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

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

FiNMATICA ORTEMS ECOLES NATIONALE DINGENIEURS DE TARBES Méta-heuristiques pour le paramétrage automatique dun logiciel dordonnancement industriel El-Djillali.

Présentations similaires


Présentation au sujet: "FiNMATICA ORTEMS ECOLES NATIONALE DINGENIEURS DE TARBES Méta-heuristiques pour le paramétrage automatique dun logiciel dordonnancement industriel El-Djillali."— Transcription de la présentation:

1 FiNMATICA ORTEMS ECOLES NATIONALE DINGENIEURS DE TARBES Méta-heuristiques pour le paramétrage automatique dun logiciel dordonnancement industriel El-Djillali TALBI Doctorant systèmes industriels Journée Bermudes / Métaheuristiques 7 février 2003

2 Agenda Introduction ORTEMS scheduler ORTEMS optimizer Approches doptimisation Exemples Conclusions Perspectives

3 Introduction Le problème 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 Indic. 2 ParamètresIndicateurs Indic. 3 Indic. 1 Logiciel d ordonnancement Param. 1 Param. 2 Param. 3 ?

4 Introduction 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 ORTEMS scheduler Paramètres Indicateurs

5 Introduction Objectifs Concevoir et développer un environnement daide : à la sélection de paramètres pertinents à lentrée dun 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 dexpérience 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) Choix Critères d ordo (ou de placement)

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

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

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

12 ORTEMS optimizer Fonction objectif p i : poids f i (x) : ième indicateur de performance f i (x i 0 ) : valeur initiale du ième indicateur f i * : borne inférieur pour le ième indicateur Avantage: simplicité Inconvénients: difficulté de déterminer les valeurs des poids résultats dépendant de la méthode de normalisation utilisée Somme pondérée des indicateurs de performance de lordonnancement

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

14 ORTEMS optimizer Solution

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

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 doptimisation Se base sur lutilisation de meta-heuristiques Echantillonage aléatoire Descente aléatoire (multistart, kangourou, …etc) Recuit simulé Algorithmes génétiques

18 Approches doptimisation Sélection de paramètres Sélection à priori (avant optimisation) utilisation de lexpérience pour réduire lespace des paramètres Sélection à postériori (après optimisation) élimination des paramètres inutiles Sélection au cours de loptimisation Sélection aléatoire séquentielle (en arrière et en avant) Sélection par échantillonage aléatoire Sélection par opérateurs génétiques

19 Approches doptimisation Descente aléatoire (1) Descente aléatoire + selection aléatoire en arrière codage reel deux opérateurs de mutation : m1 : sélectioner dun 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, t s entier > 0 Appliquer une sélection aléatoire en arrière à la fin

20 Approches doptimisation 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 doptimisation 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 Nombre de paramètres sélectionnés Fonction objectif pour la solution courante

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 : 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 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


Télécharger ppt "FiNMATICA ORTEMS ECOLES NATIONALE DINGENIEURS DE TARBES Méta-heuristiques pour le paramétrage automatique dun logiciel dordonnancement industriel El-Djillali."

Présentations similaires


Annonces Google