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

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

Algorithme Génétique & Fouille de Données pour lordonnancement réactif dun atelier de type Job Shop Harrath Youssef Chebel-Morello Brigitte & Zerhouni.

Présentations similaires


Présentation au sujet: "Algorithme Génétique & Fouille de Données pour lordonnancement réactif dun atelier de type Job Shop Harrath Youssef Chebel-Morello Brigitte & Zerhouni."— Transcription de la présentation:

1 Algorithme Génétique & Fouille de Données pour lordonnancement réactif dun atelier de type Job Shop Harrath Youssef Chebel-Morello Brigitte & Zerhouni Noureddine Lab. DAutomatique de Besançon, École Nationale Supérieure de Mécanique et de Microtechnique Besançon – France GROUPE de travail BERMUDES

2 1 Bermudes - Paris le, 06 juin 2002 Plan 1. Problème étudié : Job Shop 1.1. Données et contraintes 1.2. État de lart du Job Shop 2. Résolution approchée 2.1. Algorithmes Génétiques (AG) et Job Shop 2.2. Résultats expérimentaux 3. Caractérisation dordonnancement : Fouille de Données 3.1. Passage dun ordre à un autre : Arbre de décision 3.2. Apprentissage à partir dexemples 4. Conclusion & perspectives

3 2 Bermudes - Paris le, 06 juin 2002 Problème étudié Ordonnancement de production de type job shop, Problème généralisé Données statiques, Pas de préemption, Pas de parallélisme. Optimisation mono critère : C max, Plan 1.Job Shop 1.1. Contraintes 1.2. État de lart 2.Résolution 2.1.AG & Job Shop 2.2. Résultats 3.F de Données 3.1Arbre de décision 3.1 Apprentissage 3.Conclusion & perspectives

4 3 Bermudes - Paris le, 06 juin 2002 Méthode proposée Phase I : RésolutionPhase II : Fouille de Données Job Shop Algorithme Génétique Algorithme Génétique Population de bonnes solutions Arbre de décision Arbre de décision Passage dun ordre à un autre (Réactif) Méthodes dinduction Méthodes dinduction Modélisation d'ordonnancement Plan 1.Job Shop 1.1. Contraintes 1.2. État de lart 2.Résolution 2.1.AG & Job Shop 2.2. Résultats 3.F de Données 3.1Arbre de décision 3.1 Apprentissage 3.Conclusion & perspectives

5 4 Bermudes - Paris le, 06 juin 2002 Job Shop : état de lart Job Shop : problème NP-Complet Résolution Optimale : difficile Instance 10x10 (Muth & Thomson 1963) nest totalement résolue quen 1986 (Carlier & Pinson) Méthodes approchées Recherche locale (Shifting Botteleneck Procedure : Adams, Balas et Zawak 1988) Branch and Bound (Carlier & Pinson 1989) Algorithmes génétiques F. D. Croce (Codage % aux machines) Yamada & Nakano (Codage binaire) Koonce D.A (Codage % job) Plan 1.Job Shop 1.1. Contraintes 1.2. État de lart 2.Résolution 2.1.AG & Job Shop 2.2. Résultats 3.F de Données 3.1Arbre de décision 3.1 Apprentissage 3.Conclusion & perspectives

6 5 Bermudes - Paris le, 06 juin 2002 Algo. Génétique : principes de base POPULATION (Chromosomes) POPULATION (Chromosomes) EVALUATION (fitness) EVALUATION (fitness) OPERATEURS GENETIQUES OPERATEURS GENETIQUES Manipulation Nouvelle génération SELECTION (groupement) SELECTION (groupement) Parents Reproduction Plan 1.Job Shop 1.1. Contraintes 1.2. État de lart 2.Résolution 2.1.AG & Job Shop 2.2. Résultats 3.F de Données 3.1Arbre de décision 3.1 Apprentissage 3.Conclusion & perspectives

7 6 Bermudes - Paris le, 06 juin 2002 codage Codage indirect Codage direct Type de codageCaractéristiques Codage des opérations - Tous les chromosomes sont valides, - Solutions redondantes. Codage des machines Chromosome non valide modification Codage des jobs Exploration incomplète de lespace de solutions Codage basé sur des listes de préférences - Chromosome = liste de préférences - Tous les chromosomes sont valides Plan 1.Job Shop 1.1. Contraintes 1.2. État de lart 2.Résolution 2.1.AG & Job Shop 2.2. Résultats 3.F de Données 3.1Arbre de décision 3.1 Apprentissage 3.Conclusion & perspectives

