Propriétés des ordonnancements SPT

Slides:



Advertisements
Présentations similaires
Programmation linéaire et Recherche opérationnelle
Advertisements

Module Systèmes d’exploitation
______________________________________________________________________________________________________________________________________________________________________.
Algorithmes et structures de données avancés
Regroupement (clustering)
Calcul géométrique avec des données incertaines
Regroupement (clustering)
LIRMM 1 Journée Deuxièmes années Département Microélectronique LIRMM.
et les multipartis complets
1 UMLV Optimalité des tris par comparaisons : O(n logn) Classements linéaires Tris lexicographiques Tri lexicographique.
Cours d'algorithmique 11 / Intranet 1 9 janvier 2006 Cours dAlgorithmique N P - complétude.
Yann Chevaleyre et Jean-Daniel Zucker
Algèbre relationnelle
Points de référence en décision multicritère J.F.R.O. Antoine ROLLAND LIP6 15 décembre 2006.
Séminaire Biblio LISC - 3/04/02 Complexité, information Daprès JP Delahaye (1999)
Algorithmes dapproximation pour loptimisation en ligne dordonnancements et de structures de communications Nicolas Thibault Thèse préparée au laboratoire.
F. Pascual - Laboratoire d’Informatique de Grenoble
1 Intégration numérique garantie de systèmes décrits par des équations différentielles non-linéaires Application à l'estimation garantie d'état et de paramètres.
Alain Casali, Rosine Cicchetti, Lotfi Lakhal
Problèmes à machines parallèles avec serveur
Ordonnancement des mouvements de deux robots
Plus rapide chemin bicritère : un problème d’aménagement du territoire
Influence de la distribution des temps opératoires sur le résultat de l’ordonnancement Chérif Sadfi Laboratoire Gestion Industrielle, Logistique et Conception.
Nombre de chaînes de longueur r
CALCUL PARALLELE PRODUIT : MATRICE – VECTEUR 10 pages Exposé par :
Conception et analyse des algorithmes
Comparaison de 4 algorithmes pour le problème du vertex cover
GPA750 – Ordonnancement des systèmes de production aéronautique
Rappel... Sous-espaces de Rn: Définition;
VI – Rang d’une matrice Mots clés : Rang.
Algorithmes Branch & Bound
Chapitre 2 Réductions: exemples et méthodes
GPA750 – Ordonnancement des systèmes de production aéronautique
Optimisation linéaire
Ordonnancement avec exclusion mutuelle par un graphe d’intervalles ou d’une classe apparentée : complexité et algorithmes ~ Frédéric Gardi - 14 Juin.
Rappel... Solution itérative de systèmes linéaires (suite et fin).
Optimisation non linéaire sans contraintes
Analyses de Sensibilité
ECONOMIE INTERNATIONALE
Coloration gap sommet identifiante de graphes
Parallel Cooperative Optimization Research Group
Rappels de logique des prédicats du 1er ordre
Courbes de Bézier.
Algorithmes d ’approximation
Deux méthodes incrémentales pour le maintien dun arbre de connexion Nicolas Thibault Christian Laforest
Optimisation linéaire
Performance des algorithmes à véracité garantie pour l'ordonnancement de tâches individualistes F. Pascual - LIG En collaboration avec : G. Christodoulou,
Les pointeurs en C. valeur : main () { float valeur; void* pointeur; }
Fanny Pascual - Laboratoire d’Informatique de Grenoble (LIG)
Ordonnancement de tâches
Introduction aux problèmes d'ordonnancement sans temps-morts.
Ordonnancement de tâches on-line avec pénalités Nicolas Thibault et Christian Laforest Laboratoire IBISC (Évry) 1 / 12.
Introduction: critères de comparaison et choix rationnel
Évolution de schémas par classification automatique dans les entrepôts de données 3ème journée francophone sur les Entrepôts de Données et l'Analyse en.
Le Partage Minimisant Maths à modeler
Vers un nouvel empirisme: l’ancien et le nouvel empirisme John Goldsmith Université de Chicago CNRS MoDyCo.
D.E ZEGOUR Ecole Supérieure d’Informatique
Cours des Systèmes d’exploitations
Rappels de statistiques descriptives
Théorie du point fixe 1. Rappel Ensemble ordonné Majorant, Minorant
Jean-Michel Rouet, Jean-José Jacq et Christian Roux,
Complexité des Problèmes Combinatoires Module IAD/RP/RO/Complexité Philippe Chrétienne.
Algorithmes Branch & Bound
Le problème central de l’ordonnancement (les plus longs chemins)
Université Pierre et Marie Curie Laboratoire d’Informatique de Paris VI Département ASIM Analyse et résultats sur le dimensionnement des mémoires pour.
Problème de double digestion
Recherches locales et méta-heuristiques
Ajouts et retraits dans un arbre de connexion Nicolas Thibault et Christian Laforest, Équipe OPAL Laboratoire IBISC (regroupement LaMI et LSC), Évry 8.
Ordonnancement en présence d’agents individualistes
Département Opération et systèmes de décision Faculté des Sciences de l ’administration GSO-19217: Opérations et logistique Chapitre 6 Ordonnancement.
Transcription de la présentation:

Propriétés des ordonnancements SPT ROADEF 2005 Propriétés des ordonnancements SPT Eric Angel, Evripidis Bampis, Fanny Pascual LaMI, université d’Evry

0rdonnancements (rappel) Exemple: Principaux critères de qualité: Temps de terminaison max (Makespan) Somme des temps de terminaison ( ∑Cj ) 1 2 4 5 6 3 7 8 9 10 1 5 6 P1 n tâches m machines P2 2 4 P3 3 1 2 3 4 5 6 7 8 9 10

