Le problème d ordonnancement de projet multi-agent : un partage équitable du stress

Documents pareils
Annexe 6. Notions d ordonnancement.

Programmation linéaire

UN ALGORITHME COOPÉRATIF POUR UN PROBLÈME D ATELIER JOB SHOP MULTI-AGENT

La programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique

Résolution du RCPSP avec production et consommation de ressources : modèles PLNE basés sur les événements

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

Programmation Linéaire - Cours 1

Exemples de problèmes et d applications. INF6953 Exemples de problèmes 1

Ordonnancement robuste et décision dans l'incertain

Souad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://

INFO-F-425 Modèles mathématiques et algorithmes pour l ordonnancement. Bernard Fortz

Contrainte de flot pour RCPSP avec temps de transfert

Optimisation for Cloud Computing and Big Data

Théorie des Graphes Cours 3: Forêts et Arbres II / Modélisation

Ordonnancement. N: nains de jardin. X: peinture extérieure. E: électricité T: toit. M: murs. F: fondations CHAPTER 1

Semestre HPC. Violaine Louvet. Institut Camille Jordan - CNRS louvet@math.univ-lyon1.fr. Labex MILyon, Printemps 2016

Aeon : Synthèse d Algorithmes d Ordonnancement à partir de Modèles de Haut Niveau

Objectifs du cours d aujourd hui. Informatique II : Cours d introduction à l informatique et à la programmation objet. Complexité d un problème (2)

Optimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie

Convergence des programmes qualité Qualitéet Recherche UMR 6284 CNRS ISIT JEAN-YVES BOIRE

Communications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes

Algorithmes pour la planification de mouvements en robotique non-holonome

Représenté par Eric Mamy A22 présenté par CFR & CGL Consulting

The job scheduling company

Nouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires

4.2 Unités d enseignement du M1

Cours de Master Recherche

Propriétés des options sur actions

Cours de Recherche Opérationnelle IUT d Orsay. Nicolas M. THIÉRY. address: Nicolas.Thiery@u-psud.fr URL:

Stratégie de recherche adaptative en programmation par contrainte

Contrôle stochastique d allocation de ressources dans le «cloud computing»

7. Mobilité : Mises à disposition, détachements, disponibilités

Température corporelle d un castor (une petite introduction aux séries temporelles)

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

TRAITEMENT DU SURENDETTEMENT. Évolutions résultant de la loi portant réforme du crédit à la consommation

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

ANALYSE DU BESOIN. L ANALYSE FONCTIONNELLE par Jean-Marie VIRELY & all (ENS Cachan) Cette présentation décrit l outil «Analyse du Besoin».

Présentation. Pour. Gilles ALAIS, Country Manager Barloworld Supply Chain Software France 20 Rue des Petits Hôtels, Paris

Le mensuel GRATUIT Du Supply Chain Management. Par Cathy POLGE Rédactrice en Chef SCMAG www. SupplyChainMagazine.fr

Eric Sanlaville. Position et responsabilités. Cursus universitaire. Coordonnées professionnelles

Une méthode heuristique pour l ordonnancement de projets avec contraintes de ressources et chevauchement d activités

Concurrence imparfaite

AVERTISSEMENT. D'autre part, toute contrefaçon, plagiat, reproduction encourt une poursuite pénale. LIENS

Tout le matériel (actif) qui sert à produire: boulons, capteurs, automates, vérins, câblage, éclairage, etc.

Problème d ordonnancement de véhicules en variables booléennes

Network musical jammin

Evaluation des performances de programmes parallèles haut niveau à base de squelettes

Votre partenaire idéal

Excel Avancé. Plan. Outils de résolution. Interactivité dans les feuilles. Outils de simulation. La valeur cible Le solveur

Le géomarketing - Page 1 sur 7

Resolution limit in community detection

THÈSE. En vue de l obtention du DOCTORAT DE L UNIVERSITÉ DE TOULOUSE. Touria CHAFQANE BEN RAHHOU

Modèles à Événements Discrets. Réseaux de Petri Stochastiques

Ré-ordonnancement adaptatif de messages dans un réseau ad hoc de véhicules

Gestion réactive des opérations de maintien et d actualisation réglementaire et technologique des systèmes complexes.

