ROADEF 2009

Nancy, 10-12 février 2009

10ème Congrès de la Société

Française de Recherche
Opérationnelle et
d'Aide à la Décision

LI VRE D ES RESUM ES
Liste des Sponsors
 Avant-propos

La 10ème conférence de la Société Française de Recherche Opérationnelle et d’Aide à la Déci-

sion (ROADEF 2009) est organisée à Nancy par l’INRIA Nancy Grand Est en collaboration
avec le LORIA et l’ensemble des Universités Lorraine.
Nous sommes heureux que les légendaires grands frimas du Nord Est de la France n’aient pas
effrayés les nombreux participants (environ 300) qui participent à cette conférence et nous
espérons qu’ils trouveront à Nancy un accueil chaleureux et qu’ils sauront consacrer un peu
de temps pour apprécier la ville.
Comme à chaque édition, tous les domaines de la Recherche Opérationnelle et de l’Aide à la
Décision sont bien représentés et découpés en une soixantaine de sessions sur les trois jours.
Les vainqueurs du « Challenge ROADEF » proposés cette année par AMADEUS recevront
leur prix au dîner de Gala, mais il y aura également à cette occasion la remise du prix Robert
FAURE de Recherche Opérationnelle.
La Recherche Opérationnelle, par nature pluridisciplinaire, trouve sa place à Nancy dans le
cadre de la nouvelle Fédération Charles Hermite (créée le 1er janvier 2009) qui regroupe les
chercheurs mathématiciens, informaticiens et automaticiens lorrains issus de quatre UMR de
Nancy et de Metz (CRAN, IECN, LORIA et LMAM). Cette fédération a non seulement pour
objectifs de renforcer la visibilité de chaque secteur, mais également de jouer un rôle central
pour dynamiser les recherches transverses.
De nombreuses entreprises et organismes ont accepté de soutenir l’organisation de cette confé-
rence et nous les remercions :
• 1POINT2, AIMMS, ATEJI, CORA, EURODECISION, GO FIRST, IBM-ILOG, KLS-
OPTIM,
• Agence Universitaire de la Francophonie, GDR MACS, GDR RO,
• CNRS, INRIA, LORIA, CRAN, Nancy Université, Université Paul Verlaine de Metz,
• Communauté Urbaine du Grand Nancy, Département de Meurthe et Moselle et la région
LORRAINE.
Le comité d’organisation est composé de membres issus de nombreux organismes lorrains
(Epinal, Metz et Nancy) : du CRAN, de l’INRIA Grand Est, du LGIMP, du LITA et du
LORIA. Tous ont fait de leur mieux. Nous tenons tout particulièrement à remercier Anne-
Lise Charbonnier et Nicolas Alcaraz, du service colloques de l’INRIA Grand Est, qui ont
couvert tous les aspects administratifs et une grande partie des aspects matériels.
Nous remercions également tous les re-lecteurs que nous avons sollicité, en particulier pour la
sélection des articles longs.
En vous souhaitons une très bonne conférence ROADEF 2009 à Nancy.

Ammar Oulamara
Marie-Claude Portmann
Février 2009

La conférence ROADEF 2009 est organisée par l’INRIA Nancy Grand Est en collaboration
avec le LORIA.
Comité d’organisation
H. Amet
S. Belmokhtar
L. Cucu-Grosjean
N. Navet
M.C. Portmann
Comité scientifique
AIDER.M (Algérie)
BENABDELAZIZ. F (Tunisie)
BILLIONNET. F (France)
BUI. M (France)
CAZEAU. Y (France)
CORNUEJOLS. G (France)
DAUZERE PERES. S (France)
DE WERRA. D (Suisse)
DUPONT.L (France)
FREVILLE. A (France)
GOURDIN. E (France)
HANAFI. S (France)
JACQUET LAGREZE. E
LAMURE. M (France)
LOPEZ. P (France)
MARTEL. J. M (Canada)
MICHELON. Ph (France)
MUNIER. A (France)
PASCHOS. V (France)
PINSON. E (France)
PORTMAN. M. C (France)
RIBEIRO. C (Brésil)
SBIHI. N (France)
SLOWINSKI. R (Pologne)
TALBI. E (France)
VANDERBECK. F (France)
Organisation
A. Aubry
S. Carriera
E. Jeannot
M. Oughdi
W. Ramdane cherif
BAPTISTE. Ph (France)
BENSHAKROUN. A (Canada)
BOUYSSOU. D (France)
CAMINADA. A (France)
CHRETIENNE. P (France)
COSTA. M. C (France)
De BACKER. B (France)
DEMANGE. M (France)
FORTZ. B (Belgique)
GANDIBLEUX. X (France)
GOURGAND. M (France)
HAOUARI. M (Tunisie)
JAUMARD. B (Canada)
LEMARECHAL. C (France)
MACULAN. N (Brésil)
MARTELLO. S (Italie)
MINOUX. M (France)
NADDEF. D (France)
PHAM DINH. T (France)
PIRLOT. M (Belgique)
PRINS. C (France)
ROUCAIROL. C (France)
SEMET. F (France)
SOUBEIGA. E (GB)
TEGHEM. J (Belgique)
WIDMER. M (Suisse)
A. Bellanger
J. Cohen
A. Nagih
A. Oulamara
N. Sauer
BAPTISTE. P (Canada)
BERMOND. J. C
BOUZGARROU. E (France)
CARLIER. J (France)
CHU. C (France)
CRAMA. Y (Belgique)
DEJAX. P (France)
DOLGUI. A (France)
FOTSO. L-P (Cameroun)
GENDREAU. M (Canada)
HAO. J (France)
HERTZ. A (Canada)
LABBE. M (Belgique)
LE THI. A (France)
MARCOTTE. P (Canada)
MAURAS. J. F (France)
MOUKRIM. A (France)
OSMAN. I. H (Liban)
PIERREVAL. H (France)
PLATEAU. G (France)
QUEYRANNE. M (France)
SEBO. A (France)
SIARRY. P (France)
TAILLARD. E (Suisse)
TSOUKIAS. A (France)
 Table des matières

Conférence ROADEF 09
Résumés invités
Smith’s Ratio Rule in Scheduling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
Maurice Queyranne

Théorie de la décision algorithmique et optimisation dans les graphes . . . . . . . . . . . . . . . 2

Patrice Perny

Récentes innovations sur les solveurs et outils de développement d’applications . . . . . . . 3

Sofiane Oussedik

La complexité de l’affectation de flotte d’une compagnie aérienne avec gestion des

itineraires passagers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
Semi Gabteni

Résumés acceptés
Problème de tournées de véhicules avec routes multiples pour réaliser des traitements
phytosanitaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
F. Hernandez, D. Feillet, R. Giroudeau, O. Naud, J.C. Konig

Optimisation des tournées d’inspection des voies ferrées . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

S. Lannez, C. Artigues, J. Damay, M. Gendreau, N. Marcos, P. Pouligny

Optimisation de la planification de tournées de cars . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

A. Huart, F. Semet

Conception de Tournées de Véhicules Régulières . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

D. Feillet, T. Garaix, F. Lehuédé, O. Péton, D. Quadri

Une heuristique duale pour le sac à dos quadratique avec contrainte de cardinalité . . . 13
L. Létocart, M-C. Plateau, G. Plateau

Comparaison entre différentes relaxations pour des problèmes de coloration de graphes 15

Ph. Meurdesoif.

Une approche par moindres carrés semidéfinis pour le problème k-cluster . . . . . . . . . . . . 17

Jérôme Malick, Frédéric Roupin

Applying the T-Linearization to the Quadratic Knapsack Problem . . . . . . . . . . . . . . . . . 19

C.D. Rodrigues, D. Quadri, P. Michelon, S. Gueye, M. Leblond
IV

Chainage des sommets d’un graphe pour le test des circuits intégrés . . . . . . . . . . . . . . . . 22
Y. Kieffer, L. Zaourar

Vers une notion de compromis en optimisation multidisciplinaire multiobjectif . . . . . . . 24

B. Guédas, P. Dépincé, X. Gandibleux

Profils de performance pour le paramétrage et la validation de métaheuristiques

stochastiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
Johann Dréo

Segmentation optimale d’image par optimisation multiobjectif . . . . . . . . . . . . . . . . . . . . . 28

A. Nakib, H. Oulhadj, P. Siarry

Sélection du portefeuille de projets d’exploration production en utilisant la méthode

de Markowitz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Fateh BELAID, Daniel DE WOLF

Construction d’un modèle de simulation par le biais de données de localisation des

produits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
A. Véjar, P. Charpentier

Solving of waiting lines models in the airport using queuing theory model and linear
programming . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Houda Mehri, Taoufik Djemel

Evaluation de projets d’investissement pétrolier en utilisant la simulation de Monte

Carlo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
Fateh BELAID, Daniel DE WOLF

Softening Gcc with preferences . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

J-Ph. Métivier, P. Boizumault, S. Loudni

Impact des modes de comptage sur les méthodes à base de divergences . . . . . . . . . . . . . 41

W. Karoui, M.-J. Huguet, P. Lopez

Relaxation lagrangienne pour le filtrage d’une contrainte-automate à coûts multiples . 43

Julien Menana, Sophie Demassey, Narendra Jussien

Satisfaction de contraintes pondérées et séparation de contraintes de capacités pour

le problème CVRP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
M. Hifi, M.O.I. Khemmoudj, S. Negre

Recherche locale haute performance pour l’optimisation de la distribution de gaz

industriels par camions-citernes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
Thierry Benoist, Bertrand Estellon, Frédéric Gardi, Antoine Jeanjean

Elaboration d’un outil de chargement de camion pour l’approvisionnement en pièces

des usines Renault . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
Jean-Philippe Brenaut
 V

Optimisation du réseau d’acheminement du courrier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

A. JARDIN, E. PINSON, B. LEMARIE

Aide à l’élaboration de la carte militaire. La recherche adaptative pour une

optimisation multicritères. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
Commandant S. Sécherre

Optimisation de l’utilité espérée dépendant du rang dans les diagrammes d’influence . 59

G. Jeantet, O. Spanjaard

Une méthode de génération de colonnes basée sur un algorithme central de plans

coupants . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
M. Trampont,, C. Destré,, A. Faye,

Programmation dynamique par blocs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63

N. Touati, L. Létocart, A. Nagih

Un schéma de décomposition Dantzig-Wolfe pour les problèmes de tournées de

véhicules sur arcs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
H.M. Afsar

Résolution du problème d’arbre couvrant quadratique de poids minimum via RBS . . . 67

T. Garaix, F. Della Croce

Recherche Locale Guidée pour la Coloration de Graphes . . . . . . . . . . . . . . . . . . . . . . . . . 69

Daniel Cosmin Porumbel, Jin Kao Hao, et Pascale Kuntz

Un algorithme génétique pour minimiser le makespan dans un flow shop hybride

avec périodes flexibles d’indisponibilité des machines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
W. Besbes, J. Teghem, T. Loukil

Résolution d’un problème de Job-Shop avec contraintes financières . . . . . . . . . . . . . . . . . 75

P. Féniès, P. Lacomme, A. Quilliot

Job-shop avec un seul robot de capacité non unitaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77

P. Lacomme, M. Larabi,, N. Tchrnev

Méthode exacte pour le flowshop hybride avec machines à traitement par batches et
compatibilité entre les tâches. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
A. Bellanger, A. Oulamara

Composition optimale d’équipes d’athlétisme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81

Frédéric Gardi

Résolution d’un problème de Job-Shop intégrant des contraintes de Ressources

Humaines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
O. Guyon, P. Lemaire, É. Pinson, D. Rivreau
VI

Etude de l’influence de l’algorithme de séparation et d’évaluation appliqué aux

thématiques d’ordonnancement de bus et d’équipages. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
Clément Solau et Laure Thoma-Cosyns

Un modèle pour le calcul de plus court chemin multimodal en milieu urbain . . . . . . . . . 87

Tristram Grabener, Alain Berro, Yves Duthen

Calcul de plus court chemin bicritére . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90

G. Sauvanet, E. Néron

Coupes valides pour le problème de minimisation de la somme pondérée de retard et

de l’avance sur une machine unique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
Maher. Rebai, Imed. Kacem

Localisation de caches dans un réseau de distribution de contenu . . . . . . . . . . . . . . . . . . . 94

Philippe Chrétienne, Pierre Fouilhoux, Eric Gourdin, Jean-Mathieu Segura

Un algorithme approché de facteur 2 log2 (n) pour le problème du cycle de couverture . 96

V.H. Nguyen

Construction des séries d’états dans l’algorithme Divide-and-Evolve . . . . . . . . . . . . . . . . 98

Jacques BIBAI, Marc SCHOENAUER, Pierre SAVÉANT

The Multi-Period GAP Problem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100

X. CAO, A. JOUGLET, D. NACE

Heuristiques itératives basées sur des relaxations pour le problème du sac-à-dos

multidimensionnel à choix multiples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
Christophe Wilbaut et Saïd Hanafi

Une formulation PLNE efficace pour 1|rj |Lmax . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104

C. Briand, S. Ourari

Amélioration de la borne préemptive pour le problème 1|ri |Lmax . . . . . . . . . . . . . . . . . . . 106

F. Della Croce, V. T’kindt

Jackson’s Semi-Preemptive Schedule on One Machine with Heads and Tails . . . . . . . . . 108
A. Gharbi,, M. Labidi

Minimisation des croisements de flux dans une plateforme de crossdocking . . . . . . . . . . 111

O. Ozturk, G. Alpan, M.-L. Espinouse

Planification d’itinéraires en transport multimodal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113

Fallou Gueye, Christian Artigues, Marie J. Huguet, Frédéric Schettini, Laurent
Dezou

Core Routing on Time-Dependent Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115

G. Nannicini,, D. Delling
 VII

Un modèle de Plan Directeur des Opérations pour une Supply Chain. Une étude de
cas dans l’Automobile. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
J.P. Garcia-Sabater, J. Maheut

Un modèle MILP pour la Planification Globale. Etude de cas dans l’Automobile. . . . . . 119
J.P. Garcia-Sabater, J. Maheut

Optimisation robuste pour la gestion court terme d’un portefeuille d’actifs gaziers . . . . 121
R. Apparigliato, G. Erbs, S. Pedraza Morales, M.-C. Plateau

Approximation algorithms for minimizing the makespan on two parallel machines

with release dates . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
M. Hifi,, I. Kacem

Deux agents concurrents pour l’ordonnancement des travaux dans un flowshop avec
étage commun . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
A. Soukhal, N. Huynh Tuong, L. Miscopein

Aide à la Décision Collective : Vers une estimation dynamique de l’efficacité des

réunions de prise de décision collective . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
G. Camilleri, P. Zarate

Mesurage additif conjoint pour la problématique du tri . . . . . . . . . . . . . . . . . . . . . . . . . . . 130

D. Bouyssou, Th. Marchant

Aide à la décision pour l’optimisation des gares de triage . . . . . . . . . . . . . . . . . . . . . . . . . . 132

H. Djellab,, C. Mocquillon, C. Weber

Heuristiques et metaheuristique pour le Multiproduct Parallel Assembly Lines

Balancing Problem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
N. Grangeon, S. Norre

Un algorithme GRASP pour la résolution d’un TLBP avec des contraintes liées aux
choix d’équipements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
M. Essafi, X. Delorme, A. Dolgui

Gestion de l’autonomie des Robots Mobiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140

Hassan BAALBAKI

Programmation linéaire en nombres entiers pour l’ordonnancement modulo sous

contraintes de ressources . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
M. Ayala, C. Artigues

Formulation on-off pour le RCPSP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144

O. Koné, C. Artigues, P. Lopez, M. Mongeau

Le Problème d’Ordonnancement avec Production et Consommation de Ressources . . . 146

Jacques Carlier, Aziz Moukrim, Huang Xu
VIII

Extension du Contexte de Mise en Oeuvre des Ordonnancements PFAIR . . . . . . . . . . . . 148

S. MALO, A. GENIET, M. BIKIENGA

Implémentation effective d’un ordonnanceur distribué . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150

M. Pérotin, P. Martineau, C. Esswein

Une heuristique efficace pour l’ordonnancement périodique de tâches avec contraintes

de stockage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
K. Deschinkel,, S.A.A Touati

Complexité de kSTSP, ou TSP multi-containers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154

S. Toulouse, R. Wolfler Calvo

Couverture d’un graphe à l’aide d’une forêt contrainte de poids minimal . . . . . . . . . . . . 156
C. Bazgan,, B. Couëtoux

Approximation et algorithmes exponentiels : le cas de la couverture minimum . . . . . . . 157

N. Bourgeois, B. Escoffier, V. Th. Paschos

Ordonnancement temps réel multiprocesseur partitionné et programmation par

contraintes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
Anne-Marie Déplanche,, Pierre-Emmanuel Hladik

Problème d’acquisition de données par une torpille . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161

G. Simonin, A.-E. Baert, A. Jean-Marie, R. Giroudeau

T -coloration d’hypergraphe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163

A. Gondran, A. Caminada, O. Baala

Problème de la somme coloration d’un graphe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165

Yu Li, Corinne Lucet, Aziz Moukrim, Kaoutar Sghiouer

Tentative de caractérisation des colorations valides d’un graphe . . . . . . . . . . . . . . . . . . . . 167

J.N. Martin,, A. Caminada

Les algorithmes évolutionnaires pour l’exploration de données par projections

révélatrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
Souad Larabi Marie-Sainte, Alain Berro et Anne Ruiz-Gazen

Solving the Single Straddle Carrier Routing Problem using Genetic Algorithm . . . . . . . 171
Khaled MILI, Khaled MELLOULI

Routage et affectation de longueurs d’onde dans les réseaux optiques WDM . . . . . . . . . 173
L. Belgacem, I. Charon, O. Hudry

Génération d’emplois du temps pour les établissements à formation à "la carte" . . . . . 175
H. Mabed,, H. Manier, M-A. Manier, O. Baala, S. Lamrous, C. Renaud

Optimisation de la planification de bourses d’échanges de technologies . . . . . . . . . . . . . . 177

C. Guéret, O. Morineau, C. Pavageau, O. Péton, D. Poncelet
 IX

Conception des horaires de bus (graphicage) et conception des horaires des chauffeurs
de bus (habillage) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
T.Dereu, F.Lamer, D.Montaut, A.Schweitzer

Comment deviner le prix de réservation de son adversaire pour maximiser son revenu ? 181
H. Le Cadre, M. Bouhtou

Résolution d’enchères sur réseau par décomposition de Benders . . . . . . . . . . . . . . . . . . . . 183

S. Lannez, T. Crainic, M. Gendreau

Partage de ressources informatiques : Enchères combinatoires dans les grilles1 . . . . . . . 185

L. Belgacem, E. Gourdin, R. Krishnaswamy, A. Ouorou

Application de MO-TRIBES au dimensionnement de circuits électroniques . . . . . . . . . . 187

Y. Cooren, M. Fakhfakh, P. Siarry

Multiobjective dynamic optimization of a fed-batch copolymerization reactor . . . . . . . 189

B. Benyahia, A. Latifi, C. Fonteix, F. Pla, S. Nacef

Optimiser sur les ensembles d’arêtes des graphes bipartis induits . . . . . . . . . . . . . . . . . . . 192
D. Cornaz,, R. Mahjoub

Le problème de la grue préemptif asymétrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194

H.L.M. Kerivin, M. Lacroix et A.R. Mahjoub

Le problème du voyageur de commerce asymétrique avec contraintes de saut. . . . . . . . . 196

Laurent Alfandari, Sylvie Borne et Lucas Létocart

Problème de tournée du personnel de soins pour l’hospitalisation à domicile . . . . . . . . . 198

Y. Kergosien, Ch. Lenté, et J-C. Billaut

Algorithme mémétique pour l’ordonnancement des blocs opératoire . . . . . . . . . . . . . . . . . 200

M. SOUKI et A. REBAI,

Planification des blocs opératoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203

M. Souki, S. Ben Youcef et A. Rebai

Modélisation orientée objet avec OptimJ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 206

Denis Debarbieux et Patrick Viry

ParadisEO-MO : une plate-forme pour le développement de métaheuristiques à base

de solution unique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 208
J-C. Boisson, S. Mesmoudi, L. Jourdan et E-G. Talbi

Outil de visualisation d’ordonnancements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 210

David Savourey
1
Ce travail de recherche est en partie financé par le projet européen Grid4All [3].
X

Une procédure de séparation pour le meilleur des cas dans un ordonnancement de

groupes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212
Guillaume Pinot

Politique de service optimal dans une file d’attente en temps discret avec impatiences . 214
E. Hyon,, A. Jean-Marie

Problèmes de couverture généralisée en transport : combinaisons d’une heuristique

gloutonne et de la génération de colonnes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 216
J. Sadki, L. Alfandari, A. Plateau, A. Nagih

Un outil d’aide à la décision pour l’optimisation du cantonnement de voie ferrée . . . . . 218

J. Damay et H. Djellab

Restauration d’images par coupes minimales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 220

N. Lermé, L. Létocart et F. Malgouyres

Un algorithme bi-objectif pour les systèmes d’assemblages bi-niveau avec incertitude

de délais d’approvisionnement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223
F. Hnaien X. Delorme, A.Dolgui

Planification stratégique d’un réseau logistique international . . . . . . . . . . . . . . . . . . . . . . . 225

M. Suon, N. Grangeon,, S. Norre,, O. Gourguechon,

Comparaison de trois heuristiques pour la planification stratégique de réseaux

logistiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227
P.N. Thanh, N. Bostel, O. Péton

Une généralisation du problème du cycle Hamiltonien. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 229

V. Jost,, G. Naves

Détermination des k arêtes les plus vitales pour le problème de l’arbre couvrant minimal 232
C. Bazgan, S. Toubaline, D. Vanderpooten

Un algorithme générique pour le calcul d’arbres couvrants sous contraintes . . . . . . . . . . 234

J. Brongniart, C. Dhaenens, El.G Talbi

Heuristique pour la résolution des problèmes d’ordonnancement de type FlowShop

avec blocage RCb . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 236
C. Sauvey,, N. Sauer

Flow shop à deux machines et moyen de transport intermédiaire . . . . . . . . . . . . . . . . . . . 239

N. Chikhi, et M. Boudhar

An integrated approach for lot streaming and just in time scheduling . . . . . . . . . . . . . . . 241
O.Hazir, S. Kedad Sidhoum

A hybrid genetic algorithm for the vehicle routing problem with private fleet and
common carriers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 243
J. Euchi,, H. Chabchoub,
 XI

Un algorithme exact bi-objectif pour le problème du voyageur de commerce multi-modal 246

Nicolas Jozefowiez, Gilbert Laporte, Frédéric Semet

Utilisation de la moyenne de Hölder dans une optimisation multi-critères du

transport à la demande . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 248
Rémy CHEVRIER

Composition de services Web et équité vis-à-vis des utilisateurs finaux . . . . . . . . . . . . . . 251

J. El Haddad, O. Spanjaard

Introduction au choix social computationnel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 253

J. Lang

Dominance de Lorenz itérée et recherche de solutions équitables en optimisation

combinatoire multi-agents . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 254
B. Golden, P. Perny

Allocation de ressources distribuée dans un contexte topologique . . . . . . . . . . . . . . . . . . . 255

S. Estivie

Détermination du vainqueur d’une élection : complexité des procédures de Slater et

de Condorcet-Kemeny . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 257
O. Hudry

Apprentissage distribué d’états stables pour le routage . . . . . . . . . . . . . . . . . . . . . . . . . . . . 259

D. Barth, O. Bournez, O. Boussaton, J. Cohen

Analyse de fiabilité des systèmes semicohérents et description par des polynômes

latticiels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 261
Alexander Dukhovny, Jean-Luc Marichal

Allocation de fréquences dans un système de communication satellitaire utilisant le

SDMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 263
Laurent Houssin, Christian Artigues, Erwan Corbel

Optimisation de la collecte de données dans un champ de capteurs par VNS/VND . . . 265

M. Sylla, B. Meden, C. Duhamel

Scalabilité pour le contrôle réparti : un problème d’agrégation d’informations . . . . . . . . 267

T. Bernard, A. Bui, C. Rabat

Présentation d’une méthode de résolution pour les problèmes de placement 2D et 3D . 269

G. Jacquenot, F. Bennis, J.-J. Maisonneuve, P. Wenger

Le problème de placement/chargement en trois-dimensions : calcul de bornes et

méthodes approchées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 271
N.Cherfi, M.Hifi, I. Kacem
XII

Algorithme coopératif parallèle pour le problème de découpe contraint à deux

dimensions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 274
Mhand Hifi, Rym M’Hallah, Toufik Saadi

Nouvelles Bornes Inférieures pour le Problème de Bin Packing avec Conflits . . . . . . . . . 277
Ali Khanafer, François Clautiaux, El-Ghazali Talbi

Un algorithme coopératif pour le problème de découpe circulaire non-contraint . . . . . . 279

H. Akeb M. Hifi, S. Nègre

X-hyperarbres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 281
F. Brucker, A. Gély

Recent Results on the Discretizable Molecular Distance Geometry Problem . . . . . . . . . . 283

C. Lavor, L. Liberti, A. Mucherino, N. Maculan

Analyse combinatoire de données et temps de survie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 285

J. Darlay, L.-P. Kronek, N. Brauner

Modèles et heuristiques pour un problème de biclustering . . . . . . . . . . . . . . . . . . . . . . . . . 287

D. Perrin, C. Duhamel, H. J. Ruskin

Aide à la décision pour la massification des flux du fret SNCF . . . . . . . . . . . . . . . . . . . . . 289

Housni Djellab, Yann Guillemot, Christian Weber

Gestion du revenu pour le transport de containers par voies ferrées . . . . . . . . . . . . . . . . . 292

I.C. Bilegan, L. Brotcorne, D. Feillet, Y. Hayel

Ordonnancement des trains sur une voie unique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 294

F. Sourd,, Ch. Weber

Problème de lot-sizing à capacité finie avec fenêtres de temps et contraintes de services 296
S. Kedad-Sidhoum, C. Rodríguez-Getán, N. Absi, S. Dauzère-Pérès

On the discrete lot-sizing and scheduling problem with parallel resources . . . . . . . . . . . . 298
C. Gicquel, M. Minoux, Y. Dallery

Un système d’agents pour la planification et l’ordonnancement multi-produits,

multi-modes avec approvisionnements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 300
K. Belkhelladi, P. Chauvet, L. Péridy, A. Schaal

Dimensionnement et ordonnancement de livraisons de repas . . . . . . . . . . . . . . . . . . . . . . . 302

V. André, N. Grangeon, S. Norre,

Utilisation de problèmes d’ordonnancement pour la conception de systèmes flexibles

de production . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 304
L. Deroussi,

Borne inférieure et coupes pour le problème d’optimisation des changements de séries . 306
C. Pessan, E. Néron
 XIII

Minimisation du nombre de processeurs pour les systèmes temps réel multiprocesseurs 308
François DORIN, Michael RICHARD, Emmanuel GROLLEAU, Pascal RICHARD

Ordonnancement de tâches synchrones multipériodiques . . . . . . . . . . . . . . . . . . . . . . . . . . 310

Mikel Cordovilla, Julien Forget, Claire Pagetti, Frédéric Boniol

d-bloqueurs et d-transversaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 312

C. Bentz, M.-C. Costa, D. de Werra, C. Picouleau, B. Ries, R. Zenklusen

Un algorithme polynomial pour calculer le stable maximum (pondéré) dans une

classe de graphes sans P5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 314
F. Maffray, G. Morel

Une nouvelle classe de graphes : les hypotriangulés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 316

M.-C. Costa, C. Picouleau, H. Topart

Gestion de production électrique en contexte incertain . . . . . . . . . . . . . . . . . . . . . . . . . . . . 318

Sinda Ben Salem,, Michel Minoux

Amélioration des solutions intermédiaires pour la résolution exacte du sac à dos

multidimensionnel en 0–1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 320
S. Boussier, M. Vasquez et Y. Vimont