Les ordonnancements SPT SPT= Shortest Processing Time first Règle de Smith: SPTglouton Trier les tâches par ordre croissant Les ordonnancer dès qu’une machine est libre. Algo qui minimise ∑Cj . Classe des ordos. qui minimisent ∑Cj : [Bruno et al]: Algorithms for minimizing mean flow time 1 2 3 4 5 6 7 8

Les ordonnancements SPT [Bruno et al]: notion de rang. Un ordo. minimise ∑Cj ssi c’est un ordo. SPT. 1 4 7 2 5 8 3 6 1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8

Plan On étudie la qualité des ordos. SPT sur les critères suivants: Max ∑Cj. Problème NP-complet Analyse de SPTglouton Critères d’insatisfaction des tâches: Critère d’insatisfaction globale Critère d’insatisfaction individuelle Conclusion

Max ∑Cj Minimiser Max ∑Cj  Minimiser ∑Cj Problème NP-complet. Max ∑Cj = 7 Max ∑Cj = 6 ∑Cj = 10 ∑Cj = 11 Problème NP-complet. 1 5 3 7 5 1 6

Minimiser Max ∑Cj est NP-complet On réduit le pb de la partition au pb Min. Max ∑Cj. Partition: Soit un ens. de nb C={ x1, x2, . . . , xn }. Existe-t-il une partition (A,B) de C t.q ∑xA x = ∑xB x ? Min. Max ∑Cj: Soit un nombre k. Existe-il un ordo. tel que Max ∑Cj= k ?

Minimiser Max ∑Cj est NP-complet Transformation: Partition: C={x1, x2, . . . ,xn} Max ∑Cj: k= ½ Min ∑Cj ; m=2; 2n tâches:

Minimiser Max ∑Cj est NP-complet Solution Partition  solution Max ∑Cj : Partition: C={x1, x2, . . . ,xn}. Max ∑Cj: k= ½ Min ∑Cj ; m=2; 2n tâches. tâches ≠ce long. rang ≠ce contrib ∑Cj

Max ∑Cj : analyse de SPTglouton Théorème 1 : Le rapport d’approximation de SPTglouton est ≤ 3 – 3/m + 1/m2 . Théorème 2 : Le rapport d’approximation de SPTglouton est ≥ 2 – 2/(m2 + m).

Max ∑Cj : analyse de SPTglouton Théorème 2 : Le rapport d’approximation de SPTglouton est ≥ 2 – 2/(m2 + m). ( exemple: pour m=3, rapport ≥ 11/6 ) Preuve: m(m-1) tâches de longueur 1 Une tâche de longueur B= m(m+1)/2 Exemple pour m=3: 1 6 6 1 Max ∑Cj = 6 Max ∑Cj = 11

Plan On étudie la qualité des ordos. SPT sur les critères suivants: Max ∑Cj. Problème NP-complet Analyse de SPTglouton Critères d’insatisfaction des tâches: Critère d’insatisfaction globale Critère d’insatisfaction individuelle Conclusion

Critère d’insatisfaction globale [Kumar, Kleinberg]: Fairness Measures For Ressources Allocation (FOCS 2000) Définition: insatisfaction globale d’un ordo. S: Rapport max. entre date de fin de la ième tâche de S, et date de fin min de la ième date de fin de tout autre ordo. Cglob(X) = min  t.q. X   Y  Y  V(I) C*glob(I) = min Cglob(X) t.q. X V(I) C*glob = max C*glob(I)

Critère d’insatisfaction globale Autres vecteurs: V(I) = X + (1, 2, 5) (1, 3, 3) (1, 3, 5) (2, 3, 3) (2, 3, 4) (1, 3, 6) (1, 4, 6) (2, 3, 6) (2, 5, 6) (3, 4, 6) (3, 5, 6) Min = (1, 2, 3) Exemple: I={ , , } 1 2 3 1 3 2 1 3 2 Vecteur X = (1, 2, 4) 1 3 2 Cglob(X) = 4/3 C*glob(I) = 4/3

Critère d’insatisfaction globale Théorème 1: Cglob(XSPTglouton) ≤ 2 – 1/m. ( exemple: pour m=2, Cglob(XSPTglouton) ≤ 3/2 ) Théorème 2: C*glob= 3/2 quand m=2. Preuve du théorème 2: 1 2 Cglob(I) = C*glob = 3/2 Vecteur X = (1, 1, 3)

Critère d’insatisfaction individuelle Définition: insatisfaction ind. d’un ordo. S: Rapport max. entre date de fin de chaque tâche de S, et date de fin min de cette tâche dans tout autre ordo. Cind(X) = min  t.q. X   Y  Y  V(I) C*ind(I) = min Cind(X) t.q. X V(I) C*ind = max C*ind(I) Exemple: 1 3 2 Vecteur X = (3, 2, 3)

Critère d’insatisfaction individuelle Théorème : Cind(XSPTglouton) ≤ 1 + (n-1)/m. C*ind= 1 + (n-1)/m. Preuve de C*ind = 1 + (n-1)/m : exemple avec (m+1) tâches de longueur 1: C*ind = 2 = 1 + (n-1)/m 1

Conclusion - Perspectives SPTglouton entre 2 – 2/(m2 + m) et 3 – 3/m + 1/m2 pour Max ∑Cj. Bons rapports d’insatisfaction. Perspectives Améliorer la borne pour SPTglouton dans Max ∑Cj. Etudier les critères d’insatisfaction sur d’autres ordonnancements.