Vous êtes sur la page 1sur 75

Def.

Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Programmation linaire en nombres entiers pour


lordonnancement modulo sous contraintes de
ressources.
Maria Alejandra Ayala P.
Universit de Toulouse III, France
LAAS - CNRS

15 Juin 2011

1/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Contexte et motivation
Contexte industriel : problme dordonnancement cyclique
dinstructions
Paralllisme dinstructions
Architectures VLIW : ST200 de STMicroelectronics

Proposer un ordonnancement des instructions pour terminer le


programme en un temps minimal.
Optimiser lexcution des boucles : pipeline logiciel.
problme dordonnancement cyclique : ordonnancement modulo.
2/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Plan

Dfinition du problme RCMSP

Programmation linaire en nombres entiers

Dcomposition de Dantzig-Wolfe

Relaxation Lagrangienne

Mthode hybride

Conclusion et perspectives

3/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Plan
1

Dfinition du problme RCMSP

Programmation linaire en nombres entiers

Dcomposition de Dantzig-Wolfe
Nouvelles formulations
Gnration de colonnes
Sous-problme
Rsultats exprimentaux

Relaxation Lagrangienne
Dfinition et rsolution du sous-problme Lagrangien
Heuristique
Rsultats exprimentaux

Mthode hybride
Mthode hybride
Rsultats exprimentaux

Conclusion et perspectives
4/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Ordonnancement cyclique

Un ensemble doprations gnriques : {Oi }1in rptes une


infinit de fois (diffrentes occurrences ou instances).
Dure {pi }1in
< i, q > la q ime ocurrence de la tche gnrique i.
Ordonnancement : date de dbut iq de chaque occurrence
< i, q >.

5/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Ordonnancement priodique
Dfinition
Le temps de cycle moyen :
maxiO (iq + pi )
q
q

z() = lim

Problme : trouver un ordonnancement ralisable minimisant le temps


de cycle moyen z() tout en respectant des contraintes de prcdence
entre les tches.
Dfinition
Ordonnancement priodique avec une priode
i O, q 1, iq = i0 + q
La priode est gale au temps de cycle moyen z().

6/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Ordonnancement modulo sous contraintes de ressources


(RCMSP)

Ordonnancement modulo : structure dordonnancement cyclique


(1)-priodique avec priode entire.
Dures unitaires.
Ensemble de m ressources.
Chaque ressource a une disponibilit limite Bs .
Chaque tche demande bis units de chaque ressource s.
Ensemble E de contraintes de prcdence (latence ij , distance
ij ) pour (i, j) E.

7/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Ordonnancement modulo sous contraintes de ressources


(RCMSP)
Variables de dcision : i {0...T }, o T est lhorizon de temps.
Formulation du RCMSP :
min Lex(,

n
X

wi i )

i=1

s.c
j i + ij ij , (i, j) E
X

bis Bs , s {1, . . . , m}, t N

iA(t)

i 0, i = 1, 2, ..., n
o A(t) = {i {1, . . . , n}|q N, iq = t} est lensemble des instances
des tches excutes linstant t N
8/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Contraintes de prcdence (ou de dpendance)


Graphe orient
Sommets : oprations
Arcs (i, j) E ou E ensemble de prcdences
latence ij : longueur de la dpendance.
distance ij : nombre ditrations qui sparent les occurrences de
i et j

9/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Contraintes de prcdence
Exemple de dpendance :
Dpendance (i, j) avec ij = 2, ij = 1, = 2.

j; q + 1

j; q
i =
j

q + ij

itration de la tche j

ij = 1

i; q

=2

Contrainte de prcdence entre < i, q > et < j, q + ij >


q+ij

q 1, iq + ij j

q 1, i + ij i j j
Problme polynomiale, ordonnancements priodiques,
algorithmes O(n 3 logn) de recherche de circuite critique.
10/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Ordonnancement modulo sous contraintes de ressources


(RCMSP)
Exemple dutilisation des ressources :

Ressources
Disponibilit
Oprations
1
2
3
4
5
6
7
8
9
10

R1
4
R1
1
1
1
1
1
1
1
1
1
1

R2
1
R2
0
1
1
1
0
1
0
0
0
0

R3
1
R3
0
0
0
0
0
0
0
0
1
0

R4
2
R4
0
0
0
0
0
0
0
0
1
0

R4

R3

R2

4.0

1.0

8.0

7.0

4.0

5.0

1.0

2.0

3.0

9.0

9.1

9.0

9.1

6.0

2.1

4.1

3.1

6.1

4.2

8.1

8.2

4.1

7.1

9.0

1.1

5.1

6.0

10.0

2.1

4.2

R1

3.0
2

3.1
6

9.1

1.2

6.1

10.1
8

= 4, Cmax = 5

11/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Ordonnancement modulo sous contraintes de ressources


(RCMSP)

m2

m3

2,3

1,1

m1

1,4

1,2

2,1
2,2

2,4
1,3

Ordo priodique

=1

1,1

m1
m2

1,2

2,1

2,2

Ordo modulo

=2

m3

Lallocation des ressources est conserve dune itration lautre en


ordonnancement modulo.
12/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Rsolution du RCMSP

Mthode classique dordonnancement modulo (Rau et al. 1981, 1996)


calcul dune borne infrieure pour la priode
min = max(res , prec )
prec =

circuit de G
n
P

res

()
()

max

= max

1sm

i=1

bis

Bs

Recherche pour la plus petite priode telle que le RCMSP est


ralisable.