8 7 Bermudes - Paris le, 06 juin 2002 Algo. Génétique : opérateurs utilisés Population initiale Génération aléatoire Utilisation des heuristiques Duplication et évaluation Sélection Sélection aléatoire (Goldberg) Sélection des p meilleurs individus Génération aléatoire Sélection des p meilleurs individus Sélection aléatoire (Goldberg) Chromosome : (Job,Opération) Job Shop : 3 Jobs et 3 machines Plan 1.Job Shop 1.1. Contraintes 1.2. État de lart 2.Résolution 2.1.AG & Job Shop 2.2. Résultats 3.F de Données 3.1Arbre de décision 3.1 Apprentissage 3.Conclusion & perspectives

9 8 Bermudes - Paris le, 06 juin 2002 Algo. Génétique : opérateurs utilisés Fonction dévaluation Mutation Opérateur de décalage Échange réciproque Opérateur dinsertion Croisement Croisement dordre minimal Croisement Cyclique Croisement à ordre uniforme Croisement dordre minimal Opérateur de décalage Plan 1.Job Shop 1.1. Contraintes 1.2. État de lart 2.Résolution 2.1.AG & Job Shop 2.2. Résultats 3.F de Données 3.1Arbre de décision 3.1 Apprentissage 3.Conclusion & perspectives

10 9 Bermudes - Paris le, 06 juin 2002 Résultats expérimentaux Un Un Job Shop Benchmark 6x6 (Muth & Thomson, 1963), LAG est exécuté 1000 fois, 92.7 % des 1000 chromosomes sont optimaux, Dont 106 ne sont pas redondants, Durée dexécution : 2 min Plan 1.Job Shop 1.1. Contraintes 1.2. État de lart 2.Résolution 2.1.AG & Job Shop 2.2. Résultats 3.F de Données 3.1Arbre de décision 3.1 Apprentissage 3.Conclusion & perspectives

11 10 Bermudes - Paris le, 06 juin 2002 À partir des 106 individus (séquences), nous avons déterminé toutes les séquences possibles (ordonnancements effectifs) : 22 en total M M M M M M1 OrdresMachines Résultats expérimentaux Plan 1.Job Shop 1.1. Contraintes 1.2. État de lart 2.Résolution 2.1.AG & Job Shop 2.2. Résultats 3.F de Données 3.1Arbre de décision 3.1 Apprentissage 3.Conclusion & perspectives

12 11 Bermudes - Paris le, 06 juin 2002 Fouille de Données Acquisition Données Connaissances Pré-traitementPost-traitement Fouille de données Recherche des structures sous jacentes Création de modèles explicatifs/prédictifs Fouille de données Plan 1.Job Shop 1.1. Contraintes 1.2. État de lart 2.Résolution 2.1.AG & Job Shop 2.2. Résultats 3.F de Données 3.1Arbre de décision 3.1 Apprentissage 3.Conclusion & perspectives

13 12 Bermudes - Paris le, 06 juin 2002 Caractérisation Pour chaque machine, on a déterminé les différents ordres possibles Lordre le plus fréquent est considéré comme lordre de base MachinesOrdre 1Ordre 2Ordre 3Ordre 4 M M29544 M M M M Plan 1.Job Shop 1.1. Contraintes 1.2. État de lart 2.Résolution 2.1.AG & Job Shop 2.2. Résultats 3.F de Données 3.1Arbre de décision 3.1 Apprentissage 3.Conclusion & perspectives

14 13 Bermudes - Paris le, 06 juin 2002 OrdresMachines M M1 Les ordres des machines M1 et M4 Caractérisation Plan 1.Job Shop 1.1. Contraintes 1.2. État de lart 2.Résolution 2.1.AG & Job Shop 2.2. Résultats 3.F de Données 3.1Arbre de décision 3.1 Apprentissage 3.Conclusion & perspectives