L art d ordonnancer. avec JobScheduler. François BAYART

Concepts clés associés aux outils logiciels, exemples

Module Planification

Objectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique

Info0804. Cours 6. Optimisation combinatoire : Applications et compléments

Compte-rendu re union Campus AAR 3 mars 2015


Monitoring continu et gestion optimale des performances énergétiques des bâtiments

L apprentissage automatique

Dimensionnement Introduction

Étude des Corrélations entre Paramètres Statiques et Dynamiques des Convertisseurs Analogique-Numérique en vue d optimiser leur Flot de Test

Enquête APM sur le Gouvernement d entreprise dans les PME-PMI : quelques résultats et commentaires

/// COMMUNIQUÉ DE PRESSE

En vue de l'obtention du. Présentée et soutenue par Abir BEN HMIDA SAKLY Le 12/12/2009

Cours Optimisation Partie Optimisation Combinatoire. Année scolaire Gérard Verfaillie ONERA/DCSD/CD, Toulouse

LES PROBLEMES D'ORDONNANCEMENT

Optimisation et Processus métier

Autonomie et fragilités de la recherche académique Financements sur projet et reconfigurations du travail scientifique

Patrons de Conception (Design Patterns)

PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES

Object Removal by Exemplar-Based Inpainting

Introduction à l approche bootstrap

Charte d adhésion d un laboratoire au Mésocentre CIMENT

TP N 57. Déploiement et renouvellement d une constellation de satellites

Présentation livre Simulation for Supply Chain Management. Chapitre 1 - Supply Chain simulation: An Overview

ils entretiennent entre eux des flux, ils partagent des perceptions sur l environnement

La relation IE-ERP est-elle possible?

WEB15 IBM Software for Business Process Management. un offre complète et modulaire. Alain DARMON consultant avant-vente BPM

Vers une approche Adaptative pour la Découverte et la Composition Dynamique des Services

Lagrange, où λ 1 est pour la contrainte sur µ p ).

Chapitre 5 : Flot maximal dans un graphe

Ensemble mobilisons nos énergies

Prudence, Epargne et Risques de Soins de Santé Christophe Courbage

UNIVERSITÉ DE MONTRÉAL UN MODÈLE DE PLANIFICATION TACTIQUE AVEC CHEVAUCHEMENT

LE DIPLOME DE MAGISTER

Mlle Yasmin A. RÍOS SOLÍS

Le S.I. - colonne vertébrale de la Supply Chain étendue : deux approches pour réussir votre projet

APPEL PUBLIC A L EPARGNE

TAUX FIXE, TAUX INDEXE

Travaux dirigés n 1. Programmation linéaire

Programmation linéaire

Apprentissage Automatique

Travaux soutenus par l ANR. Jean-François CAPURON (DGA) Bruno LEGEARD (Smartesting)

OUTILS EN INFORMATIQUE

Fonctions de plusieurs variables

Transcription:

Le problème d ordonnancement de projet multi-agent : un partage équitable du stress Thomas Lehaux/Cyril Briand LAAS-CNRS Projet ANR ROBOCOOP 23 février 2010 24/02/10 - LAAS-CNRS - Lehaux/Briand - 1 sur 26 MAPSP : stress équitable

1 Introduction 2 3 4 24/02/10 - LAAS-CNRS - Lehaux/Briand - 2 sur 26 MAPSP : stress équitable

Introduction Projet ANR no. 08-BLAN-0331-02 appelé ROBOCOOP. Objectif : proposer des méthodes d ordonnancement robustes et coopératives. Définition Coopération : les agents sont autonomes et doivent négocier avec les autres pour construire leur organisation. À éviter : comportements égoïstes. 24/02/10 - LAAS-CNRS - Lehaux/Briand - 3 sur 26 MAPSP : stress équitable

Sommaire Introduction 1 Introduction 2 3 4 24/02/10 - LAAS-CNRS - Lehaux/Briand - 4 sur 26 MAPSP : stress équitable

Problème d ordonnancement au sens large. n activités V. r ressources R. m agents A. Fig. : Cas général. 24/02/10 - LAAS-CNRS - Lehaux/Briand - 5 sur 26 MAPSP : stress équitable

Problème : trouver un ordonnancement satisfaisant toutes les contraintes RCPSP multi-agent. Satisfaire les agents optimiser les Fonctions Objectifs Locales (LOFs). Optimiser une ou des Fonctions Objectifs Globales (GOFs). Dualité LOF / GOF. Problème d ordonnancement multi-objectif. 24/02/10 - LAAS-CNRS - Lehaux/Briand - 6 sur 26 MAPSP : stress équitable

Sommaire Introduction 1 Introduction 2 3 4 24/02/10 - LAAS-CNRS - Lehaux/Briand - 7 sur 26 MAPSP : stress équitable

Unique ressource partagée Fig. : Partage d une unique ressource (One-machine scheduling problem). 24/02/10 - LAAS-CNRS - Lehaux/Briand - 8 sur 26 MAPSP : stress équitable

Grille de calcul Introduction Fig. : Allocation de ressources multi-agent. 24/02/10 - LAAS-CNRS - Lehaux/Briand - 9 sur 26 MAPSP : stress équitable

Typage d agents Fig. : 2 types d agent : ressources et jobs. 24/02/10 - LAAS-CNRS - Lehaux/Briand - 10 sur 26 MAPSP : stress équitable

Pas de partage de ressources Fig. : Chaque agent possède ses propres ressources. 24/02/10 - LAAS-CNRS - Lehaux/Briand - 11 sur 26 MAPSP : stress équitable