13/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Etat de lart pour le RCMSP

Ordonnancement cyclique sur processeurs paralleles. Hanen et


Munier (1994)
Thorie classique dordonnancement modulo : Rau et al. (1981),
Lam (1988), Rau (1996)
Pipeline logiciel dcompos (DSP) : Gasperoni et Schwiegelshohn
(1991), Waung et Eisenbis (1994), Hanen et Benabid (2009,
2011), Insertion Scheduling Dupont-de-Dinechin (1995).
Mthodes exactes et PLNE : Govindarajan et al. (1991),
Eichenberger et Davidson(1995), Dupont-de-Dinechin (2003)
Mthodes sans une valeur de fixe. Lombardi et al. 2011.

14/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Instances pour lexprimentation

Deux groupes dinstances :


36 instances dures unitaires provenant du processeur ST200 de
STMicroelectronics : consommation des ressources
principalement unitaires
Groupe dinstances correspondants une modification du
premier ensemble dinstances : genration alatoire (U [1, 10])
de la consommation de ressources.
Linstance la plus petite, gsm-st231.10.rcms est compose de 10
tches gnriques et 42 relations de prcdence.
Linstance la plus grande, gsm-st231.18.rcms est compose de 214
tches gnriques et 1063 relations de prcdence.

15/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Ordonnancement modulo sous contraintes de ressources


(RCMSP)
Exemple.
Resource
ALU
MEM
CTL
ODD

Capacity
4
1
1
2

RESERVATION
ALU
ALUX
MUL
MULX
MEM
MEMX
CTL

ALU MEM CTL ODD


1
0
0
0
2
0
0
1
1
0
0
1
2
0
0
1
1
1
0
0
2
1
0
1
1
0
1
1

=2

Cmax = 7
16/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Plan
1

Dfinition du problme RCMSP

Programmation linaire en nombres entiers

Dcomposition de Dantzig-Wolfe
Nouvelles formulations
Gnration de colonnes
Sous-problme
Rsultats exprimentaux

Relaxation Lagrangienne
Dfinition et rsolution du sous-problme Lagrangien
Heuristique
Rsultats exprimentaux

Mthode hybride
Mthode hybride
Rsultats exprimentaux

Conclusion et perspectives
17/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

PLNE pour le RCMSP


But dutilisation de la PLNE :
Calculer des bornes infrieures de la priode optimale et de
lobjectif secondaire.
Rsolution exacte si cest possible ou approche.
PLNE pour le RCMSP :
Formulation directe :
date de dbut de la tche gnrique i, i [0, T 1]
Formulation dcompose :
i = ki + i
[0, ..., b T1
c],

o : ki
ki est le numro du cycle dans lequel
chaque tche est place. i = i mod, date de dbut de la tche
gnrique i dans lintervalle [0, 1].

18/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

PLNE pour le RCMSP


Formulation dcompose :
Formulation directe :
10
10

9
9

8
7

8
7

4
4

2
2
1

1
i
ki

2
0

Cmax = 4

5 = 5 + k5 avec
5 = 2 + 0(4) = 2

2
1

=4

Cmax = 4

6 7
=4

i est place dans lhorizon T .

19/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

PLNE pour le RCMSP


Formulation dcompose (Eichenberger et al 1997) : i = ki + i
min

n
X
i=1

1
X

1
X

wi (

yi + ki )

=0

yi = 1, i [1, n]

=0
1
X

yi + ki + ij ij

1
X

yj + kj , (i, j) E

=0

=0
n
X

yi bis Bs , s m, [0, 1]

i=1

yi {1, 0}, ki N

20/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

PLNE pour le RCMSP

Contrainte de dpendance structure : base sur rsultats de


Chaudhuri et al. (1994).
1
X
x=

j
( + 1)mod
i
i
yx

yx + ki kj i b

+ ij 1

c + 1, [0, 1], (i, j) E

x=0

Meilleure relaxation de programmation linaire.

21/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

PLNE pour le RCMSP


Formulation directe (Dupont de Dinechin 2004). i =
min

n
X

wi (

i=1
K
X

K
X

PT

t=0

txit .

txit )

t=0

xit = 1

t=0
K
X
t=0

txit + ij ij

K
X

txjt , (i, j) E

t=0

n bX
c
X

xi +k bis Bs , [0, 1], s [1, m)

i=1 k=0

xit {0, 1}
22/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

PLNE pour le RCMSP

Contrainte de prcdence dsagrge : Christofides et al. (1987).


K
X
h=t

t+ij ij 1

xih +

xjh 1, t [0, . . . , K 1], (i, j) E

h=0

Meilleure relaxation de la programmation linaire.

23/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Comparaison des relaxations de programmation linaire


pour le RCMSP

But : tudier la qualite des relaxations PLNE des formulations


decompose et directe.
Comparaison des valeurs thoriques des relaxations.
Comparaison exprimentalement les deux formulations PLNE.
Remarque : la formulation directe comporte plus de variables et de
contraintes que la formulation dcompose.

