, M.S., Johnson, D.S., (1979) «Computer and Intractability : A Guide to the Theory of NP- Completeness», W.H. Freeman and Co., New York. Glover, F., (1989), Tabu search Part I, ORSA Jounal on Computing 1, pp Glover, F., (1990a), Tabu search Part II, ORSA Jounal on Computing 2, pp Glover, F., (1990b), Tabu search: A tutorial, Interfaces 20, pp Glover, F. et Greenberg, H.J., (1989), New Approaches for Heuristic Search : A Bilateral Linkage with Artificial Intelligence, European Journal of Operational Research, Vol.39, Iss.2, pp Goldberg, D.E., (1989a), Genetic Algorithm in Search Optimization and Machine Learning, Addison-Wesley : Reading, MA. Goldberg, D.E., (1989b), "Sizing populations for serial and parallel genentic algorithms", In Proceedings of the Third Int. Conf. on Genetic Algorithms (ICGA '89),pp Grefenstette, J. J., (1986), Optimization of Control Parameters for Genetic Algorithms, IEEE Trans. Syst., Man, Cyber. SMC-16, pp Hax, A.C., Candea, D., (1984), Production and inventory management, Prentice-Hall, Englewood Cliffs, NJ. Holland, J. H., (1975), Adaptation in Natural and Artificial Systems, University of Michigan Press : Ann Arbor, MI. Johnson, D.S., Papadimitriou, C.H., Yannakakis, M., (1988), How easy is local search?, Journal of Computer System Science 37, pp Kelly, J.E.Jr., (1963), "The critical path method: resource planning and scheduling", Dans Industrial Scheduling, J.F. Muth et G.L. Thompson (eds) (Englewood Cliffs, NJ: Prentice-Hall), pp Kirkpatrick, S., Gelatt, C.D.Jr. et Vecchi, M.P., (1983), Optimization by Simulated Annealing, Science, Vol.220, pp Kusiak, A., Chen, M., (1988), Expert systems for planning and scheduling manufacturing systems, European Journal of Operational Reseacrh 34, pp Lawler, E.L.,Lenstra, J.K., Rinnooy Kan, A.G.H., Shmoys, D.B., (1993), Sequencing and scheduling: algorithms and complexity, in Handbooks in Operations Research and Management Science, Vol 4. Lee, J-K., Kim, Y-D., (1996), Search heuristics for resource constrained project scheduling, Journal of the Operational Research Society, Vol.47, Iss.5, pp

20 Lenstra, J.K., Rinnooy Kan, A.H.G., (1979), Computational complexity of discrete optimization problems, Annals of Discrete Mathematics 4, pp Lin, C.K.Y., Haley, K.B., Sparks, C., (1995), A comparative study of both standard and adaptive versions of threshold accepting and simulated annealing algorithms in three scheduling problems, European Journal of Operational Research, Vol 83, pp Maccarthy, B.L., Liu, J., (1993) "Adressing the Gap in Scheduling Research: A Review of Optimzation and Heuristic Methods in Production Scheduling", Int. Journal of Prod. Res. 31, No. 1, pp Mattfeld, D.C., (1996), Evolutionary search and the job shop: Investigations on gentic algorithms for production scheduling, Springer-Verlag, Germany. Marett, R., Wright, M., (1996), "A comparison of neighborhood search techniques for multi-objective combinatorial problems", Computers & Operations Research, Vol 23, No 5, pp Metropolis, N., Rosenbulth, A.W., Rosenbulth, M.N., Teller, A.H., Teller, E., (1953), «Equation of state calculations by fast computing machines», Journal of Chems. Phys. 21, pp Michalewicz, Z., (1992), "Data structures + genetic operators = evolution programs", Springer, Berlin. Morton, T.E., Pentico, D.W., (1993), " Heuristic scheduling systems ", Wiley, New York. Nowicki, E., Smutnicki, C., (1996), «A fast taboo search algorithm for the job shop problem», Management Science, Vol. 42, No. 6, pp Osman, I.H., Kelly, J.P., (1996), "Metaheuristics. Theory and Application", Kluwer, Boston. Pirlot, M., (1996), General Local Search Methods, European Journal of Operational Research, Vol 92, pp Reeves, C.R., (1993) " Modern heuristic Techniques for combinatorial problems", John Wiley & Sons. Shtub, A., LeBlanc, L.J., Cai, Z., (1996) Scheduling programs with repetitive projects: A comparison of simulated annealing, a genetic and a pair-wise swap algorithm, European Journal of Operational Research, Vol 88, pp Sinclair, M., (1993), Comparison of the performance of modern heuristics for combinatorial optimization on real data, Computers & Operations Research, Vol. 20, Iss. 7, pp Soriano, P., Gendreau, M., (1997), Fondements et applications des méthodes de recherche avec tabous, Operations Research, 31, No. 2, pp Sycara, K.P., Roth, S.F., Sadeh, N., Fox, M., (1991), Ressource allocation in distributed factory scheduling, IEEE Expert 6, pp Thesen, A., (1997), Scheduling Computer and Manufacturing Processes, University of Toronto, Press. Van Laarhoven, P.J.M. et Aarts, E.H.L., (1987), Simulated Annealing : Theory and Practice, Kluwer Academic Publisher. Van Laarhoven, P.J.M. et Aarts, E.H.L., Lenstra, J.K, (1992), Job shop scheduling by Simulated Annealing, Operations Research, Vol. 40, Iss. 1, pp

Chapitre 1. L algorithme génétique

Chapitre 1. L algorithme génétique Chapitre 1 L algorithme génétique L algorithme génétique (AG) est un algorithme de recherche basé sur les mécanismes de la sélection naturelle et de la génétique. Il combine une stratégie de survie des

Plus en détail

Heuristique et métaheuristique. 8. Optimisation combinatoire et métaheuristiques. Optimisation combinatoire. Problème du voyageur de commerce

Heuristique et métaheuristique. 8. Optimisation combinatoire et métaheuristiques. Optimisation combinatoire. Problème du voyageur de commerce Heuristique et métaheuristique IFT1575 Modèles de recherche opérationnelle (RO) 8. Optimisation combinatoire et métaheuristiques Un algorithme heuristique permet d identifier au moins une solution réalisable

Plus en détail

OÙ EN EST-ON? ABANDONNER L IDÉE D AVOIR UN ALGORITHME

OÙ EN EST-ON? ABANDONNER L IDÉE D AVOIR UN ALGORITHME OÙ EN EST-ON? Que faire face à un problème dur? AAC S.Tison Université Lille1 Master1 Informatique Quelques schémas d algorithmes Un peu de complexité de problèmes Un peu d algorithmique avancée ou Que

Plus en détail

Annexe 6. Notions d ordonnancement.