Recherche à grands voisinages pour l’affection d’activités dans un contexte

multi-activités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 322
Quentin Lequy, Mathieu Bouchard, Guy Desaulniers, François Soumis

Un algorithme augmenté pour le problème du knapsack disjonctif . . . . . . . . . . . . . . . . . . 324

M. Hifi, M. Ould Ahmed Mounir

Routage de guides d’ondes dans un satellite de télécommunications . . . . . . . . . . . . . . . . . 326

F. Bessaih, B.Cabon, D. Feillet, Ph.Michelon, D.Quadri

Méthode hybride PPC/PLNE pour le réordonnancement de plan de circulation

ferroviaire en cas d’incident . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 328
R. Acuna-Agost, P. Michelon, D. Feillet, S. Gueye

Recherche de zone de blocage dans un graphe. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 330

Jun HU, Mohammad DIB, Alexandre CAMINADA, Hakim MABED

Etude comparative de recherche locale et de propagation de contraintes en CSP n-aire 332

M. Dib, I. Devarenne, H. Mabed, A. Caminada

Reformulations between structured global optimization problems and algorithms . . . . . 334

S. Cafieri, P. Hansen, L. Liberti

Gestion des symétries dans une résolution exacte de l’affectation quadratique à trois
dimensions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 336
B. Le Cun, F. Galea
XIV

The symmetry group of a mathematical program . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 338

L. Liberti

Non Linear Mathematical Programming Approaches to the Classification Problem :

A Comparative Study . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 341
Soulef Smaoui, Habib Chabchoub,, Belaid Aouni

Using Stochastic Goal Programming to rearrange Beds inside Habib Bourguiba Hospital 343
A. Badreddine Jerbi, B. Hichem Kammoun,

Symétrie et préférences des ressources dans la planification des blocs opératoires . . . . . 346
B. Roland,, F. Riane

Approche mathématique pour la programmation des rendez-vous de mises au point

médicales en ambulatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 348
J.-P. Cordier, F. Riane, H. Aghezzaf

Un algorithme exact pour la sélection et l’ordonnancement de tâches sur une machine 350
F. Talla Nobibon, J. Herbots, R. Leus

Lotissement et séquencement sur une machine imparfaite avec temps de changement

de série . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 352
A. Dolgui, M.Y. Kovalyov, K. Shchamialiova

On maximizing the profit of a satellite launcher : selecting and scheduling tasks

with time windows and setups . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 354
P. Baptiste, P. Chrétienne, J. Meng-Gérard, F. Sourd

Minimisation du retard des mesures dans la fabrication des semi-conducteurs . . . . . . . . 356

B. Detienne, C. Yugma, S. Dauzère-Pérès

Le probléme de tournées de véhicules m-péripatétiques . . . . . . . . . . . . . . . . . . . . . . . . . . . 358

Sandra U. NGUEVEU, Christian PRINS, Roberto WOLFLER-CALVO

Modèle de simulation pour l’évaluation des performances de tournées de véhicules

en conditions réelles de trafic . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 360
M. Chabrol, M. Gourgand, P. Leclaire

Méthode de Branch & Price heuristique appliquée au problème de Tournées de

Véhicules avec Contraintes de Chargement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 362
Boris BONTOUX,, Christian ARTIGUES, Dominique FEILLET

Une méthode pour l’analyse de sensibilité à l’aide des réseaux de Petri stochastiques . . 365
S. SAGGADI, K. LABADI,, L. AMODEO

Multiparametric programming to assess the completion time sensitivity of

multipurpose parallel machines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 367
Minh Hoang LE, Alexis AUBRY, Mireille JACOMINO
 XV

Comparaison d’algorithmes de décomposition Application à la gestion de production . 370

Alice Chiche

Optimisation de placement de publicité internet par l’algorithme des bandits manchots 372
Antoine Jeanjean, Bruno Martin

Trois jeux d’arbre couvrant pour agents individualistes . . . . . . . . . . . . . . . . . . . . . . . . . . . 374

Laurent Gourvès et Jérôme Monnot

Reformulation du Problème du Sac à Dos Bi-Niveaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 376

R. Mansi, S. Hanafi, L. Brotcorne

Problème d’affectation entre plusieurs organisations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 378

Laurent Gourvès, Jérôme Monnot et Fanny Pascual

Convex relaxations for quadrilinear terms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 380

S. Cafieri, J. Lee, L. Liberti

About the direct support method in linear programming . . . . . . . . . . . . . . . . . . . . . . . . . . 382

Sonia Radjef, Mohand Ouamer Bibi

Optimisation des réseaux de transport de gaz à l’aide de la méthode des Moments. . . . 384
Dan GUGENHEIM,, Jean ANDRÉ, Frédéric BONNANS

Résumés du Challenge ROADEF

Challenge ROADEF 2009 Gestion de perturbations dans le domaine aérien . . . . . . . . . . 386
M. Boudia, O. Gerber, R. Layouni, M. Afsar, C. Artigues, E. Bourreau et O. Briant

Challenge ROADEF 2009. Statistical Analysis of Propagation of Incidents for

rescheduling simultaneously flights and passengers under disturbed operations . . . . . . 389
R. Acuna-Agost, P. Michelon, D. Feillet, S. Gueye

Challenge ROADEF 2009. Une méthode de recherche à grand voisinage pour la

gestion des perturbations dans le domaine aérien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 391
S. Bisaillon, J.-F. Cordeau, G. Laporte, F. Pasin

Challenge ROADEF 2009. Stratgie d’oscillation pour la gestion de perturbations

dans le domaine arien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 393
Saïd Hanafi, Christophe Wilbaut, Raïd Mansi et Franois Clautiaux

Challenge ROADEF 2009. Approche heuristique pour la gestion de perturbations

dans le domaine aérien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 395
Nicolas Jozefowiez, Catherine Mancel, Félix Mora-Camino

Challenge ROADEF 2009. Use of a Simulated Annealing-based algorithm in

Disruption Management for Commercial Aviation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 397
J. Peekstok, E. Kuipers
XVI

Challenge ROADEF 2009. Une approche heuristique pour la gestion de perturbation

dans le domaine aérien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 399
J. Darlay, L.-P. Kronek, S. Schrenk, L. Zaourar
Challenge ROADEF 2009. Disruption Management for Commercial Aviation, A
Mixed Integer Programming Approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 401
Sophie Dickson, Olivia Smith, Wenkai Li
Challenge ROADEF 2009. Airline disruption recovery ROADEF Challenge 2009 . . . . . 403
Niklaus Eggenberg, Matteo Salani
Challenge ROADEF 2009. Description of the TUe Solution Method . . . . . . . . . . . . . . . . 405
Christian Eggermont, Murat Firat, Cor Hurkens, Maciej Modelski

Index des Auteurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 408

 Smith’s Ratio Rule in Scheduling

Maurice Queyranne

Centro de Modelamiento Matemático, Universidad de Chile, Santiago ; et Sauder School of

Business, University of British Columbia, Vancouver, Canada
Maurice.Queyranne@sauder.ubc.ca

In 1956, Wayne E. Smith proposed a simple sequencing rule, now known as Smith’s ratio
or Weighted Shortest Processing Time (WSPT) rule : sequence the jobs in nondecreasing
order of their ratio of processing time to weight. This rule plays a central role in minsum
scheduling, when the objective is to minimize a weighted sum of completion times. Smith
proved its optimality for the simplest minsum scheduling problem, when all jobs are simulta-
neously available for processing on a single machine. We review some of the many extensions
and related results in the past 53 years since Smith’s seminal result. The main themes ad-
dressed in this talk include an interpretation of Smith’s rule as a greedy algorithm for certain
supermodular polyhedra ; a geometric representation using two-dimensional Gantt charts ;
extensions to problems with release dates and parallel machines ; and recent results on the
analysis of on-line heuristics for deterministic and stochastic minsum scheduling.
 Théorie de la décision algorithmique et optimisation
dans les graphes

Patrice Perny

LIP6-Université Paris 6, 104, avenue du Président Kennedy, 75016 Paris, France.

Patrice.Perny@lip6.fr

Les développements récents de la théorie de la décision ont fourni divers modèles de pré-
férences sophistiqués pour la prise de décision en environnement complexe (décision dans
l’incertain et le risque, décision multicritère, décision collective). Dans ce domaine, l’essentiel
de l’effort a porté sur l’accroissement du pouvoir descriptif des modèles pour rendre compte
de la diversité des comportements observés, mais aussi sur l’analyse axiomatique et la justi-
fication théorique des critères de décision employés.
Cependant, lorsqu’il s’agit de problèmes d’optimisation combinatoire, la définition d’un
modèle de préférences sur les solutions ne suffit plus pour déterminer le(s) meilleur(s) choix
puisque l’ensemble des alternatives (solutions réalisables) est défini en compréhension et sa
taille empêche toute énumération explicite. De plus les approches constructives simples de type
programmation dynamique ou algorithme glouton ne s’étendent pas naturellement en présence
de préférences complexes et l’on a besoin d’algorithmiques spécifiques pour la recherche des
solutions préférées.
Dans ce contexte, l’objet de cette présentation est tout d’abord, en partant de problèmes
d’optimisation classiques dans les graphes (chemins, arbres couvrants, affectation/transport)
d’introduire des problèmes d’optimisation combinatoire à base de préférences complexes, et
ce dans divers contextes tels que l’optimisation robuste dans l’incertain ou le risque, l’op-
timisation équitable en décision multiagent et l’optimisation multiobjectif. Nous évoquerons
ensuite la complexité des problèmes introduits puis présenterons quelques voies possibles pour
la résolution exacte et/ou approchée de tels problèmes. Les quelques thèmes abordés dans cet
exposé illustrent en fait un programme de recherche plus vaste, au carrefour de la théorie de
la décision et de l’algorithmique, que nous esquisserons en guise de conclusion.
 Récentes innovations sur les solveurs et outils de
développement d’applications

Sofiane Oussedik

ILOG, 3-5 Avenue Gallièni, 94253 Gentilly, France.

soussedik@ilog.fr

Durant cette présentation, les dernières avancées techniques sur les produits d’optimisa-
tion ILOG (société du groupe IBM) seront abordées. Nous parcourrons ainsi les outils offerts
par la suite d’optimisation en vue de couvrir le processus de modélisation et de développe-
ment applicatif, depuis le prototypage rapide, la mise au point des applications, jusqu’au
déploiement et à la maintenance.
Les récents développements sur la suite d’optimisation permettent d’automatiser la créa-
tion d’applications d’optimisation personnalisées tout en offrant aux utilisateurs la possibilité
de configurer et modifier eux-mêmes les applications qui guideront leurs décisions opéra-
tionnelles. Ainsi, le développeur et l’utilisateur métier ont rapidement accès à des fonctions
prêtes à l’emploi d’analyse par simulation et de comparaison de scénarios. Les utilisateurs
peuvent alors mesurer l’impact des modifications sur leur activité en ajustant des hypothèses,
des contraintes opérationnelles et des objectifs de planification et d’ordonnancement des res-
sources dans une terminologie métier familière et de définir ainsi la meilleure stratégie à
adopter face à une multitude de problèmes.
Une innovation majeure ces dernières années a également été l’introduction de IBM ILOG
CP Optimizer, nouveau moteur de programmation par contraintes, qui modifie la perception
quant à l’utilisation de la programmation par contraintes pour la résolution de problèmes
d’ordonnancement en apportant deux innovations majeures :
– Un Framework de modélisation basé sur des intervalles, ce qui réduit considérablement
le nombre de concepts requis pour décrire les contraintes et les coûts d’un problème
d’ordonnancement.
– De plus, il inclut un solveur puissant et testé sur une large gamme de problèmes d’or-
donnancement différents
La combinaison de ces deux innovations permettent le développement d’applications en
« model and run » en suivant les mêmes principes de développement qu’en programmation
linéaire en nombres entiers. IBM ILOG CP Optimizer permet de tester très rapidement si une
formulation ou une stratégie de décomposition fournit des résultats en un temps raisonnable.
La complexité de l’affectation de flotte d’une compagnie
aérienne avec gestion des itineraires passagers

Semi Gabteni

Senior Manager, Operations Research & Optimization

Amadeus IT Group SA. semi.gabteni@amadeus.com

Une des clés de la profitabilité d’une compagnie aérienne est son programme de vols. La
construction de ce dernier requiert une compréhension fine des revenus et des couts qui en
découlent. Cette compréhension repose aujourd’hui, chez nombre de compagnies aériennes
sur la modélisation et la résolution du problème d’affectation de flotte, plus connu sous le
nom de Fleet Assignment. . Ce modèle est centré sur les vols et ne prend pas en compte les
itinéraires passagers qui combinent plusieurs vols. Depuis les années quatre-vingt-dix, quelques
travaux se sont penchés sur cette difficulté, sans pour autant qu’une solution de référence ait
émergé a ce jour. A notre connaissance, la grande majorité des compagnies aériennes qui ont
implémenté un modèle de Fleet Assignment, ne s’en sont pas affranchi. Entre autres raisons,
citons la granularité de la gestion des itinéraires, ainsi que les limites, voire la complexité, des
approches proposées. Nous nous consacrerons d’abord à la présentation du problème, puis
nous passerons les approches proposées en revue, en essayant de dégager des composants de
résolution majeurs, et en evaluant leurs forces et faiblesses
Problème de tournées de véhicules avec routes multiples
pour réaliser des traitements phytosanitaires

F. Hernandez1,2 , D. Feillet3 , R. Giroudeau2 , O. Naud1 , and J.C. Konig2

1
Cemagref UMR ITAP, 361 rue JF Breton, Montpellier
prenom.nom@montpellier.cemagref.fr
2
LIRMM UMR 5506 équipe APR, 161 rue Ada 34392 Montpellier.
nom@lirmm.fr
3
Ecole des Mines de Saint-Etienne CMP Georges Charpak, Gardanne FRANCE.
nom@emse.fr

1 Problème de planification de traitements phytosanitaires

L’objectif de ce travail est de réduire le temps de travail au sein d’une exploitation viti-
cole, composé de n parcelles, d’un dépôt et disposant de u opérateurs. Pour cela nous devons
déterminer l’ordre dans lequel effectuer une opération sur les parcelles i, et grouper ces par-
celles dans des lots de travail rk . Dans le cas d’opérations de pulvérisation pour le traitement
phytosanitaire, la taille maximale d’un lot dépend de la capacité de la cuve du pulvérisateur.
Le traitement est caractérisé, sur la parcelle i, par une consommation de ressource di et
une durée d’exécution sti . Ces dernières diffèrent en fonction de la parcelle i traitée. Chaque
parcelle doit être traitée durant une fenêtre temporelle, qui est caractérisée par une borne
inférieure ai et une borne supérieure bi . Le coût de déplacement cij entre deux parcelles est
défini par la durée de déplacement entre ces deux parcelles. Nous supposons que ces durées
de déplacement respectent l’inégalité triangulaire.
A l’issue du calcul, chaque lot de travail rk sera caractérisé par une durée et une quantité de
ressource (produit de traitement) nécessaire à sa réalisation dk . Il sera également caractérisé
par une fenêtre temporelle [ak , bk ] durant laquelle il devra être effectué. Une fois tous les lots
de travail effectués, toutes les parcelles devront avoir été traitées une et une seule fois. La
quantité de ressource nécessaire à chaque lot de travail ne devra pas dépasser une certaine
limite Q correspondant à la capacité maximale de la cuve utilisée par l’opérateur effectuant
les traitements de ce lot. De plus après chaque lot de travail l’opérateur devra revenir au
dépôt (remplir sa cuve ou terminer sa journée).
Dans cet article nous considérons le cas, que nous noterons Π1 , d’un opérateur unique
avec un seul équipement de traitement. Nous pouvons formaliser Π1 comme suit :
Données : Un graphe G = (V, A), V = {v0 , · · · , vn } avec v0 représentant le dépôt et
v1 , · · · , vn les clients (parcelles), un coût cij pour tout arc (vi , vj ) ∈ A, une capacité de
chargement Q et pour tout client vi ∈ {v1 , · · · , vn } une demande di , une fenêtre temporelle
[ai , bi ] avec ai , bi ∈ IN et un temps de service sti .
Question : Trouver un ensemble de routes de coût minimum visitant tous les clients,
respectant les contraintes de capacité et de fenêtre temporelle, et tel que deux routes n’aient
pas lieu en même temps.
6 Hernandez, Feillet, Giroudeau, Naud, Konig

2 Méthode proposée : Génération de colonnes

Nous proposons de modéliser le problème en associant à chaque route une variable et

d’utiliser pour sa résolution une méthode basée sur la génération de colonnes. Le principe,
rappelé dans D. Feillet [Fei07], consiste à décomposer le problème en un problème de couver-
ture (problème maître) et un problème de recherche de routes améliorantes (sous-problème)
qui s’apparente à un problème de recherche de plus court chemin élémentaire (ESPPRC).
Notre problème diffère du VRPTW du fait que deux routes parcourues par un même véhicule
ne doivent pas avoir d’intersection temporelle. Pour cela, il est nécessaire de situer les routes
dans le temps. Pour la génération d’une route améliorante, nous devons prendre en compte
la date à laquelle la route commence et celle à laquelle elle finit. Le sous-problème consiste à
rechercher les routes rk qui violent les contraintes du dual du problème maître, car seules ces
routes peuvent améliorer la solution courante. Nous utilisons l’algorithme de programmation
dynamique décrit dans [FDGG04] pour résoudre notre sous-problème. L’algorithme (et en
particulier la règle de dominance) est adapté afin de gérer efficacement la liberté sur l’heure
de démarrage des routes. L’ensemble est inclus dans un schéma de Branch and Price, afin
d’obtenir des solutions entières. Les branchements sont effectués sur le flot des arcs du graphe
G.

3 Conclusion
Nous avons implémenté cette méthode en c++ en utilisant le solver Glpk. Nous testons
actuellement cette méthode sur certaines instances de Solomon.
Une étude a été mené par N. Azi et al. [AGP07] dans le cas du transport de denrées
périssables où la durée des routes était limitée. Dans notre approche, la durée maximale
d’une route n’est pas fixée à priori.
Nous comptons améliorer notre schéma de Branch and Price en branchant sur les fenêtres
temporelles associées aux sommets ainsi que sur le flot des arcs du graphe G. Nous avons
étudié ce problème dans le cadre d’un seul véhicule. Notre méthode nous permet également
d’étendre la résolution de tounées au cas multi-véhicules.
Nous prévoyons de mettre en place une méthode de réordonnancement en ligne dans le
cas où une ou plusieurs fenêtres temporelles changeraient.

Références
[AGP07] N. Azi, M. Gendreau, and J. Y. Potvin. An exact algorithm for a single-vehicle rou-
ting problem with time windows and multiple routes. European Journal of Operational
Research, 178(3) :755–766, 2007.
[FDGG04] D. Feillet, P. Dejax, M. Gendreau, and C. Gueguen. An exact algorithm for the elementary
shortest path problem with resource constraints : Application to some vehicle routing
problems. Networks, 44(3) :216–229, 2004.
[Fei07] D. Feillet. Solution of vehicle routing problem with Branch and Price. Habilitation à
diriger des recherches, Université d’Avignon et des Pays de Vaucluse, 2007.
Optimisation des tournées d’inspection des voies ferrées

S. Lannez1,3 , C. Artigues3 , J. Damay1 , M. Gendreau4 , N. Marcos1, and P. Pouligny2

1
SNCF I&R/GDA, 45 rue de Londres, 75008 Paris, France
{sebastien.lannez,jean.damay,nicolas.marcos}@sncf.fr
2
SNCF IMT/IM-2, 45 rue de Londres, 75008 Paris, France
philippe.pouligny@sncf.fr
3
LAAS-CNRS, 7 avenue du Colonel Roche 31077 Toulouse Cedex 4, France
artigues@laas.fr
4
Université de Montréal, C.P. 6128, succursale Centre-ville, Montréal (Québec), H3C 3J7 Canada
michel.gendreau@cirrelt.ca

Résumé Le problème que nous considérons est l’optimisation de la planification an-

nuelle des tournées de surveillance des rails par les engins d’auscultation ultrasonore de
la SNCF. La modélisation retenue pour le réseau ferré induit un graphe de grande taille
et impose l’utilisation d’heuristiques de résolution. Nous décrivons dans ce résumé, la
problématique, le modèle mathématique et l’algorithme retenu.

1 Introduction
Dans ce résumé, nous présentons le modèle d’optimisation qui accompagnera l’Établisse-
ment Logistique National de la SNCF (ELOGN) dans sa réorganisation de la programmation
des tournées de surveillance du réseau ferroviaire français. L’ELOGN, avec l’aide des établis-
sements régionaux, effectue certaines maintenances préventives sur le réseau à l’aide de trains
spécifiquement conçus pour chaque type d’inspection. L’une de ces tâches est la détection de
fissures internes du rail. Lorsque cela est possible, ces défauts sont détectés par des engins
mobiles qui auscultent le champignon du rail grâce aux ultrasons. Les fréquences d’ausculta-
tion varient de 6 mois à 10 ans en fonction principalement du tonnage annuel qui les traverse.
Pour réaliser cette maintenance préventive, la SNCF dispose aujourd’hui de trois engins qui
réalisent annuellement plus de 50.000 km d’auscultation. Ces engins ne sont pas autorisés à
ausculter tout le réseau. Pour des raisons techniques, certaines parties sont auscultées par
l’établissement régional qui en est responsable. L’outil que nous développons s’intègre dans
le cadre d’une réorganisation du processus de programmation des tournées d’auscultation qui
entrera en vigueur en 2010. Ce nouveau processus centralise, au sein de l’ELOGN, la prise
en charge de 2/3 des auscultations annuelles par ultrasons. Cette centralisation facilitera
la coordination des régions qui pourront articuler leur planning autour de celui de l’entité
centrale.

2 Modélisation
Le problème présenté s’apparente aux problèmes d’optimisation de tournées périodiques
à cause des cycles d’auscultation. La prise en compte des auscultations passées ainsi que la
nécessité de pouvoir garder le contrôle sur les dates de passages nous ont orienté vers un
8 S. Lannez, C. Artigues, J. Damay, M. Gendreau, N. Marcos, P. Pouligny

modèle d’optimisation de tournées sur arcs avec fenêtres de temps. L’horizon de planification
d’un an et les nombreux travaux sur voies (non cycliques sur un an) nous ont fait écarter la
modélisation sous forme de tournées cycliques. Nous avons opté pour un modèle dans lequel
les tâches d’auscultations sont représentées sous la forme de passages obligés d’une durée fixée
dans une fenêtre de temps fixée. Ces passages obligés sont aussi utilisés pour modéliser les
demandes de mises à disposition des engins pour les régions, ainsi que pour les maintenances
des engins. Les travaux, ou fermetures de voies, sont décrits à l’aide de périodes pendant
lesquelles il est impossible de circuler sur la voie. Le lecteur intéressé par une introduction
aux problèmes de tournées sur arcs et aux tournées de véhicules pourra se documenter dans
les livres de [1] et [2].
Le modèle de tournées sur arcs est augmenté de contraintes spécifiques dont les deux
principales sont l’autonomie de couplant et l’unicité de l’expert. La première stipule qu’un
engin possède une autonomie de 120 km d’auscultation. Cette autonomie est due au besoin
de maintenir la voie couplée aux capteurs à l’aide d’une pellicule d’eau. La seconde contrainte
impose qu’il ne peut pas y avoir plus d’un engin en auscultation au sein d’une même région.
Cette contrainte résulte du fait qu’il n’y a qu’un seul agent pas région autorisé à valider à
bord la réalisation des auscultations.

3 Résolution
Dans un premier temps, un ensemble de tronçons de tournées d’une durée d’une journée
et assurant la réalisation de toutes les auscultations est généré. Ensuite, la coordination de la
réalisation de ces tronçons est faites par un problème d’ordonnancement sur machine paral-
lèle. Le premier problème est résolu par génération de colonnes tandis que le second est résolu
par programmation par contraintes. Le sous problème dans la génération de colonnes est un
plus court chemin élémentaire avec des contraintes de ressources (distance maximale et durée
maximale d’auscultation journalière). Le problème maître est un problème de couverture avec
des contraintes additionnelles pour favoriser la sélection de tronçons de tournées potentielle-
ment faciles à ordonnancer. Le second problème consiste à ordonnancer un ensemble de tâches
sur différentes machines. Ces tâches peuvent ne pas être compatibles avec toutes les machines
et posséder des durées de préparation dépendant de la machine d’exécution et de la tâche
précédemment réalisée.

Références
1. Dror M., editor : Arc Routing : Theory, Solutions and Applications. Springer, 2000.
2. Golden, B. and Raghavan S. and Wasil E., editors : The Vehicle Routing Problem : Latest Advances
and New Challenges. Springer, 2008.
 Optimisation de la planification de tournées de cars

A. Huart1 and F. Semet2

1
LAMIH - UMR CNRS 8530, Université de Valenciennes - Le Mont Houy 59313 - Valenciennes
Cedex 9 France.
alexandre.huart@meletu.univ-valenciennes.fr
2
LAGIS - UMR CNRS 8146, Ecole Centrale de Lille, Avenue Paul Langevin, BP 48 59651
Villeneuve d’ascq Cedex France.
frederic.semet@ec-lille.fr

1 Introduction
Dans cette présentation, nous nous intéressons à un problème de tournées de véhicules(PTV)
avec contrainte horaire dont un survol complet est fait dans le livre de Toth et Vigo [1]. Le
problème ici traité est celui auquel doit faire face une entreprise de transport de voyageurs.
Il s’agit d’effectuer un ensemble de transports de personnes. Chacun d’eux étant caractérisé
par un lieu de départ, une heure de départ, un lieu d’arrivée, une heure d’arrivée. Les heures
de début et de fin de transport étant imposées, nous avons donc une contrainte plus forte
qu’une fenêtre de temps traditionnelle décrite dans le PTV avec fenêtre de temps. Le but du
transporteur étant de trouver l’ordre de parcours des clients qui, pour un nombre minimal
de véhicules, minimisera le coût de transport tout en respectant l’ensemble des contraintes
imposées par la convention collective nationale des transports routiers et des activités auxi-
liaires du transport. La législation impose dans notre cas que chaque tournée démarre dans
un dépôt et finisse dans ce même dépôt, une tournée ne devant violer les contraintes de temps
de conduite. De plus, cet ensemble de tournées est limité par la taille de la flotte de véhicules.
Le meilleur ensemble de tournées est celui qui génère un minimum de transport à vide et de
temps d’attente. Nous avons modélisé ce problème sous la forme d’un problème d’élaboration
de tournée sur les noeuds d’un graphe. Chaque sommet correspond à un transport demandé
par un client. Les informations rattachées à chaque sommet sont les caractéristiques du trans-
port décrites précédemment. Les arcs de ce graphe sont pondérés et orientés. Un arc entre a
et b peut être interprété par la possibilité d’enchaîner les transports a et b. La pondération
associée à l’arc correspond au coût d’enchaînement de ces deux transports. D’un point de vue
du graphe, le problème consiste à trouver un ensemble de circuits permettant la visite de tous
les noeuds une et une seule fois à l’exception du noeud associé au dépôt.