24/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Comparaison des relaxations de programmation linaire


pour le RCMSP
Thorme
Soit z (decomp) la valeur optimale pour la relaxation de la
formulation (decomp) et z (direct) la valeur optimale pour la
relaxation de la formulation (direct). Nous avons
z (direct) = z (decomp)
Thorme
Soit z (decomp+) la valeur optimale pour la relaxation de la
formulation dcompose renforce et z (direct+) la valeur optimale
pour la relaxation de la formulation directe renforce, alors
z (direct+) = z (decomp+)

25/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Comparaison des relaxations de programmation linaire


pour le RCMSP
Principe de la dmonstration :
T = K , avec T , K , N .
i = i + ki .
yi =

K1
X

xi +k

i {1, . . . , n}, {0, . . . , 1}

k=0

ki =

K1
X K1
X

xit

i {1, . . . , n}

k=1 t=k

Remplacement de variables et demonstration de lunimodularit


des matrices de contraintes.

26/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Calcul de bornes infrieures et rsolution exacte

Borne infrieure pour la priode :


Mthode itrative = min = max(res , prec ).
Contraintes dintgralit relches.
Si PL irralisable alors : ( = + 1).

Borne infrieure pour le makespan (Cmax) :


Cmaxmin = max(, Cmax), tel que ralisable.
Solution optimale :
Mme principe de calcul de borne infrieure avec rsolution
PLNE.

27/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Solutions optimales : instances industrielles


Instances
adpcm-st231.1
adpcm-st231.2
gsm-st231.1
gsm-st231.2
gsm-st231.5
gsm-st231.6
gsm-st231.7
gsm-st231.8
gsm-st231.9
gsm-st231.10
gsm-st231.11
gsm-st231.12
gsm-st231.13
gsm-st231.14
gsm-st231.15
gsm-st231.16
gsm-st231.17
gsm-st231.18
gsm-st231.19
gsm-st231.20
gsm-st231.21
gsm-st231.22
gsm-st231.25
gsm-st231.29
gsm-st231.30
gsm-st231.31
gsm-st231.32
gsm-st231.33
gsm-st231.34
gsm-st231.35
gsm-st231.36
gsm-st231.39
gsm-st231.40
gsm-st231.41
gsm-st231.42
gsm-st231.43

min
21
38
24
26
11
7
11
8
28
4
20
8
19
10
8
16
9
53
8
6
18
18
16
11
7
11
15
15
4
6
10
8
10
18
6
8

21
40
24
26
11
7
11
8
28
4
20
8
19
10
8
16
9
8
6
18
18
16
11
7
11
15
15
4
6
10
8
10
18
6
8

PLNE(decomp+)
Cmax
CPUs
30
14400
42
582362
33
0.05
32
79362
17
0.05
13
17
17
0.05
8
0.05
28
0.05
4
0.05
21
0.05
8
0.05
25
1856
13
301.25
8
0.05
20
7520
16
0.05
9
0.05
10
0.05
22
0.05
22
0.05
25
3652
17
12.6
13
12
17
47
15
0.05
21
2365
5
0.05
11
0.05
15
27
16
0.05
10
0.05
24
2356
10
0.05
14
0.05

21
40
24
26
11
7
11
8
28
4
20
8
19
10
8
16
9
8
6
18
18
16
11
7
11
15
15
4
6
10
8
10
18
6
8

PLNE(direct+)
Cmax
CPUs
30
16235
42
601000
33
0.05
32
83991
17
0.05
13
20
17
0.05
8
0.05
28
0.05
4
0.05
21
0.05
8
0.05
25
2023
13
478
8
0.05
20
8156
16
0.05
9
0.05
10
0.05
22
0.05
22
0.05
25
4001
17
15
13
15
17
73
15
0.05
21
2503
5
0.05
11
0.05
15
42
16
0.05
10
0.05
24
2562
10
0.05
14
0.05

28/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Solutions optimales : instances modifies


Instances
adpcm-st231.1
adpcm-st231.2
gsm-st231.1
gsm-st231.2
gsm-st231.5
gsm-st231.6
gsm-st231.7
gsm-st231.8
gsm-st231.9
gsm-st231.10
gsm-st231.11
gsm-st231.12
gsm-st231.13
gsm-st231.14
gsm-st231.15
gsm-st231.16
gsm-st231.17
gsm-st231.18
gsm-st231.19
gsm-st231.20
gsm-st231.21
gsm-st231.22
gsm-st231.25
gsm-st231.29
gsm-st231.30
gsm-st231.31
gsm-st231.32
gsm-st231.33
gsm-st231.34
gsm-st231.35
gsm-st231.36
gsm-st231.39
gsm-st231.40
gsm-st231.41
gsm-st231.42
gsm-st231.43

min
52
82
24
59
26
17
28
9
28
6
20
10
27
20
9
38
23
120
12
13
20
18
37
28
16
26
21
33
7
12
18
15
12
33
14
15

PLNE(decomp+)

Cmax
25
42
36
46
27
27
41
45
12
12
32
35
8
8
24
24
13
13
43
48
33
45
12
12
33
33
15
15
20
27
30
30
29
29
56 (Gap=1.75%)
56
42
42
25
25
39
39
30
30
52(Gap=8%)
50
7
7
14
16
24
28
21
25
17
21
18
26
20
25

CPUs
250
280
152
92
0.27
0.56
0.10
0.37
12.65
985.03
220
12.36
90
38.23
123
42.03
80.36
604800
210
58
142
0.25
604800
5.05
52
230
95
15
12
15

25
36
27
41
12
32
8
24
13
43
33
12
33
15
20
30
29
42
25
39
30
7
14
24
21
17
18
20