Annexe 6. Notions d ordonnancement. Annexe 6. Notions d ordonnancement. APP3 Optimisation Combinatoire: problèmes sur-contraints et ordonnancement. Mines-Nantes, option GIPAD, 2011-2012. Sophie.Demassey@mines-nantes.fr Résumé Ce document

Plus en détail

LES MÉTA-HEURISTIQUES : quelques conseils pour en faire bon usage

LES MÉTA-HEURISTIQUES : quelques conseils pour en faire bon usage LES MÉTA-HEURISTIQUES : quelques conseils pour en faire bon usage Alain HERTZ Ecole Polytechnique - GERAD Département de mathématiques et de génie industriel CP 679, succ. Centre-ville, Montréal (QC) H3C

Plus en détail

Cours de Master Recherche

Cours de Master Recherche Cours de Master Recherche Spécialité CODE : Résolution de problèmes combinatoires Christine Solnon LIRIS, UMR 5205 CNRS / Université Lyon 1 2007 Rappel du plan du cours 1 - Introduction Qu est-ce qu un

Plus en détail

PLAN DE COURS. GPA750 Ordonnancement des systèmes de production aéronautique

PLAN DE COURS. GPA750 Ordonnancement des systèmes de production aéronautique Département de génie de la production automatisée Programme de baccalauréat Professeur Pontien Mbaraga, Ph.D. Session/année Automne 2004 Groupe(s) 01 PLAN DE COURS GPA750 Ordonnancement des systèmes de

Plus en détail

La Recherche Tabou. Par Joseph Ayas Marc André Viau. 16 novembre, 2004 Recherche Tabou J. Ayas & M.A. Viau

La Recherche Tabou. Par Joseph Ayas Marc André Viau. 16 novembre, 2004 Recherche Tabou J. Ayas & M.A. Viau La Recherche Tabou Par Joseph Ayas Marc André Viau 1 Plan de la présentation Introduction Explication détaillée de la Recherche Tabou (RT) Exemples Domaines d application Ressources disponibles Conclusion

Plus en détail

5.1 Les méthodes Métaheuristiques

5.1 Les méthodes Métaheuristiques 5.1 Les méthodes Métaheuristiques Les métaheuristiques constituent une classe de méthodes qui fournissent des solutions de bonne qualité en temps raisonnable à des problèmes combinatoires réputés difficiles

Plus en détail

Une application des algorithmes génétiques à l ordonnancement d atelier

Une application des algorithmes génétiques à l ordonnancement d atelier Une application des algorithmes génétiques à l ordonnancement d atelier VACHER Jean-Philippe - GALINHO Thierry - MAMMERI Zoubir Laboratoire d Informatique du Havre Université du Havre 25, Rue Philippe

Plus en détail

Impact du chevauchement d activités sur la diminution de la durée de projet

Impact du chevauchement d activités sur la diminution de la durée de projet Colloque sur les enjeux et outils modernes de gestion de projet Impact du chevauchement d activités sur la diminution de la durée de projet Francois Berthaut, Ing. Jr., M.Sc.A., École Polytechnique francois.berthaut@polymtl.ca

Plus en détail

ALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE

ALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE ALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE P. Baudet, C. Azzaro-Pantel, S. Domenech et L. Pibouleau Laboratoire de Génie Chimique - URA 192 du

Plus en détail

La sélection des règles de priorité en fonction des critères de performances d un FMS

La sélection des règles de priorité en fonction des critères de performances d un FMS La sélection des règles de priorité en fonction des critères de performances d un FMS Ahmed HASSAM, Talib Hicham BETAOUAF, Abdellah BENGHALEM et Zaki SARI Université Aboubekr belkaîd TLEMCEN, PoBox 230,

Plus en détail

CONCEPTION D UNE METAHEURISTIQUE ET APPLICATION AU PROBLÈME D ORDONNANCEMENT DE PROJET À MOYENS

CONCEPTION D UNE METAHEURISTIQUE ET APPLICATION AU PROBLÈME D ORDONNANCEMENT DE PROJET À MOYENS 12 CONCEPTION D UNE METAHEURISTIQUE ET APPLICATION AU PROBLÈME D ORDONNANCEMENT DE PROJET À MOYENS LIMITÉS Mireille Palpant Sous la direction de Christian Artigues et de Philippe Michelon Laboratoire d

Plus en détail

Ordonnancement en temps réel d un jobshop par métaheuristique hybride : étude comparative

Ordonnancement en temps réel d un jobshop par métaheuristique hybride : étude comparative Ordonnancement en temps réel d un jobshop par métaheuristique hybride : étude comparative Y. Houbad, M. Souier, A. Hassam, Z.Sari Laboratoire d automatique Tlemcen Faculté de technologie, Université Abou

Plus en détail

Approche d'évaluation pour les problèmes d'ordonnancement multicritères : Méthode d'agrégation avec direction de recherche dynamique

Approche d'évaluation pour les problèmes d'ordonnancement multicritères : Méthode d'agrégation avec direction de recherche dynamique Approche d'évaluation pour les problèmes d'ordonnancement multicritères : Méthode d'agrégation avec direction de recherche dynamiue D. BERKOUNE 2, K. MESGHOUNI, B. RABENASOLO 2 LAGIS UMR CNRS 846, Ecole