2 Méthode de résolution
Dans leur article, Crainic et Semet [2] exposent différentes modélisations possibles pour
la résolution de ce type de problème. Certaines de ces modélisations ont amené des méthodes
faisant partie des plus efficaces pour résoudre exactement la plupart des PTV dont la géné-
ration de colonnes. Celle-ci repose sur une formulation du PTVFT basée sur le modèle de
partitionnement d’ensemble. Dans cette formulation introduite par Balinski et Quandt [3] les
variables sont des tournées, c’est pourquoi cette formulation est aussi appelée " formulation
10 A. Huart, F. Semet

chemin ". D’après Feillet [4], une approche exacte basée sur la génération de colonnes permet
de résoudre à l’optimum et en des temps acceptables des problèmes de PTVFT consistant
à la visite d’environ cent clients. Pour résoudre des problèmes de taille moyenne et élevée,
une nouvelle classe d’heuristiques à base de génération de colonnes permet d’obtenir de bons
résultats. Ainsi Taillard [5] a développé une heuristique de cette classe permettant de ré-
soudre un problème d’élaboration de tournées avec flotte hétérogène. Les résultats obtenus
montrent la robustesse et l’efficacité de la méthode pour des instances de tailles réelles. Nous
proposons ici une heuristique de cette classe adaptée au transport de voyageurs. On définit
le problème maître comme étant le problème de partitionnement d’ensemble défini pour un
sous-ensemble T’ de tournées de T. A une itération donnée, la relaxation linéaire du pro-
blème maître est résolue, puis étant donné les valeurs des variables duales, des tournées de
coût réduit négatif sont recherchées. L’identification d’une telle tournée se fait au travers de
la résolution du sous-problème qui est, dans ce cas, un problème de plus court chemin élé-
mentaire avec contraintes de temps. Nous rappelons que le problème du Plus Court Chemin
Contraint(PCCC) est NP-dur, même en ne considérant qu’une seule ressource. Cependant,
l’impact de la contrainte horaire sur le graphe rend le sous problème polynômial. En effet,
un graphe étant acyclique, un algorithme basé sur le tri topologique permet de détecter des
chemins de coût négatif et ainsi de résoudre nos sous-problèmes. Généralement, lors de l’uti-
lisation d’algorithmes basés sur la génération de colonnes, lorsqu’il n’y a plus de tournée de
coût réduit négatif où lorsque la solution du problème maître n’est pas entière, une règle de
branchement est appliquée. Le processus de génération de colonnes reprend sur chacune de
ces deux branches. Le fonctionnement de notre algorithme est différent. A chaque itération,
nous ajoutons des colonnes de coût réduit négatif au problème maître. Finalement, lorsqu’
aucune de ces tournées n’est identifiée, le problème maître en nombre entier est résolu . C’est
pour cela que notre algorithme est heuristique. Nous avons évalué notre heuristique sur des
instances réelles comportant plus de trois cents clients. Nos résultats ont été comparés à ceux
obtenus par une adaptation de l’heuristique de Clarke&Wright [6] ainsi qu’a ceux obtenu par
confection manuelle des tournées. Les résultats obtenus montrent l’efficacité de l’approche par
génération de colonnes pour le problème considéré.

Références
1. P. Toth and D. Vigo, editors. The Vehicle Routing Problem, volume 9 of SIAM Monographs on
Discrete Mathematics and Applications. SIAM, 2002.
2. T. Crainic, F. Semet, Recherche opérationnelle et transport de marchandises, Optimisation Com-
binatoire 3, V. Paschos, éditeur, Hermès (2005).
3. M. Balinski and R. Quandt, On an integer program for a delivery problem. Operations Research,
12, 1964.
4. D. Feillet, Résolution de problèmes de tournée par Branch and Price. Ecole de jeunes chercheurs.
Avignon 2008.
5. E.D Taillard, A heuristic column generation method for the heterogeneous fleet VRP. Operations
Research – Recherche opérationnelle 33 (1), 1999, 1-14.
6. G. Clarke and J.W.Wright, Scheduling of Vehicles from a Central Depot to a number of Delivery
Points. Operations Research, 12 :568-581, 1964.
 Conception de Tournées de Véhicules Régulières

D. Feillet1 , T. Garaix2 , F. Lehuédé3 , O. Péton3 , and D. Quadri4

1
École des Mines de Saint-Etienne, CMP Georges Charpak, 880 avenue de Mimet, F-13541
GARDANNE
feillet@emse.fr
2
Politecnico di Torino - Corso Duca degli Abruzzi, 24 - I-10129 Torino.
thierry.garaix@polito.it
3
IRCCyN, Ecole des Mines de Nantes, 4 rue Alfred Kastler, F-44307 NANTES.
fabien.lehuede, olivier.peton@emn.fr
4
Laboratoire Informatique d’Avignon (LIA), Université d’Avignon et des Pays du Vaucluse, 339
chemin des Meinajaries Agroparc, F-84911 AVIGNON.
dominique.quadri@univ-avignon.fr

L’optimisation de problèmes de tournées de véhicules se concentre généralement sur la

minimisation de la distance parcourue ou du temps de parcours. Optimiser la qualité de
service est un critère au moins aussi important dans de nombreux contextes (Paquette et al.
[1]). En particulier, dans le cas de clients servis de manière répétitive au cours du temps,
maintenir une certaine régularité dans le service peut être grandement apprécié.
Un cas très représentatif est celui des grandes sociétés de messagerie (type UPS, DHL...)
pour la livraison de colis auprès de grands comptes industriels (Groër et al [2]). Du fait
de l’importance de l’activité des entreprises clientes, les réceptions de colis se répètent sur
une base presque quotidienne. Être capable de proposer à la fois un horaire de livraison et
un chauffeur réguliers à chaque livraison procure un vrai confort pour le client, facilite la
réception des livraisons et affermit la confiance entre transporteur et client (Day et al. [3],
Haughton [4]).
Un autre cas emblématique est celui du transport de personnes handicapées vers et à
partir d’établissements médico-sociaux (CAT, IME). Du fait de leur manque d’autonomie, la
plupart des personnes qui se rendent dans ces établissements ne peuvent le faire par leurs
propres moyens. Les établissements ont donc recours à des sociétés de transport pour orga-
niser ces trajets quotidiens. Dans de nombreux cas, la demande des clients est connue, mais
présente de légères variations au niveau des conditions de prise en charge (par exemple une
personne qui n’émet pas de demande de transport pour le mercredi après-midi, ou une per-
sonne souhaitant être déposée à une autre adresse le vendredi). De plus, ce type de passagers
est particulièrement sensible aux changements de planning. Il est alors primordial d’essayer de
maintenir un horaire de service aussi régulier que possible malgré les variations de la demande
(Lehuédé et al. [5]).
Dans cette présentation, nous nous intéressons à la planification de tournées en prenant
compte la régularité des horaires. Le projet se décline en plusieurs sous-objectifs :
– Nous cherchons à donner une ou plusieurs définitions de la notion de la régularité et
discuter des liens de cette notion avec d’autres concepts proches (robustesse, distance
entre solutions, analyse de sensibilité...). Pour chaque client, on définit une classe horaire
comme un ensemble de dates de service considérées comme identiques. Par exemple, un
client livré à 10h20 le lundi et 10h23 le mardi ne percevra aucune différence entre ces
horaires, qui peuvent donc être considérés comme appartenant à la même classe. La
12 D. Feillet, T. Garaix, F. Lehuédé, O. Péton, D. Quadri

notion de régularité est étroitement liée au nombre de classes horaires pour chaque
client.
– Nous examinons plusieurs manières d’inclure la régularité dans les modèles d’optimisa-
tion de tournées. Une première approche consiste à minimiser uniquement le nombre de
classes sans se préoccuper du coût des tournées). La solution optimale peut aboutir à des
tournées aberrantes du point de vue logistique. Cette approche peut présenter un intérêt
lorsque la régularité du service prime sur la performance logistique, ce qui est parfois le
cas dans les activités de service à la personne. En pratique, on cherchera à minimiser
le nombre de classes en s’assurant que les tournées soient simplement acceptables d’un
point de vue logistique.
Une autre approche consiste à fixer a priori un nombre de classes acceptable pour
chaque client. Le modèle recherche les tournées de longueur minimale, en limitant le
nombre de classes à cette valeur maximale pour tout client. Ce modèle est voisin de
celui présenté dans [2], la principale différence réside dans la définition de la régularité.
Une optimisation bi-objectif peut être réalisée assez facilement faisant varier le nombre
de classes acceptables entre 1 et le nombre de périodes de l’horizon de planification.
– Nous évaluons quantitativement l’impact de la régularité sur la résolution des problèmes
ainsi définis. La résolution des modèles évoqués précédemment par le solveur Xpress-MP
nécessite des heures de calcul pour des problèmes de taille très réduite (de l’ordre de 10
clients pour 3 véhicules sur un horizon de 5 jours).
Nous proposons donc l’heuristique suivante. Considérons une journée particulière j et
l’ensemble des tournées de cette journée. Les clients de cette journée ont déjà un certain
nombre de classes sur les autres journées. Leur attribuer un nouvel horaire de passage
au jour j permet soit de conserver le nombre de classes, soit de l’augmenter de 1 unité
en cas d’incompatibilité. Pour chaque client, on peut facilement déterminer la ou les
fenêtres horaires permettant de ne pas augmenter le nombre de classes. Trouver les
meilleures tournées de la journée j consiste donc à résoudre un VRP en respectant des
fenêtres horaires multiples et sans temps d’attente entre clients. Partant d’une solution
donnée, une solution voisine peut être construite en effaçant une journée et en résolvant
le VRP à fenêtres multiples associé.

Références
1. Paquette J., J.-F. Cordeau and G. Laporte : Quality of Service in Dial-a-ride Operations, à
paraitre dans Computers and Industrial Engineering (2008).
2. Groër C., B. Golden and E. Wasil : The Consistent Vehicle Routing Problem, Vehicle Routing
in Practice conference (VIP’2008), Oslo, Norvège (2008).
3. Day J.M., P. D. Wright, T. Schoenherr, M. Venkataramanan and K. Gaudette : Improving
routing and scheduling decisions at a distributor of industrial gasses, Omega, Volume 37, 1,
227–237 (2009).
4. Haughton M.A. : Assigning delivery routes to drivers under variable customer demands, Trans-
portation Research Part E : Logistics and Transportation Review, 43, 2, 157–172 (2007).
5. Lehuédé F., C. Pavageau and O. Péton, Un système d’aide à la décision pour planifier les trans-
ports vers les établissements médico-sociaux, Conférence Handicap 2008, Paris, (2008).
Une heuristique duale pour le sac à dos quadratique avec
contrainte de cardinalité

L. Létocart1 , M-C. Plateau2 , and G. Plateau1

1
LIPN UMR CNRS 7030, Institut Galilée, Université Paris 13, 99, avenue J-B. Clément, 93430
Villetaneuse France.
{lucas.letocart,gerard.plateau}@lipn.fr
2
GDF SUEZ, Direction de la Recherche, 361, avenue du Président Wilson, BP 33, 93210
Saint-Denis La Plaine France.
marie-christine.plateau@gdfsuez.com

1 Introduction

Le problème du sac à dos quadratique avec contrainte de cardinalité (E-kQKP) consiste à

maximiser une fonction quadratique à coefficients positifs soumise à deux contraintes linéaires,
l’une portant sur la capacité du sac et l’autre imposant le nombre d’objets à mettre dans le
sac. Ce problème NP-difficile est une extension du problème du sac à dos quadratique dans
lequel le nombre d’objets à mettre dans le sac est fixé à k. La modélisation mathématique de
ce problème est la suivante :
 % n %n



 max f (x) = cij xi xj



 i=1 j=1

(E-kQKP) &n

 s.c. j=1 aj xj ≤ b (1)

 &

 n
x = k (2)

 j=1 j
xj ∈ {0, 1} j = 1, . . . , n
Une heuristique duale, exploitant une relaxation agrégée du problème, est proposée afin
d’obtenir rapidement des solutions de très bonne qualité.

2 L’heuristique duale

L’heuristique classique pour le sac à dos quadratique [1] combine un algorithme glouton
et une procédure de remplissage et d’échanges. Elle peut être facilement adaptée pour la
résolution de (E-kQKP). Cependant, les résultats ainsi obtenus ne sont pas aussi satisfaisants
que ceux dévolus au sac à dos quadratique standard.
Pour pallier cette perte de qualité, nous proposons une nouvelle heuristique basée sur une
relaxation agrégée de (E-kQKP). Cette relaxation agrégée consiste ‡ transformer la contrainte
de cardinalité en une contrainte d’inégalité, puis à agréger les deux contraintes (de capacité et
de cardinalité maximale) à l’aide d’un multiplicateur dual. Le problème ainsi relâché devient
donc un sac à dos quadratique dont les données des contraintes ne sont plus entières.
Une résolution approchée du dual agrégé de ce problème relâché est réalisée par un algo-
rithme de sous-gradients inspiré de [3]. À chaque itération de cet algorithme, nous adaptons
14 L. Létocart, M-C. Plateau, G. Plateau

le branch-and-bound et la relaxation lagrangienne proposés dans [2] pour résoudre le sac à

dos quadratique. De manière standard, notre heuristique duale consiste à sauvegarder les
meilleures solutions réalisables de (E-kQKP) au cours de l’algorithme de sous-gradients. Plus
précisément, cette procédure de sauvegarde est déclenchée à chaque itération, donc pour
chaque résolution de problèmes de sac à dos quadratique, lors de l’exploration de l’arbre de
recherche. D’autre part, dans le but de limiter à quelques minutes les temps de résolution
pour les instances de grande taille (e.g. 200 objets), nous admettons une mise à jour anticipée
du multiplicateur agrégé sans que chaque problème de sac à dos quadratique ne soit résolu
exactement.
De nombreux résultats expérimentaux valident cette appproche en réduisant significative-
ment (jusqu’à moins de 1%) les écarts relatifs entre les valeurs obtenues par cette heuristique
duale et les valeurs des meilleurs majorants connus.

Références
1. A. Billionnet et F. Calmels : Linear programming for the 0-1 knapsack problem. European Journal
of Operational Research 92, pp 310–325 (1996).
2. A. Caprara, D. Pisinger et P. Toth : Exact solution of the quadratic knapsak problem. INFORMS
Journal on Computing 11, pp 125–137 (1999).
3. A. Fréville et G. Plateau : An exact search for the solution of the surrogate dual of the 0-1 bidi-
mensional knapsack problem. European Journal of Operational Research 68, pp 413–421 (1993).
 Comparaison entre différentes relaxations pour des
problèmes de coloration de graphes

Ph. Meurdesoif.1

Université Bordeaux 1 – INRIA Bordeaux Sud Ouest, Projet ReAlOpt, 351 cours de la Libération,
33405 Talence
Philippe.Meurdesoif@math.u-bordeaux1.fr

1 Introduction
Les problèmes de coloration de graphes apparaissent dès lors qu’on veut regrouper des
objets sous des contraintes d’exclusion de paires incompatibles : ces incompatibilités sont
modélisées par les arêtes d’un graphe G(V, E) non dirigé et on veut attribuer une couleur
à chaque sommet en évitant de colorier de la même couleur les extrémités d’une arête. Le
problème le plus simple consiste à minimiser le nombre de couleurs utilisées : le nombre
chromatique, noté χ(G). Il est clair qu’une clique de k sommets tous reliés entre eux impose
d’utiliser k couleurs, aussi la taille de la clique maximum, ω(G) est-elle un minorant de χ(G)
et on a l’égalité pour de nombreux graphes. Mais que se passe-t-il entre ces bornes pour les
graphes tels que ω(G) < χ(G) ?

2 Quelques relaxations du nombre chromatique

Deux bornes "classiques" existent, le nombre θ de Lovász et le nombre chromatique frac-
tionnaire χF (G). La première, calculable polynômialement par la programmation semidéfinie,
est historiquement un majorant de la taille maximum d’un stable d’un graphe, noté α(G)[3] ;
or, il est vite apparu que θ(G) est prise en "sandwich" entre ω(G) et χ(G). La seconde borne
est en fait la relaxation continue d’un programme linéaire en nombres entiers à variables
indicées sur les stables du graphe, et exprimant que tout sommet doit être couvert par (au
moins) un stable ; elle est NP-difficile, mais calculable par la génération de colonnes avec
pour sous-problème, l’obtention d’un stable de poids maximum[4] ; il a été prouvé qu’aucune
borne polynômiale B ne pouvait vérifier χF (G) ≤ B(G) ≤ χ(G) pour tout graphe G, sauf si
P=NP.[2]
Dans un article récent[1], D. Cornaz et V. Jost ont montré que pour tout graphe G, muni
d’une numérotation o des sommets, on pouvait construire un graphe auxiliaire H tel que
χ(G) = |V | − α(H). En fait, il y a même bijection entre les stables de H et les colorations de
G. Les auteurs ont suggéré de remplacer α(H) par sa relaxation SDP θ(G) pour obtenir une
borne inférieure intéressante sur χ, que nous noterons β(G).
Des expérimentations dont nous présentons les résultats montrent que :
– H est construit à partir de la numérotation o ; or, si α(H) est indépendant de o, il n’en
va pas de même pour θ(H) et donc de β(G).
– Des idées algorithmiques pour trouver une numérotation induisant une "bonne" valeur
pour β(G) sont en général lourdes ou imprécises, et il est souvent plus pratique de
prendre la meilleure valeur trouvée avec plusieurs numérotations choisies alátoirement.
16 Meurdesoif

– Quelque soit la numérotation des sommets, la borne β(G) est de meilleure qualité que
θ(G) et parfois aussi que χF (G).

3 Relaxations d’autres problèmes de coloration

Nous présenterons également des résultats comparatifs sur d’autres problèmes de colora-
tion. Selon les problèmes, l’une ou l’autre des formulations SDP sera plus adaptée à la variante
considérée.

3.1 Coloration "Max"

Dans cette variante, les sommets du graphe sont munis d’un poids positif. Le poids d’une
classe de couleur est le poids maximum d’un de ses sommets. On cherche à minimiser la
somme des poids des classes de couleur. D. Cornaz et V. Jost ont montré que cette variante
était équivalente à résoudre un problème de stable de poids max sur le graphe auxiliaire H,
pourvu que celui-ci soit construit avec une numérotation des sommets dans un ordre des poids
décroissant.
Nous avons également étudié la borne par génération de colonnes, où le sous-problème
consiste en plusieurs stables max. successifs. Enfin, aucune formulation de type "θ(G)" n’a pour
l’instant été trouvée. Sans surprise, la borne par génération de colonnes est la plus puissante,
mais la borne utilisant H est compétitive, d’autant que la question de la numérotation ne se
pose plus.

3.2 Coloration avec préférences

Dans cette variante, il s’agit toujours de trouver une coloration en k couleurs, mais un
coût vient sanctionner le fait d’associer dans la même couleur certaines paires de sommets.
Les bornes que l’on comparera ici sont une borne de type "θ(G)" et une borne par génération
de colonnes : le coût d’un stable est la somme des coûts des paires de sommets qui se trouvent
tous deux dans le stable. Le sous-problème revient alors à rechercher un stable maximisant
une fonction de coût quadratique, et est résolu par énumération.

Références
1. Denis Cornaz, Vincent Jost : A one-to-one correspondence between colorings and stable sets.
Operations Research Letters, Volume 36, Issue 6, pp 673-676 (2008).
2. Nebojša Gvozdenović and Monique Laurent : The Operator Ψ for the Chromatic Number of a
Graph, SIAM J. Optim. Volume 19, Issue 2, pp. 572-591 (2008).
3. L. Lovász : On the Shannon capacity of a graph, IEEE Transactions on Information Theory, vol
25, issue 1, pp. 1-7 (1979).
4. Anuj Mehrotra, Michael A. Trick : A column generation approach for graph coloring, INFORMS
Journal on Computing, Vol. 8, pp. 344 - 354 (1996).
 Une approche par moindres carrés semidéfinis
pour le problème k-cluster

Jérôme Malick1 and Frédéric Roupin2

1
CNRS, Laboratoire J. Kunztmann, 51 rue des Mathématiques, 38400 Grenoble, France.
jerome.malick@inrialpes.fr
2
CEDRIC-CNAM, 292 rue Saint-Martin, 75141 Paris Cedex France.
roupin@cnam.fr

Nous présentons une application au problème k-cluster d’une nouvelle approche de type
optimisation semidéfinie : une approche par “moindres carrés semidéfinis” [4,5].
Le problème k-cluster est un problème d’optimisation combinatoire NP-difficile (même
dans les graphes bipartis). Soient un graphe non orienté de n sommets G = (V, E) et un
entier 1 ≤ k ≤ n ; on cherche un sous-graphe de G de k sommets avec un nombre maximal
d’arètes. Ce problème peut se formuler comme un programme quadratique en variables 0-1 :

 max y ⊤ A y
(k-cluster) e⊤ y = k

y ∈ {0, 1}n,
avec e = (1, . . . , 1) ∈ Rn et A la matrice d’adjacence de G. Plusieurs approches par pro-
grammation mathématique ont été proposées pour résoudre ce problème - en particulier par
programmation linéaire [2], semidéfinie [3,6] ou quadratique convexe [1].
Pour obtenir une relaxation par moindres carrés semidéfinis, nous utilisons une reformu-
lation des contraintes binaires par une contrainte dite "sphérique" [4]. Voici schématiquement
l’idée de cette reformulation. La première étape consiste à opérer un changement de variable
pour écrire la contrainte de bivalence sous la forme x ∈ {−1, 1}n, puis à homogénéiser les
formes quadratiques en ajoutant une variable pour finalement obtenir un problème d’optimi-
sation purement quadratique en x ∈ Rn+1 :

 max x⊤ Q1 x
(QP) x⊤ Q2 x = 2k − n

x ∈ {−1, 1}n+1,
avec Q1 et Q2 dépendant de A et e (plus précisement, Q2 = [0, e⊤ ; e, zeros(n, n)]). On applique
ensuite le classique “lifting” dans l’espace des matrices symétriques que l’on munit du produit
scalaire
$X, Y % = trace(XY ) pour X, Y matrices symétriques.
Ceci consiste à introduire la matrice symétrique de rang 1 de taille n + 1 qui s’écrit X = xx⊤
pour réécrire de manière équivalente le problème de k-cluster comme :


 max $Q1 , X%


 $Q2 , X% = 2k − n
(SDP) diag(X) = e


 rang(X) = 1


X&0
18 Malick, Roupin

La dernière contrainte signifie que la matrice X est semi-définie positive (SDP). L’étape finale
- c’est ici le point clé et original de la formulation - consiste alors à remarquer que dans cette
situation la contrainte de rang 1 est précisement équivalente à la contrainte 'X'2 = (n + 1)2 ,
que l’on appelle contrainte sphérique.
Nous montrons que la dualisation de la contrainte sphérique conduit alors à un programme
semidéfini de moindres carrés. Le calcul d’une borne duale revient essentiellement à résoudre


 min 'X − Q1 /α'2

$Q2 , X% = 2k − n

 diag(X) = e

X &0

Un problème de ce type peut être résolu numÈriquement par des méthodes efficaces mÍme
pour de grandes tailles (voir [5]). Un avantage majeur de cette approche est la réduction
possible du temps de résolution de la relaxation en échange d’une dégradation de la qualité
de la borne (en fixant la valeur du paramètre α). Cette possibilité est particulièrement appré-
ciable dans le contexte d’une résolution exacte (de type Branch&Bound par exemple). Nous
comparons notre approche avec les différentes relaxations proposées (en particulier les liens
de dominance théorique), et nous donnons de premiers résultats numériques effectués sur des
instances classiques du problème k-cluster.

Références
1. Billionnet A., Elloumi S., et Plateau M.-C. : Improving the performance of standard solvers for
quadratic 0-1 programs by a tight convex reformulation : the QCR method. A paraître dans
Discrete Applied Mathematics, 2009.
2. Billionnet A. : Different formulations for solving the heaviest k-subgraph problem. Information
Systems and Operational Res., 43(3), 171-186, 2005.
3. Jäger G., et Srivastav A. : Improved approximation algorithms for maximum graph partitioning
problems. Journal of combinatorial optimization 10(2), 133-167, 2005.
4. Malick, J. : The spherical constraint in Boolean quadratic programs. Journal of Global Optimiza-
tion 39(4), 609-622, 2007.
5. Malick, J. : A dual approach to semidefinite least-squares problems. SIAM Journal on Matrix
Analysis and Applications 26(1), 272-284, 2004.
6. Roupin, F. : From linear to semidefinite programming : an algorithm to obtain semidefinite re-
laxations for bivalent quadratic problems. Journal of Combinatorial Optimization, 8(4), 2004.
Applying the T-Linearization to the Quadratic Knapsack
Problem

C.D. Rodrigues1,2 , D. Quadri1 , P. Michelon1 , S. Gueye3 , and M. Leblond1

1
Université d’Avignon et Pays du Vaucluse, Laboratoire d’Infomatique d’Avignon, France.
2
Universidade Federal do Ceará, Campus do Pici, Fortaleza, Brésil.
3
Université du Havre LMAH, 25 rue Philippe Lebon,BP 540, 76058 Le Havre
{carlos-diego.rodrigues, dominique.quadri, philippe.michelon}@univ-avignon.fr
serigne.gueye@univ-lehavre.fr
margauld.leblond@etd.univ-avignon.fr

1 Introduction

Knapsack problems are among the most studied problems in Operations Research, due to
their simplicity in definition, hardness in solving and broadly aplicability in both practical
and theoretical problems. The 01-Knapsack problem can be defined as {max cT x : ax ≤
b, x ∈ {0, 1}n}, where the inclusion of the object in the knapsack is defined by the x and
a, b, c ≥ 0 ∈ ℜn .
When modeling the cases where the combinations of objects are more important than their
individual inclusion in the knapsack, researchers usually consider the quadratic knapsack
problem (QKP ) = {max cT x + xQx : ax ≤ b, x ∈ {0, 1}n} and a, b, c ≥ 0 ∈ ℜn and
Q ≥ 0 ∈ ℜn × ℜn .
The quadratic summation is nonlinear and can not be treated easily though. In order to
solve the problem, a common approach is to proceed with a linearization of the objective
function. In this work we will apply an original linearization to the (QKP ). Contrasting to
traditional linearization schemes, our approach only adds one extra variable, that we name
T.

2 The T-linearization

The T-linearization consists in substituting the quadratic term by an additional variable,

T , and modeling its behavior by means of constraints. This linearization was first introduced
by Gueye and Michelon [3] to the (QP ) = {max cT x + xQx : x ∈ {0, 1}n}, c ≥ 0 ∈ ℜn and
Q ≥ 0 ∈ ℜn × ℜn . The authors demonstrated that the (QP ) convex hull and the following
polyhedra are equivalent :
' n
(
n+1
%
P(x,T ) = (x, T ) ∈ ℜ : T ≤ qπ(i)π(j) xπ(j) , ∀π ∈ Sn (1)
1≤i<j≤n

This result leads us immeadiately to a relaxation for (QP ), which we denote by T-relaxation.
Consequently, knowing that (QKP ) can be seen as (QP ) with the knapsack constraint, the
relaxation can be extended to the (QKP ) case :
20 C.D. Rodrigues, D. Quadri, P. Michelon, S. Gueye, M. Leblond

&n
(QKP ) max i=0 ci xi + T
& n
s.t. i=0 ai xi ≤ b
&n
T ≤ 1≤i<j≤n qπ(i)π(j) xπ(j) , ∀π ∈ Sn
x ∈ [0, 1]n
The equivalent linear formulation is still difficult to be solved, due to the number of
constraints over the variable T . It immeaditely implies a constraint generation method,
though. Given a permutation π of the variables, we generate the suitable constraint and
test whether it is violated or not. If so, we add it to the linearized model and resolve the
model. This process should be repeated until we can not find a permutation that gives a
violated constraint.
Gueye and Michelon [3] showed that for the (QP ) the separation problem is polynomial,
and more than that, its deterministic algorithm is very simple. It is sufficient to order the
variables in a non-increasing order, using their optimal values obtained by the linear relaxation
as the key to the order. This algorithm is certainly not optimal to the (QKP ) but remains
as our separation heuristic of choice.