PLNE(direct+)
Cmax
CPUs
42
375
46
299.03
27
265
45
115
12
0.31
35
60
8
0.11
24
0.39
13
19
48
1236
45
252
12
13
33
105
15
43
27
137
30
59
29
112
42
513
25
67
39
169
30
1.01
7
8
16
53
24
403
25
168
21
29
26
17
25
23

29/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Bornes infrieures : instances industrielles


Instances
adpcm-st231.1
adpcm-st231.2
gsm-st231.1
gsm-st231.2
gsm-st231.5
gsm-st231.6
gsm-st231.7
gsm-st231.8
gsm-st231.9
gsm-st231.10
gsm-st231.11
gsm-st231.12
gsm-st231.13
gsm-st231.14
gsm-st231.15
gsm-st231.16
gsm-st231.17
gsm-st231.18
gsm-st231.19
gsm-st231.20
gsm-st231.21
gsm-st231.22
gsm-st231.25
gsm-st231.29
gsm-st231.30
gsm-st231.31
gsm-st231.32
gsm-st231.33
gsm-st231.34
gsm-st231.35
gsm-st231.36
gsm-st231.39
gsm-st231.40
gsm-st231.41
gsm-st231.42
gsm-st231.43

min
21
38
24
26
11
7
11
8
28
4
20
8
19
10
8
16
9
53
8
6
18
18
16
11
7
11
15
15
4
6
10
8
10
18
6
8

21
38
24
26
11
7
11
8
28
4
20
8
19
10
8
16
9
53
8
6
18
18
16
11
7
11
15
15
4
6
10
8
10
18
6
8

Cmax
29.5
42
33
31.5
15.2
11.2
15.2
8
28
4
21
8
25
12.63
8
16.97
15.25
53
8
10
22
21
24.52
15.2
11.2
15.2
15
17.23
5
8.2
10
12.5
10
18
10
10.4

CPU (s) (decomp+)


498
5326.37
0.02
586
0.02
0.02
0.02
0.02
0.02
0.00
0.02
0.00
0.02
0.02
0.00
3625.12
0.02
7256
0.00
0.00
15
17
789.26
7.52
0.02
0.02
4.25
42
0.00
0.00
0.02
0.02
0.00
12
0.02
0.00

CPU (s) (direct+)


536
6012
0.02
614
0.02
0.02
0.02
0.02
0.02
0.00
0.02
0.00
0.02
0.02
0.00
3812.03
0.02
8002.03
0.00
0.00
15
20
814
7.84
0.02
0.02
4.45
42
0.00
0.00
0.02
0.02
0.00
0.02
0.02
0.00
30/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Bornes infrieures : instances modifies


Instances
adpcm-st231.1
adpcm-st231.2
gsm-st231.1
gsm-st231.2
gsm-st231.5
gsm-st231.6
gsm-st231.7
gsm-st231.8
gsm-st231.9
gsm-st231.10
gsm-st231.11
gsm-st231.12
gsm-st231.13
gsm-st231.14
gsm-st231.15
gsm-st231.16
gsm-st231.17
gsm-st231.18
gsm-st231.19
gsm-st231.20
gsm-st231.21
gsm-st231.22
gsm-st231.25
gsm-st231.29
gsm-st231.30
gsm-st231.31
gsm-st231.32
gsm-st231.33
gsm-st231.34
gsm-st231.35
gsm-st231.36
gsm-st231.39
gsm-st231.40
gsm-st231.41
gsm-st231.42
gsm-st231.43

min
52
82
24
59
26
17
28
9
28
6
20
10
27
20
9
38
24
120
12
13
20
18
37
28
16
26
21
33
6
11
18
15
12
34
14
15

52
82
24
59
26
17
28
9
28
6
20
10
27
20
9
38
24
120
12
13
20
18
37
28
16
26
21
33
6
11
18
15
12
34
14
15

Cmax
52
82
32
59
26
17
28
9
28
6
21
10
27
20
9
38
24
120
12
13
22
21
37
28
16
26
21
33
6
11
18
15
12
34
14
15

CPU (s) (decomp+)


1800
7214
600
7200
600
600
22
0.02
25
0.0001
0.15
0.0001
48
18
0.001
420
720
600
0.002
0.002
24
8
300
60
0.25
58
3.02
52
0.001
0.002
8
0.06
0.0001
47
4.03
0.026

CPU (s) (direct+)


1995.03
7327
626
7298.04
600
600
23
0.02
30
0.0001
0.152
0.0001
52
21
0.002
452
795
603
0.002
0.002
24
8
317
62
0.253
60
3
51
0.001
0.002
8
0.08
0.0001
49
6
0.02
31/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Plan
1

Dfinition du problme RCMSP

Programmation linaire en nombres entiers

Dcomposition de Dantzig-Wolfe
Nouvelles formulations
Gnration de colonnes
Sous-problme
Rsultats exprimentaux

Relaxation Lagrangienne
Dfinition et rsolution du sous-problme Lagrangien
Heuristique
Rsultats exprimentaux

Mthode hybride
Mthode hybride
Rsultats exprimentaux

Conclusion et perspectives
32/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Dcomposition de Dantzig-Wolfe pour le RCMSP

Amliorer les bornes obtenues par relaxation de PLNE pour la


priode .
Proposer nouvelles formulations PLNE pour le RCMSP : grand
nombre de variables.
Schma de gnration de colonnes de manire rsoudre la
relaxation de ces formulations.
Utilisons lapproche de Vanderbeck (2000) pour proposer des
nouvelles formulations pour le RCPSP bases sur la dcomposition de
Dantzig-Wolfe.

