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

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

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

Présentations similaires


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

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

2 Plan Introduction Motivations & objectifs MAF-DISTA UWCOP Simulations
Architecture Fonctionnement Stratégie d’échange d’informations UWCOP Formulation Contraintes Simulations Résultats Bilans Conclusion & Perspectives

3 Introduction Parallélisme RO Multi-agents MAF-DISTA

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 d’inutilisation des ressources de calcul dans une entreprise est d’environ* 47%  Serveurs fortement sollicités H1: L’activité concurrente de plusieurs algorithmes peut accélérer des traitements par le biais d’une coopération entre ces algorithmes H2: Agents mobiles = exploitation optimale des ressources de calcul * Omni Consulting Group

5 Motivations & Objectifs(2)
Proposer un outil générique d’analyse, de conception et d'implantation des métaheuristiques parallèles pour l'optimisation combinatoire; en s’appuyant ainsi sur approche orientée agent. Déterminer un ensemble de stratégies d’échange d’informations entre les agents.

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

7 Phase de communication
MAF-DISTA Réseau de PCs Modèle n-cube individus Sous-pop1(t) Sous-pop1(t+1) Sous-pop1(t+k) Sous-pop2(t) Sous-pop2(t+1) Sous-pop2(t+k) Sous-popn(t) Sous-popn(t+1) Sous-popn(t+k) Phase de communication 7

8 UWCOP* Dépôt: 34, boulevard d’Arbrissel Véhicules
2 camions Capacité = 9.5 tonnes Grue Conteneur Enterré (CE) Référence Volume = 4 – 5 m3 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 UWCOP But : Objectif : Contraintes :
dépôt 10 5 9 3 1 . 6 12 11 4 d é pôt 10 5 9 3 1 . 6 12 11 4 But : Collecter les conteneurs sur les rues Objectif : Au moindre coût Contraintes : Capacité limitée des camions

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

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

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

13 MAF-DISTA(AGD) Codage des individus Initialisation de la population
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 l’une des deux directions Split 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 MAF-DISTA(AGD) Sélection et croisement Mutation
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 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 d’un visa à un émigrant s’il remplit les conditions Attribution d’une résidence à un immigrant reçu Règle d’attribution commune : fitness ind. * fitness moyen de la sous-pop. d’origine/destination [kim, 2002] Kim, J. S.: Distributed genetic algorithm with multiple populations …, In ISHPC’02, Japon. [Eldos, 2006] Eldos, T.: A new migration model for distributed genetic algorithms, In CSC’06, USA. * Minimisation

16 MAF-DISTA(animations)
Attribution de résidence Liste d’agents Agent Fitness moyen A3 A1 355 A2 320 A3 418 Agent Maître A2 A1 Attribution de visa Après 200 générations Ressources insuffisantes Migration de l’agent A3 A3

17 Simulations Comparer les performances et les temps de résolution
Série 1: algo. génétique parallèle sans échange d’individus Série 2: algo. génétique distribué avec échange d’individus 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 d’un réseau de 11 PCs 1 agent maître sur une machine (plate-forme JADE) 10 agents mobiles chacun sur une machine

18 34 problèmes de Belenguer et Benavent
Simulations Expérience 1: Algorithme génétique parallèle sans échange d’individus(PGA) 23 problèmes de DeArmon 34 problèmes de Belenguer et Benavent CARPET GA PGA CARPET GA PGA Écart en % par rapport à la borne inférieure 0.48 0.32 0.82 1.90 1.84 8.5 Nombre de solutions optimales trouvées 19 19 13 15 22 10 Nombre de fois où la meilleure solution est atteinte 19 21 13 17 30 20

19 34 problèmes de Belenguer et Benavent
Simulations Expérience 2: Algorithme génétique distribué avec échange individus (MAS-DGA) 23 problèmes de DeArmon 34 problèmes de Belenguer et Benavent CARPET GA MAS-DGA CARPET GA MAS-DGA Écart en % par rapport à la borne inférieure 0.48 0.32 0.19 1.90 1.84 0.46 Nombre de solutions optimales trouvées 19 19 20 15 22 27 Nombre de fois où la meilleure solution est atteinte 19 21 22 17 30 32

20 Simulations(UWCOP-Angers)
1 dépôt 2 camions 140 conteneurs (ordures ménagères) 3h28 208 26 5300 4 5h15 315 45 8730 3 3h30 210 28 6110 2 5h19 319 41 7530 1 Parcours + collecte (heures) Parcours + collecte (minutes) Nombre de CEs Tonnage(kg) N° tournée 17h32min 1052mns 140 27670 Total

21 Synthèse des tournées

22 Influence de la charge CPU/temps d’exécution
Bilan Impact du Nb de sous-pop / Fitness Influence de la charge CPU/temps d’exécution Temps d’exec (mn) Nombre de sous-populations Différentes périodes dans la même journée

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

25 Split (Algorithme de Dijkstra) Paramètre d’entrée Paramètre de sortie
Retour

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

27 Mutation Move Swap Retour


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

Présentations similaires


Annonces Google