Algorithme d optimisation par colonie de fourmis pour le problème de jobshop
Plan Optimisation par colonie de fourmi 1 Optimisation par colonie de fourmi Principes généraux Mise en œuvre Procédure 2 Construction d une solution Choix d une operation 3
Principes généraux Optimisation par colonie de fourmi Principes généraux Mise en œuvre Procédure Métaheuristique Canvas général applicable à de nombreux problèmes. Génération d algorithmes heuristiques. Inspiré du comportement d exploration des fourmi (suivi de pistes phéromonales).
Principes généraux Optimisation par colonie de fourmi Principes généraux Mise en œuvre Procédure Métaheuristique Canvas général applicable à de nombreux problèmes. Génération d algorithmes heuristiques. Inspiré du comportement d exploration des fourmi (suivi de pistes phéromonales). Construction stochastique d un grand nombre de solutions. Mémoire adaptive commune à la colonie: la phéromone. Rétroaction positive.
Mise en œuvre Optimisation par colonie de fourmi Principes généraux Mise en œuvre Procédure Procédure de construction d une solution: Suite de choix parmi des alternatives. Phéromone artificielle associée à chaque alternative. Choix stochastique influencé par la phéromone. Marquage à posteriori des bonnes alternatives.
Mise en œuvre Optimisation par colonie de fourmi Principes généraux Mise en œuvre Procédure Procédure de construction d une solution: Suite de choix parmi des alternatives. Phéromone artificielle associée à chaque alternative. Choix stochastique influencé par la phéromone. Marquage à posteriori des bonnes alternatives. Information heuristique associée à chaque alternative. Connaissance experte du problème. Influence également le choix stochastique. Information statique.
Procédure Optimisation par colonie de fourmi Principes généraux Mise en œuvre Procédure Construction Evaporation Renforcement Construction stochastique basée sur la phéromone et l information heuristique. Evaporation: handicaper les mauvaises alternatives. Renforcement: favoriser les bonnes alternatives. Rétroaction positive
Construction d une solution Choix d une operation Construction d un ordonnancement admissible (I) Utilisation de 3 listes: G = opérations pas encore ordonnancées C = opérations prêtes pour exécution T = opérations ordonnancées Ajout successif d opérations admissibles
Construction d une solution Choix d une operation Construction d un ordonnancement admissible (II) Procédure G = toutes les opérations C = première opération de chaque job T = Tant que G : Choisir une operation O dans C Ajouter O à la fin de T Enlever O de C et G Ajouter à C un nouveau candidat
Choix d une opération admissible Construction d une solution Choix d une operation Choix stochastique de l opération à ajouter: p O = τα O ηβ O τa αηβ a a C
Choix d une opération admissible Construction d une solution Choix d une operation Choix stochastique de l opération à ajouter: p O = τα O ηβ O τa αηβ a a C τ = phéromone associée à une alternative Reflète l expérience de recherche de la colonie Valeur de l alternative perçue par la colonie Désirabilité de choisir une alternative, étant donné l état actuel de la construction
Choix d une opération admissible Construction d une solution Choix d une operation Choix stochastique de l opération à ajouter: p O = τα O ηβ O τa αηβ a a C τ = phéromone associée à une alternative Reflète l expérience de recherche de la colonie Valeur de l alternative perçue par la colonie Désirabilité de choisir une alternative, étant donné l état actuel de la construction η = information heuristique Valeur à priori de l alternative nombre de successeurs dans le même job
Construction d une solution Choix d une operation Evaporation alternative a : τ a ρτ a (ρ ]0,1[) Renforcement selection d une solution à renforcer S a S : τ a τ a + Rétroaction positive
Test sur des benchmark Instance Publiée Calculée Ecart (%) tai01 (15-15) 1231 1435 16.6 tai11 (20-15) 1359 1811 33.3 tai21 (20-20) 1644 1974 20.1 tai31 (30-15) 1764 2193 24.3 tai41 (30-20) 2018 2584 28.0 tai51 (50-15) 2760 3633 31.6