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

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

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

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

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

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

ORTEMS scheduler

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

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

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

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

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

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

ORTEMS optimizer Solution

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

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

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

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

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

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

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

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.

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

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

Exemple 2 Robustesse de la solution

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

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.

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