La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

1 IMA – Institut de Mathématiques Appliquées LISA- Laboratoire dIngénierie des Systèmes Automatisés Une approche Multi-agents pour la modélisation des.

Présentations similaires


Présentation au sujet: "1 IMA – Institut de Mathématiques Appliquées LISA- Laboratoire dIngénierie des Systèmes Automatisés Une approche Multi-agents pour la modélisation des."— Transcription de la présentation:

1 1 IMA – Institut de Mathématiques Appliquées LISA- Laboratoire dIngénierie des Systèmes Automatisés Une approche Multi-agents pour la modélisation des métaheuristiques parallèles K. Belkhelladi * Application aux problèmes de tournées de ramassage des conteneurs enterrés P. Chauvet & A. Schaal *

2 2 Plan Introduction Motivations & objectifs MAF-DISTA Architecture Fonctionnement Stratégie déchange dinformations UWCOP Formulation Contraintes Simulations Résultats Bilans Conclusion & Perspectives

3 3 Introduction Parallélisme Multi-agents RO MAF-DISTA

4 4 Motivations & Objectifs(1) Les algorithmes à population sont devenus populaires Convergence prématurée et temps de calcul à améliorer Les machines parallèles peuvent accélérer les calculs de façon spectaculaire Elles ne sont pas toujours disponibles dans tous les organismes Il est très coûteux de mettre à jour leur puissance de calcul et leur capacité mémoire Le pourcentage moyen dinutilisation des ressources de calcul dans une entreprise est denviron * 47% Serveurs fortement sollicités * Omni Consulting Group H1: Lactivité concurrente de plusieurs algorithmes peut accélérer des traitements par le biais dune coopération entre ces algorithmes H2: Agents mobiles = exploitation optimale des ressources de calcul

5 5 Motivations & Objectifs(2) Proposer un outil générique danalyse, de conception et d'implantation des métaheuristiques parallèles pour l'optimisation combinatoire; en sappuyant ainsi sur approche orientée agent. Déterminer un ensemble de stratégies déchange dinformations entre les agents.

6 6 MAF-DISTA(1) Réseau de PCs OS/HW JADE Middleware … Agent mobile Plate-forme parallèle Application JADE Agent de statutAgent de synchronisation Agents mobilesAgent de statut Maintenir la liste des machines Rapporter le statut de chaque machine du réseau Synchroniser les communications Surveiller lévolution des sous-populations Agent de synchronisation Exécuter un algorithme à population Migrer dune machine à lautre Agents mobiles

7 7 Réseau de PCs Modèle n-cube individus Sous-pop 1 (t) individus Sous-pop 1 (t+1) individus Sous-pop 1 (t+k) individus Sous-pop 2 (t) individus Sous-pop 2 (t+1) individus Sous-pop 2 (t+k) individus Sous-pop n (t) individus Sous-pop n (t+1) individus Sous-pop n (t+k) … … … … …… Phase de communication MAF-DISTA 7

8 8 UWCOP* Dépôt: 34, boulevard dArbrissel Véhicules 2 camions Capacité = 9.5 tonnes Grue Conteneur Enterré (CE) Référence Volume = 4 – 5 m 3 Temps de collecte = 6 minutes 1 conteneur par type de déchets Points noirs = conteneurs situés à côté des infrastructures sensibles * Underground Waste Collection Optimization Problem

9 9 UWCOP But : Collecter les conteneurs sur les rues Objectif : Au moindre coût Contraintes : Capacité limitée des camions dépôt

10 UWCOP-Contraintes Interdiction de tourner Conteneur enterré Sens de la circulation Interdiction de zig-zag 10

11 11 UWCOP- Formulation (1) (2) (3) (4) (5) (6) (7) (8)

12 12 MAF-DISTA(AGD) Chaque agent mobile encapsule: Un algorithme génétique Une sous-population Un jeu de paramètres Lagent de synchronisation coordonne les échanges dindividus selon une stratégie. Lagent de statut surveille le statut de chaque machine (ex. charge CPU).