Sommaire Introduction 1 Introduction 2 3 4 24/02/10 - LAAS-CNRS - Lehaux/Briand - 12 sur 26 MAPSP : stress équitable

: MAPSP. Ressources illimitées. n activités distribuées sur m agents (m n). Activités liées par des contraintes de précédence. Date maximale pour le projet : C max. 24/02/10 - LAAS-CNRS - Lehaux/Briand - 13 sur 26 MAPSP : stress équitable

Durée maximale autorisée Durée des activités incertaines modélisée par un intervalle : [p i, p i ] Les agents peuvent contrôler la durée de réalisation de leur(s) activité(s). Définition p i [p i, p i ] i V u : durée maximale qu un agent s impose pour réaliser la tâche i. La tâche i peut être réalisée en un temps plus court. 24/02/10 - LAAS-CNRS - Lehaux/Briand - 14 sur 26 MAPSP : stress équitable

Activités frontières Définition Si j gérée par A v a une contrainte de précédence avec i (i.e., (i, j) P), gérée par A u (u v), alors i est une activité frontière. Fig. : Activité frontière et communication. 24/02/10 - LAAS-CNRS - Lehaux/Briand - 15 sur 26 MAPSP : stress équitable

Risque et stress d un agent Risque d un agent i [0, C i C i ] : modélise l anticipation d un agent vis à vis de la fin d une activité frontière. Si l agent est trop optimiste ( i élevé), il y a un risque d incohérence. R u = max {(i,j) P i / Vu j V u} i : risque de l agent A u. Stress d un agent γ j = p j p j : stress d un agent pour réaliser la tâche j. S u = max j Vu γ j : stress global de l agent. 24/02/10 - LAAS-CNRS - Lehaux/Briand - 16 sur 26 MAPSP : stress équitable

PLNE Introduction min(r u, S u, max(s v S u ), max(r v R u )) s.c. R u j, j P avec j / V u et j 0 (1) S u p i p i, i P avec i V u et p i p i p i (2) C j C i i + p j, (i, j) P avec i V u, j / V u (3) C j C i + p j, (i, j) P avec i V u et j / V u (4) C i C i et i P (5) i C i C i, i P (6) 24/02/10 - LAAS-CNRS - Lehaux/Briand - 17 sur 26 MAPSP : stress équitable

Sommaire Introduction 1 Introduction 2 3 4 24/02/10 - LAAS-CNRS - Lehaux/Briand - 18 sur 26 MAPSP : stress équitable

Cas particulier traité Chaque agent ne gère qu une seule activité : n = m. On équilibre le stress des agents et le risque d incohérence : R u =, A i A et S u = γ, u A. On cherche à minimiser et γ. Résolution centralisée de ce problème en temps polynomial. Problème modélisé par un graphe potentiel-tâche. 24/02/10 - LAAS-CNRS - Lehaux/Briand - 19 sur 26 MAPSP : stress équitable

Sommaire Introduction 1 Introduction 2 3 4 24/02/10 - LAAS-CNRS - Lehaux/Briand - 20 sur 26 MAPSP : stress équitable

Jeu de test Introduction C max = 15 X = + γ On considère les différentes valeurs de δp i = p i p i pour définir les valeurs de X. i 1 2 3 4 5 6 7 8 p i 4 2 2 2 3 2 3 4 p i 7 3 4 3 6 5 4 4 δp i 3 1 2 1 3 3 1 0 X = 3 X = 2 X = 1 X = 0 24/02/10 - LAAS-CNRS - Lehaux/Briand - 21 sur 26 MAPSP : stress équitable

X = 3 Introduction Fig. : Chemin le plus long pour X = 3. C max = 15 C 3 = 11 24/02/10 - LAAS-CNRS - Lehaux/Briand - 22 sur 26 MAPSP : stress équitable

X = 2 Introduction Fig. : Chemin le plus long pour X = 2. C max = 15 C 3 = 11 C 2 = 13 24/02/10 - LAAS-CNRS - Lehaux/Briand - 23 sur 26 MAPSP : stress équitable

X = 1 Introduction Fig. : Chemin le plus long pour X = 1. C max = 15 C 3 = 11 C 2 = 13 C 1 = 16 = Le front de Pareto est caractérisé par + γ = 2. 24/02/10 - LAAS-CNRS - Lehaux/Briand - 24 sur 26 MAPSP : stress équitable

Perspectives Relativiser le stress : γ j = (p j p j ) (p j p j ). Gestion de plusieurs activités à la fois pour chaque agent. Valeurs différentes de et γ pour chaque agent. Ajout des contraintes de ressources. Résoudre le problème de façon distribuée. 24/02/10 - LAAS-CNRS - Lehaux/Briand - 25 sur 26 MAPSP : stress équitable

Merci de votre attention :) 24/02/10 - LAAS-CNRS - Lehaux/Briand - 26 sur 26 MAPSP : stress équitable