3 Preliminary computational results and Perspectives

We applied the presented relaxation and the implied constraint generation algorithm to a
set of benchmark instances (Soutif [5]) for witch the optimum value is known. These are 100
variables randomly generated instances where the amount of correlation between the variables
is fixed to 25%.
Table 1 shows a comparision between the upper bound given by our relaxation and the
lagrangean relaxation method implemented by Billionnet and Soutif [1]. We see that the
quality of the bound obtained by our method is slightly inferior to the compared one, but
still the average is less than 1% to the optimum. On the other hand, our method outperforms
in CPU time.
The other test we made, also stated in table 1, concerns the quality of the relaxation
including the integrality constraints on the variables at the end of the constraint generation
algorithm. We measured the optimal value obtained when considering only the constraints
generated on the root node of a possible branch-and-bound method. In this case we see that
half of the problems reached the optimum value, so that we have a completely satisfactory
description of the polyhedra, while the others remained at less than 2%, giving an average of
0.26%. Also, the number of generated constraints (NGC) is given for each instance and much
inferior to the maximum (|Sn | = n!).
There’s still a lot to investigate in this beginning project. First, the generated constraints
could be strenghtened in the (QKP ) compared for the (QP ) case. Then, it is essential to
measure how the constraint generation performs on a complete branch-and-bound algorithm
and compare to other results in the field [4].

Références

1. Billionnet, A., Soutif, E. An exact method for the 0-1 Quadratic Knapsack Problem based on
Lagrangian Decomposition. European J. of Operational Research vol. 157(3) : 565-575 (2004).
 Applying the T-Linearization to the Quadratic Knapsack Problem 21

Tab. 1. T-relaxation vs. Lagrangean relaxation upper bounds

Method Opt Lagrangean T-Relaxation Integral T-Relaxation

Instance UB Gap(%) Time(s) UB Gap(%) Time(s) UB Gap(%) NGC
1 18558 18910.56 1.90 9.24 19124.1 3.05 0.14 18865 1.65 109
2 56525 56574.63 0.09 7.57 56576 0.09 0.02 56525 0.00 32
3 3752 3807.68 1.48 9.13 3900.53 3.96 0.9 3785 0.88 312
4 50382 50448.08 0.13 9.29 51064.5 1.35 11.37 50589 0.41 580
5 61494 61623.22 0.21 8.4 61621 0.21 0.01 61494 0.00 6
6 36360 36464.87 0.29 8.94 36654.9 0.81 0.73 36399 0.11 283
7 14657 14749.58 0.63 10.18 14853.5 1.34 1.05 14657 0.00 445
8 20452 20525.15 0.36 8.17 20528.5 0.37 0.05 20452 0.00 46
9 35438 35485.16 0.13 15.19 35487 0.14 1.55 35438 0.00 361
10 24930 25191.5 1.05 10.43 25496.9 2.27 3.04 20190 1.04 401
Average 32255 32378.04 0.63 9.65 32530.7 0.85 1.89 32339.6 0.26 257.5

2. Gueye, S. Linéarisation et relaxation lagrangienne pour problèmes quadratiques en variables bi-

naires. PhD. Thesis, UniversitÈ d’Avignon et Pays du Vaucluse (2002).
3. Gueye, S., Michelon, P. : On the Convex Hull of a Quadric Polytope. Technical report of LIA
(2005)
4. Pissinger, D., Rasmussen, A.B., Sandvik, R. Solution of Large-sized Quadratic Knapsack Problems
Through Aggressive Reduction. INFORMS Journal on Computing (2006).
5. Soutif, E. : (QKP) Instances http ://cedric.cnam.fr/ soutif/QKP/QKP.html
 Chainage des sommets d’un graphe pour le test des
circuits intégrés

Y. Kieffer and L. Zaourar1

G-SCOP, 46 avenue Félix Viallet, Grenoble-INP, 38031 Grenoble Cedex France.

{Yann.Kieffer, Lilia.Zaourar}@g-scop.inpg.fr

1 Contexte
De la médecine aux loisirs, du fond des océans jusqu’aux confins du système solaire,
les puces électroniques sont présentes à chaque pas de notre vie quotidienne. En effet, le
niveau d’investissement consacré en permanence à l’industrie de la micro-électronique montre
l’importance grandissante des circuits intégrés (CI).
Le flot de conception d’un CI, c’est-à-dire la suite d’applications logicielles qui permet
au concepteur d’un CI de passer de sa spécification à sa réalisation concrète, met en jeu à
de nombreux stades des problématiques d’optimisation [3]. En effet, la réalisation d’un CI
est une opération très coûteuse en temps et en argent et qui nécessite de grands moyens
aussi bien humains qu’industriels. En plus des progrès technologiques, qui améliorent conti-
nuellement l’efficacité des techniques de fabrication des CI (finesse de gravures sur silicium),
l’augmentation en continu de la puissance de calcul des ordinateurs offre de grandes possibi-
lités d’amélioration du processus de fabrication d’un CI.
Mais à une époque oô la concurrence dans l’industrie de la micro-électronique est parti-
culièrement féroce, les paramètres de temps de mise sur le marché et la qualité du produit
deviennent prépondérants. Le circuit doit répondre sans faille aux attentes du client en termes
de fonctionnalité, rapidité, qualité, fiabilité et coût. Pourtant, lors du test final (test de fa-
brication), plus de 60% des CI sont rejetés, parce que non fonctionnels. Dans ce contexte
économique exigeant, et compte tenu du niveau de complexité important atteint par les CI,
le test est plus que jamais une donnée importante du problème de conception. Il doit être à
la fois court, efficace et le moins coûteux possible.
Aujourd’hui, beaucoup de recherches fondamentales et appliquées ayant pour objectif
l’amélioration de la testabilité des circuits intégrés sont poursuivies de manière très active
tant au niveau universitaire qu’industriel [4]. Alors, pour améliorer et faciliter le test des CI,
différentes techniques de conception en vue du test dites DFT (pour Design For Test) sont
couramment utilisées et cela très tôt dans le flot de conception. C’est sur l’optimisation de
ces techniques que portent nos travaux [1].

2 Description du problème industriel

A l’heure actuelle, le Scan path est une des méthodes les plus utilisées dans l’industrie de
la micro-éléctronique. Il s’agit d’un ensemble de composants et de connexions électroniques
qu’on rajoute au CI afin de faciliter l’étape de test post fabrication. Les principaux inconvé-
nients de cette méthode sont : la surface additionnelle, la surconsommation et la dégradation
 Chainage de sommets pour le test de circuits intégrés 23

des performances du CI après l’insertion de ces éléments [4]. Dans ce contexte, le problème
industriel auquel il faut faire face est le suivant : il s’agit de chaîner les éléments mémoires du
circuit les uns aux autres pour former des chaînes de scan. Ces dernières doivent couvrir tous
les éléments mémoires du circuit afin de vérifier leur bon fonctionnement. Mais, si le chaînage
est fait de manière aléatoire, en particulier si on réalise des connexions entre éléments mé-
moires trop éloignés dans le CI, on crée des contraintes supplémentaires pour les outils qui
interviennent plus tard dans le processus de conception. Le problème est qu’à cette étape de
conception on ne connait pas encore le futur emplacement des éléments mémoires dans le CI.

3 Contributions

L’objectif de notre travail est de développer un outil permettant la génération de solu-

tions optimales pour l’insertion du Scan path dans un CI tout en respectant l’ensemble des
contraintes électroniques liées au problème (fréquence d’horloge, temps de test, consommation
du circuit...). Nous avons modélisé ce problème comme la recherche de plus courtes chaînes
dans un graphe dont les sommets sont les éléments mémoire du circuit, et les arêtes, les
connexions électroniques entre eux, avec un poids sur les arêtes traduisant l’ensembles des
contraintes électroniques liées au problème. Une étape importante de notre travail a consisté
en la clarification des critères d’optimisations. En effet, le problème semblait au départ multi-
objectif. Mais après une analyse fine du problème, nous avons pu passer à un problème
monocritère qui est la minimisation de la longueur totale des interconnexions.
Le problème est que ce critère ne peut être mesuré qu’à la sortie du flot de conception et
pas au moment de notre optimisation. Nous l’avons alors formalisé pour être accessible à notre
niveau. Ainsi, nous avons pu proposer des méthodes de résolutions. Elles sont basées sur la
recherche de chaînes hamiltoniennes de longueur minimale. Nous avons ramené ce problème
à la résolution du célèbre problème du voyageur de commerce [2].

Références
1. Chouki Aktouf. Test en ligne et aide à la conception testable de systèmes électroniques complexes.
Mémoire d’habilitation, LCIS, Valence, 2001.
2. William J. Cook, William H. Cunningham, William R. Pulleyblank, and Alexander Schrijver.
Combinatorial optimization. John Wiley & Sons, Inc., New York, NY, USA, 1998.
3. Bernhard Korte, Laszlo Lovasz, Hans Jurgen Promel, and Alexander Schrijver. Paths, Flows, and
VLSI-Layout. Springer-Verlag New York, Inc., Secaucus, NJ, USA, 1990.
4. Christian Landrault. Test de circuits et de systèmes intégrés. Hermès, 2004.
 Vers une notion de compromis en optimisation
multidisciplinaire multiobjectif

B. Guédas1 , P. Dépincé1 , and X. Gandibleux2

1
IRCCyN, 1, rue de la Noe - BP 92 101 - F 44321 Nantes Cedex 03, France.
Benoit.Guedas@irccyn.ec-nantes.fr
Philippe.Depince@irccyn.ec-nantes.fr
2
LINA, 2, rue de la Houssinière - BP 92208 - F 44322 Nantes Cedex 03, France.
Xavier.Gandibleux@univ-nantes.fr

1 Introduction

Les problèmes de conception complexes rencontrés dans les domaines de l’aéronautique,

du naval ou de l’automobile sont généralement organisés en plusieurs disciplines qui doivent
collaborer pour aboutir à des solutions de compromis satisfaisant chacune des disciplines
simultanément. De plus chaque discipline a généralement plusieurs objectifs à atteindre sur
un ensemble de variables qui est en partie commun à plusieurs autres disciplines et en partie
propre à chaque discipline.
Dans ce travail, nous nous limiterons au cas où chaque discipline doit résoudre un pro-
blème d’optimisation multiobjectif sur un ensemble commun de variables de conception. Nous
proposons une méthode de compromis entre les disciplines telle que s’il existe un ensemble de
solutions satisfaisant les critères d’optimalité de toutes les disciplines, alors cet ensemble est
l’ensemble des solutions du problème de conception global.

2 Compromis entre disciplines

Dans la suite, une solution efficace désigne une solution dont l’image n’est pas dominée
au sens de Pareto dans l’espace des objectifs. Nous notons (Rn , !n ) l’ordre produit qui cor-
respond à l’ordre large associé à la relation de dominance (≤) pour n objectifs à valeur dans R.

Une manière de considérer le compromis entre plusieurs disciplines qui ont chacune plu-
sieurs objectifs est de le définir comme un seul problème d’optimisation multiobjectif regrou-
pant tous les objectifs des disciplines. Ceci revient à chercher le produit des ordres de chaque
discipline. Par exemple, pour deux disciplines ayant respectivement p et q objectifs, l’ensemble
ordonné représentant le problème regroupant les p + q objectifs noté (Rp+q , !p+q ) est égal au
produit des ordres disciplinaires à p et q objectifs noté (Rp , !p ) × (Rq , !q ).
En terme de compromis, cette définition n’est pas satisfaisante car des informations re-
latives à l’efficacité des solutions sont perdues lors du produit. En effet, on peut considérer
que les points non-dominés de chaque discipline sont meilleurs que les autres. Or, un point
non-dominé n’est pas toujours comparable à tous les points dominés. En conséquence, lors
du produit si un point non-dominé et un point dominé ne sont pas comparables, ils sont
 vers une notion de compromis en optimisation multidisciplinaire multiobjectif 25

potentiellement tous deux sur le front de Pareto global s’ils sont également incomparables
dans les autres disciplines.
Pour remédier à ce problème, nous proposont une extension de l’ordre produit (Rn , !n ) que
nous noterons (Rn , !′n ). Soient Y l’espace des objectifs d’une discipline, YN ⊆ Y l’ensemble
des points non-dominés et YD := Y\YN l’ensemble des points dominés. Nous ajoutons la
propriété suivante : ∀(y1 , y2 ) ∈ YN × YD , y1 !′ y2 . Il s’agit de l’extension la plus simple, mais
elle peut encore être étendue.

3 Utilisation du rang
L’extension proposée ci-dessus est une extension particulière de l’ordre produit. Elle peut
de plus être décrite comme la somme ordinale [4] de deux sous-ensembles ordonnées de
(Rn , !n ) : (Rn , !′n ) = (YN , !n|YN ) ⊕ (YD , !n|YD ).
Une manière de partitionner plus finement l’espace des objectifs de chaque discipline Y
est d’utiliser le rang [4] qui est une application de Y dans N. L’ordre global est alors défini
comme le produit des sommes ordinales des ensembles disciplinaires partionnés suivant leur
rang. Nous pouvons définir l’ordre !′′n de la façon suivante : a !′′n b ⇐⇒ r(a) < r(b).
Une application de rang étant utilisée dans certains algorithmes génétiques multiobjectifs
[1,2], une méthode d’optimisation multidisciplinaire utilisant de tels algorithmes peut tirer
partie de cette information pour converger plus rapidement.

4 Implémentation et perspectives

Nos définitions de compromis ont été intégrées à COSMOS [3], qui est une méthode
d’optimisation multidisciplinaire multiobjectif. Elle calcule les solutions efficaces du problème
regroupant tous les objectifs en utilisant un algorithme génétique mutiobjectif dans chaque
discipline. Une expérimentation numérique sera réalisée à l’aide de fonctions d’évaluation
fondées sur plusieurs objectifs [1]. Les solutions de la littérature seront comparées à celles
trouvées avec la méthode COSMOS originale et celles modifiées intégrant l’extension simple
et l’extension sur les rangs. Les différents résultats seront discutés lors de la communication.

Références
1. Deb (Kalyanmoy), Multi-objective optimization using evolutionary algorithms, coll. « Wiley-
Intersciences series in systems and optimization ». Wiley, juin 2001.
2. Goldberg (David E.), Genetic Algorithms in Search, Optimization and Machine Learning, ».
Addison-Wesley, 1989.
3. Rabeau (Sébastien), Optimisation Multi-objectif en conception collaborative. PhD thesis, École
Centrale de Nantes, Nantes, France, 2007.
4. Schröder (Bernd S. W.), Ordered Sets : An introduction. Birkhäuser, December 2002.
 Profils de performance pour le paramétrage et la
validation de métaheuristiques stochastiques

Johann Dréo

Decision Technologies & Mathematics Laboratory

THALES Research & Technology
johann.dreo@thalesgroup.com

1 Introduction
La facilité d’utilisation apparente d’algorithmes stochastiques pour l’optimisation ne doit
pas cacher le fait qu’elles doivent être conçues et validées rigoureusement [1]. Trois principaux
problèmes apparaissent alors : (a) comment estimer les performances ? (b) comment régler les
paramètres ? (c) comment valider l’efficacité de l’algorithme en pratique ?
Les métaheuristiques peuvent être utilisées pour diverses raisons, divisables en deux classes :
efficacité ou efficience.Suivant cette classification, l’efficacité est relié à la robustesse (le com-
portement attendu face à une large gamme de problèmes) et l’efficience à la mesure de la
qualité des solutions [1].
Concernant le réglage des paramètres de métaheuristiques stochastiques, il existe plusieurs
approches automatiques [3]. Ces méthodes utilisent soit une étape de réglage préliminaire,
soit un contrôle pendant l’exécution. Le contrôle de paramètre nécessitant un supplément
de calculs, il peut affecter l’efficience, là où le réglage préalable peut entrainer une perte
d’efficacité [2]. Les méthodes de paramétrage les plus connues sont le racing, l’optimisation
séquentielle et le méta-paramétrage mono-objectif (parfois nommé “méta-algorithmes”).
Dans ce travail, nous considérons un méta-paramétrage bi-objectif de métaheuristiques
stochastiques, utilisées sur des problèmes mono-objectifs.

2 Méthode
La plupart des méthodes de réglage de paramètre essayent de résoudre un problème d’op-
timisation, où l’objectif est de trouver la configuration la plus efficiente [1]. Nous proposons
dans ce travail de considérer que le réglage de paramètre est plus utilement considéré comme
un problème avec plusieurs objectifs. En effet, pour une métaheuristique utilisée pour ré-
soudre un problème de “conception”, on peut préférer un algorithme trouvant des solutions
optimales, mais dans une utilisation en “production”, on peut préférer une méthode renvoyant
rapidement une bonne approximation. Cependant, avec les métaheuristiques stochastiques,
ces deux objectifs sont contradictoires : pour des problèmes suffisamment difficiles, il est en
pratique impossible d’avoir une méthode rapide et précise. Ainsi, pour une instance de méta-
heuristique donnée, sur une instance de problème donné, il existe une collection de réglages
non-dominés, qui satisfons à la fois des objectifs de précision et de rapidité. Nous appelerons
cet ensemble le profil de performance, qu’il soit projeté dans l’espace des objectifs ou dans
celui des paramètres. Nous proposons donc une approche Pareto pour résoudre ce problème.
 Profils de performance pour métaheuristiques 27

Dans nos expériences, nous avons utilisé l’algorithme NSGA-II, optimisant en variables
réelles, avec un taux de mutation de 0.01, une probabilité de croisement à 0.25, une probabilité
de mutation à 0.35 (paramètres opérateurs le plus souvent proposés dans la littérature), une
population de 10 individus et un critère d’arrêt stoppant la recherche après 5 itérations sans
amélioration (paramètres permettant un temps d’exécution raisonnable). Nous avons d’abord
paramétré plusieurs métaheuristiques stochastiques sur des problèmes d’optimisation conti-
nue. Dans un second problème, la métaheuristique est une méthode hybridant un algorithme
évolutionniste de décomposition avec un solveur en programmation par contrainte (“Divide
and Evolve” [4]), utilisé sur des problèmes de planification temporelle issus de la compétition
internationale de planification.

3 Conclusion
Nos résultats suggèrent que le choix du critère d’arrêt a une influence drastique sur l’intérêt
du profil de performance, il doit donc être choisi avec soin. De même, la méthode ne permet
pas naturellement de trouver un unique profil de performance pour un jeu de test complet,
mais n’est rigoureusement valable que pour une instance d’un problème donnée. Enfin, nous
constatons que les profils de performances sont souvent convexes dans l’espace des objectifs,
ce qui pourrait indiquer qu’une agrégation des objectifs est envisageable.
La méthode proposée permet d’agréger l’ensemble des paramètres en un seul, déterminant
la position au sein du profil de performance, depuis un comportement fortement orienté vers
la production (rapide, peu précis) jusqu’à un comportement de conception (peu rapide, plus
précis). La projection du profil dans l’espace des paramètres permet également de refléter
l’impact des paramètres sur les performances, ou la dépendance entre paramètres. Ces indi-
cations peuvent être très pertinentes pour mieux comprendre le comportement de certaines
métaheuristiques complexes. Il devient également possible de comparer plus rigoureusement
plusieurs métaheuristiques, sur l’instance d’un problème donné, en reportant les profils de
performance sur la même échelle. La validation statistique bénéficie également de dimensions
de discriminations supplémentaires.
En perspectives, il reste à réduire la demande en calculs du méta-optimiseur, en employant
des méthodes dédiées (SPO, racing, etc.). Il est également possible d’étendre la méthode en
prenant en compte des mesures de robustesses comme objectif et en vérifiant la possibilité de
reconstruire des corrélations sur un jeu d’instances.

Références
1. Thomas Bartz-Beielstein. Experimental Research in Evolutionary Computation : The New Expe-
rimentalism. Natural Computing Series. Springer, 2006.
2. Jeff Clune, Sheni Goings, Bill Punch, and Eric Goodman. Investigations in meta-gas : panaceas
or pipe dreams ? In GECCO ’05 : Proceedings of the 2005 workshops on Genetic and evolutionary
computation, pages 235–241, New York, NY, USA, 2005. ACM.
3. Fernando G. Lobo, Cláudio F. Lima, and Zbigniew Michalewicz, editors. Parameter Setting in
Evolutionary Algorithms, volume 54 of Studies in Computational Intelligence. Springer, 2007.
4. Marc Schoenauer, Pierre Savéant, and Vincent Vidal. Divide-and-evolve : A new memetic scheme
for domain-independent temporal planning. pages 247–260. 2006.
 Segmentation optimale d’image par optimisation
multiobjectif

A. Nakib, H. Oulhadj, and P. Siarry

Laboratoire Images, Signaux et Systèmes Intelligents (LISSI, E.A. 3956)

61 avenue du Général de Gaulle, 94010 Créteil, France
nakib@univ-paris12.fr

1 Introduction

La segmentation d’une image consiste à extraire les éléments les plus importants présents
dans cette image. Un recueil des méthodes courantes figure dans [1]. Le seuillage d’image
par analyse d’histogramme est certainement l’approche la plus utilisée. Dans le cas d’un
histogramme en N classes, le seuillage consiste à déterminer N −1 seuils tels que chaque classe
soit associée à un intervalle de niveaux de gris distinct. Malheureusement, cette technique, qui
est basée sur l’optimisation d’un seul critère, ne produit pas de bons résultats sur tous types
d’images. Pour améliorer le processus de segmentation, nous proposons dans cet article de
recourir à l’optimisation multiobjectif, qui permet la prise en compte simultanée de plusieurs
critères.

2 Méthode proposée

Nous nous plaçons dans le cas simplifié d’une image à deux classes, dont l’histogramme est
noté h(i), avec i ∈ G, où G = 0, 1, 2, ..., 255 est l’ensemble des niveaux de gris. Le problème
consiste à déterminer le seuil optimal qui sépare les deux classes de l’image (objets et fond).
La méthode de segmentation proposée est basée sur l’optimisation multiobjectif selon une
approche Pareto. Le principe consiste à optimiser plusieurs critères de segmentation en paral-
lèle, et à rechercher les solutions qui représentent un compromis entre les différents critères.
A cet effet, nous utilisons l’algorithme de référence NSGA-II [6].
Les critères utilisés sont la variance interclasse biaisée et l’entropie totale de l’image. La va-
riance interclasse biaisée [3] s’écrit :
N )
& *
M V ar (t1 , ..., tN −1 ) = α. βj−1 .σBet
2
(j) + γj (1) t∗ =ArgMax M V ar(t) (2)
j=1
0<t<L
où σBet
2
(j) est la variance interclasse de l’image [1], L est le nombre total de niveaux de gris,
N est le nombre√ de classes dans l’image à segmenter (supposé connu a priori), α est égal à
(1000 × M )−1 N R, où M est le nombre total de pixels dans l’image et N R le nombre de
régions. βj−1 = (1 + logNj ), avec Nj le nombre de pixels dans la classe j. γj = (C(Nj )/Nj ),
où C(Nj ) est le nombre de régions dont le cardinal est égal à Nj [3]. Le problème de la seg-
mentation est alors exprimé sous la forme définie dans (2). L’entropie totale de l’image est la
somme des entropies des différentes classes. Le seuillage entropique [3], basé sur le principe de
 Segmentation optimale d’image par optimisation multiobjectif 29

la maximisation de l’entropie totale de l’image, peut être exprimé sous la forme d’un problème
d’optimisation :

t∗ = ArgM in(−HT (t)) (3)

0<t<L

où t le vecteur de seuils de segmentation et HT est l’entropie totale définie dans [3].

3 Exemples de résultats

La figure 1 présente les résultats de la segmentation des images test maison et avion (fig.
1 (a) et (d)). Les segmentations en deux classes de ces images sont présentées respectivement
sur les figures 1 (b) et (e). D’un point de vue visuel, la segmentation de l’image maison est
de bonne qualité. De plus, les contours de la maison sont bien préservés. Pour la deuxième
image test, on constate également que l’objet avion est globalement bien séparé du fond. Les
résultats de la segmentation en trois classes sont présentés sur les figures 1 (c) et (f). Dans
ce cas aussi, la segmentation de l’image maison est visuellement d’assez bonne qualité. Pour
l’image avion, en revanche, la segmentation est de moindre qualité : davantage de points
censés appartenir au fond, au coin gauche de l’image, sont rangés dans la même classe que
les pixels qui composent l’avion. Le résultat présenté est obtenu en moyennant les résultats
de 20 exécutions de notre algorithme.

4 Conclusion

Dans cet article, nous avons proposé l’optimisation multiobjectif pour segmenter différents
types d’images. Nous avons utilisé l’algorithme NSGA-II pour rechercher le front de Pareto.
Les résultats de segmentation obtenus sont de qualité satisfaisante. En perspective à ce tra-
vail, nous proposons d’intégrer davantage de critères et de mettre en oeuvre une technique
d’optimisation dynamique, pour segmenter des séquences d’images.

(a) (b) (c) (d) (e) (f)

Fig. 1. Exemples de résultats. (a) image maison originale, (b) segmentation en 2 classes, avec t = 185,
(c) segmentation en 3 classes, avec t = (125; 185), (d) image avion originale, (e) segmentation en 2
classes, avec t = 67, (f) segmentation en 3 classes, avec t = (77; 124).
30 Nakib, Oulhadj, Siarry

Références
1. R. C. Gonzales, R. E. Woods. Digital image processing. Prentice Hall, Upper Sadler River, NJ,
USA, 2002.
2. K. Deb, S. Agrawal, A. Pratap, T. Meyarivan. A fast elitist non-dominated sorting genetic algo-
rithm for multiobjective optimization : NSGA II. IEEE Transactions on Evolutionary computation,
Vol. 5, 3, pp. 115-148, 2002.
3. A. Nakib, H. Oulhadj, P. Siarry, Non-supervised image segmentation based on multiobjective
optimization, Pattern Recognition Letters, Vol. 29, 2, pp. 161-172, 2008.
 Sélection du portefeuille de projets d’exploration
production en utilisant la méthode de Markowitz

Fateh BELAID and Daniel DE WOLF

Institut des Mers du Nord,

Université du Littoral,
49/79 Place du Général de Gaulle, B.P. 5529,
59 383 Dunkerque Cedex 1, France.
fateh.belaid@univ-littoral.fr
daniel.dewolf@univ-littoral.fr

1 La problématique considérée

L’objet de cet article est une étude quantitative du risque, en ce qui concerne la prise de
décision dans l’amont pétrolier. L’objectif principal de ce travail est de fournir un outil d’aide à
la décision qui va permettre aux compagnies pétrolières de choisir prudemment leurs stratégies
d’investissement et de réduire les risques d’échec. En effet, d’une part, le forage d’exploration
coûte très cher, et d’autre part, le processus de prise de décision d’investissement pétrolier est
tributaire de risques importants principalement d’ordres géologique, économique et politique.
La problématique qui s’impose alors est celle de la détermination de méthodes destinées
à améliorer le processus décisionnel en matière de sélection de projets d’investissement en
amont pétrolier.

2 Insuffisance des méthodes classiques

Au cours de ces dernières années, le processus décisionnel des compagnies pétrolières

s’est fortement complexifié. En effet, les compagnies pétrolières sont amenées à sélectionner
un ensemble de projets sur la base de variables incertaines, notamment le prix du brut,
et l’étendue des ressources disponibles. Les indicateurs classiques utilisés dans le processus
décisionnel, notamment la valeur actuelle nette, le taux de rendement interne et l’indice de
profitabilité, se révèlent insuffisants, à cause d’une faible prise en compte de la notion du
risque qui est un élément essentiel de l’industrie pétrolière. D’autre part, ces indicateurs ne
permettent pas de tenir compte des interactions entre les différents projets.
Dès lors, afin de tenter de pallier aux insuffisances de l’approche traditionnelle, s’est posée
la question de l’opportunité de recours à une variante de la méthode de Markowitz, méthode
jusqu’à présent peu utilisée par les pétroliers. Plus précisément, il s’agit de savoir si la dé-
termination du portefeuille optimal de projets d’exploration-production améliore le processus
décisionnel en assurant le meilleur compromis “risque minimum-valeur maximale” en tenant
compte des diverses contraintes auxquelles l’entreprise est confrontée.
32 Fateh BELAID, Daniel DE WOLF

3 Application à un cas pratique

Un cas pratique d’application à la sélection de projets d’exploitation pétrolière en Mer du

Nord est présenté. Nous avons essayé de présenter sur ce cas la méthode de manière simple et
concrète, afin de la rendre compréhensible et facile à appliquer par les décideurs de compagnies
pétrolières.