Plus en détail

Introduction à la programmation en variables entières Cours 3

Introduction à la programmation en variables entières Cours 3 Introduction à la programmation en variables entières Cours 3 F. Clautiaux francois.clautiaux@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 272 Sommaire Notion d heuristique Les algorithmes gloutons

Plus en détail

METHODES A BASE DE DIVERGENCES POUR LES PROBLEMES D ORDONNANCEMENT FLEXIBLE

METHODES A BASE DE DIVERGENCES POUR LES PROBLEMES D ORDONNANCEMENT FLEXIBLE Abir Ben Hmida 1/6 METHODES A BASE DE DIVERGENCES POUR LES PROBLEMES D ORDONNANCEMENT FLEXIBLE Abir BEN HMIDA 1 Directeur(s) de thèse: Pierre LOPEZ*, Marie-José HUGUET* et Mohamed HAOUARI ** Laboratoire

Plus en détail

Groupe. Chapter 1. Félix Abecassis (CSI) Christopher Chedeau (CSI) Gauthier Lemoine (SCIA) Julien Marquegnies (CSI)

Groupe. Chapter 1. Félix Abecassis (CSI) Christopher Chedeau (CSI) Gauthier Lemoine (SCIA) Julien Marquegnies (CSI) Chapter 1 Groupe Félix Abecassis (CSI) Christopher Chedeau (CSI) Gauthier Lemoine (SCIA) Julien Marquegnies (CSI) Nous avons choisi d implémenter le projet avec le langage Javascript. L avantage offert

Plus en détail

Mots-clés Optimisation par Essaims de Particules (OEP), Recuit Simulé (RS), Métaheuristique, Hybridation, ORPF, Système électrique de puissance.

Mots-clés Optimisation par Essaims de Particules (OEP), Recuit Simulé (RS), Métaheuristique, Hybridation, ORPF, Système électrique de puissance. Hybridation Intégrative OEP/RS Appliquée à l Ecoulement Optimal de la Puissance Réactive M. Lahdeb S. Arif A. Hellal Laboratoire d Analyse et de Commande des Systèmes d Energie et Réseaux Électriques (LACoSERE)

Plus en détail

The Current State and Future of Search Based Software Engineering

The Current State and Future of Search Based Software Engineering The Current State and Future of Search Based Software Engineering Mark Harman 1 IEEE International Conference on Software Engineering FoSE 07: Future of Software Engineering 1 King's College, LONDON, UK

Plus en détail

La recherche locale. INF6953 La recherche locale 1

La recherche locale. INF6953 La recherche locale 1 La recherche locale INF6953 La recherche locale 1 Sommaire Recherche locale et voisinage. Fonction de voisinage, optimum local Fonction de voisinage et mouvements Fonction de voisinage et mouvements Exemples

Plus en détail

Métaheuristique. Jérémy CHANUT Charles BALLARINI

Métaheuristique. Jérémy CHANUT Charles BALLARINI Métaheuristique Jérémy CHANUT Charles BALLARINI 15 octobre 2012 CHAPITRE 1 INTRODUCTION Ce projet consiste en la résolution du problème des composants électroniques par deux méthodes : Recuit simulé Algorithme

Plus en détail

PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES

PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES Leçon 11 PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES Dans cette leçon, nous retrouvons le problème d ordonnancement déjà vu mais en ajoutant la prise en compte de contraintes portant sur les ressources.

Plus en détail

Minimisation de la somme des retards dans un jobshop flexible

Minimisation de la somme des retards dans un jobshop flexible Minimisation de la somme des retards dans un jobshop flexible Nozha ZRIBI, Imed KACEM, Abdelkader EL KAMEL, Pierre BORNE LAGIS Ecole Centrale de Lille, BP 48, 5965 Villeneuve d Ascq Cedex, France ISTIT

Plus en détail

Un Algorithme génétique pour le problème de ramassage et de livraison avec fenêtres de temps à plusieurs véhicules

Un Algorithme génétique pour le problème de ramassage et de livraison avec fenêtres de temps à plusieurs véhicules Un Algorithme génétique pour le problème de ramassage et de livraison avec fenêtres de temps à plusieurs véhicules I. Harbaoui Dridi (1),(2) R. Kammarti (1),(2) P. Borne (1) M. Ksouri (2) imenharbaoui@gmail.com

Plus en détail

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème.

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème. Mathématiques - classe de 1ère des séries STI2D et STL. 1. Analyse On dote les élèves d outils mathématiques permettant de traiter des problèmes relevant de la modélisation de phénomènes continus ou discrets.

Plus en détail

CH.5 MÉTHODES APPROCHÉES

CH.5 MÉTHODES APPROCHÉES CH.5 MÉTHODES APPROCHÉES 5.1 Les voisinages 5. Les méthodes de descentes 5. Le recuit simulé 5.4 La Méthode Tabou 5.5 Les algorithmes génétiques Opti-comb ch 5 1 5.1 Les voisinages Dans les problèmes de

Plus en détail

Des outils pour l optimisation et la robustesse. Marc Sevaux

Des outils pour l optimisation et la robustesse. Marc Sevaux Des outils pour l optimisation et la sse Marc Sevaux Université de Valenciennes et du Hainaut-Cambrésis Laboratoire d Automatique, de Mécanique et d Informatique Industrielles et Humaines (UMR CNRS 8530)

Plus en détail

LA GESTION DES OPÉRATIONS EN TEMPS RÉEL D UNE COMPAGNIE DE COURRIER RAPIDE. Introduction

LA GESTION DES OPÉRATIONS EN TEMPS RÉEL D UNE COMPAGNIE DE COURRIER RAPIDE. Introduction Congrès ASAC 2002 M hamed Moussaoui Winnipeg, Canada Fayez F. Boctor Jacques Renaud Centre de recherche sur les technologies de l organisation réseau (CENTOR) Université Laval LA GESTION DES OPÉRATIONS

