El-Djillali TALBI Doctorant systèmes industriels

Présentation au sujet: "El-Djillali TALBI Doctorant systèmes industriels"— Transcription de la présentation:

1 El-Djillali TALBI Doctorant systèmes industriels
Journée Bermudes / Métaheuristiques 7 février 2003 Méta-heuristiques pour le paramétrage automatique d’un logiciel d’ordonnancement industriel El-Djillali TALBI Doctorant systèmes industriels

2 Agenda Introduction ORTEMS scheduler ORTEMS optimizer Approches d’optimisation Exemples Conclusions Perspectives

3 Introduction Le problème
Indic. 2 Paramètres Indicateurs Indic. 3 Indic. 1 Logiciel d ’ordonnancement Param. 1 Param. 2 Param. 3 Grand nombre de paramètres à régler Ordonnancement très sensible aux valeurs des paramètres Plusieurs objectifs ? Comment sélectionner et régler les paramètres par rapport aux objectifs de la production

4 Introduction ORTEMS scheduler
Paramètres Indicateurs ORTEMS scheduler Paramètres 52 paramètres prédéfinis à chaque paramètre on peut spécifier une valeur différente par machine possibilité de créer de nouveaux paramètres Indicateurs 23 indicateurs de performance personalisables (par période, par OF, par machine, ...). Possibilité de créer de nouveaux indicateurs

5 Introduction Objectifs
Concevoir et développer un environnement d’aide : à la sélection de paramètres pertinents à l’entrée d’un système au réglage de leurs valeurs de manière à optimiser les indicateurs de performance à la sortie du système Appliquer à des cas industriels réels

6 Introduction Approches
Méthodes statistiques plans d’expérience analyse de données Systèmes à base de connaissance systèmes experts extraction de connaissances à partir de données réseaux de neurone Méthodes d ’optimisation meta-heuristiques méthodologie des surfaces de réponse

7 ORTEMS scheduler

8 ORTEMS Scheduler Résolution de conflit par filtrage
Conflit d ’opérations (ou de machines) Critères d ’ordo (ou de placement) Choix

9 ORTEMS Scheduler Résolution de conflit par compromis
Poids Critère d ’ordo (ou de placement) Conflit d ’opérations (ou de machines) Choix ? Sélectionner les critères à utiliser Déterminer les valeurs des poids

10 ORTEMS OPTIMIZER Architecture
XML/SOAP Application Sever E-SCM Server (Java) OPTIMIZER (Java) XML/SOAP APIs Moteur d ’ordo. XML/SOAP Optimizer Base de données Profiler (Java) SQL XML Base de données technique

11 ORTEMS OPTIMIZER Optimisation en boîte noire
Valeurs des paramètres Evaluer la fonction objectif Moteur d ’ordo. Indicateurs Recherche de nouvelles solutions ORTEMS scheduler

12 ORTEMS optimizer Fonction objectif
Somme pondérée des indicateurs de performance de l’ordonnancement pi : poids fi(x) : ième indicateur de performance fi(xi0) : valeur initiale du ième indicateur fi* : borne inférieur pour le ième indicateur Avantage: simplicité Inconvénients: difficulté de déterminer les valeurs des poids résultats dépendant de la méthode de normalisation utilisée

13 ORTEMS OPTIMIZER Etapes
Début Moteur d ’ordonnancement Créer un nouveau réglage Charger un réglage Configuration et définition des objectifs Algorithme d ’optimisation Validation Visualisation des résultats Sauvegarder le réglage Fin

14 ORTEMS optimizer Solution

15 ORTEMS optimizer Mode autonome
Collaborateur Tâche de fond OPTIMIZER Planificateur Encours Encours Valeurs des paramètres BDT Valeurs des paramètres

16 Approches d ’optimisation Principales difficultés
Problème multicritère Situation en boîte noire Fonctions objectifs coûteuses Grande dimentionalité Environnement dynamique Paramètres à valeurs continues

17 Approches d’optimisation
Se base sur l’utilisation de meta-heuristiques Echantillonage aléatoire Descente aléatoire (multistart, kangourou, …etc) Recuit simulé Algorithmes génétiques

18 Approches d’optimisation Sélection de paramètres
Sélection à priori (avant optimisation) utilisation de l’expérience pour réduire l’espace des paramètres Sélection à postériori (après optimisation) élimination des paramètres inutiles Sélection au cours de l’optimisation Sélection aléatoire séquentielle (en arrière et en avant) Sélection par échantillonage aléatoire Sélection par opérateurs génétiques

19 Approches d’optimisation Descente aléatoire (1)
Descente aléatoire + selection aléatoire en arrière codage reel deux opérateurs de mutation : m1 : sélectioner d’un paramètre quelconque et changer sa valeur aléatoirement (Exchange and linear move) m2 : éliminer un paramètre choisis aléatoirement Choix de la mutation à appliquer : i : nombre de paramètres sélectionnés dans la solution c > 0, ts entier > 0 Appliquer une sélection aléatoire en arrière à la fin

20 Approches d’optimisation Descente aléatoire (2)
Descente aléatoire + selection par échantillonage aléatoire codage reel solutions initiales sélectionnées par echantillonage aléatoire système de voisinages : Les paramètres sélectionnés sont les seuls à être changés à chaque descente aléatoire

21 Approches d’optimisation algorithmes génétiques (1)
Codage réel Population initiale générée avec un nombre fixe de paramètres sélectionnés Deux opérateurs de mutation: changer aléatoirement les valeurs de paramètres sélectionnés ajouter et éliminer le même nombre de paramètres “recombination” discrête opérateur de sélection de solutions dans la population : ranking selection

22 Exemple 1 Compagnie travaillant dans la soutraitance en industrie aérospatiale. 152 machines et 8557 opérations RCGA (40 taille population, 40 crossover, Pm 0.2, Nbre parm. Pop. init. 8) Nombre de paramètres dans la solution obtenus (450 itérations, 15 heures de calcul : PIII 660 mhz) : 9 Après une sélection aléatoire en arrière : 3 paramètres ont été retenus.

23 Exemple 1 Fonction objectif pour la solution courante
Nombre de paramètres sélectionnés

24 Exemple 2 Compagnie de parfums et arômes. 136 machines et 1329 opérations à ordonnancer. Nombre de paramètres sélectionnés 10 sur 52.

25 Exemple 2 Robustesse de la solution

26 Conclusions Point positif : Limites :
Résultats spectaculaires dans certains cas Intérêt d ’utiliser des méta-heuristiques pour automatiser la configuration des logiciels d ’ordonnancement Limites : temps d ’ordo. doit être faible (pas plus d ’une dizaine de minutes) Non robustesse de la solution Résultats de l ’ordo limités dans beaucoup de situations Indicateurs difficiles à spécifier dans certains cas

27 Application à d ’autres types de paramètres :
Perspectives (1) Application à d ’autres types de paramètres : action sur le planning (voie très prometteuse) paramètres du SRP …etc Sélection de paramètres : opérateurs génétiques permettant la sélection population based instance learning tests statistiques sur les solutions visitées fast random hill climbing méthode taboo Parallélisation de l ’optimisation.

28 Perspectives (2) Accélérer l ’ordonnancement ( ordo. rapide et ordo. Partiel). méthodologie des surfaces de réponses Pareto optimisation Robustesse de la solution