4 Modélisation de l’incertitude sur le prix du brut

Pour notre cas, nous utilisons trois scénarios de prix différents, que nous avons essayé
de justifier par l’analyse des facteurs de la conjoncture économique actuelle, et les éventuels
changements futurs, par exemple, l’accroissement continu de la demande mondiale, l’épuise-
ment éventuel des réserves, la découverte de nouveaux gisements, ou une éventuelle arrivée
d’une énergie nouvelle, etc.
A partir de ces scénarios, nous construisons quatre modèles :
Modèle 1 : nous imaginons un prix bas à 25 $/baril, en supposons que la croissance de
la demande pétrolière mondiale ralentit fortement suite à la transition vers des énergies
alternatives ;
Modèle 2 : nous imaginons un prix moyen à 100 $/baril, en tablant sur une continuité des
approvisionnements de brut, avec une demande qui reste soutenue mais qui commence à
ralentir ;
Modèle 3 : nous imaginons un prix élevé à 200 $/baril, ce scénario de crise prévoit que
l’offre sera perturbée par des attentats ou des troubles politiques ;
Modèle 4 : un modèle mixte, où l’on assigne une probabilité d’occurrence de chaque scénario
de prix afin qu’on puisse calculer une espérance de valeur actuelle nette :
– un prix à 25 $/baril avec une probabilité de 0,2 ;
– un prix à 100 $/baril avec une probabilité de 0,4 ;
– un prix à 200 $/baril avec une probabilité de 0,4.

5 Conclusions
Les résultats de cette application permettent de tirer les conclusions suivantes :
– La méthode de sélection traditionnelle ignore les interactions et corrélations qui existent
entre les projets. Elle représente la valeur la plus importante pour la VAN et le risque
le plus élevé du portefeuille efficient de la méthode du Markowitz.
– La méthode de Markowitz contrairement aux méthodes classiques permet, d’analyser
les projets en prenant en considération les différentes facettes du risque et les différentes
corrélations qui existent entre les différents projets ;
– Le recours à la semi-variance est plus opportun que le recours à la variance, car elle ne
se concentre que sur le risque au-dessous de la moyenne.
 Construction d’un modèle de simulation par le biais de
données de localisation des produits

A. Véjar and P. Charpentier

Centre de Recherche en Automatique de Nancy (CRAN), Nancy Université, Faculté des Sciences et
Techniques, BP 239, 54506 Vandœuvre Cedex, France
andres.vejar@cran.uhp-nancy.fr,patrick.charpentier@cran.uhp-nancy.fr

1 Introduction
Notre travail consiste à étudier les avantages potentiels liés à l’exploitation d’informations
de localisation de produits au fil du temps dans le contexte de systémes manufacturiers.
Ce papier présente ici un cas d’application possible : la génération automatique de code de
simulation de flux sur la base des données de localisation des produits, durant leur passage sur
le système de production. Ces données constituent un flux d’information pouvant être assimilé
á la trace ou trajectoire des produits. Si, depuis quelques années, la simulation de flux est
devenue incontournable pour l’évaluation de la dynamique des systèmes manufacturiers [1], il
n’en demeure pas moins que les phases de modélisation, puis de maintenance, de ces modéles,
restent des opérations délicates et chronophages [2]. Ces raisons expliquent, à elles seules, le
choix de nous intéresser à cette problématique. L’idée est de remplacer la plus grosse partie
des interventions des experts humains lors de la construction du modèle, lors des phases de
maintenance ou de reconfiguration, par un générateur automatique. La figure (1) montre le
principe retenu. Le générateur y est alimenté par un flux de données en provenance du système
réel. Ce système quelconque, peut être de type flow-shop ou job-shop. Les produits peuvent
y être assemblés, transformés ou désassemblés. L’hypothèse principale est de considérer que
tous les objets élémentaires d’un système de production manufacturier peuvent être localisés.
Les données observées seront considérées comme fiables et non entachées d’erreur.

Fig. 1. Le «génerateur» dans son environnement

2 Formalisation du problème
L’information de localisation accessible est définie par le 3-tuple (I, R, T ) où I est l’en-
semble des identifiants des objets. Un identifiant est assigné à chacun des objets de façon
unique. R ⊂ R2 est l’ensemble de positions, et T représente le temps. Chaque (i, r, t), est un
élément dans le flux f . Cette information est la seule qui sera utilisée pour la génération du
code de simulation. Notre problème consiste à concevoir un générateur de modèle de simula-
tion en ligne Φ, capable d’élaborer un modèle m à partir d’un flux de données réelles F . Ce
34 A. Véjar, P. Charpentier

générateur Φ doit être capable d’adapter m en fonction de l’évolution du flux F dans le temps.
De façon plus formelle nous pouvons noter : F = {f1 , f2 , f3 , . . .}, où fk représente un flux à
un instant donné, il est alors l’un des composants du flux F . On considérera que le modèle est
initialement vide. L’arrivée d’un nouveau flux au générateur lui permet une mise à jour du
modèle m. Le problème consiste à définir Φ pour obtenir m à chaque instant d’arrivée d’un
nouveau flux. Cette manière de procéder permet d’adapter le modèle aux modifications éma-
nant du système réel : le modèle en est le reflet instantané. Ainsi nous proposons une forme de
présentation récursive du processus d’obtention du modèle m : m0 = ∅ ; mk = Φ(fk , mk−1 ).

3 Propositions
Le suivi de la trajectoire d’un objet nous permet d’en déterminer la vitesse v : soit celle-ci
est nulle, soit celle-ci est positive. Le produit est en mouvement ou il est arrêté : cette dernière
propriété étant le signe d’une attente... d’où le choix de construire un modèle de simulation
basé sur un réseau de files d’attente. L’information v = 0, situe un point particulier à la
base de la construction de notre modèle. Pour chacun de ces points il est possible d’obtenir
un histogramme représentatif du temps de «service» par type de produit. Avant la sortie du
produit du système de production, aucune information sur sa composition n’est disponible.
Les objets (initiaux et intermédiaires) constituants ce produit ne fournissent en effet, durant
leur passage dans le système, aucune information quant à leur destination finale. C’est à la
disparition du produit final que sa composition est découverte (de par les mouvements joints
de chacun de ses composants). Il est alors possible de retracer l’ensemble des parcours de ses
constituants jusqu’à leur naissance, et ainsi de mettre à jour les histogrammes des temps de
services d’un constituant destiné à un produit final sur un point v = 0.

4 Algorithme et résultats
L’algorithme proposé est composé de trois parties principales. La première partie génère
les positions des machines et les chemins suivis par les produits, sur la base des flux de données
temps réel qui l’alimentent. La seconde partie traite la problématique de sortie des produits
du système. La sortie des produits est en effet le moment où il est possible de savoir si oui
ou non ce produit existait ou pas. S’il existait on met à jour ses données, sinon on le créé. La
troisième partie sert à modéliser les lois de comportement pour le modèle ainsi généré. Des
lois statistiques sont proposées pour représenter les temps d’inter-arrivées et de services pour
chaque type de produit et chaque machine. Des tests ont été menés sur des systèmes de tailles
différentes (nombre de machines, de pièces et d’opérations variables). Ils ont tous montré que
les temps d’interarrivées des pièces, et les temps de services sur les machines entre le système
réel et le modèle obtenu par notre générateur étaient totalement cohérents.

Références
1. Cassandras, C.G., Lafortune, S. : Introduction to Discrete Events Systems. Kluwer Academic
Publishers, Dordrecht (1999)
2. Park, K.J., Lee, Y.H. : A On-line Simulation Approach to Search Efficient Values of Decision
Variables in Stochastic Systems. Int J Adv Manuf Technol (2005)
 Solving of waiting lines models in the airport using
queuing theory model and linear programming

Houda Mehri and Taoufik Djemel

Laboratoire GIAD-FSEG-Sfax B.P.1081-3018 Sfax-TUNISIA.

mehri-houda@yahoo.fr, taoufik.djemel@fseg.rnu.tn

1 Introduction

In the air travel system, the bulk of delays are caused by excessive demand on limited
facilities, causing queues to form for service, and forcing those who must wait in the queues
to incur delay costs. The demand comes from arriving and departing planes, and the service
they are demanding is usage of the airport runways, terminals, and other facilities. The
demand level is often uncertain due to the even more unpredictable arrival and departure
of unscheduled general aviation flights. The capacity of the service facility (i.e. runways and
airspace) is also often uncertain due to weather conditions, non optimal controller behavior,
and equipment failure. There are two branches of modeling theory that can be useful in
approaching this problem, Queuing theory and simulation. Queuing theory is concerned with
the mathematical analysis of highly abstracted queuing systems. Simulation is concerned with
analyzing systems of arbitrary complexity by generating repeated random trials over many
different scenarios. The goal of this work is to explore some of the models that these two
disciplines provide that might be useful in understanding airport delays. The characteristics of
the models with respect to depth of analysis, cost, and applicability will be used to determine
their desirability.

2 Queuing theory

This section is meant as a short summary of the notation and results of queuing theory.
Queuing theory is oriented toward analytical investigation of service systems, their demand
characteristics, and the delays they produce. In order to provide analytical results, simpli-
fying assumptions are often made with regard to the important aspects of the system. These
assumptions can limit the applicability of the results.

3 Sensitivity to service and demand Rates

The first tests which were run investigated the delays over a whole day with respect to
changes in the utilization ratio, that is, the ratio of demand rate to service rate. The Kivestu
approximation of a third order Erlang service queue with time varying Poisson demand was
used as the airport model. The solutions are plotted below. Note that operations include only
landings. Arrivals were not considered customers of the landing server.
36 Mehri, Djemel

3.1 Sensitivity to service Rate Variance

In this study the delays induced by a Poisson and a high order Erlang queue were gene-
rated for various combinations of average service rate and total operations using the Kivestu
approximation program. The solutions for the average delay over the whole day are plotted as
two curves, one for the various demand rates using a Poisson server, and the other using the
30-order Erlang server. The Erlang curve is the lower one in all cases. The two curves form
a region in which systems with server time variance between Poisson and order 30 Erlang
would fall.

3.2 Accuracy of Poisson Arrival Assumption

To test the accuracy of the Poisson arrivals assumption, the actual airport schedule for
arriving flights was used to generate randomized arrival patterns that incorporated an un-
certain deviation from the scheduled arrival time for each flight. A large number of these
randomized patterns were compared to what one would have expected from a Poisson gene-
rating process. This amounted to testing whether a Monte Carlo simulation of arrivals, meant
to be close approximation to the actual process governing arrivals, was distinguishable from
Poisson generated arrivals.
Finally, some simulation tests of the accuracy of the Poisson arrivals process were executed
for the scheduled arrival profile at airport. The Poisson was found to be fairly accurate, with
some reservations. The simulation distribution of interarrival times was found to have greater
variance than would be predicted by the Poisson, but this could be attributed to clumping
over the day in the schedule. The variance of interarrival times was found to be remarkably
insensitive to the variance of the lateness distribution used in the simulation, implying that
whatever the process generating arrivals is, it is robust to changes in the lateness variance..

Références
1. Bertsimas, Dimitris J, and Nakazato, Daisuke. Transient and Busy Period Analysis of the GI/G/1
Queue : Part 1, The Method of stages. Part II. Solution as a Hilbert Problem. 1989.
2. Brown, T.H. A Comparaison of Runway Capacity and Delay Using Computer Simulation and
Analytic Models. M.S. Thesis C.E. 9/76.
3. Conolly, Brian. Lecture Notes on Queuing System. John wikey and Sons, 1975.
4. Hengsbash, Gerd and Odoni, Amedeo R. Time Dependent Estimates of Delays and Delay Costs
at Major Airports. FTL Report R75-4, 1/1975.
5. Kivestu, Peeter. Alternative Methods of Investigation the Time Dependent M/G/k Queue. M.S.
Thesis Aero 1976.
6. Koopman, Bernard O. "Air Terminal Queues under Time Dependent Conditions". , Operations
Research 20, 1089-1114(1972).
7. Klienrock, L. Queuing Systems V1. 1975.
8. Odoni, A.R., and Kiivestu, P. A Handbook for the Estimation of Airside Delays at Major Air-
ports, FTL Report
 Evaluation de projets d’investissement pétrolier en
utilisant la simulation de Monte Carlo

Fateh BELAID, Daniel DE WOLF

Institut des Mers du Nord,

Université du Littoral,
49/79 Place du Général de Gaulle, B.P. 5529,
59 383 Dunkerque Cedex 1, France.
fateh.belaid@univ-littoral.fr
daniel.dewolf@univ-littoral.fr

1 Introduction
L’exploration et le développement d’un champ pétrolier font face à de nombreuses incer-
titudes liées aux rendements et aux coûts tout au long du cycle de vie du projet. A titre
d’exemple les réserves potentielles, les coûts d’investissement (Capex), les coûts opératoires
(Opex), la production, et le prix du pétrole, sont souvent incertains. En conséquence, Il est
difficile de prévoir les cash-flows même pour les projets les plus simples.
Différentes méthodes sont disponibles pour aider les décideurs à évaluer les incertitudes,
et réduire le risque des opportunités d’investissement en amont pétrolier.
La simulation a été reconnue comme un outil d’analyse de risque et de prise de décision en
évaluation de projets d’investissement en amont pétrolier au début des années 60. Aujourd’hui
pratiquement toutes les grandes compagnies pétrolières ont incorporé la simulation dans leurs
études de projets.

2 La problématique
Dans cet article, nous essayons d’expliquer les critères d’évaluation et d’analyse du risque
de projets d’investissement en amont pétrolier basés sur les cash-flows, et de montrer comment
la simulation de Monte Carlo peut être utile dans ce cadre.

3 La méthode
Le préalable à l’évaluation d’un projet consiste à mettre en place un scénario de la situation
de base et de calculer sa valeur actuelle nette. Ceci suppose que les valeurs des paramètres
d’entrée sont connues : la production par année, le prix de pétrole pour chaque année, les coûts
d’investissement, les coûts opératoires de chaque année, le taux d’actualisation, la structure
fiscale, etc.
La Valeur Actuelle Nette (VAN) sera alors calculée comme la différence entre les flux
nets de trésorerie actualisés générés par un investissement et le montant initial de celui-
ci. Elle indique l’enrichissement net de l’entreprise qui découlerait de la réalisation de cet
investissement.
38 Fateh BELAID, Daniel DE WOLF

La simulation permet ensuite aux analystes de décrire le risque et l’incertitude des va-
riables qui influencent la rentabilité du projet par des distributions de probabilité. Le premier
objectif de l’utilisation de la simulation dans l’évaluation de projet en amont pétrolier est de
déterminer la distribution de la VAN à partir des variables qui influent sur le rendement du
projet, d’où l’on pourra déduire sa moyenne ou la valeur actuelle espérée.
On peut résumer le processus de la simulation de Monte Carlo effectué en trois étapes
principales, comme suit :
1. Création d’une distribution de probabilité pour chaque paramètre d’entrée : nous considé-
rons trois principaux facteurs de risque : la production, les Opex, les Capex. Leurs distri-
butions de probabilité sont évaluées en utilisant les valeurs historiques et les jugements
d’experts :
– pour la production, on utilise une distribution log-normale,
– pour les Opex, une distribution triangulaire,
– pour les Capex, une distribution triangulaire.
2. Génération de 5 000 itérations pour la simulation de Monte Carlo .
3. Enregistrement des résultats de la simulation :
– la distribution de VAN espérée,
– la moyenne de la VAN,
– sa variance,
et enfin on récupère les données de la simulation qui vont être utilisées pour le calcul de
la matrice des variances-covariances des valeurs espérées de la VAN et celle des semi-
covariances.
Pour tout le processus, on a utilisé la dernière version d’évaluation de logiciel Crystal Ball
(Version 7.3).

4 Conclusions
La simulation de Monte Carlo que nous avons utilisé pour la simulation des VAN des
projets est une méthode d’estimation générale, flexible et souvent simple à implanter.
La comparaison des valeurs obtenues par l’approche de Monte Carlo aux valeurs détermi-
niste nous éclaire sur la validité de la méthode Monte Carlo. En effet, les valeurs des différentes
variables utilisées dans cette méthode sont "correctement" estimées.
La simulation de Monte Carlo n’est qu’une prolongation normale de la situation de base
de la VAN standard, en tenant compte du fait que les variables ne sont pas connues avec
certitude. Les distributions statistiques standards telles que la loi normal, la loi log-normal,
la loi uniforme et les distributions triangulaires sont employées pour décrire les paramètres
d’entrée.
 Softening Gcc with preferences

J-Ph. Métivier, P. Boizumault, and S. Loudni

GREYC (UMR 6072), Université de Caen, Bd du Maréchal juin, 14032 Caen Cedex France.
{jmetivie,patrice.boizumault}@info.unicaen.fr,loudni@iutc3.unicaen.fr

In this abstract, we propose the global constraint Σ-Gcc which is a soft version of the
Global Cardinality Constraint (Gcc) taking account preferences. We have used Σ-Gcc for
solving over-constrained timetabling problems (http://www.cs.nott.ac.uk/\~\\hspace{-0.
75ex}tec/NRP/).

1 The Global Cardinality Constraint

Gcc [3] is defined on a set of n variables and specifies, for each value in the union of their
domains (Doms), bounds on the maximal (uj ) and minimal (lj ) number of times, value vj
can occur in a solution. Gcc can be considered as a meta-constraint and decomposed into a
set of Atleast (resp. Atmost) constraints enforcing the lower bound (resp. upper bound) for
each vj ∈Doms :

Definition 1. Let X be a set of n variables, Di be the domain of the variable Xi and

Doms=∪i∈X Di . Let vj ∈ Doms, lj and uj their lower and upper bounds,
Atleast(X , vj , lj ) ≡ | {Xi ∈ X | Xi = vj } | ≥ lj
+ , vj , uj ) ≡ | {Xi ∈ X | Xi = vj } | ≤ uj
Atmost(X
Gcc(X , l, u) ≡ vj ∈Doms (Atleast(X , vj , lj ) ∧ Atmost(X , vj , uj ))

Theorem 1. (Consistency-Check [3]) Gcc (X , l, u) is hyperarc consistent iff there exits a

feasible s–t flow of value n (where n=| X |) in the network N ={V, A} with :
V = X ∪ Doms ∪ {s, t} demand and capacity functions :
A = As ∪ AX ∪ At ∀a ∈ As , d(a) = 1 and c(a) = 1
As = {(s, Xi ) | i ∈ {1, . . . , n}}, ∀a ∈ AX , d(a) = 0 and c(a) = 1
AX = {(Xi , vj ) | vj ∈ Di , i ∈ {1, . . . , n}}, ∀a ∈ Ap , d(a) = lj and c(a) = uj
At = {(vj , t) | vj ∈ Doms},

Consistency-check can be performed in O(n × m) (where m =| A |). To maintain hyperarc

consistency, all arcs (and then values) which do not belong to any feasible flow are removed
thanks to computation of strongly connected components in O(n+m).

2 Relaxing Gcc
In many real-life situations, lower or upper bounds may be too restrictive to get a solution.
To each value vj ∈Doms, are associated a shortage function (s(X , vj )) measuring the number
of missing assignments of vj to satisfy Atleast(X , vj , lj ), and an excess function (e(X , vj ))
measuring the number of assignments of vj in excess to satisfy Atmost(X , vj , uj ) [4] :
s(X , vj ) = max(0, lj − | {Xi | Xi = vj } |)
e(X , vj ) = max(0, | {Xi | Xi = vj } | − uj )
40 J-Ph. Métivier, P. Boizumault, S. Loudni

To express preferences on the minimal/maximal requirements on each value vj , to each lj

(resp. uj ) we associate a weight ϕatleast
j (resp. ϕatmost
j ) denoting the amount of violation to pay
if the requirement is not satisfied. We define violation cost for constraints Atleast(X , vj , lj )
and Atmost(X , vj , uj ) as follows :
weight(Atleast(X , vj , lj )) = ϕatleast
j × s(X , vj )
weight(Atmost(X , vj , uj )) = ϕatmost
j × e(X , vj )

3 Soft Global Constraint Σ-Gcc

We propose a new soft global constraint Σ-Gcc, the soft version with preferences of the
Gcc constraint. For this constraint, we introduce a new violation based semantic which takes
into account preferences between violations.
Let Cdec be the decomposition of a Gcc constraint into a set of Atleast and Atmost
constraints. The decomposition based semantic µdec computes the weighted sum of Atleast(X , vj , lj )
and Atmost(X , vj , uj ) constraints in Cdec that are violated :
%
µdec (X ) = ϕatleast
j × s(X , vj ) + ϕatmost
j × e(X , vj )
vj ∈Doms

As for Gcc , Σ-Gcc can be modeled by a network NΣ . Violation arcs are added in order
to model shortage and excess functions :
- Shortage violation arcs, Ashortage ={(s, vj ) | vj ∈Doms}, are used to model Atleast(X , vj , lj )
constraints. For each shortage violation arc a=(s, vj ), its demand d(a)=0, its capacity
c(a)=lj , and its weight w(a) = ϕatleast
j .
- Excess violations arcs, Aexcess ={(vj , p) | vj ∈Doms}, are used to model Atmost(X , vj , uj )
constraints. For each excess violation arc a = (vj , t), its demand d(a)=0, its capacity
c(a) = ∞, and its weight w(a) = ϕatmost
j .
Let z be a cost variable that represents the allowed amount of violation for a Σ-Gcc constraint.
Corollary 1. (Consistency-Check [2]) The constraint Σ-Gcc(X , l, u, z, µdec) is hyperarc consistent
if and only if there exists an integer s–t flow f of value n in NΣ with weight(f ) ≤ max(Dz ).
Corollary 2. (Filtering [2]) The constraint Σ-Gcc is hyperarc consistent
& if and only if for
every arc a ∈ AX there exists an integer s–t flow f of value max(n, vj ∈Doms lj ) in NΣ with
f (a) = 1 and weight(f ) ≤ max(Dz ).

&Consistency-Check can be performed thanks to a Ford and Fulkerson algorithm in O(max(n

, vj ∈Doms lj )×(m+n×log(n))) [1]. Filtering can be performed in O((n+d)×(m+n×log(n))).

Références
1. L.R. Ford and D.R. Fulkerson. Flow in Networks. Princeton University Press, 1962.
2. J.P. Métivier, P. Boizumault, and S. Loudni. Softening Gcc and Regular with Preferences. In
ACM SAC2009, pages 484–488, 2009.
3. J.C. Régin. Generalized arc consistency for global cardinality constraint. In AAAI/IAAI, Vol. 1,
pages 209–215, 1996.
4. W.J. van Hoeve, G. Pesant, and L.M. Rousseau. On global warming : Flow-based soft global
constraints. J. Heuristics, 12(4-5) :347–373, 2006.
Impact des modes de comptage sur les méthodes à base
de divergences

W. Karoui1,2, M.-J. Huguet1,3 , and P. Lopez1

1
CNRS ; LAAS ; 7 avenue du colonel Roche, F-31077 Toulouse, France
2
Université de Toulouse ; UPS, INSA, INP, ISAE ; LAAS ; F-31077 Toulouse, France
3
Unité de recherche ROI ; Ecole Polytechnique de Tunisie, 2078 La Marsa, Tunisie
{wakaroui, huguet, lopez}@laas.fr

1 Introduction

Un problème de satisfaction de contraintes (CSP) est défini par un triplet (X, D, C) où :

X = {X1 , . . . , Xn } est un ensemble fini de variables ; D = {D1 , . . . , Dn } est un ensemble de
domaines des variables, chaque Di est un ensemble de valeurs discrètes pour la variable Xi ;
C = {C1 , . . . , Cm } est un ensemble de contraintes.
Dans le cadre de la résolution des CSP, plusieurs axes d’amélioration des méthodes de
recherche ont été envisagés. Ce travail s’intéresse ainsi à l’intégration de différentes techniques
pour rendre plus efficaces des méthodes arborescentes basées sur les divergences. Le concept
de divergence a été introduit par Harvey et Ginsberg [?] ; il correspond à une déviation par
rapport au choix de la valeur sélectionnée prioritairement par une heuristique d’ordre sur les
valeurs (heuristique de référence).
LDS est à la base d’une méthode de recherche complète. Etant donné l’heuristique de
choix des valeurs ne peut éviter de mauvais choix, LDS remédie à ce problème en augmentant
progressivement le nombre d’erreurs tolérées de la part de l’heuristique : les divergences. Ce
principe nous mène à un parcours très particulier de l’arborescence. Plusieurs travaux ont
amélioré ce principe en proposant des variantes plus efficaces comme ILDS, DDS et Yet Im-
provEd Limited Discrepancy Search (YIELDS) [?]. Vu la particularité de ce principe, plusieurs
pistes d’améliorations sont encore à exploiter. Dans ce travail, nous étudions spécifiquement
le mode de comptage des divergences.

2 Comptage des divergences

Le comptage des divergences présente deux possibilités pour les arbres non-binaires.
– Le comptage binaire. Le parcours de la branche associée à la meilleure valeur selon
l’heuristique de référence correspond à 0 divergence. Le parcours de toutes les autres
branches possibles pour la variable considérée implique une et une seule divergence.
– Le comptage non-binaire. Les valeurs d’une variable donnée sont ordonnées selon une
heuristique d’ordre sur les valeurs de telle sorte que la meilleure valeur a le rang 1.
Choisir une valeur de rang k > 1 conduit à k − 1 divergences.
La figure 1 présente le nombre de divergences obtenues pour chaque feuille dans le cas d’un
CSP à trois variables Xi , i = 1, . . . , 3 avec |Di | = 3, ∀i.
42 Karoui et al.

X1

X2

X3

Comptage Non-binaire : 0 1 2 1 2 3 2 3 4 1 2 3 2 3 4 3 4 5 2 3 4 3 4 5 4 5 6
Comptage Binaire : 0 1 1 1 2 2 1 2 2 1 2 2 2 3 3 2 3 3 1 2 2 2 3 3 2 3 3

Fig. 1. Comptage binaire et non binaire pour les divergences

Le principe d’une méthode à base de divergences peut être associé à un comptage binaire ou
non-binaire [?]. Nous pouvons remarquer que le comptage binaire correspond à une recherche
à “forte granularité” et que le comptage non-binaire correspond à une recherche à “faible
granularité”. On peut ainsi identifier des niveaux dans l’arbre où une recherche de faible
granularité sera utile, alors que d’autres niveaux, jugés moins déterminants pour l’orientation
du parcours, feront l’objet d’une recherche à forte granularité, plus rapide. On peut même
imaginer un mélange des deux modes de comptage décrits ci-dessus, pour obtenir ainsi un
comptage mixte. Quelques paramètres sont à introduire, comme la profondeur dans l’arbre
de recherche, pour distinguer les différentes zones de comptage. A partir de cette profondeur,
on peut changer le mode de comptage adopté. On peut affiner le paramètre qui contribue à
la délimitation des zones à explorer différemment par des mécanismes d’apprentissage.