Plus en détail

Routes de collecte du lait de la Fédération des producteurs de lait du Québec

Routes de collecte du lait de la Fédération des producteurs de lait du Québec Routes de collecte du lait de la Fédération des producteurs de lait du Québec Louis-Martin Rousseau Coordonnateur, CIRRELT et École Polytechnique de Montréal Réjean Robitaille Représentant industriel,

Plus en détail

Un algorithme génétique hybride pour des problèmes de tournées de véhicules multi-attributs

Un algorithme génétique hybride pour des problèmes de tournées de véhicules multi-attributs Un algorithme génétique hybride pour des problèmes de tournées de véhicules multi-attributs Thibaut Vidal, Teodor Gabriel Crainic, Michel Gendreau Nadia Lahrichi, Walter Rei ROADEF 2010 Plan de la présentation

Plus en détail

ENTREPÔTS ET MAGASINS

ENTREPÔTS ET MAGASINS Michel Roux ENTREPÔTS ET MAGASINS Tout ce qu il faut savoir pour concevoir une unité de stockage Cinquième édition, 1995, 2001, 2003, 2008, 2011 ISBN : 978-2-212-55189-1 2 LES PHASES DE SIMULATION DE VALIDATION

Plus en détail

MTH8442 Ordonnancement de Plan production. (3-0-6) 3 cr

MTH8442 Ordonnancement de Plan production. (3-0-6) 3 cr MTH8442 Ordonnancement de Plan production de cours Automne 2008 (3-0-6) 3 cr Michel Gamache Local A-305.29 340-4711 poste 5920 michel.gamache@polymtl.ca François Soumis Local A-520.15 340-4711 poste 6044

Plus en détail

Optimisation Combinatoire (Méthodes approchées) VI. Algorithmes à Population (Les bases)

Optimisation Combinatoire (Méthodes approchées) VI. Algorithmes à Population (Les bases) Optimisation Combinatoire (Méthodes approchées) VI. Algorithmes à Population (Les bases) Algorithmes à Population Idée principale 'Amélioration' d'un ensemble de solutions Recombiner des solutions Orienté

Plus en détail

Rappel du plan du cours

Rappel du plan du cours Rappel du plan du cours 1 - Introduction Qu est-ce qu un problème «complexe»? Exemples de problèmes «complexes» 2 - Approches complètes Structuration de l espace de recherche en Arbre Application à la

Plus en détail

Autour des nombres pseudo-aléatoires

Autour des nombres pseudo-aléatoires Lycée Chaptal PCSI-PC* Informatique générale pour l ingénieur Autour des nombres pseudo-aléatoires Introduction Produire des suites de nombres aléatoires est une nécessité dans de nombreux domaines de

Plus en détail

La gestion des files d'attente par les règles de priorité

La gestion des files d'attente par les règles de priorité La gestion des files d'attente par les règles de priorité Zoheir KARAOUZENE, Zaki SARI. LAT : Laboratoire d Automatique de Tlemcen Faculté des sciences de l ingénieur Université ABOU-BEKR BELKAÎD BP 230

Plus en détail

Optimisation combinatoire Métaheuristiques

Optimisation combinatoire Métaheuristiques Optimisation combinatoire Métaheuristiques Original Pierre Brezellec Laboratoire Génome et Informatique, Evry (modifié par Joël Pothier) OPTIMISATION COMBINATOIRE METAHEURISTIQUES...1 PRESENTATION INFORMELLE

Plus en détail

Exploration informée

Exploration informée Exploration informée Jerôme Champavère jerome.champavere @ lifl.fr http://www.grappa.univ-lille3.fr/~champavere/?page=enseignement Stratégies d'exploration informée Exploration «meilleur d'abord» Best-first

Plus en détail

OPTIMISATION DU TRANSPORT DE CHARGES PARTIELLES : UNE APPLICATION PRATIQUE

OPTIMISATION DU TRANSPORT DE CHARGES PARTIELLES : UNE APPLICATION PRATIQUE ASAC 2003 Marie-Claude Bolduc Halifax, Nouvelle-Écosse Gilles R. d Avignon Jacques Renaud Centre de recherche sur les technologies de l organisation réseau (CENTOR) Université Laval, Québec OPTIMISATION

Plus en détail

OPTIMISATION MULTICRITERE STOCHASTIQUE

OPTIMISATION MULTICRITERE STOCHASTIQUE OPTIMISATION MULTICRITERE STOCHASTIQUE Michel DUMAS, Gilles ARNAUD, Fabrice GAUDIER CEA/DEN/DMS/SFME/LETR michel.dumas@cea.r gilles.arnaud@cea.r abrice.gaudier @cea.r Introduction L optimisation multicritère

Plus en détail

Optimisation des tournées de ramassage scolaire de la commune de Seneffe

Optimisation des tournées de ramassage scolaire de la commune de Seneffe Optimisation des tournées de ramassage scolaire de la commune de Seneffe Laurie Hollaert Séminaire GRT 7 novembre Laurie Hollaert Optimisation des tournées de ramassage scolaire de la commune de Seneffe

Plus en détail

Optimisation et programmation mathématique. Professeur Michel de Mathelin. Cours intégré : 20 h

Optimisation et programmation mathématique. Professeur Michel de Mathelin. Cours intégré : 20 h Télécom Physique Strasbourg Master IRIV Optimisation et programmation mathématique Professeur Michel de Mathelin Cours intégré : 20 h Programme du cours d optimisation Introduction Chapitre I: Rappels

Plus en détail

Programme de Première

Programme de Première BAC TECHNO STAV 66 I. Algèbre Programme de Première Objectif 1 - Effectuer de manière autonome des calculs numériques ou algébriques, résoudre des équations ou inéquations en vue de résoudre des problèmes

Plus en détail

MATHÉMATIQUES CYCLE TERMINAL DE LA SÉRIE ÉCONOMIQUE ET SOCIALE ET DE LA SÉRIE LITTERAIRE CLASSE DE PREMIÈRE

MATHÉMATIQUES CYCLE TERMINAL DE LA SÉRIE ÉCONOMIQUE ET SOCIALE ET DE LA SÉRIE LITTERAIRE CLASSE DE PREMIÈRE Annexe MATHÉMATIQUES CYCLE TERMINAL DE LA SÉRIE ÉCONOMIQUE ET SOCIALE ET DE LA SÉRIE LITTERAIRE CLASSE DE PREMIÈRE L enseignement des mathématiques au collège et au lycée a pour but de donner à chaque

Plus en détail

CONSEILS POUR LA REDACTION DU RAPPORT DE RECHERCHE. Information importante : Ces conseils ne sont pas exhaustifs!

