CHALLENGE ROADEF 2001 Résolution par une métaheuristique à base de recherche à voisinage variable et propagation par contraintes Fabrice BUSCAYLET Fabrice.

Slides:



Advertisements
Présentations similaires
Programmation linéaire et Recherche opérationnelle
Advertisements

Résolution Graphique d'un Programme Linéaire
La Méthode de Simplexe Standardisation
Approximation de Pi par la méthode de Monte Carlo
Modèle des jeux et des mécanismes
1 Modèles Economiques en Informatique Michel de Rougemont Université Paris II.
Recherche de motifs par méthodes exploratoires: Comparaisons de performances et statistiques sur le score.
Métaheuristiques pour l’optimisation combinatoire
Equipe optimisation TempoSoft
A Pyramid Approach to Subpixel Registration Based on Intensity
1 Intégration numérique garantie de systèmes décrits par des équations différentielles non-linéaires Application à l'estimation garantie d'état et de paramètres.
Optimisation dans les télécommunications
Génération de coupes pour la planification d’agents
Une méthode de grand voisinage pour le RCPSP
École des Mines d ’Alès site EERIE à Nîmes
Y. Caseau 22/04/ Challenge ROADEF: Combinaison de Propagation de Contraintes et de Méta-Heuristiques Yves Caseau & all Bouygues – e-lab Francoro.
L’échange naturel Le choix individuel de Robinson l’amène à déterminer les termes d’un contrat naturel d’échange, selon lequel, en échange des quantités.
Plan Évolution Système On Chip Difficultés de la testabilité des SOCs
UNIVERSITE DES SCIENCES ET DE LA TECHNOLOGIE D’ORAN
Un neurone élémentaire
Challenges ROADEF Société Française de Recherche Opérationnelle et dAide à la Décision 2 objectifs: Promouvoir notre discipline auprès des partenaires.
Les jeux (méthodes min-max et -)
Algorithmique et Programmation
Programmation linéaire
Concepts avancés en mathématiques et informatique appliquées
Optimisation linéaire
Méthode du Simplex (Dantzig)
ALGORITHMIQUE en classe de seconde
Hybridation dune Méthode Glouton et dune Recherche Locale Weinberg Benjamin Laboratoire dInformatique Fondamental de Lille, France.
Mai 2001FRANCOROIII - Challenge Recherche Locale Guidée Par Le Coût Des Contraintes Gavranovic Haris Univerzitet U Sarajevu IMAG, Grenoble.
Programmation linéaire en nombres entiers Algorithme de la subdivision successive («Branch and Bound Algorithm»)
CSI 4506: Introduction à l’intelligence artificielle
1 Licence dinformatique Algorithmique des graphes Problèmes dordonnancement. Utilisation de ce document strictement réservée aux étudiants de l IFSIC dans.
Universté de la Manouba
Optimisation dans les réseaux
Introduction à la programmation linéaire
Fonction vs Relation.
Programmation non procédurale Le projet ECOLE 2000
GPA750 – Gestion de Projets
MAXIMISER les RESULTATS
Heuristiques C. Recherche de la meilleure branche . Branch And Bound
Soutenance de stage 16 Mai au 5 Août 2011
Coupes efficaces pour la relaxation lagrangienne
Planning du Challenge Session JE-A7, 10h-12h, équipes Senior, 1 présentation du sujet 20’ + 3 exposés 25’. Session JE-B7, 14h30-16h,
les méthodes de recherche locale
Chapitre I Modélisation optimisation I- Optimisation de fonctions d’une seule variable 1 Introduction En gestion, on est souvent confronté à des situations.
Programmation linéaire en nombres entiers
1 Alain Casali Christian Ernst Extraction de Règles de Corrélation Décisionnelles 29 Janvier 2009.
Algorithmes Branch & Bound
Exploration systématique de graphes
Travaux Pratiques Optimisation Combinatoire
2008/ Plan du cours 1.Introduction –Contenu du cours 2.Logique mathématique –Calcul propositionnel –Calcul des prédicats –Logique floue et aide à.
Recherches locales et méta-heuristiques
Équilibre de satisfaction
Classification de données par l’algorithme FPSO-GA
Présenté par : ABED Djemaa; BAKHOUIA Roqiya.
Resource-Limited Genetic Programming : Replacing Tree Depth Limit.
4ème journées PDM IA - Vendredi 7 mai 2004 Recherche en ligne pour la résolution de PDMs Laurent Péret, Frédérick Garcia INRA Toulouse, équipe Méthodes.
Ajouts et retraits dans un arbre de connexion Nicolas Thibault et Christian Laforest, Équipe OPAL Laboratoire IBISC (regroupement LaMI et LSC), Évry 8.
Structures de données avancées : Arbres B+ avec expansion partielle D. E ZEGOUR Institut National d ’Informatique.
1 Logiciels de confection automatique d’horaires.
Post-optimisation, analyse de sensibilité et paramétrage
Le Jeu et l’intelligence artificielle
Problème du Car Sequencing
Partie II : Segmentation
Programme linéaire - solution graphique
Introduction aux statistiques Intervalles de confiance
Programmation par contraintes Réalisé par: WETCHA Chaima MOKDED Mohamed Ali FIA3-GL-AL 1 1.
Techniques d'Optimisation Master
Transcription de la présentation:

CHALLENGE ROADEF 2001 Résolution par une métaheuristique à base de recherche à voisinage variable et propagation par contraintes Fabrice BUSCAYLET Fabrice FAURE Frédéric PERNIAS Caroline TAMBELLINI Patricia DRU Céline HACQUART Stéphane RAGUIDEAU William VANDAMME Equipe IUP AVIGNON

Introduction 8 étudiants français IUP AVIGNON: Institut Universitaire Professionnalisé Notre Projet de Fin d’Étude Equipe IUP AVIGNON

PHASES DE L’ALGORITHME 1) L'estimation d'un minorant du niveau optimal de la solution 2) La recherche d'une solution de niveau minimum 3) L'amélioration de cette solution afin de trouver la meilleure solution possible Equipe IUP AVIGNON

Programmation par contraintes Une intégration naturelle des contraintes Mécanismes de propagation de contraintes Méthode de recherche arborescente intégrée Librairie de ppc (ILOG Solver) Equipe IUP AVIGNON

L’arbre de recherche propagation de contraintes à chaque nœud Equipe IUP AVIGNON

Exploration Stratégie : diversifier et limiter la recherche la génération aléatoire Pour une ressource fréquentielle i prise au hasard : Si la fréquence n’est pas fixée : On prend au hasard une fréquence de Di Si le polarité n’est pas fixée: On prend au hasard une polarité de Pi limitation du temps et du nombre d ’échecs Equipe IUP AVIGNON

Estimation d'une borne inférieure du niveau optimal de la solution Résolution sur un sous-ensemble de contraintes (p% des contraintes) : Utilisation d’arbres de recouvrement afin de définir un sous-ensemble de contraintes significatives Equipe IUP AVIGNON

Estimation d'une borne inférieure du niveau optimal de la solution En 200 secondes nous essayons de trouver un minorant du niveau de repli Equipe IUP AVIGNON

Recherche d'une solution de niveau minimal Définition du sous-problème de départ : Si la phase 1 a dépassé son temps imparti : niveau 10 et 20% de contraintes Si l'on est sorti de la phase 1 en trouvant une solution vérifiant 70% des contraintes de niveau k alors on augmente le pourcentage à 75% Equipe IUP AVIGNON

Equipe IUP AVIGNON

Amélioration locale de la solution précédente Si on n ’a pas prouvé l’optimalité du niveau courant : Diminution du nombre de viols au niveau k-1 Si on a prouvé l ’optimalité :Diminution simultanée avec le cumul des viols aux niveaux inférieurs à k-1. (avec une priorité moindre) Equipe IUP AVIGNON

Amélioration locale de la solution précédente Utilisation de la résolution par PPC de la phase 2 mais en fixant certaines valeurs pour un ensemble de trajets Choix des trajets et des domaines autour de la solution courante Deux types de voisinages appliqués alternativement Equipe IUP AVIGNON

Voisinage 1 Libération d ’une partie des trajets (leurs fréquences et polarités seront recalculées) Choix des trajets : Equipe IUP AVIGNON

Voisinage 2 Formulation Mathématique Une solution S’ est voisine d’une solution S ssi: i  [ 1 .. N ] :     Si = Di ( ki )   | ki - k’i |  V ( i )  S’i = Di ( k’i ) Equipe IUP AVIGNON

Voisinage 2 Un Exemple Equipe IUP AVIGNON

Choix des V(i) / Observations 1) V(i) en fonction des viols sur la fréquence i - Grande taille de voisinage pour les fréquences impliquées dans des viols. Petites taille pour les autres 2) Adaptation à la topologie locale du problème traité : Taille de l ’espace de recherche – Augmente quand on trouve des solutions – Diminue dans le cas contraire Equipe IUP AVIGNON

Choix des V(i) / Définition V ( i ) = step_size( E ) + viols( i , k1, k2) Taille de pas de recherche : step_size ( E ) = min ( max ( 2 , 2E ) , 16 ) Equipe IUP AVIGNON

Résultats Tests menés sur les problèmes des bases A, Ax et B : 34 problèmes de difficultés variées Pour les problèmes de la base A où le nombre de trajets est >1000 : difficulté d’obtenir un niveau de repli <11 Equipe IUP AVIGNON

Equipe IUP AVIGNON

Equipe IUP AVIGNON

Conclusion Pour 32 problèmes (sur les 34 disponibles) la borne inférieure correspond au niveau optimal Des améliorations possibles : détection de cycle … Une expérience très enrichissante Equipe IUP AVIGNON