33/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Plan
1

Dfinition du problme RCMSP

Programmation linaire en nombres entiers

Dcomposition de Dantzig-Wolfe
Nouvelles formulations
Gnration de colonnes
Sous-problme
Rsultats exprimentaux

Relaxation Lagrangienne
Dfinition et rsolution du sous-problme Lagrangien
Heuristique
Rsultats exprimentaux

Mthode hybride
Mthode hybride
Rsultats exprimentaux

Conclusion et perspectives
34/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Formulations renforces pour le RCMSP

Dcomposition de Dantzig-Wolfe :
P( ) : ensemble de solutions ralisables respectant les contraintes de
ressources linstant {0, ..., }.
(
)
n
X

n
s
P( ) = y {0, 1} |
yi bi Bs , s {1, . . . , m}
i=1

Correspondance bijective entre les points ralisables non-nuls de


P( )Pet lensemble R des ensembles doprations {i1 , . . . , iq } tel
q
que p=1 bisp Bs , s {1, . . . , m}.
Chaque ensemble de R est appel un ensemble ralisable.

35/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Formulations renforces pour le RCMSP

Dcomposition de Dantzig-Wolfe :
Le polydre P( ) peut tre reprsent par lnumration de tous ses
lments :
(
)
X
X
P( ) =

R |y

lR

zl = 1 pour tout zl {0, 1}, l R

zl Pl et

lR

Matrice binaire a tel que ail = 1 si la tche i appartient


lensemble ralisable Pl (ail reprsente le i-me lment de Pl ).
P l
En remplaant yi par
ai zl , tel que zl {0, 1}, l R.
lR

36/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Formulations renforces pour le RCMSP


R4

R3

R2

4.0

1.0

8.0

7.0

4.0

5.0

1.0

2.0

3.0

9.0

9.1

9.0

9.1

6.0

2.1

4.1

3.1

6.1

4.2

8.1

8.2

4.1

7.1

9.0

1.1

5.1

6.0

10.0

2.1

4.2

R1

3.0
2

3.1
6

9.1

1.2

6.1

10.1

= 4, Cmax = 5
= 4, {0, 1}
0
1

1
1

2
1

3
1

l1 = {4, 8, 1} zl = 1, zl = 0, zl = 0, zl = 0
1
2

0
2

2
2

3
2

l2 = {1, 7, 5, 2} zl = 0, zl = 1, zl = 0, zl = 0
0
3
0
zl0

1
3
1
z l4

2
3
2
zl
4

3
3
3
zl
4

l3 = {3} zl = 0, zl = 0, zl = 1, zl = 0
l4 = {9, 6}

= 0,

= 0,

= 0,

=1
37/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Formulations renforces pour le RCMSP


Nouvelle formulation (M-decomp) pour le RCMSP.
min

n
X

wi (ki +

1
X
X

=0

i=1

1
XX

ai zl = 1

ai zl )

lR

i {1, ..., n}

lR =0

zl 1, {0, . . . , 1}

lR

1
X
=0

l
aj zl

lR

l
ai zl

+ (kj kj ) i i (i, j) E

lR

zi {0, 1}

l {R}, {0, . . . , 1}

ki {0, . . . , K 1},

i {1, . . . , n}
38/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Formulations renforces pour le RCMSP

Contraintes de prcdence structures :


1
X
X
x= lR

j
( + 1) mod
i
l x
ai zl

x=0

lR

l x

aj zl + ki kj i b

+ ij 1

c + 1,

{0, . . . , 1}, (i, j) E

(1)

Une nouvelle formulation renforc appele (M-decomp+) est donc


obtenue.
Remarque : mme schma pour (M-direct) et (M-direct+)

39/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Plan
1

Dfinition du problme RCMSP

Programmation linaire en nombres entiers

Dcomposition de Dantzig-Wolfe
Nouvelles formulations
Gnration de colonnes
Sous-problme
Rsultats exprimentaux

Relaxation Lagrangienne
Dfinition et rsolution du sous-problme Lagrangien
Heuristique
Rsultats exprimentaux

Mthode hybride
Mthode hybride
Rsultats exprimentaux

Conclusion et perspectives
40/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Gnration de colonnes
PMR
R' R

Rsolution
simplexe

Valeurs
Duales

R << R
'

R ' = R ' {l}

Sous
Problme
Oui :
Ajoutons
lensemble l

Fin

Colonne cot
rduit
ngatif

Non

41/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Problme dual formulation (M-decomp)


Les contraintes duales associe la variable zl du problme matre
donn par la formulation (M-decomp) :
n
X

ail i

i=1

X
(i,j)E

ij (ajl ail )

n
X

wi ail , l R, {0, . . . , 1}

i=1

ce qui donne
n
X

F (i, )ail , l R, {0, . . . , 1}

i=1

 P

P
o F (i, ) = i + (j,i)E ji (i,j)E ij + wi .