CONSEILS POUR LA REDACTION DU RAPPORT DE RECHERCHE. Information importante : Ces conseils ne sont pas exhaustifs! CONSEILS POUR LA REDACTION DU RAPPORT DE RECHERCHE Information importante : Ces conseils ne sont pas exhaustifs! Conseils généraux : Entre 25 et 60 pages (hormis références, annexes, résumé) Format d un

Plus en détail

Parallel Tree-based Exact Algorithms using Heterogeneous Many and Multi-core Computing for Solving Challenging Problems in Combinatorial Optimization

Parallel Tree-based Exact Algorithms using Heterogeneous Many and Multi-core Computing for Solving Challenging Problems in Combinatorial Optimization Parallel Tree-based Exact Algorithms using Heterogeneous Many and Multi-core Computing for Solving Challenging Problems in Combinatorial Optimization Rudi Leroy Encadrement : N. Melab (Univ. Lille 1),

Plus en détail

Les méthodes d optimisation appliquées à la conception de convertisseurs électromécaniques. Elec 2311 : S7

Les méthodes d optimisation appliquées à la conception de convertisseurs électromécaniques. Elec 2311 : S7 Les méthodes d optimisation appliquées à la conception de convertisseurs électromécaniques Elec 2311 : S7 1 Plan du cours Qu est-ce l optimisation? Comment l optimisation s intègre dans la conception?

Plus en détail

Table des matières. Coopération homme-machine pour l ordonnancement sous incertitudes. L atelier de production. Introduction.

Table des matières. Coopération homme-machine pour l ordonnancement sous incertitudes. L atelier de production. Introduction. Coopération homme-machine pour l ordonnancement sous incertitudes Guillaume Pinot IRCCyN, équipes ACSED et PsyCoTec Christian Artigues CR, CNRS, Toulouse Rapporteur Jacques Carlier Pr., UTC, Compiègne

Plus en détail

Principes d implémentation des métaheuristiques

Principes d implémentation des métaheuristiques Chapitre 2 Principes d implémentation des métaheuristiques Éric D. Taillard 1 2.1 Introduction Les métaheuristiques ont changé radicalement l élaboration d heuristiques : alors que l on commençait par

Plus en détail

Résolution d un problème de Job-Shop intégrant des contraintes de Ressources Humaines

Résolution d un problème de Job-Shop intégrant des contraintes de Ressources Humaines Résolution d un problème de Job-Shop intégrant des contraintes de Ressources Humaines ROADEF 09, 10-12 février 2009, Nancy (France) O. Guyon 1.2, P. Lemaire 2, É. Pinson 1 et D. Rivreau 1 1 LISA - Institut

Plus en détail

L ordonnancement des opérations d une machine multitâche : Un problème central dans l industrie de la chaussure

L ordonnancement des opérations d une machine multitâche : Un problème central dans l industrie de la chaussure L ordonnancement des opérations d une machine multitâche : Un problème central dans l industrie de la chaussure Fayez F. Boctor et Jacques Renaud Août 2005 Document de travail DT-2005-JR-3 Centre de recherche

Plus en détail

Algorithmes génétiques

Algorithmes génétiques Algorithmes génétiques Selvaraj Ramkumar 26 avril 2007 Résumé Les algorithmes génétiques appartiennent à une catégorie d algorithmes appelés métaheuristiques, dont l objectif est de repérer une solution

Plus en détail

PLANIFICATION ET SUIVI D'UN PROJET

PLANIFICATION ET SUIVI D'UN PROJET Centre national de la recherche scientifique Direction des systèmes d'information REFERENTIEL QUALITE Guide méthodologique PLANIFICATION ET SUIVI D'UN PROJET Référence : CNRS/DSI/conduite-projet/developpement/gestion-projet/guide-planfi-suivi-projet

Plus en détail

Etude d un cas industriel : Optimisation de la modélisation de paramètre de production

Etude d un cas industriel : Optimisation de la modélisation de paramètre de production Revue des Sciences et de la Technologie RST- Volume 4 N 1 /janvier 2013 Etude d un cas industriel : Optimisation de la modélisation de paramètre de production A.F. Bernate Lara 1, F. Entzmann 2, F. Yalaoui

Plus en détail

Un framework organisationnel pour la conception et l implantation multi-agent de métaheuristiques

Un framework organisationnel pour la conception et l implantation multi-agent de métaheuristiques Un framework organisationnel pour la conception et l implantation multi-agent de métaheuristiques D. Meignan david.meignan@utbm.fr J.-C. Créput jean-charles.creput@utbm.fr A. Koukam abder.koukam@utbm.fr

Plus en détail

«Défaire» un nombre entier pour en faire une liste dont les éléments sont les chiffres de ce nombre. Deux applications.

«Défaire» un nombre entier pour en faire une liste dont les éléments sont les chiffres de ce nombre. Deux applications. «Défaire» un nombre entier pour en faire une liste dont les éléments sont les chiffres de ce nombre. Deux applications. En fait, ce sont les applications en question qui posent le problème du titre : Première

Plus en détail

Variable Neighborhood Search

Variable Neighborhood Search Variable Neighborhood Search () Universite de Montreal 6 avril 2010 Plan Motivations 1 Motivations 2 3 skewed variable neighborhood search variable neighborhood decomposition search 4 Le probleme d optimisation.