3 Evaluation des différents modes de comptage des divergences

L’évaluation des différents modes de comptage proposés est faite dans la méthode YIELDS
en comparaison d’un Backtrack Chronologique et d’un ILDS classique. Les tests portent sur
des problèmes aléatoires de diverses tailles, des problèmes d’ordonnancement de type job-
shop et des problèmes de Car Sequencing de la CSPLib. Pour la variante YIELDS utilisant
un comptage mixte, nous adoptons des profondeurs de 31 et de 23 de la hauteur de l’arbre
de recherche. Les performances sont évaluées en termes de temps et de nombre de nœuds
développés dans l’arbre ainsi qu’en fonction du taux de résolution dans un temps d’exécution
limité à 200 secondes.
Les premiers résultats obtenus sont globalement en faveur du comptage non-binaire pour
la plupart des problèmes considérés. Le comptage mixte s’avère meilleur que le comptage
non-binaire si l’on adapte l’heuristique au mode de comptage en même temps que l’on adapte
le comptage à la zone ciblée dans l’espace de recherche. Ceci nous incite à affiner l’étude du
comptage mixte dans YIELDS : les paramètres délimitateurs doivent profiter de l’apprentis-
sage et s’adapter à la nature du problème.
 Relaxation lagrangienne pour le filtrage d’une
contrainte-automate à coûts multiples

Julien Menana, Sophie Demassey and Narendra Jussien

Ecole des Mines de Nantes - LINA CNRS UMR 6241

4 rue Alfred Kastler - BP 20722
F-44307 Nantes Cedex3, France
{julien.menana, sophie.demassey, narendra.jussien}@emn.fr

La programmation par contraintes est un paradigme de résolution approprié dans le do-

maine de la planification d’horaires. Elle offre une modélisation concise et évolutive des nom-
breuses conditions, hétérogènes et versatiles, qui définissent typiquement un emploi du temps
valide. La contrainte globale regular [1] permet dans ce contexte de spécifier sous la forme
d’un automate fini déterministe, les séquences d’activités qui correspondent à un horaire réali-
sable, et de forcer cette condition de réalisabilité par filtrage des séquences non-reconnues par
l’automate. La variante cost-regular [2] prend en compte des coûts d’affection des activités.
Traiter les coûts au sein de la contrainte-automate améliore considérablement la profondeur
du filtrage sans augmenter la complexité temporelle – cubique en la taille de la séquence – de
l’algorithme.
L’algorithme de filtrage de cost-regular repose sur la recherche dans le graphe acyclique
obtenu par le déploiement de l’automate des plus courts (resp. longs) chemins. Les informa-
tions fournies permettent non seulement de déterminer le coût minimal (resp. maximal) de
l’affectation d’une séquence d’activités réalisable, mais aussi de retirer les affectations qui
mèneraient à un coût supérieur (resp. inférieur) aux bornes fournies.
Si l’utilisation de cost-regular permet une modélisation encore plus fonctionnelle que
celle proposée par regular, il est possible de pointer quelques lacunes pour la modélisation
de planifications d’horaires. En effet, il est quasiment obligatoire lorsque l’on souhaite par
exemple borner le temps passé sur chacune des activités d’utiliser de manière transversale
des contraintes de cardinalité. L’utilisation de cette contrainte transversale n’exploite pas la
structure du graphe déduit de l’automate. On peut aisément penser que gérer simultanément
tous les coûts au sein de l’automate permet d’extraire plus d’informations pour réduire l’espace
de recherche, mais aussi d’éviter de lourds échanges d’informations entre deux contraintes
structurellement orthogonales.
Afin de répondre à ces problématiques, nous proposons de définir une nouvelle contrainte
multi-cost-regular qui étant donnés : Π = (S, Σ, δ, s, A) un automate fini déterministe
(DFA) ; X = (x1 , x2 , ..., xn ) une suite de variables de domaines finis D = (dom(x1 ), ..., dom(xn )) ;
Z = (z 0 , ..., z r ) un ensemble de variables de domaines bornés et C une matrice de coûts telle
que ∀i ∈ [[1, n]], ∀j ∈ dom(xi ) , cij est le vecteur de coût de dimension r correspondant à
l’affectation de j à xi , assure
n
%
X ∈ L(Π) et, ∀k ∈ [[0, r]], ckixi = z k
i=1

La puissance de modélisation d’une telle contrainte n’est pas gratuite car le problème sous-
jacent à cette contrainte, un plus court chemin sous contraintes de ressources RCSPP, est
44 Julien Menana, Sophie Demassey and Narendra Jussien

NP-complet [3]. Il est donc nécessaire de bien calibrer l’effort fourni lors de la résolution afin
de trouver le bon compromis entre coût et efficacité.
Le problème de plus court chemin sous contraintes de ressources RCSPP est le problème de
trouver le plus court chemin dans un graphe orienté et valué G = (V, E, c) entre une source
s et un puits t de manière à ce que la quantité totale de ressources consommées sur chaque
arc ne dépasse pas une limite donnée.
Afin de résoudre ce type de problème, deux grandes classes de solutions existent : les
algorithmes d’étiquetage de graphes et les algorithmes fondés sur une relaxation lagrangienne
des contraintes de ressources. [3]. Pour des raisons de mémoire, nous nous sommes tournés
vers la seconde classe d’algorithmes où le problème est relâché en intégrant les contraintes de
ressources au sein de la fonction objectif. L’intégration d’une relaxation lagrangienne au sein
d’un algorithme de filtrage a été introduite par Sellmann [4], suivant le principe établi par
Foccaci, Lodi et Milano [5] de filtrage des variables de décision à partir d’un calcul de coût. Le
point important est le théorème qui dit qu’une valeur n’appartenant pas à une solution dans
un sous problème lagrangien ne peut appartenir à une solution dans le problème principal.
Nous avons étendu ce théorème au niveau de la structure même du graphe, montrant qu’un
arc ne pouvant appartenir à une solution d’un sous problème, n’appartiendra pas à un chemin
solution du RCSPP.
La relaxation lagrangienne associée consiste à résoudre une série de sous problèmes lagran-
giens qui prennent la forme de simples plus courts chemins. Chacun de ses sous-problèmes
permet de retirer des valeurs qui n’appartiennent à aucune solution. La suite de ses plus courts
chemins, converge vers une borne inférieure du RCSPP. De manière similaire à la contrainte
cost-regular, le calcul de la borne supérieure permet également, à travers une suite de plus
longs chemins, de réduire la taille des domaines. Selon les sous-problèmes que l’on résout, leur
nombre et la qualité des bornes que l’on calcule, il est possible d’augmenter la puissance du
filtrage ou de limiter le nombre de calculs effectués.
La contrainte multi-cost-regular permet donc de mutualiser les contraintes de séquen-
cement et de cardinalité dans de nombreux problèmes de planifications d’horaires. En outre,
l’existence dans le catalogue de contraintes globales [6] de contraintes modélisables par un
automate à tableau de compteurs permet également d’imaginer dériver automatiquement les
algorithmes de filtrage de ces contraintes à partir de leur représentation.

Références
1. G. Pesant, “A regular language membership constraint for finite sequences of variables,” in CP,
pp. 482–495, 2004.
2. S. Demassey, G. Pesant, and L.-M. Rousseau, “A cost-regular based hybrid column generation
approach,” Constraints, vol. 11, no. 4, pp. 315–333, 2006.
3. G. Handler and I. Zang, “A Dual Algorithm for the Restricted Shortest Path Problem,” Networks,
vol. 10, pp. 293–310, 1980.
4. M. Sellmann, “Theoretical foundations of cp-based lagrangian relaxation,” Principles and Practice
of Constraint Programming –CP 2004, pp. 634–647, 2004.
5. F. Focacci, A. Lodi, and M. Milano, “Cost-based domain filtering,” Principles and Practice of
Constraint Programming –CP’99, pp. 189–203, 1999.
6. N. Beldiceanu, M. Carlsson, and J. Rampon, “Global Constraint Catalog,” tech. rep., EMN, 2008.
 Satisfaction de contraintes pondérées et séparation de
contraintes de capacités pour le problème CVRP

M. Hifi, M.O.I. Khemmoudj, S. Negre

Université de Picardie Jules Verne, Amiens

UFR des Sciences, Laboratoire MIS, Axe Optimisation Discrète et réoptimisation
33, rue Saint Leu 80039 Amiens
e-mails : {hifi, idir.Khemmoudj, stephane.negre}@u-picardie.fr

1 Introduction

Un modèle couramment utilisé pour le problème de tournées de véhicules contraint, noté

CVRP [1,5], est la formulation à deux indices. Dans ce modËle, une variable zij est associée à
chaque arête (i, j). Elle reprÈsente le nombre de fois que cette arête est empruntée. Le modèle
est le suivant : %
min dij zij (1)
(i,j)∈E

s.c.

z(δ(i)) = 2 1 ≤ i ≤ n (2)

z(δ(0)) = 2K (3)
z(δ(S)) ≥ 2r(S) ∀S ⊆ Vc (4)
zij ∈ {0, 1} 1 ≤ i < j ≤ n (5)
z0i ∈ {0, 1, 2} 1 ≤ i ≤ n (6)
où di est le le coût de l’emprunt de l’arête (i, j), le sommet 0 représente le dépôt contenant
k véhicules de capacité homogène Q, Vc = {1, ..., n} est l’ensemble des clients auxquels une
quantité qi doit Ítre acheminée. Pour chaque ensemble S ⊆ Vc , δ(Vc ) dénote l’ensemble des
arêtes qui ont exactement une extrémité dans S (l’autre est dans V \ S). La notation δ({i})
est remplacée par δ(i). Pour un sous-ensemble F ⊆ E, la notation z(F ) désigne la quantité
&
(i,j)∈F zij . Pour S ⊆ Vc , r(S) est le nombre minimum de véhicules nécessaires pour desservir
les clients dans S. Ce dernier est un problème NP-difficile puisque cela revient à résoudre un
problème de placement (“Bin Packing"). Les contraintes de type (4) expriment des restrictions
relatives aux capacités des véhicules et au fait que chaque route doit contenir le dépôt. Le
principal inconvénient de cette formulation est que le nombre de ces contraintes varie de ma-
nière exponentielle en fonction de n, le nombre de clients. Cependant, en adoptant un principe
de résolution du type branch-and-cut, un nombre restreint d’inégalités valides peuvent suffire
pour exprimer ou bien approcher l’enveloppe convexe de ce problème. Une inégalité valide
est une inégalité que doit satisfaire toute solution du CVRP. Dans la littérature, différentes
classes de ces inégalités ont été proposées et un grand nombre de travaux ont porté sur la
46 M. Hifi, M.O.I. Khemmoudj, S. Negre

classe des inégalités de capacité arrondie (RCI pour Rounded Capacity Inequalities). Pour un
S ⊆ Vc donné, l’inégalité RCI associée s’écrit comme suit :

z(δ(S)) ≥ 2⌈q(S)⌉ (7)

1 &
où q(S) = Q qi . Dans cet exposé, nous proposons un modèle de génération de certaines in-
i∈S
égalités valides. Ce travail est basé sur la formulation des inégalités de type (7) sous forme d’un
WCSP (Weighted Constraint Satisfaction Problem) pour lequel est associé un programme li-
néaire.
Le problème de tournées de véhicules contraint, noté CVRP [1,5], est un problème de
l’optimisation combinatoire. Une instance du CVRP peut être définie par un graphe complet
G = (V, E), où V = {i | 0 ≤ i ≤ n} est un ensemble de sommets et E = {(i, j) | 0 ≤ i < j ≤ n}
un ensemble d’arêtes. Dans ce cas, le sommet 0 représente un dépôt contenant K véhicules
de capacité homogène Q. Par ailleurs, chaque sommet i 9= 0 représente un client pour lequel
une quantité qi d’un produit donné doit être acheminée par exactement un des véhicules.
Il s’agit de déterminer pour chaque véhicule un itinéraire (route admissible) pour partir du
dépôt, servir un sous-ensemble de clients, puis revenir au dépôt. La somme des demandes
de l’ensemble des clients visités, par un même véhicule, est bornée par la capacité Q (du
véhicule). De plus, à chaque arÍte (i, j) ∈ E est associé un coût dij qui correspond ‡ un co˚t
à payer si cette arÍte (i, j) est empruntée. Le but du probème est donc de trouver les K routes
admissibles réalisant le moindre coût.
D’une façon formelle, étant donnée la variable zij associée à chaque arÍte (i, j) représentant
le nombre de fois que cette arÍte est utilisée, alors le problème peut être écrit sous sa forme
habituelle suivante (appelée formulation à deux indices) :
%
min dij zij (8)
(i,j)∈E

s.c.

z(δ(i)) = 2 1 ≤ i ≤ n (9)

z(δ(0)) = 2K (10)
z(δ(S)) ≥ 2r(S) ∀S ⊆ Vc (11)
zij ∈ {0, 1} 1 ≤ i < j ≤ n (12)
z0i ∈ {0, 1, 2} 1 ≤ i ≤ n (13)
où Vc = V \ {0}. Pour chaque ensemble S ⊆ Vc , δ(Vc ) dénote l’ensemble des arêtes qui ont
exactement une extrémité dans S (l’autre est dans V \S). La notation δ({i})&est remplacée par
δ(i). Pour un sous-ensemble F ⊆ E, la notation z(F ) désigne la quantité (i,j)∈F zij . Pour
S ⊆ Vc , r(S) est le nombre minimum de véhicules nécessaires pour desservir les clients dans
S. Le calcul de r(S) est un problème NP-difficile puisque celà revient à résoudre un problème
de placement (“Bin Packing"). Les contraintes de type (4) expriment des restrictions relatives
aux capacités des véhicules et au fait que chaque route doit contenir le dépôt. Le nombre de
ces contraintes varie de manière exponentielle en fonction de n, le nombre de clients. Cela
 Title Suppressed Due to Excessive Length 47

constitue le principal inconvénient de cette formulation. Cependant, en adoptant le principe

de résolution du type branch-and-cut, un nombre restreint d’inégalités valides peuvent suffire
pour exprimer ou bien approcher l’enveloppe convexe de ce problème. Une inégalité valide est
une inégalité que doit satisfaire toute solution du CVRP. Dans la literature, différentes classes
de ces inégalités ont été proposées et un grand nombre de travaux ont porté sur la classe des
inégalités de capacité arrondie (RCI pour Rounded Capacity Inequalities). Pour un&S ⊆ Vc
1
donné, l’inégalité RCI associée s’écrit comme suit : z(δ(S)) ≥ 2⌈q(S)⌉ où q(S) = Q qi .
i∈S
Dans cet exposé, nous proposons un modèle de génération de certaines inégalités valides.
Ce travail est principalement basé sur la formulation des inégalités RCI sous forme d’un
WCSP (Weighted Constraint Satisfaction Problem) pour lequel est associé un programme
linéaire.

2 Problème de séparation des inégalités de capacité arrondie sous

forme d’un WCSP
)
Il existe une inÈgalitÈ RCI violÈe par une solution z si le problème P : min z(δ(S)) −
S⊆Vc
*
2⌈q(S)⌉ est de valeur négative. La quantité z(δ(S))−2⌈q(S)⌉ peut se réécrire sous forme d’une
somme de deux parties : [z(δ(S)) − 2q(S)] + [2q(S) − 2⌈q(S)⌉] . Nous formulons la première
partie sous forme d’un WCSP binaire (c.f. [2] pour plus de détails sur la description du
WCSP et les méthodes de résolution utilisées) : pour chaque i ∈ Vc est associée une variable
xi ∈ {0, 1} et une contrainte unaire pondérée ci représantant une fonction coût, où ci (0) = 0
et ci (1) = z0i − 2qi /Q. Nous introduisons également pour chaque (i, j) ∈ E : zij 9= 0 une
contrainte binaire pondérée cij avec cij (0, 0) = cij (1, 1) = 0 et cij (0, 1) = cij (1, 0) = zij . La
deuxième partie peut être considérée comme une contrainte pondérée qui associe le coût −2η1
à chaque S ⊆ Vc avec 0 ≤ η1 = ⌈q(S)⌉ − q(S) ≤ 1 − 1/Q. En exploitant la formulation PLNE
proposée dans [3] pour les WCSP binaires, nous proposons un PLNE pour le WCSP associé
à P. Cette formulation peut s’écrire comme suit :
&
n
min (z0i − 2qi /Q)xi (1)
i=1 &
+ zij (xij (0, 1) + xij (1, 0)) − 2η1
cij ∈C
s.c.
xi (k) = xij (k, 0) + xij (k, 1) ∀(i, j, k) : zij 9= 0, k ∈ {0, 1} (i)
xj (l) = xij (0, l) + xij (1, l) ∀(i, j, l) : zij 9= 0, l ∈ {0, 1} (ii)
xi (0) + xi (1) = 1 ∀i : 1 ≤ i ≤ n (iii)
1 &
n
Q qi xi (1) + η1 = η2 (iv)
i=1
0 ≤ η1 ≤ Q−1Q (v)
xi (k) ∈ {0, 1}, ∀(i, k) : 1 ≤ i ≤ n, k ∈ {0, 1}(vi)
η2 ∈ N (vii)

Dans ce modèle, une variable xi (1) prend la valeur 1 si et seulement si xi prend la valeur
1 (si i ∈ S). Sinon (i ∈
/ S), c’est la variable xi (0) qui prend la valeur 1 (contraintes (iii)
et (vi)). Pour toute arête (i, j) ∈ E, zij 9= 0, et toute paire (k, l) ∈ {0, 1}2, ce modèle
48 M. Hifi, M.O.I. Khemmoudj, S. Negre

introduit la variable xij (k, l) contrainte à prendre la valeur 1 lorsque xi (k) et xj (l) prennent
toutes les deux la valeur 1, 0 sinon (contraintes (i) et (ii)). Ce modèle introduit également
les variables η1 et η2 pour représenter les quantités ⌈q(S)⌉ − q(S) et ⌈q(S)⌉ respectivement
(contraintes (iv), (v) et (vii)). On peut facilement vérifier qu’à tout S ⊆ Vc , ce modèle
fait correspondre une solution de coût z(δ(S)) − 2⌈q(S)⌉. Sa résolution permet de séparer
de manière exacte les inégalités RCI. Nos expérimentations ont montré que cette méthode
permet d’améliorer les bornes inférieures calculées grace à la séparation par des heuristiques,
proposées par Lysgaard et al. [4].
Ce travail ouvre la voie à l’exploitation des techniques de la programmation par contraintes
(PPC) pour la génération d’inégalités valides. Dans le futur, nous comptons exploiter des mé-
thodes exactes et approchées de la PPC pour résoudre le WCSP proposé dans ce travail
pour la séparation des inégalités RCI. Nous comptons également étendre ce travail à d’autres
classes d’inégalités valides et au cas des CVRP avec contraintes sur les chargements et dé-
chargements.

Références
1. Dantzing, G.B., Ramser, R.H. : The truck dispatching problem. Management Science, 6 (1959)
80-91.
2. Khemmoudj, M.O.I. : Modélisation et résolution de systèmes de contraintes : Application au pro-
blème de placement des arrêts et de la production des réacteurs nucléaires d’EDF, Université Paris
13, Institut Galilée, Laboratoire d’Informatique Paris Nord (LIPN), 2007.
3. Koster, A. : Frequency Assignment : Models and Algorithms. PhD Thesis. UM (Maastricht, The
Netherlands) (1999).
4. Lysgaard. J., A. N. Letchford., R. W. Eglese. : A New Branch-and-Cut Algorithm for the Capa-
citated Vehicle Routing Problem, Mathematical Programming, 141 (2) (2004) 223-445.
5. Toth. P., Vigo. D. : An overview of vehicle routing problems. In P. Toth, D. Vigo (Eds.). The
Vehicle Routing Problem, SIAM Monographs on Discrete Mathematics and Applications, Phila-
delphia, 1–26.
Recherche locale haute performance pour l’optimisation
de la distribution de gaz industriels par camions-citernes

Thierry Benoist1 , Bertrand Estellon2 , Frédéric Gardi1 , Antoine Jeanjean1

1
Bouygues e-lab, Paris.
{tbenoist,fgardi,ajeanjean}@bouygues.com
2
Laboratoire d’Informatique Fondamentale, Faculté des Sciences de Luminy, Marseille.
bertrand.estellon@lif.univ-mrs.fr

Dans cette note, nous abordons un problème réel d’optimisation de la logistique de distri-
bution de gaz industriels par camions-citernes. Le problème de logistique traité ici généralise
une problématique connue sous son nom anglophone "inventory routing problem", que l’on
pourrait traduire en français par problème d’optimisation de tournées de véhicules avec ges-
tion des stocks (le lecteur est renvoyé à [3] pour un état de l’art sur le sujet). Une différence
majeure avec le “vehicle routing problem” est qu’ici les stocks des clients sont gérés par le
fournisseur.
Nous avons, éparpillés sur une zone géographique, des clients qui consomment du gaz et
des sources qui en produisent. Chaque client est équipé d’un stockage possédant une certaine
capacité ; de même, chaque source (correspondant à une usine) possède un stockage duquel
peut être prélevé le gaz. Les prévisions de production des sources sont connues sur un certain
horizon. Côté client, nous gérons deux types d’approvisionnement. Le premier type, dit “à la
prévision”, correspond aux clients pour lesquels on possède les prévisions de consommation
sur un certain horizon. Les stocks de ces clients doivent être alimentés par camions-citernes
de façon à ne jamais descendre en dessous d’un niveau de sécurité. Le second type, dit "à
la commande", correspond aux clients qui passent des commandes comprenant la quantité
à livrer et la fenêtre de temps dans laquelle la livraison doit être effectuée. Certains clients
peuvent appartenir aux deux types à la fois : leur stock est géré de façon prévisionnelle mais
ils peuvent passer commande lorsqu’ils le souhaitent (pour faire face à une augmentation
imprévue de leur consommation, par exemple). Les contraintes de maintien des niveaux de
stocks et de satisfaction des commandes sont définies comme molles, l’existence d’une solution
n’étant pas assurée.
Les livraisons sont effectuées à l’aide de trois types de ressources : les chauffeurs, les
tracteurs, les remorques. Chaque ressource est attachée à une base. Un véhicule correspond à
l’association d’un chauffeur, d’un tracteur et d’une remorque. Tous les triplets de ressources ne
sont pas admissibles. Chaque ressource possède des fenêtres de disponibilité pendant lesquelles
celle-ci peut être utilisée. Chaque site (source ou client) n’est accessible qu’à un sous-ensemble
des ressources. Ainsi, planifier la tournée d’un véhicule consiste à définir : une base, un triplet
de ressources (chauffeur, tracteur, remorque), et un ensemble d’opérations définies chacune
par un triplet (site, date, quantité) correspondant aux livraisons/chargements effectués sur
la tournée. Une tournée doit donc démarrer depuis une base où toutes les ressources sont
présentes et se clore par un retour à cette même base. Les temps de travail et de conduite
des chauffeurs sont limités ; dès qu’un maximum est atteint, le chauffeur doit prendre une
pause d’une durée minimale. Les sites visités (sources, clients) durant la tournée doivent être
accessibles aux ressources composant le véhicule. L’intervalle de temps pendant lequel est
50 T. Benoist, B. Estellon, F. Gardi, A. Jeanjean

utilisée une ressource doit être contenu dans une fenêtre de disponibilité de celle-ci. La date
de livraison/chargement doit être contenu dans une des fenêtres d’ouverture du site. Enfin,
les équations de dynamique des stocks, qui s’apparentent à des équations de flux, doivent
être respectées à chaque pas de temps, pour chaque stockage (sources et clients) et chaque
remorque ; en particulier, la somme des livraisons (resp. des chargements) effectuées chez un
client (resp. une source) doit être inférieure (resp. supérieure) à la capacité de stockage du
client (resp. à zéro).
La planification des tournées est réalisée jour après jour de façon déterministe sur un hori-
zon glissant de 15 jours. Le premier objectif de la planification est, à long terme, de satisfaire
les contraintes molles évoquées précédemment (maintien des niveaux de sécurité, satisfaction
des commandes). En pratique, les cas où ces contraintes ne peuvent être respectées sont extrê-
mement rares. L’objectif second est donc, à long terme, de minimiser un ratio logistique défini
comme la somme des coûts des tournées (composés de différents coûts d’utilisation des res-
sources affectées à la tournée) divisé par la somme des quantité livrée aux clients. Autrement
dit, ce ratio logistique correspond au coût payé par unité de quantité livrée. Pour donner un
ordre d’idée de l’échelle des instances réelles, une zone géographique peut comporter jusqu’à
500 clients, 5 sources, 5 bases, 50 chauffeurs, 50 tracteurs, 50 remorques. Toutes les dates et
les durées sont exprimées en minutes (au total, l’horizon de planification comporte donc 21600
minutes) ; seule la dynamique des stocks des sources et des clients est réalisée à l’heure (les
prévisions étant données à l’heure près). Le temps d’exécution est limité à 5 minutes (sans
parallélisation) sur des serveurs classiques (CPU 3 GHz, RAM 4 Go, cache L2 4 Mo).
Nous avons conçu une heuristique à base de recherche locale pour résoudre ce problème.
La conception de notre algorithme s’appuie sur les travaux récents de Estellon et al. [1,2].
La stratégie de recherche se limite à une méthode de descente avec choix stochastique des
mouvements, à partir d’une solution initiale obtenue par une heuristique gloutonne. Nous
utilisons un pool d’une cinquantaine de mouvements, que l’on peut regrouper en une dizaine
de types (sur les opérations : insertion, suppression, éjection, déplacement, échange ; sur les
tournées : insertion, suppression, déplacement, échange, décalage). L’évaluation des mouve-
ments est réalisée en deux temps : calcul des dates de livraison/chargement, puis affectation
des quantités. Pour chacun de ces sous-problèmes, des algorithmes en temps et espace linéaire
(non optimaux mais effectifs en pratique) ont été conçus afin que l’évaluation soit la plus ra-
pide possible. En moyenne, notre recherche locale tente 50000 mouvements par seconde, le
taux d’acceptation des mouvements étant de quelques %.
Les tests que nous avons effectués montrent des gains de près de 20% sur des horizons
dépassant la centaine de jours. Ces gains sont obtenus sur des solutions construites manuelle-
ment par des planificateurs experts. Notre logiciel est aujourd’hui exploité par un des leaders
mondiaux des gaz industriels et médicaux pour planifier sa distribution en Amérique du Nord.

Références
1. B. Estellon, F. Gardi, K. Nouioua (2008). Two local search approaches for solving real-life car
sequencing problems. European Journal of Operational Research 191(3), pp. 928–944.
2. B. Estellon, F. Gardi, K. Nouioua (2008). Recherche locale haute performance pour la planification
des interventions à France Télécom. In Actes des JFPC 2008. Nantes, France.
3. M.W.P. Savelsbergh, J.-H. Song (2008). An optimization algorithm for the inventory routing with
continuous moves. Computers and Operations Research 35, pp. 2266–2282.
 Elaboration d’un outil de chargement de camion pour
l’approvisionnement en pièces des usines Renault

Jean-Philippe Brenaut

RENAULT / Pôle d’Expertise d’Optimisation des Flux

13, Avenue Paul Langevin 92359 LE PLESSIS ROBINSON CEDEX
jean-philippe.brenaut@renault.com

1 Description du problème
Afin d’avoir une meilleure maîtrise des approvisionnements en pièces de ses usines, et de
réduire ses coûts logistiques, Renault a été amené à développer un outil de calcul de plans de
chargement de camions.
Pour chaque camion dont on doit calculer le plan de chargement, on connait la liste des pièces
à transporter ainsi que les emballages dans lesquels les pièces doivent être conditionnées. Au
sein d’un camion, il peut y avoir des pièces provenant d’expéditeurs différents et destinées
à des sites de déchargement différents. Les règles métier imposent que les piles d’emballages
soient mono-expéditeur et mono-destinataire, et que les piles soient placées dans le camion
en respectant l’ordre de passage chez les différents expéditeurs, et pour un expéditeur donné
dans l’ordre inverse de passage chez les différents destinataires. Le but est de placer toutes
les piles en minimisant la distance entre l’avant du camion et l’extrémité de la pile la plus
éloignée (on veut "tasser" vers l’avant au maximum). D’un point de vue théorique, il s’agit
d’un problème de type bin-packing 3D, pour lequel diverses méthodes de résolutions ont fait
l’objet de publications [1]. Dans la pratique, les nombreuses contraintes métier à prendre en
compte et difficiles à modéliser nous ont conduits à séparer le problème en deux phases :
la construction des piles, puis le placement de ces piles dans le camion. Seule cette dernière
phase qui garde un caractère algorithmique complexe, de type bin-packing 2D ou placement
de rectangles sur une surface [2], va être décrite.