42/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Plan
1

Dfinition du problme RCMSP

Programmation linaire en nombres entiers

Dcomposition de Dantzig-Wolfe
Nouvelles formulations
Gnration de colonnes
Sous-problme
Rsultats exprimentaux

Relaxation Lagrangienne
Dfinition et rsolution du sous-problme Lagrangien
Heuristique
Rsultats exprimentaux

Mthode hybride
Mthode hybride
Rsultats exprimentaux

Conclusion et perspectives
43/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Sous-problme
Il est possible de trouver
une contrainte duale viole, cest--dire un
Pn
vecteur ai tel que i=1 w1 (i, )ai .
max

n
X

F (i, )ai

i=1
n
X

ai bis Bs , s {1, . . . , m}

i=1

ai {0, 1},

i {1, . . . , n}

Pour chaque = 0, ..., 1. Nous avons donc sous-problmes


rsoudre.
Le problme matre est rsolu, puis les sous-problmes sont
galement rsolus.
44/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Calcul des bornes infrieures

La plus petite valeur de ralisable obtenue avec la solution des


relaxations des nouvelles formulations proposes, en utilisant le
schma de gnration de colonnes.
La borne pour le makespan est dfinie par
Cmaxmin = max(, Cmax), o Cmax correspond la valeur
obtenue avec la rsolution des relaxations en utilisant le schma
de gnration de colonnes, uniquement si le programme linaire
admet une solution ralisable pour une valeur de donne.

45/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Plan
1

Dfinition du problme RCMSP

Programmation linaire en nombres entiers

Dcomposition de Dantzig-Wolfe
Nouvelles formulations
Gnration de colonnes
Sous-problme
Rsultats exprimentaux

Relaxation Lagrangienne
Dfinition et rsolution du sous-problme Lagrangien
Heuristique
Rsultats exprimentaux

Mthode hybride
Mthode hybride
Rsultats exprimentaux

Conclusion et perspectives
46/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Rsultats exprimentaux

Figure: Bornes pour la priode . Instances modifies.

Nombre dinstances rsolues


Test avec = opt
Ecart maximal opt
Ecart moyen opt

Relaxation (decomp+)
36/36
0/28
16
7.10

GC(M-decomp+)
34/36
23/28
1
0.58
47/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Rsultats exprimentaux

Figure: Bornes pour le Cmax. Instances modifies.

Nombre dinstances rsolues


Test avec Cmax=Cmaxopt
Ecart maximal CmaxCmaxopt
Ecart moyen CmaxCmaxopt

Relaxation (decomp+)
36/36
0/28
25
9.57

GC (M-decomp+)
34/36
15/28
12
2.58
48/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Plan
1

Dfinition du problme RCMSP

Programmation linaire en nombres entiers

Dcomposition de Dantzig-Wolfe
Nouvelles formulations
Gnration de colonnes
Sous-problme
Rsultats exprimentaux

Relaxation Lagrangienne
Dfinition et rsolution du sous-problme Lagrangien
Heuristique
Rsultats exprimentaux

Mthode hybride
Mthode hybride
Rsultats exprimentaux

Conclusion et perspectives
49/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Relaxation Lagrangienne

But : Obtenir bornes suprieures pour la priode et pour le Cmax


Relaxation Lagrangienne sur la formulation PLNE directe
desagrge.
Rsultats de Mhring et al. pour le RCPSP : solution de
sous-problme = coupe minimale dans un graphe oriente.
Heuristique : transformation de la formulation PLNE dcompose
en utilisant la relaxation lagrangienne.

50/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Relaxation Lagrangienne

Considerons
L, (x) =

m 1
X
X

n
X
,s (

s=1 =0

i=1 t

bis xit )

mod =

m 1
X
X

,s Bs .

s=1 =0

le programme linaire
min{L, (x) | x ()}

,s 0 [0, 1].
()

polydre dfini par les contraintes de prcdence de la


formulation directe structure.

51/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Relaxation Lagrangienne

Proposition

e() est vide si pour un 0, ()

est vide ou L,
> 0.

Soit le problme Lagrangien dual


max min{L, (x) | x ()}

borne infrieure RL : plus petit telque L 0


Remarque : Nous ne sommes pas intresses par la valeur de la borne
infrieure por la priode .

52/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Relaxation Lagrangienne

Borne pour le Cmax.


0
Sous-problme Lagrangien : L,
(x) = Cmax + L, (x) avec
PT
t
Cmax = t=0 txn+1 .

Sous-problme Lagrangien :
0
min{L,
(x) | x
0 ()}

Borne pour le Cmax : solution du dual Lagrangien :


0
max min{L,
(x) | x
0 ()}
0

53/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Plan
1

Dfinition du problme RCMSP

Programmation linaire en nombres entiers

Dcomposition de Dantzig-Wolfe
Nouvelles formulations
Gnration de colonnes
Sous-problme
Rsultats exprimentaux

Relaxation Lagrangienne
Dfinition et rsolution du sous-problme Lagrangien
Heuristique
Rsultats exprimentaux

Mthode hybride
Mthode hybride
Rsultats exprimentaux

Conclusion et perspectives
54/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Dfinition et rsolution du sous-problme Lagrangien


ralisable pour la relaxation de la formulation PLNE directe.
Borne pour le Cmax : sous problme Lagrangien
L

0
(x) = Cmax+L, (x) =
,

T
X

t
txn+1 +

m 1
X
X

n
X

,s (

s=1 =0

t=0

Dfinition de poids :
m
P s

bi ,s

s=1
fi,t =
t

i=1 t

m 1
X
X

s t
bi xi )

mod =

,s Bs

s=1 =0

si i < n + 1 et t < T
si i = n + 1
sinon

Sous-problme Lagrangien :
min{

n+1 T
X
X
i=1

fi,t xi | x
()}

t=0

55/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Dfinition et rsolution du sous-problme Lagrangien