Plus en détail

Problèmes d ordonnancement dans les systèmes de production. Journée Automatique et Optimisation Université de Paris 12 20 Mars 2003

Problèmes d ordonnancement dans les systèmes de production. Journée Automatique et Optimisation Université de Paris 12 20 Mars 2003 Problèmes d ordonnancement dans les systèmes de production Michel Gourgand Université Blaise Pascal Clermont Ferrand LIMOS CNRS UMR 6158 1 Le LIMOS Laboratoire d Informatique, de Modélisation et d Optimisation

Plus en détail

A GRASPxELS approach for the Job Shop with generic time-lags and new statistical determination of the parameters

A GRASPxELS approach for the Job Shop with generic time-lags and new statistical determination of the parameters A GRASPxELS approach for the Job Shop with generic time-lags and new statistical determination of the parameters Présenté par : Equipe de travail : Laboratoire : Maxime CHASSAING Philippe LACOMME, Nikolay

Plus en détail

MATRICE DE COMPETENCES POUR L ORDONNANCEMENT DES TÂCHES DE MAINTENANCE

MATRICE DE COMPETENCES POUR L ORDONNANCEMENT DES TÂCHES DE MAINTENANCE 8 e Conférence Internationale de MOdélisation et SIMulation MOSIM 10 10 au 12 mai 2010 Hammamet Tunisie «Évaluation et optimisation des systèmes innovants de production de biens et de services» MATRICE

Plus en détail

Table des matières I La programmation linéaire en variables continues 1 Présentation 3 1 Les bases de la programmation linéaire 5 1.1 Formulation d'un problème de programmation linéaire........... 5 1.2

Plus en détail

STRATÉGIE DE MAINTENANCE PRÉVENTIVE DE TYPE ÂGE : APPROCHE BASÉE SUR L'INTEGRATION DE LA SIMULATION ET DES PLANS D'EXPÉRIENCE

STRATÉGIE DE MAINTENANCE PRÉVENTIVE DE TYPE ÂGE : APPROCHE BASÉE SUR L'INTEGRATION DE LA SIMULATION ET DES PLANS D'EXPÉRIENCE 3 e Conférence Francophone de MOdélisation et SIMulation «Conception, Analyse et Gestion des Systèmes Industriels» MOSIM 01 du 25 au 27 avril 2001 Troyes (France) STRATÉGIE DE MAINTENANCE PRÉVENTIVE DE

Plus en détail

LE PROBLEME DU PLUS COURT CHEMIN

LE PROBLEME DU PLUS COURT CHEMIN LE PROBLEME DU PLUS COURT CHEMIN Dans cette leçon nous définissons le modèle de plus court chemin, présentons des exemples d'application et proposons un algorithme de résolution dans le cas où les longueurs

Plus en détail

HEURISTIQUES D'OPTIMISATION. Evelyne LUTTON - INRA AgroParisTech - Grignon http ://evelyne-lutton.fr/

HEURISTIQUES D'OPTIMISATION. Evelyne LUTTON - INRA AgroParisTech - Grignon http ://evelyne-lutton.fr/ HEURISTIQUES D'OPTIMISATION Evelyne LUTTON - INRA AgroParisTech - Grignon http ://evelyne-lutton.fr/ D'après Patrick Siarry, LiSSi, Univ. de Paris-Est Créteil MÉTA-HEURISTIQUES Du grec : méta :au-delà,

Plus en détail

Comparaison de modèles mathématiques et implémentation d une métaheuristique pour le Master Surgical Scheduling Problem

Comparaison de modèles mathématiques et implémentation d une métaheuristique pour le Master Surgical Scheduling Problem École Polytechnique de l Université de Tours 64, Avenue Jean Portalis 37200 TOURS, FRANCE Tél. +33 (0)2 47 36 14 14 www.polytech.univ-tours.fr Département Informatique 5 e année 2013-2014 Rapport de Projet

Plus en détail

Simulations de Monte Carlo en finance : Pricer d option

Simulations de Monte Carlo en finance : Pricer d option Emma Alfonsi, Xavier Milhaud - M2R SAF Simulations de Monte Carlo en finance : Pricer d option Sous la direction de M. Pierre Alain Patard ISFA - Mars 2008 . 1 Table des matières 1 Introduction 4 2 Un

Plus en détail

MEDIAPLANNING & HYBRIDATION APPLIQUE A L INTERNET

MEDIAPLANNING & HYBRIDATION APPLIQUE A L INTERNET MEDIAPLANNING & HYBRIDATION APPLIQUE A L INTERNET MOBILE Gaël Crochet 1 & Gilles Santini 2 1 Médiamétrie, 70 rue Rivay, 92532 Levallois-Perret, France, gcrochet@mediametrie.fr 2 Vintco SARL, 8 rue Jean

Plus en détail

Elma m l a ki i Haj a a j r a Alla a Tao a uf u i f q B ur u kkad a i i Sal a ma m n a e n e Be B n e a n b a d b en e b n i b i Il I ham

Elma m l a ki i Haj a a j r a Alla a Tao a uf u i f q B ur u kkad a i i Sal a ma m n a e n e Be B n e a n b a d b en e b n i b i Il I ham Exposé: la technique de simulation MONTE-CARLO Présenté par : Elmalki Hajar Bourkkadi Salmane Alla Taoufiq Benabdenbi Ilham Encadré par : Prof. Mohamed El Merouani Le plan Introduction Définition Approche

Plus en détail

Algorithme fourmi avec différentes stratégies phéromonales pour le sac à dos multidimensionnel

Algorithme fourmi avec différentes stratégies phéromonales pour le sac à dos multidimensionnel Algorithme fourmi avec différentes stratégies phéromonales pour le sac à dos multidimensionnel Inès Alaya * Christine Solnon ** Khaled Ghédira * * SOIE, Institut Supérieur de Gestion de Tunis 41 Rue de