2 Méthodes de résolution
La première méthode développée est une heuristique, consistant à placer les piles les unes
après les autres, après les avoir classées par groupes expéditeur/destinataire. Pour chaque
pile, les choix possibles sont : le côté de placement (à gauche, à droite ou "au milieu"), et
l’orientation (en long ou en large). Dans cette heuristique simple, l’orientation est décidée a
priori en choisissant la dimension (longueur, largeur) de plus petit modulo par rapport à la
largeur du camion. Le côté de placement est choisi de manière à équilibrer en permanence
les 3 choix possibles (droite, gauche, milieu). Concernant la zone milieu, on placera la pile
courante le plus au fond possible dans l’espace laissé vacant par les piles déjà placées, en la
calant (à gauche ou à droite) contre une de ces piles. La seconde méthode consiste à utiliser
cette heuristique simple en mode "look-ahead" : lors du placement d’une pile, on explore
toutes les combinaisons possibles d’orientation et de placement pour la pile courante et les N
52 Jean-Philippe Brenaut

suivantes. N est appelé profondeur du look-ahead. C’est une recherche arborescente partielle
avec back-track. On choisit pour la pile courante le placement qui donne la meilleure solution
pour l’ensemble des N+1 piles. La qualité de chaque solution est mesurée selon le tassement et
la "compacité" du résultat (c’est-à-dire la meilleure utilisation de la surface occupée, y compris
les petits morceaux de "surface perdue", comme dans un problème de découpe de tissu). La
bonne mise en oeuvre de cet indicateur est déterminante pour la qualité finale de la solution.
Il est toutefois à noter que cette méthode n’étant pas optimale, il n’y a pas de garantie que le
résultat d’un look-ahead de profondeur N soit meilleur que celui d’une profondeur inférieure,
ni que celui de l’heuristique de base, même si cela s’avère souvent vrai. Une grande partie
de la mise au point du look-ahead a été consacrée à l’élimination le plus tôt possible des
branches sous-optimales de l’arbre de recherche, et de manière générale à l’implémentation
informatique. Un facteur 10 en temps de calcul a ainsi pu être gagné entre la version initiale
de l’algorithme et sa version actuelle. De plus, ce travail sur l’implémentation a permis de
passer d’une croissance exponentielle des temps de calcul en fonction du nombre de piles à
une croissance quasi-linéaire. Pour donner un ordre de grandeur, un calcul de chargement
de 5600 camions prend 26 secondes en mode heuristique et 600 secondes en mode look-
ahead de profondeur 5. La figure 1 ci-dessous illustre les différences de choix de placement et
d’orientation entre l’heuristique de base et le look-ahead.

Fig. 1.

3 Méthodes alternatives
Des essais ont été réalisés, en employant une modélisation en PLNE, ainsi qu’une approche
basée sur l’utilisation d’un outil de Programmation Par Contraintes (PPC). La piste de la
PLNE s’est avérée très décevante (au-delà de 6 ou 7 piles les temps de calcul sont prohibitifs).
La piste de la PPC a donné des résultats nettement meilleurs qu’avec la PLNE, mais moins
bons que l’heuristique, pour des temps de traitement plus longs, et moyennant la mise en
oeuvre de stratégies de branchement assez complexes.

Références
1. Boschetti M. : New lower bounds for the three dimensional finite bin-packing problem.
Computers & Operations Research 2003.
2. El Hayek J.,Moukrim A.,Nègre S. : New resolution algorithm and pretreatments for the two-
dimensional bin-packing problem. Computers & Operations Research 2008
 Optimisation du réseau d’acheminement du courrier

A. JARDIN1,2 , E. PINSON2 , and B. LEMARIE1

1
La Poste - Direction Technique du Courier,
10 rue de l’île mabon, BP 86 334, 44 263 Nantes CEDEX 2, France.
aurelie.jardin@laposte.fr, bernard.lemarie@laposte.fr
2
Institut de Mathématiques Appliquées - LISA,
44 rue Rabelais, BP 10 808, 49 008 Angers CEDEX 1, France.
eric.pinson@uco.fr
Mots-Clefs : Dimensionnement de réseau de transport, Multiflots à fortes contraintes couplantes,
Planification de véhicules, Génération de coupes valides.

1 Introduction
Cette étude porte sur l’optimisation du réseau de transport postal national. Le problème
d’acheminement du courrier consiste d’une part à concevoir et dimensionner le réseau entre les
sites logistiques, en proposant un plan de transport intermodal et d’autre part à router les flux
courrier sur ce réseau. L’intégration des capacités de transport et de traitement des flux sur les
sites où ils transbordent avec les délais d’acheminement tendus induisent une synchronisation
complexe des moyens de transport. L’objectif est double : réduire les coûts inhérents au
transport tout en améliorant la qualité de service en terme de délais de distribution.

2 Présentation du modèle
Le réseau national postal est composé de centres de traitements, appelés Plates-formes
Industrielles du Courrier et de hubs. A partir de ces PIC, des flux courriers sont acheminés
vers des PIC destination où ils subissent un tri pour être distribués à leur destinataire. Pour
massifier les flux sur le réseau, des hubs ont été positionnés dans une étude stratégique préa-
lable. Les flux transitent (ou non) par un ou plusieurs hubs. L’ensemble des sites composant
ce réseau est noté S et partitionné en PIC (PC) et hubs (PF) : S = PC ∪ PF.
Deux types de flux sont considérés : des flux Urgents qui doivent être livrés en J+1 et des flux
Non Urgents. Pour l’acheminement, l’horizon temporel θ retenu part de 13h00 le jour J et se
termine à 17h le lendemain. Le pas de temps est le 1/4 heure : θ est discrétisé en périodes.
Les flux sont banalisés sous la notion de produits. Un produit est caractérisé par un 6-uplet
[s(p), t(p), qt(p), es(p), lc(p), u(p)], s(p) désignant sa PIC origine, t(p) sa PIC destination,
qt(p) la quantité de courrier, es(p) la date de disponibilité au plus tùt sur sa PIC origine,
lc(p) la date au plus tard de fin de traitement sur la PIC destination et u(p) son urgence.
A noter, toutes les données temporelles sont retranscrites en périodes et toutes les quantités
transitant sur le réseau sont exprimées en CE30, unité de conditionnement du courrier.
La flotte de véhicules considérée VR est hétérogène et illimitée. Chaque moyen v ∈ VR est
caractérisé par les attributs [cp(v), cf (v), pf (v)], où cp(v) désigne la capacité du véhicule,
cf (v) son coût fixe kilométrique et pf (v) son profil vitesse.
Nous considérons en outre des traitements des flux sur les sites logistiques : un tri concernant
54 A. JARDIN, E. PINSON, B. LEMARIE

tous les flux arrivant sur leur PIC destination et un traitement de "cross dock" pour les pro-
duits transitant par hub. Pour chaque période t de l’horizon, une capacité de traitement ηst
est spécifiée pour chaque site s ∈ S .

3 Formalisation et technique de résolution

Pour chaque produit, nous définissons un unique routage primaire, correspondant à une
séquence ordonnée de sites allant de sa PIC origine à sa PIC destination via un transit éven-
tuel par un ou plsuieurs hubs. On distingue deux types de routages primaires : les routages
"1-hub" et "2-hubs" transitant respectivement par un ou deux hub(s) (limitations opération-
nelles). Quant aux routages reliant directement deux PIC origine et destination, ils ne sont
pas traités car ils ne posent aucune difficulté majeure de synchronisation des moyens de trans-
port.
Nous introduisons une formalisation originale reposant sur les notions de segments et d’opéra-
tions de transport. Un segment transport ξ ∈ ST correspond à une séquence ordonnée de PIC
à visiter aboutissant à un hub (segment collecte type PC − PF) ou partant d’un hub (segment
dispersion de type PF − PC) ou une liaison inter-hubs (type PF − PF). Une Opération de
Transport ω ∈ Ω correspond au "calage" temporel d’un moyen de transport de type tp(ω) sur
un segment transport référent ξ(ω). Une Opération de Transport est, de plus, caractérisée
par st(ω) et ct(ω) ses dates de départ du site origine et d’arrivée au site destination de ξ(ω).
Pour résoudre ce problème, nous développons une stratégie globale de résolution faisant in-
teragir trois modules de décision. Le 1er palier permet de déterminer les routages primaires
des produits ; on en déduit une base de segments transport permettant de construire une base
d’Opérations de Transports admissibles au regard des contraintes temporelles. Cette base
d’OT Ω est soumise en input au 2ème niveau dans lequel une sélection d’OT est réalisée par
un Programme Maître [P M ]. Cette sélection Ω est transmise à son tour à un 3ème module où
un Programme Satellite [P S] construit une base de routages admissibles (synchronisation des
moyens de transport) sur laquelle il tente une affectation des produits intégrant un contrôle
de traitement des produits sur les sites du réseau. Ce dernier module interagit avec l’étage
maître supérieur au travers de coupes valides. De même, une révision des routages primaires
permettrait d’exécuter la rétroaction avec le premier niveau du processus. Dans cette étude
nous nous focalisons sur l’interaction des modules de planification et d’affectation des pro-
duits (paliers 2 et 3).
En considérant la base de segments transport issus du 1er module du processus de décision,
il est possible de partitionner les PIC origine (resp. destination) en groupes (composantes
connexes) relativement à une relation d’équivalence spécifique. Chaque composante connexe
définit un sous-réseau collecte (resp. dispersion). Les sous-réseaux inter-hubs s’obtiennent,
quant à eux, en considérant toutes les paires de hubs interconnectés dans le réseau physique.
Ces sous-réseaux spatiaux bien qu’interconnectés au travers des contraintes de traitement sur
les hubs, vont faire l’objet d’une résolution en deux niveaux, tels que décrits ci-dessus.
Nous avons développé une méthode de résolution globale (sous-optimale) de générations de
coupes. Cette méthode réalise, dans une 1ère phase, la décomposition spatiale et résout les
sous-problèmes en collecte, puis en dispersion en suivant le processus de résolution en deux
niveaux. La base d’OT activées est injectée dans le réseau global intégrant aussi les liaisons
 Optimisation du réseau d’acheminement du courrier 55

inter-hubs. Le processus de générations de coupes est à nouveau appliqué pour obtenir un

plan de transport et l’acheminement de tous les flux sur le réseau étendu.

4 Expérimentations numériques
Après diverses tentatives de résolution avec différentes méthodes, cette approche est la
première qui nous permet de résoudre le problème d’acheminement du courrier sur le réseau
cible à dimension réelle. Le dimensionnement du problème est important car atteint près de
70 sites logistiques (PIC et hubs confondus) sur lequel quelques 5 000 produits circulent. Ces
résultats expérimentaux s’avèrent très probants et nous encouragent à intégrer davantage de
spécificités opérationnelles liées à la production particulière des flux postaux.

Références
1. C. Barnhart, S. Shen, "Logistics Service Network Design for Time-Critical Delivery", PA-
TAT’04 Proceedings of the 5þ International Conference on the Practise and Theory of Automated
Timetabling. (2004)
2. V. Gabrel, A. Knippel, M. Minoux, "A comparison of heuristics for the discrete cost multi-
commodity network optimization problem", (2002)
3. T. Gr¸nert, H.J. Sebastian and M. Tharigen, "The design of a Letter-Mail Transportation
Network by Intelligent Techniques", In R. Sprague, editor, Proceedings of the Hawaii International
Conference on System Sciences 32. (1999)
 Aide à l’élaboration de la carte militaire.
La recherche adaptative pour une optimisation
multicritères.

Commandant S. Sécherre

Centre de Doctrine d’Emploi des Forces. Division Simulation et Recherche Opérationnelle.

sylvain.secherre@cdef.terre.defense.gouv.fr

1 Introduction

Afin d’élaborer la nouvelle carte militaire, l’état-major de l’armée de terre (EMAT) a cher-
ché à optimiser le positionnement des formations1 de l’armée de Terre (AT) au sein de bases
de défenses2 (BDD). La définition des objectifs et la récolte des données par le bureau station-
nement infrastructure de l’EMAT a permis la mise en œuvre d’un algorithme de recherche
locale [1] après son adaptation aux besoins du problème.

2 La nouvelle carte militaire

Le problème :
Il s’agit de positionner au mieux 200 formations de l’armée de Terre dans 80 BDD (ordres de
grandeur). Sept objectifs ont été retenus :
1. positionner les organismes dans les meilleures BDD selon 31 critères,
2. accroître la stabilité des militaires au sein des BDD,
3. maximiser les possibilités de changer de spécialité au sein de chaque BDD,
4. privilégier les BDD situées dans les zones à forte densité de population,
5. minimiser les coûts (constructions, aménagements, acquisitions foncières, immobilières),
6. limiter le nombre de déplacements des formations,
7. limiter la dispersion géographique des formations de chaque brigade.
Si le premier objectif concentre les formations dans la BDD la mieux notée, le quatrième tend
à les répartir dans toute la France. Les objectifs deux et trois déterminent les regroupements
de formations au sein de chaque BDD. Les autres objectifs peuvent être considérés comme
des contraintes "molles".
Les contraintes :
Le déplacement d’une formation dans une BDD peut être imposé. Une BDD peut être fermée
et ne comptera plus de formation à l’issue du calcul. Enfin certaines formations ont des besoins
1
Ensemble des unités de l’armée de Terre : les régiments, les états-majors, les écoles, etc.
2
Aire géographique de 30km environ autour d’un site pouvant accueillir plusieurs formations de la
Défense.
 Aide à l’élaboration de la carte militaire 57

spécifiques. par exemple une unité "montagne" ne pourra être affectée que dans un nombre
restreint de BDD.
Les données :
Le premier objectif tient compte de la somme pondérée de l’évaluation d’une trentaine de
critères, ce qui fournit une note pour chaque BDD et pour chaque type de formation. Les
objectifs deux et trois utilisent une base de données fournissant les effectifs de l’AT par for-
mation et par domaine de spécialité. Les objectifs quatre et cinq ont besoins d’informations
statistiques civiles ou militaires, ainsi que de données issues d’une seconde base de l’EMAT.
Enfin le septième objectif ne tient compte que de l’organisation hiérarchique de l’AT et de la
distance entre les BDD.

3 Résolution
L’algorithme "recherche adaptative" [1] :
L’algorithme "recherche adaptative" est une recherche locale taboue mise au point par l’IN-
RIA. Le voisinage permute les valeurs de deux variables. Le choix de ces variables est réalisé
en deux étapes :
1. Sélection de la variable primaire satisfaisant le moins les contraintes du problème.
2. Sélection de la variable secondaire pour laquelle la permutation apporte le meilleur gain
pour la fonction objectif.
La détermination de la variable primaire nécessite la définition d’une fonction d’erreur
pour chaque contrainte. Une combinaison linéaire des valeurs de ces fonctions donne le niveau
d’insatisfaction de chaque variable. La fonction objectif peut alors être la somme des niveaux
d’insatisfaction des variables, ce qui est le cas de l’étude présentée ici.
L’initialisation de l’algorithme affecte à chaque variable une valeur unique. Si la première
initialisation peut correspondre à l’état initial du système à optimiser, la diversification est
assurée par un mécanisme de restart qui affecte aléatoirement les valeurs aux variables.
Adaptation de l’algorithme :
Pour le problème étudié, chaque BDD peut recevoir plusieurs formations. Certaines variables
de décision peuvent donc avoir les mêmes valeurs. Inversement, certaines valeurs ne sont ne
pas attribuées aux variables si les BDD correspondantes sont désertées. Il a donc fallu adapter
l’algorithme pour traiter ce problème particulier. On ne cherche plus seulement la meilleure
permutation mais également le meilleur changement de valeur possible pour la variable pri-
maire.
Du fait de l’optimisation multicritères, une dernière adaptation consiste à ne plus faire cor-
respondre les fonctions d’erreur aux contraintes du problème mais aux objectifs à atteindre.
L’optimisation multicritères :
La fonction objectif du problème est une combinaison linéaire des sept fonctions d’erreur. Les
coefficients fixent l’importance relative des critères. Les fonctions d’erreur ont été normalisées
pour que leurs images soient identiques, afin que leurs influences soient similaires. Toutefois
l’étude montre que si elles sont monotones elles ne sont pas linéaires. De fait, une fonction
d’erreur normalisée n’a pas la même influence qu’une autre à coefficient égal. Un jeu de
coefficients offrant un bon équilibre des critères a donc été déterminé par un plan d’expérience
puis fourni au bénéficiaire de l’étude.
58 CDT S. Sécherre

4 Résultats

L’outil développé fournit quatre solutions en moins de vingt secondes avec un processeur
Intel T7250 à 2 GHz, toutes les variables étant taboues à la fin de chaque restart. Aucune
étude comparative avec un autre algorithme n’a été faite en raison des délais de l’étude.
Les gains les plus significatifs sont obtenus en initialisant la variable de décision avec la carte
militaire actuelle, dont la cohérence est ainsi soulignée. Cette propriété semble indiquer qu’elle
tient déjà compte des objectifs établis.

5 Conclusion

Cette étude a conduit à la réalisation d’un outil permettant le lancement de l’optimisa-

tion, la visualisation et l’analyse des résultats. Il facilite la simulation et l’étude de plans de
stationnement, ce qui en fait un outil d’aide à la décision intéressant.
Par ailleurs l’approche méthodologique "recherche opérationnelle" a aidé le bénéficiaire dans
son analyse de la problématique générale.

Références
1. P. Codognet and D. Diaz : Yet another local search method for constraint solving. In AAAI Fall
Symposium on Using Uncertainty within Computation, Cape Cod. (2001)
Optimisation de l’utilité espérée dépendant du rang dans
les diagrammes d’influence

G. Jeantet and O. Spanjaard

LIP6, 104, avenue du président Kennedy, 75016 Paris France.

{gildas.jeantet, olivier.spanjaard}@lip6.fr

On appelle décision dans l’incertain les situations de choix où les conséquences des actions
d’un agent ne sont pas connues avec certitude. Lorsque cette incertitude est probabilisée, au-
trement dit lorsque le résultat obtenu ne dépend que de la réalisation d’événements dont on
connaît les probabilités, on parle alors de décision dans le risque [2]. De nombreux modèles
de décision dans le risque existent dans la littérature. Le plus connu et le plus utilisé est le
modèle de l’espérance d’utilité (EU), pour sa simplicité et son attrait sur le plan normatif
[8]. Néanmoins, la mise en cause de la capacité du modèle EU à modéliser certains com-
portements rationnels (paradoxe d’Allais, paradoxe d’Ellsberg...) a conduit à l’émergence de
modèles non-linéaires plus sophistiqués. A ce titre, nous nous intéressons ici plus particulière-
ment au modèle de l’utilité espérée dépendant du rang (RDU) qui étend le pouvoir descriptif
du modèle EU grâce à une modélisation plus fine de l’attitude du décideur vis-à-vis du risque
[5]. Néanmoins la difficulté de mise en œuvre opérationnelle du modèle RDU ea freiné son
utilisation jusqu’à aujourd’hui.

En effet, dans la pratique, il est fréquent de rencontrer des problèmes de décision séquen-
tielle dans le risque, c’est-à-dire des problèmes où l’on ne suit pas une unique décision, mais
une stratégie (i.e. une séquence de décisions conditionnellement à des événements incertains)
conduisant à une conséquence finale incertaine. De tels problèmes peuvent se représenter à
l’aide de plusieurs outils formels, parmi lesquels on peut mentionner en particulier les arbres
de décision-hasard [6], les diagrammes d’influence [7] et les processus décisionnels markoviens
[1]. Dans un tel contexte, il est important de noter que l’ensemble des stratégies potentielles
est combinatoire. La recherche d’une stratégie optimale pour une représentation et un critère
de décision donnés est alors un problème algorithmique en soi. La non-linéarité du critère
RDU induit de nouvelles difficultés algorithmiques, qui ne se posaient pas avec le critère EU.
Ceci fait précisément l’objet de notre travail.

Nous nous intéressons ici à l’optimisation de RDU dans le cadre des diagrammes d’in-
fluence. Les diagrammes d’influence sont des modèles graphiques qui permettent une repré-
sentation particulièrement compacte des problèmes de décision séquentielle dans l’incertain,
en exploitant les dépendances probabilistes du problème pour factoriser certaines données.
La détermination d’une stratégie EU-optimale dans un diagramme d’influence est déjà un
problème NP-difficile. Néanmoins des algorithmes performants utilisant des techniques im-
portées des réseaux bayésiens existent pour le résoudre [4]. Ces algorithmes ne s’étendent pas
pour l’optimisation du critère RDU. De plus, une difficulté supplémentaire survient lorsqu’on
utilise ce dernier critère : contrairement à une stratégie EU-optimale, une stratégie RDU-
optimale n’est pas nécessairement conséquentialiste. Nous appelons ici conséquentialiste une
stratégie où chaque décision prise ne dépend que du futur et non du passé. Autrement dit,
60 G. Jeantet, O. Spanjaard

face à deux situations identiques, et quels que soient les événements antérieurs, une stratégie
conséquentialiste conduira à prendre les mÍmes décisions. Dans les diagrammes d’influence,
cette propriété est cruciale car la description de telles stratégies reste alors linéaire dans la
taille du diagramme, ce qui n’est plus le cas pour les stratégies non-conséquentialistes. La
description d’une stratégie RDU-optimale peut ainsi nécessiter un espace mémoire exponen-
tiel dans la taille de l’instance, ce qui rend la t‚che d’optimisation singulièrement ardue. Cela
nous a conduit à envisager deux approches pour l’utilisation de RDU dans les diagrammes
d’influence :

– Recherche d’une stratégie RDU-optimale parmi l’ensemble des stratégies potentielles.

Nous procédons pour cela en deux phases : 1) générer un arbre de décision-hasard équi-
valent au diagramme d’influence, puis 2) effectuer les calculs directement dans l’arbre
de décision-hasard ainsi construit, à l’aide d’un algorithme dédié à l’optimisation de
RDU dans les arbres de décision-hasard [3].
– Recherche d’une stratégie RDU-optimale parmi l’ensemble des stratégies conséquentia-
listes. Pour ce faire, nous proposons un algorithme par séparation et évaluation dont les
calculs s’effectuent dans un arbre de jonction déduit du diagramme d’influence.

Ces deux méthodes ont été implantées et testées numériquement. Nous présenterons les
résultats numériques obtenus, en mettant en avant la qualité des stratégies retournées par la
seconde méthode au regard de leur valeur RDU comparativement à la valeur RDU-optimale
(valeur de la stratégie retournée par la première méthode).

Références
1. Dean, T. and al. : Planning with deadlines in stochastic domains. In Proc. of the 11th AAAI,
574-579 (1993)
2. Gayant, J-P. : Risque et décision. Vuilbert (2001)
3. Jeantet, G. and Spanjaard, O. : Rank-Dependent Probability Weighting in Sequential Decision
Problems under Uncertainty. ICAPS 2008 :148-155
4. Jensen, F. V. and al. : From Influence Diagrams to junction Trees. UAI 1994 :367-373 (1994)
5. Quiggin, J. : Generalized Expected Utility Theory : The Rank-Dependent Model. Kluwer (1993)
6. Raiffa, H. : Decision Analysis : Introductory Lectures on Choices under Uncertainty. Addison-
Wesley (1968)
7. Shachter, R. : Evaluating influence diagrams. Operations Research 34 :871-882 (1986)
8. von Neuman, J. and Morgenstern, O. : Theory of games and economic behaviour. Princeton
University Press (1947)
 Une méthode de génération de colonnes basée sur un
algorithme central de plans coupants

M. Trampont,1 , C. Destré,1 , and A. Faye,2

1
Orange Labs, 38-40 rue du Général Leclerc, 92740 ISSY-LES-MOULINEAUX, France.
mathieu.trampont@orange-ftgroup.com
christian.destre@orange-ftgroup.com
2
ENSIIE, 18 allée Jean Rostand, 91000 EVRY, France.
fayea@ensiie.fr

Résumé Nous présentons ici une variante de génération de colonnes basée sur un
algorithme de plan coupant central développé par Betro dans [5] pour la programmation
linéaire semi-infinie. Nous verrons le fonctionnement général de cet algorithme et son
utilisation dans une méthode de génération de colonnes. Des techniques usuelles de
stabilisation, comme le boxstep ou la méthode de stabilisation par point intérieur de
Rousseau et al. [6], peuvent être adaptées pour fonctionner avec cette méthode. Pour
juger de l’efficacité de cette méthode, ses résultats sur un problème de conception de
réseau seront comparés à ceux d’une génération de colonnes classique avec boxstep et
stabilisation par point intérieur.

Mots-Clefs. Génération de colonnes ; Algorithme de plans coupants.

1 Un algorithme central de plans coupants stabilisé

Les problèmes de stabilité que l’on voit apparaître dans la génération de colonnes ou dans
les algorithmes de plans coupants, peuvent venir d’une dégénérescence (i.e. d’une infinité
de solutions duales optimales), mais aussi du fait que les informations contenues dans les
variables ou coupes rajoutées ne sont bonnes qu’à proximité du points du dual pour lesquels
elles ont été obtenues. Ce point est appelé point de séparation. Se pose alors la question de
savoir si la solution duale optimale du problème maître est bien le meilleur point de séparation
possible.
Plusieurs alternatives ont été proposées pour le choix du point de séparation. Les algo-
rithmes centraux de plans coupants proposent de prendre un point central de l’ensemble des
solutions admissibles du dual, plutôt que d’en obtenir un point extrême en résolvant le pro-
blème maître. Ce centre peut être analytique, ou géométrique comme dans l’algorithme de
Betro [5]. Le principe de cet algorithme est de choisir comme point de séparation le centre de
la plus grande sphère contenue dans le polyèdre formé par les contraintes du dual. A ce poly-
èdre on ajoute une information sur une borne inférieure. La résolution du problème maître est
remplacée par le problème (DRQ), qui cherche à maximiser le rayon σ de la sphère, où τ est
une combinaison convexe d’une borne inférieure LB et d’une borne supérieure U B. Chaque
contrainte (??) s’assure que tout point de la sphère respecte la contrainte correspondante du
dual du problème maître. La contrainte (??) est celle contenant l’information sur la borne
62 Trampont, Destré, Faye

inférieure. Elle s’assure que tout point de la sphère est compris entre le plan de la fonction
objectif du dual du problème maître et le plan de la borne τ .


 max σ

 σ,u

 ,

 -%

 %n
- n

 s.c. b .u + σ.. bij ≤ ci ∀i = 1 . . . |I| (1)

 ij j

(DRQ) j=1 j=1






 %n
√

 u − σ.(1 + n + 1) ≥ τ (2)

 j



 j=1
uj ≥ 0
τ agit comme une borne inférieure test. Pendant le déroulement de la génération de co-
lonnes, deux choses peuvent se produire : le sous-problème (SP) ne retourne pas de colonnes
et τ se révèle être une borne inférieure, ou (DRQ) devient infaisable et τ se révèle être une
borne supérieure. Les valeurs des bornes et de τ sont alors mises à jour en conséquence, et
l’encadrement de la valeur optimale est réduit. L’algorithme s’arrête lorsque la différence re-
lative entre borne supérieure et borne inférieure vaut moins qu’un ǫ choisi. Périodiquement,
lorsque (SP) ne retourne rien, nous résolvons le problème maître. Cela peut permettre de
mettre à jour U B et d’accélérer la terminaison de l’algorithme.
Tout comme le problème maître, (DRQ) peut présenter une infinité de solutions optimales.
Nous avons donc implémenté les mêmes techniques de stabilisation que pour la génération de
colonnes classique. L’adaptation de la stabilisation par point intérieur [6] se fait naturellement.
Au lieu de chercher un point à l’intérieur du polyèdre des solutions optimales du dual du
problème maître, nous le cherchons à l’intérieur de celui de (DRQ) en suivant les principes de
[6]. En revanche, l’adaptation du boxstep complique un peu l’algorithme. Le boxstep consiste
à imposer des bornes aux variables duales de faÁon à rester dans les environs d’un point du
dual appelé centre de stabilité. Il faut bien prendre garde en cas d’infaisabilité de (DRQ),
à déterminer si cela est d˚ aux contraintes du boxstep ou à la valeur de τ . Pour cela, en
cas d’infaisabilité, nous rel‚chons le boxstep. Si (DRQ) devient faisable, nous remettons le
boxstep et augmentons la taille de la boîte jusqu’à ce que le problème devienne faisable.
Une fois ces techniques implémentées, nous avons comparé cette nouvelle génération de
colonnes avec une génération de colonnes classique sur un problème de conception de réseau.
Les tests sont effectués sur deux séries de dix instances générées aléatoirement. Le temps de
calcul pour la nouvelle méthode est trois fois inférieur en moyenne sur la première série et
presque six fois sur la deuxième. On peut également observer que les temps de calcul varient
beaucoup moins au sein d’une même série qu’avec la génération de colonnes classique. Cette
nouvelle génération de colonnes se montre donc plus stable.