Cas particulier du problme dordonnancement de projet avec cots
dpendant des dates de dbut dcrit par Mhring et al. (2003)
sommets vi ,t i {1... n}, t {0... T }.
Arcs daffectation (vi ,t , vi ,t +1 ) i {1... n}, t {0... T }.
arcs temporels

f i ,t

(vi ,t , vi ,t +( j j ) ) (i, j ) E , t {0... T }.


i

capacits.

f i ,t

.
.
.
b

a
2

1
0

T
56/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Dfinition et rsolution du sous-problme Lagrangien

Thorme
Il existe une correspondance une une entre la coupe minimale a b
) G avec exactement n arcs avant et une solution
et la paire (X , X
optimale x pour le probleme Lagrangien obtenu par xi,t = 1 si
), et xi,t = 0 sinon.
(vi,t , vi,t+1 ) est un arc sortant de la coupe (X , X
La valeur w(x) dune solution optimale du problme Lagrangien est
) de la coupe minimale (X , X
) de G 0 .
gale la capacit c(X , X
Mhring et al. (2003).
Rsolution de dual Lagrangien : Sous-gradient

57/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Plan
1

Dfinition du problme RCMSP

Programmation linaire en nombres entiers

Dcomposition de Dantzig-Wolfe
Nouvelles formulations
Gnration de colonnes
Sous-problme
Rsultats exprimentaux

Relaxation Lagrangienne
Dfinition et rsolution du sous-problme Lagrangien
Heuristique
Rsultats exprimentaux

Mthode hybride
Mthode hybride
Rsultats exprimentaux

Conclusion et perspectives
58/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Heuristique

Le vecteur x obtenu par lalgorithme du dual Lagrangien est


entier (0 1)
Construction des solutions ralisables.
Heuristique :
Formulation dcompose.
i = i + ki
Valeurs de ki fonction du vecteur x trouv par la relaxation
Lagrangienne.
Solution de PLNE avec les valeurs ki fixes.

59/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Plan
1

Dfinition du problme RCMSP

Programmation linaire en nombres entiers

Dcomposition de Dantzig-Wolfe
Nouvelles formulations
Gnration de colonnes
Sous-problme
Rsultats exprimentaux

Relaxation Lagrangienne
Dfinition et rsolution du sous-problme Lagrangien
Heuristique
Rsultats exprimentaux

Mthode hybride
Mthode hybride
Rsultats exprimentaux

Conclusion et perspectives
60/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Rsultats exprimentaux
Nombre dinstances rsolues
Test avec = opt
Ecart maximal opt
Ecart moyen opt
Test avec Cmaxsup = Cmax opt
Ecart maximal Cmax opt Cmaxsup
Ecart moyen Cmax opt Cmaxsup

36/36
28/36
8
0.55
21/28
5
0.68

Table: Rcapitulatif des bornes suprieures obtenues pour la priode et


pour le Cmax. Instances industrielles

Nombre dinstances rsolues


Test avec sup = opt
Ecart maximal opt sup
Ecart moyen opt sup
Test avec Cmaxsup = Cmax opt
Ecart maximal Cmax opt Cmaxsup
Ecart moyen Cmax opt Cmaxsup

33/36
14/28
3
0.64
12/14
5
1.21

Table: Rcapitulatif des bornes suprieure obtenues pour la priode et


pour le Cmax. Instances modifies
61/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Plan
1

Dfinition du problme RCMSP

Programmation linaire en nombres entiers

Dcomposition de Dantzig-Wolfe
Nouvelles formulations
Gnration de colonnes
Sous-problme
Rsultats exprimentaux

Relaxation Lagrangienne
Dfinition et rsolution du sous-problme Lagrangien
Heuristique
Rsultats exprimentaux

Mthode hybride
Mthode hybride
Rsultats exprimentaux

Conclusion et perspectives
62/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Plan
1

Dfinition du problme RCMSP

Programmation linaire en nombres entiers

Dcomposition de Dantzig-Wolfe
Nouvelles formulations
Gnration de colonnes
Sous-problme
Rsultats exprimentaux

Relaxation Lagrangienne
Dfinition et rsolution du sous-problme Lagrangien
Heuristique
Rsultats exprimentaux

Mthode hybride
Mthode hybride
Rsultats exprimentaux

Conclusion et perspectives
63/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Mthode hybride

But : bornes suprieures ou solutions ralisables en temps


raisonnables.
Mthode hybride :
Collaboration avec Abir BENABID et Claire HANEN (LIP6).
Pipeline logiciel dcompos
Transformation du vecteur colonne dinstructions (i ) en une
matrice deux dimensions.
Les lignes : la date de dbut i dans la priode
Les colonnes : litration dans la boucle dorigine (i.e. le numro
de la priode ki ).

64/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Pipeline logiciel dcompos


Pipeline logiciel dcompos (DSP)
Dcalage des instructions

Compaction de la boucle

Circuit retiming

Algorithme de liste

Ordonnancement ralisable
* Algorithme de Gasparoni et Schwiegelsohn (1992).
* Minimisation du chemin critique. Leiserson et Saxe (1991).
* Minimisation du nombre d'arcs. Darte et Huard (2000).
* Minimisation du nombre d'arcs et chemin critique. Darte et Huard (2000).

65/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

DSP : Dcalage des instructions

Dcalage des instructions : circuit retiming


G = (O, E, , ), un vecteur retiming (i ) est une fonction qui affecte
les poids des arcs du graphe G.