Plus en détail

INSTITUT NATIONAL DE SANTÉ PUBLIQUE DU QUÉBEC MISE EN CONTEXTE

INSTITUT NATIONAL DE SANTÉ PUBLIQUE DU QUÉBEC MISE EN CONTEXTE INSTITUT NATIONAL DE SANTÉ PUBLIQUE DU QUÉBEC Prévalence du diabète au Québec et dans ses régions : premières estimations d après les fichiers administratifs Valérie Émond, conseillère scientifique Unité

Plus en détail

Anne-lise HUYET- Jean-Luc PARIS LIMOS équipe Recherche en Systèmes de Production IFMA Mail: huyet@ifma.fr, paris@ifma.fr

Anne-lise HUYET- Jean-Luc PARIS LIMOS équipe Recherche en Systèmes de Production IFMA Mail: huyet@ifma.fr, paris@ifma.fr Extraction de Connaissances pertinentes sur le comportement des systèmes de production: une approche conjointe par Optimisation Évolutionniste via Simulation et Apprentissage Anne-lise HUYET- Jean-Luc

Plus en détail

Algorithme de recherche locale pour la résolution d un problème réel de tournées d inventaires

Algorithme de recherche locale pour la résolution d un problème réel de tournées d inventaires Algorithme de recherche locale pour la résolution d un problème réel de tournées d inventaires Thierry Benoist Frédéric Gardi Antoine Jeanjean Bouygues e-lab, Paris { tbenoist, fgardi, ajeanjean }@bouygues.com

Plus en détail

Modèles et algorithmes pour la reconfiguration de systèmes répartis utilisés en téléphonie mobile

Modèles et algorithmes pour la reconfiguration de systèmes répartis utilisés en téléphonie mobile Modèles et algorithmes pour la reconfiguration de systèmes répartis utilisés en téléphonie mobile Renaud Sirdey Chercheur au CEA / Ex-architecte système Nortel Journée du prix de thèse Guy Deniélou, 4

Plus en détail

Optimisation d un dispatching environnement/économique de la production d'énergie électrique par un algorithme génétique

Optimisation d un dispatching environnement/économique de la production d'énergie électrique par un algorithme génétique Quatrième Conférence Internationale sur le Génie Electrique CIGE 10, 03-04 Novembre 010, Université de Bechar, Algérie Optimisation d un dispatching environnement/économique de la production d'énergie

Plus en détail

Problème de chargement de camions-citernes Tank Truck Loading Problem

Problème de chargement de camions-citernes Tank Truck Loading Problem Problème de chargement de camions-citernes Tank Truck Loading Problem Fabien Cornillier CENTOR, Université Laval fabien.cornillier@centor.ulaval.ca Fayez F. Boctor CENTOR, Université Laval Gilbert Laporte

Plus en détail

INF 721 Mesures et indicateurs du génie logiciel Trimestre Été 2015 Professeur. Évariste Valéry BÉVO WANDJI

INF 721 Mesures et indicateurs du génie logiciel Trimestre Été 2015 Professeur. Évariste Valéry BÉVO WANDJI UNIVERSITÉ DE SHERBROOKE FACULTÉ DES SCIENCES CENTRE DE FORMATION EN TECHNOLOGIES DE L INFORMATION PLAN DE COURS Cours INF 721 Mesures et indicateurs du génie logiciel Trimestre Été 2015 Professeur Évariste

Plus en détail

UNE APPROCHE HYBRIDE PAR SIMULATION ET OPTIMISATION POUR UN PROBLEME DE PRODUCTION

UNE APPROCHE HYBRIDE PAR SIMULATION ET OPTIMISATION POUR UN PROBLEME DE PRODUCTION 8 e Conférence Internationale de MOdélisation et SIMulation - MOSIM 10-10 au 12 mai 2010 - Hammamet - Tunisie «Evaluation et optimisation des systèmes innovants de production de biens et de services» UNE

Plus en détail

Principe des tests statistiques

Principe des tests statistiques Principe des tests statistiques Jean Vaillant Un test de signification est une procédure permettant de choisir parmi deux hypothèses celles la plus probable au vu des observations effectuées à partir d

Plus en détail

Activité 1 : échantillonnage

Activité 1 : échantillonnage Activité échantillonnage, intervalle de fluctuation, prise de décision (à partir d un même thème) Les trois activités qui suivent s inspirent du document «ressources pour la classe de première générale

Plus en détail

Plan du cours. Métaheuristiques pour l optimisation combinatoire. Quelques problèmes classiques (2/3) Quelques problèmes classiques (1/3)

Plan du cours. Métaheuristiques pour l optimisation combinatoire. Quelques problèmes classiques (2/3) Quelques problèmes classiques (1/3) Plan du cours Quelques problèmes classiques Quelques algorithmes classiques Métaheuristiques pour l optimisation combinatoire un peu de vocabulaire codage des solutions taxinomie méthodes complètes méthodes

Plus en détail

Sommaire. Introduction.2. 1. Définition..2. 2. Historique.2. 3. Domaine d application.2. 4.Les Travaux réalisés sur les domaines d application.