13 13 MAF-DISTA(AGD) Codage des individus Le réseau est codé par un graphe non orienté Un chromosome est une liste ordonnée de τ tâches (tournée géante) Chaque tâche peut apparaître comme lune des deux directions SplitSplit partitionne de manière optimale la tournée géante en tournées faisables Initialisation de la population P= ens. des solutions de 3 heuristiques pour le CARP – (PS, AM, UH) Permutations aléatoires

14 14 MAF-DISTA(AGD) Sélection et croisement Roue de la fortune biaisée LOX : croisement linéaire ordonné OX : croisement ordonné X1 : croisement en un point Mutation Move : mutation par déplacement Swap : mutation par échange réciproque Opérateurs

15 15 MAF-DISTA Contrôle du nombre de migrants et la fréquence de migration Fenêtre dynamique aléatoire de migration: Le nombre de migrants (taille de la fenêtre) est dynamique et varie aléatoirement de 1 à 20% de la taille de la sous-population à chaque migration [Kim, 2002]. Sélection et intégration des migrants Attribution dun visa à un émigrant sil remplit les conditions Attribution dune résidence à un immigrant reçu Règle dattribution commune : fitness ind. * fitness moyen de la sous-pop. dorigine/destination [kim, 2002] Kim, J. S.: Distributed genetic algorithm with multiple populations …, In ISHPC02, Japon. [Eldos, 2006] Eldos, T.: A new migration model for distributed genetic algorithms, In CSC06, USA. * Minimisation

16 16 MAF-DISTA(animations) Agent A1 A2 A3 Fitness moyen Liste dagents Ressources insuffisantes A1A2 A3 AgentMaître A3 Après 200 générations Migration de lagent A3 Attribution de visa Attribution de résidence

17 17 Simulations Comparer les performances et les temps de résolution Série 1: algo. génétique parallèle sans échange dindividus Série 2: algo. génétique distribué avec échange dindividus Tests effectués sur : 23 instances de DeArmon 34 instances de Belenguer et Benavent. 1 instance (Angers) Comparaison avec: Recherche tabou de Hertz et al. (Carpet) Algorithme génétique hybride de Lacomme et al. (GA) Utilisation dun réseau de 11 PCs 1 agent maître sur une machine (plate-forme JADE) 10 agents mobiles chacun sur une machine

18 18 Simulations 23 problèmes de DeArmon 34 problèmes de Belenguer et Benavent Écart en % par rapport à la borne inférieure Nombre de solutions optimales trouvées Nombre de fois où la meilleure solution est atteinte CARPETGAPGA GACARPET Expérience 1: Algorithme génétique parallèle sans échange dindividus(PGA)

19 19 Simulations 23 problèmes de DeArmon 34 problèmes de Belenguer et Benavent Écart en % par rapport à la borne inférieure Nombre de solutions optimales trouvées Nombre de fois où la meilleure solution est atteinte CARPETGAMAS-DGAGACARPET Expérience 2: Algorithme génétique distribué avec échange individus (MAS-DGA) MAS-DGA

20 20 Simulations(UWCOP-Angers) 1 dépôt 2 camions 140 conteneurs (ordures ménagères) 3h h h h Parcours + collecte (heures) Parcours + collecte (minutes) Nombre de CEs Tonnage(kg) N° tournée 17h32min1052mns Total

21 21 Synthèse des tournées

22 22 Bilan Nombre de sous-populationsDifférentes périodes dans la même journée Impact du Nb de sous-pop / Fitness Influence de la charge CPU/temps dexécution Temps dexec (mn)

23 23 Conclusion MAF-DISTA Une plate-forme évolutive et efficace Combine les 2 avantages du parallélisme Puissance de calcul Coopération Hérite de nombreux avantages de JADE Capacité à simplifier le développement des algorithmes distribués Interopérabilité - FIPA Portabilité – JAVA Réutilisation du code – séparation entre la méthode de résolution et le problème à résoudre

24 24 Perspectives Implémentation dautres métaheuristiques Colonie de fourmis Essaims particulaires Tests sur dautres problèmes combinatoires : planification et ordonnancement multi-produits, multi-modes avec approvisionnements Merci de votre attention !

25 25 Split Paramètre dentrée Paramètre de sortie (Algorithme de Dijkstra) Retour

26 26 Croisement Croisement à un point de coupure Order Crossover Linear Order Crossover Retour

27 27 Mutation Move Swap Retour


Télécharger ppt "1 IMA – Institut de Mathématiques Appliquées LISA- Laboratoire dIngénierie des Systèmes Automatisés Une approche Multi-agents pour la modélisation des."

Présentations similaires


Annonces Google