= (ij ) = ij + j i
(i, j) E, : (i, j) Z tel que i,j

Dfinition
Un retiming lgal est un retiming tel que

(i, j) E, : (i, j) Z tel que i,j


= (ij ) = ij + j i 0

66/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Mthode hybride
Mthode hybride
Dcalage des instructions

Circuit retiming
* Algorithme de Gasparoni et
Schwiegelsohn (1992).

Compaction de la boucle

Formulation PLNE
dcompose structure.

ki i , i = 1,..., n

* Minimisation du nombre d'arcs et


chemin critique. Darte et Huard (2000).

Ordonnancement ralisable

i i = 1,..., n
67/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Mthode hybride
Algorithme 1: Mthode hybride
1
2

Calculer un retiming lgal pour G


Trouver ralisable (mthode itrative) et une solution ralisable du systeme suivant :

min

n
X

wi (

yi + i )

=0

i=1
1
X

1
X

yi = 1, i [1, n]

=0

1
X
x=

j
( + 1)mod
i
i

yx +

yx + i j i b

+ ij 1

c + 1, [0, ), (i, j) E

x=0
n
X

yi bi ms , s {1, . . . , m}, [0, )

i=1

yi {0, 1}
3

Dfinir un ordonnancement i i = 1..n, i = i + i


68/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Plan
1

Dfinition du problme RCMSP

Programmation linaire en nombres entiers

Dcomposition de Dantzig-Wolfe
Nouvelles formulations
Gnration de colonnes
Sous-problme
Rsultats exprimentaux

Relaxation Lagrangienne
Dfinition et rsolution du sous-problme Lagrangien
Heuristique
Rsultats exprimentaux

Mthode hybride
Mthode hybride
Rsultats exprimentaux

Conclusion et perspectives
69/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Rsultats exprimentaux

Nombre dinstances rsolues


Test avec = opt
Ecart maximal opt
Ecart moyen opt

HybrideHD
36/36
34/36
1
0.005

HybrideGS
36/36
32/36
3
0.22

DSP
36/36
30/36
3
0.25

iFLAT
33/33
26/33
3
0.24

Rellag
36/36
28/36
8
0.55

Table: Comparaison de la mthode hybride avec des autres mthodes pour


la recherche des solutions ralisables. Instances industrielles

Nombre dinstances rsolues


Test avec = opt
Ecart maximal opt
Ecart moyen opt

HybrideHD
34/36
21/28
4
0.39

HybrideGS
32/36
20/28
3
0.42

DSP
36/36
20/28
5
0.82

iFLAT
25/25
16/25
3
0.64

Rellag
33/36
14/28
3
0.64

Table: Comparaison de la mthode hybride avec des autres mthodes pour


la recherche des solutions ralisables. Instances modifies

70/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Plan
1

Dfinition du problme RCMSP

Programmation linaire en nombres entiers

Dcomposition de Dantzig-Wolfe
Nouvelles formulations
Gnration de colonnes
Sous-problme
Rsultats exprimentaux

Relaxation Lagrangienne
Dfinition et rsolution du sous-problme Lagrangien
Heuristique
Rsultats exprimentaux

Mthode hybride
Mthode hybride
Rsultats exprimentaux

Conclusion et perspectives
71/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Conclusion et perspectives
Problme dordonnancement modulo sous contraintes de
ressources : application lordonnancement dinstructions VLIW.
Formulations PLNE pour le RCMSP :
Formulations dcompose et directe + version structure et
dsagrge.
Comparaison des valeurs thoriques des relaxations.
Comparaison exprimentale des formulations presentes.
Bornes faibles pour la priode .

Dcomposition de Dantzig-Wolfe :
Nouvelles formulations rnforces : grand nombre de variables.
Schma de gnration de colonnes : solution des relaxations des
nouvelles formulations.
Amelioration des bornes pour les instances avec consommation de
ressources non unitaires.

Rsultats publis : PMS 2010 et Article sumis Discrete Applied


Mathematics (2 revision)
72/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Conclusion et perspectives
Relaxation Lagrangienne :
Relaxation Lagrangienne sur la formulation directe structure.
Solution du sous-problme partir dune coupe minimale :
rsultats de Mhring.
Heuristique : relaxation Lagrangienne + formulation PLNE
dcompose.
Bornes suprieures de bonne qualit pour la priode et pour le
Cmax.
Temps de calcul importants.
Rsultats publis : ISCO 2010. Electronic Notes in Discrete
Mathematics, Vol.36, pp.191-198, Aot 2010

Mthode hybride :
Combinaison de DSP + formulation PLNE structure
Nouvelles bornes suprieures pour la priode .
Amlioration des temps de calcul.
Rsultats publis : article sumis Computational Optimization
And Applications
73/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Conclusion et perspectives

Gnration de colonnes : inclure rgles pour rduire lespace des


sous ensembles ralisables (coupes).
Heuristique base sur la relaxation Lagrangienne pour la
recherche des solutions ralisables (sans PLNE) .
Amlioration de limplmentation du code de programmation de
la gnration de colonnes et relaxation Lagrangienne.
Extension des mthodes et techniques proposes pour des
problmes dordonnancement stochastiques en considrant la
dure des oprations ou dautres paramtres du problme comme
des variables alatoires.

74/75

Def. Problme

Approche PLNE

Dantzig-Wolfe

Lagrange

Hybride

Conclusion

Merci de votre attention.

75/75