Sommaire. Introduction.2. 1. Définition..2. 2. Historique.2. 3. Domaine d application.2. 4.Les Travaux réalisés sur les domaines d application. Sommaire Introduction.2 1. Définition..2 2. Historique.2 3. Domaine d application.2 4.Les Travaux réalisés sur les domaines d application.3 5.Algorithme 4 6.Exemple d application 5 7. Avantage et inconvénient..6

Plus en détail

Qu est-ce qu un projet

Qu est-ce qu un projet Qu est-ce qu un projet Un projet n est jamais une fin en soi Un projet est un moyen de réaliser efficacement un changement permettant à un demandeur d atteindre ses objectifs Le changement souhaité provient

Plus en détail

Algorithmes d optimisation RCMI / RapidArc / VMAT

Algorithmes d optimisation RCMI / RapidArc / VMAT Algorithmes d optimisation RCMI / RapidArc / VMAT Vincent Marchesi Unité de Radiophysique Médicale Centre Alexis Vautrin Vandœuvre-les-Nancy v.marchesi@nancy.fnclcc.fr EPU Techniques dédiées en radiothérapie,

Plus en détail

STATISTIQUES. Cours I : Test d hypothèses. Télécom Physique Strasbourg Module 2101. Fabrice Heitz. Octobre 2014

STATISTIQUES. Cours I : Test d hypothèses. Télécom Physique Strasbourg Module 2101. Fabrice Heitz. Octobre 2014 Télécom Physique Strasbourg Module 2101 STATISTIQUES Cours I : Test d hypothèses Fabrice Heitz Octobre 2014 Fabrice Heitz (Télécom PS) Statistiques 2014 1 / 75 Cours I TESTS D HYPOTHÈSES Fabrice Heitz

Plus en détail

Info0804. Cours 6. Optimisation combinatoire : Applications et compléments

Info0804. Cours 6. Optimisation combinatoire : Applications et compléments Recherche Opérationnelle Optimisation combinatoire : Applications et compléments Pierre Delisle Université de Reims Champagne-Ardenne Département de Mathématiques et Informatique 17 février 2014 Plan de

Plus en détail

FORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc)

FORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc) 87 FORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc) Dans le cadre de la réforme pédagogique et de l intérêt que porte le Ministère de l Éducation

Plus en détail

L essentiel sur les tests statistiques

L essentiel sur les tests statistiques L essentiel sur les tests statistiques 21 septembre 2014 2 Chapitre 1 Tests statistiques Nous considérerons deux exemples au long de ce chapitre. Abondance en C, G : On considère une séquence d ADN et

Plus en détail

LES MÉTAHEURISTIQUES: OUTILS DE CONCEPTION OPTIMALE DES CIRCUITS INTÈGRES ANALOGIQUES

LES MÉTAHEURISTIQUES: OUTILS DE CONCEPTION OPTIMALE DES CIRCUITS INTÈGRES ANALOGIQUES INERNATIONAL WORKSHOP IN OPTIMIZATION AND APPLICATIONS (WOA 2015) LES MÉTAHEURISTIQUES: OUTILS DE CONCEPTION OPTIMALE DES CIRCUITS INTÈGRES ANALOGIQUES FS -Meknès CONTEXTE L optimisation est un souci quotidien

Plus en détail

Programme de l enseignement obligatoire commun de mathématiques Cycle terminal de la série sciences et technologies du management et de la gestion

Programme de l enseignement obligatoire commun de mathématiques Cycle terminal de la série sciences et technologies du management et de la gestion Programme de l enseignement obligatoire commun de mathématiques Cycle terminal de la série sciences et technologies du management et de la gestion L enseignement des mathématiques au collège et au lycée

Plus en détail

SOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique

SOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique SOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique DOMAINE P3.C3.D1. Pratiquer une démarche scientifique et technologique, résoudre des

Plus en détail

Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini.

Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini. Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini. 1 Introduction Des actions comme lancer un dé, tirer une carte d un jeu, observer la durée de vie d une ampoule électrique, etc...sont

Plus en détail

Projet informatique «Voyageur de commerce» Résolution approchée par algorithme génétique du problème du voyageur de commerce

Projet informatique «Voyageur de commerce» Résolution approchée par algorithme génétique du problème du voyageur de commerce Année 2007-2008 Projet informatique «Voyageur de commerce» Résolution approchée par algorithme génétique du problème du voyageur de commerce B. Monsuez Projet informatique «Voyageur de commerce» Résolution

Plus en détail

Placement de centres logistiques

Placement de centres logistiques Master 1 - Spécialité Androide Année 2014/2015 Module RP Résolution de Problèmes Projet Placement de centres logistiques On considère dans ce projet la résolution du problème de placement de centres logistiques

Plus en détail

UEO11 COURS/TD 1. nombres entiers et réels codés en mémoire centrale. Caractères alphabétiques et caractères spéciaux.

UEO11 COURS/TD 1. nombres entiers et réels codés en mémoire centrale. Caractères alphabétiques et caractères spéciaux. UEO11 COURS/TD 1 Contenu du semestre Cours et TDs sont intégrés L objectif de ce cours équivalent a 6h de cours, 10h de TD et 8h de TP est le suivant : - initiation à l algorithmique - notions de bases

Plus en détail

LES ORDINATEURS DE PLONGEE

LES ORDINATEURS DE PLONGEE LES ORDINATEURS DE PLONGEE Les ordinateurs de plongée sont des calculateurs qui utilisent un algorithme (basé sur un modèle mathématique de charge et décharge du corps en azote) afin de déterminer les

Plus en détail

HEURISTIQUES RAPIDES POUR LE PROBLÈME DE TOURNÉES DE VÉHICULES

HEURISTIQUES RAPIDES POUR LE PROBLÈME DE TOURNÉES DE VÉHICULES ASAC 00 Banff, Alberta Sylvain Girard (étudiant) Jacques Renaud Fayez F. Boctor Faculté des sciences de l'administration Université Laval Centre de recherche sur les technologies de l'organisation réseau

Plus en détail

Introduction aux métaheuristiques

Introduction aux métaheuristiques Introduction aux métaheuristiques MTH6311 S. Le Digabel, École Polytechnique de Montréal H2014 (v3) MTH6311: Introduction aux métaheuristiques 1/25 Plan 1. Motivation et définitions 2. Classification des

Plus en détail

Une heuristique hybride pour le problème de set packing biobjectif p.1/19

Une heuristique hybride pour le problème de set packing biobjectif p.1/19 Une heuristique hybride pour le problème de set packing biobjectif Xavier Delorme 1,2, Xavier Gandibleux 2,3 et Fabien DEGOUTIN 2,4 1. Ecole Nationale Supérieure des Mines de Saint-Etienne Centre : Génie

Plus en détail