15 14 Bermudes - Paris le, 06 juin 2002 Les 22 séquences sont étudiées à fin de générer des règles de transition dun ordre vers un autre pour une machine donnée, Des variables caractérisant la transition des ordres ont été déterminées, Les règles de décision sont ensuite transformées sous forme darbre permettant à partir des variables et des ordres de base de chaque machine de générer les 22 séquences précédentes, Caractérisation Plan 1.Job Shop 1.1. Contraintes 1.2. État de lart 2.Résolution 2.1.AG & Job Shop 2.2. Résultats 3.F de Données 3.1Arbre de décision 3.1 Apprentissage 3.Conclusion & perspectives

16 15 Bermudes - Paris le, 06 juin 2002 ArbreArbre de décision résultant de létude précédente Var1 O1 O2... O M6 Var5 (2,5) 321 (3,5)(2,5) 111 Var2 M2 M1 Var5 Arbre de décision Plan 1.Job Shop 1.1. Contraintes 1.2. État de lart 2.Résolution 2.1.AG & Job Shop 2.2. Résultats 3.F de Données 3.1Arbre de décision 3.1 Apprentissage 3.Conclusion & perspectives

17 16 Bermudes - Paris le, 06 juin 2002 Méthode d'apprentissage à partir d'exemples Attributs (Caractéristiques) Exemples dapprentissage Plan 1.Job Shop 1.1. Contraintes 1.2. État de lart 2.Résolution 2.1.AG & Job Shop 2.2. Résultats 3.F de Données 3.1Arbre de décision 3.1 Apprentissage 3.Conclusion & perspectives Logiciel Utilisé : C45 & See5

18 17 Bermudes - Paris le, 06 juin 2002 Transformation de la population en exemples d'apprentissage La partie supervisée : les classes les positions des opérations sur les machines, Les exemples dapprentissage : les opérations du benchmark étudié, Les attributs caractérisant : Durées opératoires, Charge machine, Position de lopération dans le job, Temps restant du job,... Plan 1.Job Shop 1.1. Contraintes 1.2. État de lart 2.Résolution 2.1.AG & Job Shop 2.2. Résultats 3.F de Données 3.1Arbre de décision 3.1 Apprentissage 3.Conclusion & perspectives

19 18 Bermudes - Paris le, 06 juin 2002 Modélisation - Nous cherchons des règles de décision permettant de déduire P pour chaque opération ; - Les règles se basent sur les caractéristiques des opérations telles que : Temps opératoire, Position dans le Job et le Temps Restant. Si (Opération = x) & (Temps Opératoire(x) = long) & (Position Job(x) = première) & (Temps Restant(x) = grand) Alors P = 0 Le problème est formulé comme suit : Chaque opération peut avoir 6 positions possibles sur sa machine P = (0,1,2,3,4,5). Chaque opération peut avoir 6 positions possibles sur sa machine P = (0,1,2,3,4,5). Plan 1.Job Shop 1.1. Contraintes 1.2. État de lart 2.Résolution 2.1.AG & Job Shop 2.2. Résultats 3.F de Données 3.1Arbre de décision 3.1 Apprentissage 3.Conclusion & perspectives

20 19 Bermudes - Paris le, 06 juin 2002 Conclusion Une étude du problème de Job Shop à été réalisée en proposant une nouvelle approche de résolution, La méthode proposée se base sur les Algorithmes génétiques et la Fouille de Données, Un arbre de décision a permis la transition dun ordre à un autre, Une modélisation à laide des techniques dapprentissage à partir dexemples a été proposée. Plan 1.Job Shop 1.1. Contraintes 1.2. État de lart 2.Résolution 2.1.AG & Job Shop 2.2. Résultats 3.F de Données 3.1Arbre de décision 3.1 Apprentissage 3.Conclusion & perspectives

21 20 Bermudes - Paris le, 06 juin 2002 Perspectives Etudier des job shop dynamiques, Optimisation multicritère, Méta heuristique pour résoudre le job shop, Une autre manière de caractérisation (plusieurs heuristiques), Prise en compte de la maintenance. Plan 1.Job Shop 1.1. Contraintes 1.2. État de lart 2.Résolution 2.1.AG & Job Shop 2.2. Résultats 3.F de Données 3.1Arbre de décision 3.1 Apprentissage 3.Conclusion & perspectives


Télécharger ppt "Algorithme Génétique & Fouille de Données pour lordonnancement réactif dun atelier de type Job Shop Harrath Youssef Chebel-Morello Brigitte & Zerhouni."

Présentations similaires


Annonces Google