Références
1. B. Betro, An accelerated central cutting plane algorithm for linear semi-infinite programming,
Mathematical Programming, Vol.101, 479-495, 2004.
2. L-M. Rousseau, M. Gendreau, D. Feillet, Interior point stabilization for column generation,
Operations Research Letters, Vol. 35, 660-668, 2007
 Programmation dynamique par blocs

N. Touati1 , L. Létocart1 and A. Nagih2

1
LIPN, UMR 7030 CNRS, Université Paris 13, 99 avenue Jean-Baptiste Clément 93430,
Villetaneuse, France.
{nora.touati,lucas.letocart}@lipn.fr
2
LITA, Université Paul Verlaine, Ile du Saulcy 57045 Metz Cedex 1, France.
anass.nagih@univ-metz.fr

Mots-clés : Programmation dynamique, problème de plus court chemin avec fenêtres de

temps.

1 Introduction
La Programmation Dynamique est particulièrement adaptée aux problèmes satisfaisant le
principe d’optimalité de Bellman [1] : Toute politique optimale est composée de sous-politiques
optimales. Elle a été appliquée efficacement pour résoudre plusieurs problèmes d’optimisation
combinatoire, et permet d’élaborer des algorithmes pseudo-polynomiaux pour la résolution
de problèmes NP-difficiles [2], on cite par exemple le problème de plus court chemin avec
contraintes de ressources. Nous l’appliquons dans ce travail pour la résolution du Problème
de Plus Court Chemin avec Fenêtres de Temps et Contraintes de Capacité (PPCCFTCC),
et proposeons une amélioration basée sur une réduction de l’espace de recherche de nouvelles
étiquettes efficaces.

2 Problème de plus court chemin avec fenêtres de temps et

contraintes de capacité
Le PPCCFTCC est défini par un graphe orienté G = (N, A), où N = {0, ..., n = |N |} est
l’ensemble des sommets (représentant des clients, des sites, ...), avec 0 et n les sommets source
et destination respectivement. Chaque sommet est caractérisé par une demande et doit être
visité au cours d’une fenêtre de temps donnée. A est l’ensemble des arcs qui interconnectent
les sommets, chaque arc est caractérisé par un coût et une durée de parcours.
Le problème PPCCFTCC consiste à trouver un chemin de la source à la destination de
moindre coût, tel que, la demande cumulée sur ce chemin n’excède pas une capacité maximale
tolérée, et chaque sommet est visité au cours de la fenêtre de temps associée. Le PPCCFTCC
figure généralement comme sous-problème du problème de tournées de véhicules avec fenêtres
de temps et contraintes de capacité résolu avec la génération de colonnes.

3 Programmation dynamique
Pour chaque chemin réalisable du PPCCFTCC, on associe une étiquette, définie par un
triplet (coût, temps, demande) correspondant respectivement au coût, à la durée et à la
demande cumulées sur ce chemin. Le calcul de toutes les étiquettes correspond à l’énumération
64 Touati, Létocart et Nagih

de tous les chemins réalisables, i.e. respectant les fenêtres de temps et les contraintes de
capacité. Les algorithmes basés sur la programmation dynamique consistent à énumérer un
sous-ensemble de ces étiquettes dites efficaces en utilisant des procédures de dominance. Une
étiquette E est dite efficace s’il n’existe aucune étiquette meilleure que E par rapport aux
critères : coût, temps et demande. Les procédures de dominance permettent d’élaguer les
étiquettes dont les prolongements n’aboutissent pas à une solution optimale. Elles peuvent
être coûteuses en temps de calcul, leur complexité dépend fortement du nombre d’étiquettes
traitées.
Nous étudions les performances de l’algorithme de programmation dynamique avec cor-
rection d’étiquettes pour la résolution du PPCCFTCC dans le cas de graphes acycliques et
proposerons une méthode visant à diminuer le nombre total d’étiquettes traitées pendant la
résolution.

4 Programmation dynamique par blocs

Dans ce travail [4], nous nous sommes fixés comme objectif la réduction de l’espace de
recherche de nouvelles étiquettes efficaces. Le principe de base est de construire des blocs
qui représentent des espaces susceptibles de contenir des étiquettes efficaces. Initialement ces
espaces sont les domaines réalisables relativement aux fenêtres de temps et aux contraintes
de capacité. Lorsqu’une nouvelle étiquette efficace E est trouvée, on peut définir un espace
(bloc) qui ne pourra contenir dans la suite de la résolution que des étiquettes qui domineraient
E. Notre objectif est de caractériser ces blocs pour chaque nouvelle étiquette calculée afin de
réduire l’espace de recherche de nouvelles étiquettes efficaces.
Notre objectif consiste également à appliquer la dominance uniquement sur les étiquettes
dominées afin de ne pas faire de tests inutiles. Cela est possible en établissant un ordre sur
les durées des étiquettes efficaces de chaque sommet.
Les résultats expérimentaux sur des instances du PPCCFTCC, ont montré l’efficacité de
cette méthode. Le nombre d’étiquettes traitées a considérablement diminué. La programma-
tion dynamique par blocs a été utilisée pour la résolution des sous-problèmes dans un schéma
de génération de colonnes pour la résolution du problème de tournées de véhicules avec fe-
nêtres de temps. Cette approche a permis de diminuer nettement les temps de résolution des
sous-problèmes.

Références
1. Bellman, B. : Dynamic programming. Princeton university press, NJ, USA (1957)
2. Laurière, J. L. : Éléments de programmation dynamique. Collection programmation, Gauthiers-
Villars (1979)
3. Desrosiers, J. et Soumis, F. : A generalized permanent labelling algorithm for the schortest path
problem with time window. Centre de recherche sur les transports, Montreal 17 (1985)
4. Touati, N. : Amélioration des performances du schéma de la génération de colonnes : Applica-
tion aux problèmes de tournées de véhicules. Thèse, Laboratoire d’Informatique de Paris Nord,
Université paris 13 (2008)
 Un schéma de décomposition Dantzig-Wolfe pour les
problèmes de tournées de véhicules sur arcs

H.M. Afsar

LAAS-CNRS ; Université de Toulouse ; 7 avenue du Colonel Roche - 31077 Toulouse Cedex 4 France
Novacom Services ; 8, rue Hermès, Parc Technologique du Canal 31520 Ramonville St Agne France
murat.afsar@laas.fr

1 Introduction

Le problème de tournées de véhicules consiste à déterminer l’affectation des clients aux

véhicules d’une flotte et l’ordre de service de ces clients. Si les clients sont localisés sur des
points précis du réseau, nous sommes face à un problème de tournées sur les sommets. D’autre
part, si les clients sont sur les liens de ce réseau, il s’agit du problème de tournées sur arcs
(“Capacitated Arc Routing Problem” ou CARP).
Dans ce travail, nous nous intéressons aux problèmes du second type : le problème de
tournées de véhicules sur arcs. Les applications réelles modélisées par ce type de problème
sont, par exemple, la collecte des déchets, le déneigement des routes, la distribution de courrier
et l’inspection de lignes à haute tension [1].
Le CARP peut être défini de la façon suivante : Soit G(V, E) un graphe non orienté et
Er ⊂ E l’ensemble des arêtes requises (correspondant à des demandes clients) et v0 ∈ V le
dépôt. Chaque arête a un coût de passage ce > 0 et chaque arête requise a une demande
qe . Un certain nombre de véhicules de capacité Q sont disponibles. Le but est de trouver
un ensemble de tournées, de coût total minimal, qui satisfont toute la demande en servant
chaque arête une fois et qui commence et se termine au dépôt.
La première formulation du problème de tournées sur les arcs est donnée par Golden et
Wong [2]. Plus tard, trois autres formulations sont apparues. Ces formulations, proposées par
Welz [3] et par Belenguer et Benavent [4], [5] considèrent, les graphes peu et très peu denses.
Plusieurs bornes inférieures du problème de tournées sur les arcs utilisent la relaxation de
la contrainte de capacité pour tomber sur le problème du postier chinois non orienté. Elles
raffinent la qualité en considérant que d’autres arêtes non requises doivent être ajoutées pour
former les tournées de véhicules [6].

2 Décomposition de Dantzig-Wolfe

Nous transformons le graphe non orienté G = (V, E) en un graphe orienté G′ (V, A) tel
que pour chaque arête e = (i, j), nous ajoutons deux arcs a = (i, j) et ainv = (j, i). Nous
pouvons donc dire que, si un arc a est servi par un véhicule, son inverse (ainv ) ne doit pas
être servi. La fonction objectif (1) minimise la distance totale parcourue. Le service d’une rue
à double sens est assurée par la contrainte (3). Les variables duales (π0 , πar ) sont associées
66 H.M. Afsar

avec les contraintes (2) et (3), respectivement. Afin d’éviter d’écrire la même contrainte deux
fois, nous définissons :
Ainv = {ar = (i, j)|ainv = (j, i) ∈ Ar et i < j}
%r r
z ∗ = min cp λp (1)
p∈P
%
π0 −→ λp =K (2)
p∈P
% % ainv
πar −→ γpar λp + γp r λp = 1 ∀ar ∈ Ainv
r (3)
p∈P p∈P
λp ≥ 0 ∀p ∈ P - l’ensemble des tournées réalisables (4)

3 Sous-Problème
Trouver une tournée p de plus petit coût réduit c̄ tel que chaque arête requise est servie
au plus une fois et la demande totale servie ne dépasse pas la capacité du véhicule
%
c̄p = cp − γpar πainv
r
− π0
ar ∈Ainv
r

Le sous-problème est résolu par une approche heuristique et par un modèle de program-
mation dynamique basée sur la méthode proposée par Gueguen et al. [7] en considérant les
plus courts chemins entre les arcs requis.
f (Aa′r , Qa′r , a′r ) = min f (Aa′r − a′r , Qa′r − qa′r , a) + car ,a′r + ca′r − πa′r
où Aa′r est l’ensemble des arcs requis utilisés jusqu’à l’arc a′r , Qa′r est la demande totale servie
par le chemin, car ,a′r est le coût du plus court chemin entre l’arc ar et a′r .
Les résultats numériques ainsi que les détails des méthodes de résolution seront présentés
lors de la Conférence Roadef 2009.

Références
1. Ramdane-Chérif, W., 2002, Problèmes d’optimisation en tournées sur les arcs, UTT, Thèse de
doctorat, Troyes
2. Golden B.L., Wong R.T.,1981 Capacitated arc routing problems. Networks, 11, 305-315
3. Welz S.A., 1994, Optimal solution for the capacitated arc routing problem using integer program-
ming. PhD Dissertation, Dept of QT and OM, University of Cincinnati
4. Belenguer J.M., Benavent E., 1998, The capacitated arc routing problem : valid inequalities and
facets. Computational Optimization and Applications, 10, 165-187
5. Belenguer J.M., Benavent E.,2003, A cutting plane algorithm for the capacitated arc routing
problem. Computers and Operations Research, 30(5), 705-728
6. Labadi N., 2003, Problèmes tactiques et stratégiques en tournées sur arc, UTT, Thèse de doctorat,
Troyes
7. Gueguen C., Dejax P., Dror M., Feillet D., Gendreau M., 2000 An Exact Algorithm for the Ele-
mentary Shortest Path Problem with Resource Constraints : Application to some Vehicle Routing
Problems, Research Report 2000-15, CRT
Résolution du problème d’arbre couvrant quadratique de
poids minimum via RBS

T. Garaix1 and F. Della Croce2

Politecnico di Torino, 24, corso Duca Degli Abruzzi, 10121 Torino, Italie.
thierry.garaix@polito.it

1 Introduction
Le problème d’arbre couvrant de poids minimum est un problème classique d’optimisation
combinatoire. Il est défini par Boruvka en 1926 [5], afin de trouver le schéma le plus écono-
mique pour un réseau électrique. Étant donné un graphe connexe, il s’agit de trouver un arbre
couvrant tous les sommets et minimisant la somme des poids (coûts) des arêtes le composant.
De nombreuses variantes de ce problème existent, ajoutant des contraintes sur les degrés des
sommets dans l’arbre ou attribuant des poids stochastiques aux arêtes. Dans sa version qua-
dratique, récemment définie par Xu en 1984 [6], des coûts – quadratiques – sont associés à
chaque paire d’arêtes. Ce coût quadratique représente les interactions possibles entre arêtes
sélectionnées. Ce type de problème se rencontre dans le transport d’hydrocarbures ou dans les
réseaux de communication. Les coûts quadratiques sont alors issus de l’utilisation de sections
de tuyaux ou de technologies différentes.
Nous résolvons le problème d’arbre couvrant quadratique de coût minimum (QMSTP) via
une metaheuristique appelée Recovery Beam Search (RBS) dont le nom est traduisible par :
recherche arborescente par faisceau avec réparations.

2 Revue de la littérature
À notre connaissance, peu de chercheurs se sont intéressés à cette variante du MSTP.
La première définition en est donnée par Xu [6,7]. Il propose des heuristiques gloutonnes et
une méthode exacte. La résolution exacte du problème est peu approfondie ; en grande partie
à cause de la difficulté du calcul d’une borne inférieure de bonne qualité [1]. Ainsi, Zhou
et Gen [8] proposent un algorithme génétique en 1998 et obtiennent de meilleurs résultats
qu’avec les approches gloutonnes. Notons aussi les travaux de Gao et al. [4] qui portent sur
des adaptations du QMSTP basées sur de la logique floue.
Enfin, plus récemment, Cordone et Passeri [2] comparent trois algorithmes gloutons et
une recherche tabou sur des instances générées aléatoirement. Ces instances comptent de 10
à 30 sommets avec des densités prenant les valeurs 1/3, 2/3 ou 1. Par l’utilisation d’une
borne inférieure dans une recherche arborescente, ils donnent les solutions optimales pour les
instances à 10 et 15 sommets.

3 Recovery Beam Search pour le QMSTP

Déjà utilisé avec succès pour d’autres problèmes d’optimisation combinatoire [3], le RBS
se présente comme une recherche arborescente classique faite en largeur et où à chaque niveau
68 Garaix, Della Croce

de l’arbre de recherche, on ne conserve qu’un nombre limité de nœuds à explorer. Le nombre

de nœuds sélectionnés, après évaluation, correspond au faisceau (ou beam). Avant d’être ex-
ploré, chaque nœud sélectionné subit une phase de réparation. Cette phase consiste en la
construction d’un nœud de même niveau, en autorisant la remise en cause de décisions prises
à des niveaux supérieurs de l’arbre. Si la réparation améliore le nœud courant, ce dernier
est remplacé par le nœud réparé. La taille du faisceau étant constant, la complexité du RBS
dépend donc de la hauteur de l’arbre de recherche qui est généralement racine d’un polynome
d’ordre un de la taille des données.
Dans le cas du QMSTP, les décisions de branchement prises à chaque nœud consistent en
la sélection ou non d’arêtes dans la solution courante. On dit que ces arêtes sont fixées à 1 ou
à 0. Nous proposons deux nouvelles bornes inférieures pour le QMSTP. Ces bornes inférieures
sont données par des arbres couvrants qui correspondent à des solutions réalisables. Nous
appliquons une procédure de recherche locale à cet arbre, afin d’obtenir une borne supérieure.
À chaque itération, nous effectuons le meilleur remplacement d’une arête non fixée à 1 de
l’arbre courant, par une arête extérieure à l’arbre non fixée à 0. La procédure s’arrête dès
qu’un optimum local est atteint.
La phase de réparation est similaire à celle décrite ci-dessus, en inversant le rôle des arêtes
de l’arbre couvrant fixées à 1 avec les autres, et en autorisant des arêtes fixées à 0 à “rentrer”
dans l’arbre. Le niveau de l’arbre est conservé en fixant à 1 les nouvelles arêtes de l’arbre
réparé et en fixant à 0 celles qui n’y sont plus.
Plusieurs fonctions d’évaluation et stratégies de branchement sont testées.
Pour un paramétrage donné, nous obtenons des résultats comparables (meilleurs en moyenne)
à ceux obtenus par les algorithmes proposés par Cordone et Passeri, avec des temps de calculs
proches (moins d’une minute).
Cependant, nous envisageons d’étudier des instances de plus grande taille afin de mieux
comparer les différentes approches.

Références
1. Assad, A. A. and Xu, W. : On lower bounds for a class of quadratic 0-1 problems. Operation
Research Letters, (1985), 4 : 175-180.
2. Cordone, R. and Passeri, G. : Heuristic and exact approaches to the Quadratic Minimum Spanning
Tree Problem. Rapport technique, Università degli Studi di Milano, Italie (2008).
3. Della Croce, F., Ghirardi, M. and Tadei, R. : Recovering Beam Search : Enhancing the beam
search approach for combinatorial optimisation problems. Journal of Heuristics (2004), 10 : 89-04.
4. Gao, J., and Lu, M. : Fuzzy quadratic minimum spanning tree problem. Applied Mathematics
and Computation (2005), 164 : 773-788.
5. Graham, R. L. and Hell, P. : On the history of the minimum spanning tree problem. Annals of
the History of Computing, (1985), 7 : 43-57.
6. Xu, W. : Quadratic minimum spanning tree problems and related topics. Thèse, University of
Maryland, (1984).
7. Xu, W. : On the quadratic minimum spanning tree problem. Thèse, Acte de 1995 Japan-China
International Workshops on Information Systems, eds. M. Gen and W. Xu. Ashikaga, (1995),
141-148.
8. Zhou, G. and Gen, M. : An effective genetic algorithm approach to the quadratic minimum
spanning tree problem. Computers & Operations Research (1998), 25(3) : 229-237.
Recherche Locale Guidée pour la Coloration de Graphes

Daniel Cosmin Porumbel,1,2 Jin Kao Hao,1 et Pascale Kuntz2

1
Leria, Université d’Angers, 2, Boulevard Lavoisier, 49045 Angers Cedex 01 – France
daniel.porumbel@univ-nantes.fr,hao@info.univ-angers.fr
2
Lina, Polytech’Nantes, rue Christian Pauc, BP 50609, 44306 Nantes Cedex 3 – France.
pascale.kuntz@univ-nantes.fr

1 Introduction

L’évolution de tout processus de recherche locale est étroitement liée à la structure de l’es-
pace de recherche. Une heuristique efficace tient compte—implicitement ou explicitement—de
l’arrangement des optima locaux dans cet espace. Une des plus grandes difficultés pour les
recherches locales est de sortir des bassins d’attraction des optima locaux. Cette situation est
d’autant plus contraignante lorsque la taille des ces bassins est grande.
Dans cette communication, nous considérons le cas où le processus de recherche, même
s’il est capable de sortir d’un bassin d’attraction, cycle sur un sous-ensemble restreint de
bassins d’attraction. La situation concrète considérée ici est le problème classique de coloration
de graphe et notre recherche locale est Tabucol[2], un algorithme Tabou classique pour ce
problème. Notons les bassins d’attraction Bi , avec i ∈ 1, 2, 3, . . . .Lors d’expérimentations
numériques nous avons observé qu’il y a un nombre restreint de bassins d’attractions très
contraignants (notés B1 , B2 , . . . Bn , avec n < 100 généralement) qui attirent très fréquemment
le processus de recherche. En fonction de la position initiale, l’algorithme atteint un bassin
Bi , puis, dès qu’il en sort, atteint un autre bassin Bj similaire ; d’où un exemple d’évolution
classique : B1 → B2 → B3 → B2 → B4 → B1 → B4 → B2 → B1 → B3 , etc.
La recherche Tabou (TS) classique ne propose aucun mécanisme pour résoudre cette situa-
tion problématique, car elle utilise seulement une mémoire à court terme. Nous introduisons
une distance dans l’espace de recherche pour pouvoir identifier et stocker les plus importants
bassins d’attractions (Section 2)—nous avons expérimentalement montré que les meilleures
colorations d’un bassin d’attraction forment des clusters de points dans l’espace. Puis (Section
3), nous introduisons deux algorithmes : (i) TS-Div—un algorithme de diversification pour
assurer que chaque Bi n’est visité qu’une seule fois et, (ii) TS-Int—un algorithme d’intensifi-
cation qui n’explore que le voisinage des meilleures colorations fournies par TS-Div.

2 Arrangements des meilleures colorations

Pour étudier l’arrangement des colorations, on définit une distance dans l’espace de re-
cherche. On considère deux colorations CA et CB comme deux partitions de l’ensemble V des
sommets et on utilise une distance classique entre partitions. Plus exactement, la distance
de transfert entre CA et CB est le nombre minimum de transferts d’un élément d’une classe
dans une autre nécessaires pour transformer CA en CB [1].
70 Daniel Porumbel, Jin Kao Hao, Pascale Kuntz

3D MDS ( 350 c onfigurations)

N u m b e r o f Dist a n c e s
200
Z A xis
200

Y A xis

0
0 X A xis 200

L’arrangement des minima locaux est illustré dans l’illustration ci-contre pour un graphe
avec |V | = 250. On a utilisé une procédure de type "Muldimensional Scaling" ; les distances
entre les points 3D tentent de préserver au mieux la distance entre les colorations de l’espace
|V |-dimensionnel. On observe que les minima locaux se regroupent en quelques clusters qui
correspondent à des bassins d’attractions dans l’espace. Après avoir fait plusieurs tests, nous
avons observé que le rayon approximatif des clusters est 0.1 × |V | pour n’importe quel graphe.
On définit la sphère SC de la coloration C comme l’ensemble des colorations situées à une
distance inférieure à 0.1 × |V | de C. Comme l’algorithme Tabou passe d’une coloration à
l’autre en changeant la couleur d’un sommet, il doit changer la couleur de 0.1 × |V | sommets
pour sortir d’une sphère SC (s’il part de C, qui est son centre).

3 Algorithme de Diversification et d’Intensification

L’idée principale de l’algorithme TS-Div est d’empêcher le processus de recherche de reve-
nir dans la sphère d’une coloration déjà visitée. TS-Div est basé sur un processus de recherche
Tabou auquel est ajouté un processus d’apprentissage avec deux objectifs : (i) il enregistre
toutes les sphères S(C1 ), S(C2 ), S(C3 ), . . . visitées (telles que Ci 9∈ S(Cj ), ∀i 9= j) et (ii) si la
coloration à l’itération courante fait partie d’une sphère S(Ci ) déjà visitée, il déclenche une
phase de diversification. Le mécanisme pour cela est la longueur de la liste Tabou : chaque
fois que le processus retourne dans une sphère déjà visitée, la longueur de la liste tabou est
incrémentée d’une unité, et ce, jusqu’au moment où la recherche découvre une nouvelle sphère.
Cet algorithme assure la diversification car une liste tabou très longue contraint le pro-
cessus TS à effectuer une exploration plus large. Mais il a aussi un inconvénient : il explore
chaque sphère qu’une seule fois et cela peut être insuffisant. Pour cela, on a ajouté un nouvel
algorithme d’intensification qui explore en profondeur l’intérieur des sphères.

4 Conclusion
Nous avons présenté les idées principales d’une recherche locale qui mémorise les régions
(sphères) visitées pour ne pas les re-visiter inutilement (TS-Div). En combinaison avec un
algorithme d’intensification, nous obtenons une méthode de recherche qui gère très efficace-
ment les bassins d’attraction des optima locaux. Les comparaisons expérimentales confirment
cette propriété. Nous obtenons sur les graphes DIMACS les meilleures colorations connues et
même une nouvelle coloration légale pour dsjc1000.9 avec 223 couleurs. Le principe présenté
pourrait être retenu pour d’autres problèmes d’optimisation pour lesquels on peut calculer,
avec une complexité calculatoire restreinte, une distance entre les solutions potentielles.
 Recherche Locale Guidée 71

Références
1. I. Charon, L. Denoeud, A. Guenoche, and O. Hudry. Maximum Transfer Distance Between Par-
titions. Journal of Classification, 23(1) :103–121, 2006.
2. A. Hertz and D. Werra. Using tabu search techniques for graph coloring. Computing, 39(4), 1987.
 Un algorithme génétique pour minimiser le makespan
dans un flow shop hybride avec périodes flexibles
d’indisponibilité des machines

W. Besbes1 , J. Teghem2 and T. Loukil3

1
GIAD, Faculté des Sciences Economiques et de Gestion, Route l’aérodrome km 4, BP 1088, 3018
Sfax, Tunisie.
Walid.Besbes@fsegs.rnu.tn
2
MathRO, Faculté Polytechnique de Mons, 9 Rue de Houdain, Mons 7000, Belgique.
Jacques.Teghem@fpms.ac.be
3
LOGIQ, Institut Supérieur de Gestion Industrielle B.P. 954 - 3018, Sfax, Tunisie.
Taicir.Loukil@fsegs.rnu.tn

Mots-clés : flow shop hybride, algorithme génétique, indisponibilité, flexibilité

1 Introduction

Dans la majorité des travaux proposés dans la littérature relative à l’ordonnancement de la

production d’une façon générale, les auteurs supposent que les machines sont continuellement
disponibles durant l’horizon de travail. Cependant, dans le contexte industriel, les machines
peuvent ne pas être disponibles d’une façon continue. Cette indisponibilité peut être due à
des raisons déterministes (maintenance préventive, etc.) ou stochastiques (une machine qui
tombe en panne, etc.).
Plus particulièrement, en ce qui concerne le problème de flow shop hybride, appelé aussi
flow shop flexible, peu de travaux ont été proposés pour le résoudre sous contraintes d’indis-
ponibilité des machines [1], [2] et [3]. De plus dans ces quelques travaux, les auteurs traitent
le problème à 2 étages seulement et quand les dates de début des périodes de maintenance
(PM) sont préfixées. Dans ce travail, nous proposons une nouvelle approche pour minimiser
le makespan (Cmax ) dans un flow shop hybride à k étages, sous contraintes d’indisponibilité
des machines due à des périodes de maintenance préventive (le cas déterministe). De plus,
les dates de début des PM sont flexibles et seront déterminées au sein d’une fenêtre de temps
durant l’horizon de travail.
Vu la complexité du problème traité, une méthode approchée basée sur l’algorithme gé-
nétique est proposée pour minimiser le makespan. Les résultats des expérimentations menées
montrent bien l’efficience de l’approche flexible par rapport à l’approche fixe souvent utili-
sée dans la littérature. Ils soulèvent aussi une remarque importante par rapport l’approche
proposée.

2 Flexibilité des dates de début des périodes de maintenance

Dans la plupart des études proposées dans la littérature relative à l’ordonnancement de

production sous contraintes d’indisponibilité des machines, les auteurs considèrent des dates
 Un GA pour minimiser le makespan dans un flow shop hybride 73

de début fixes des PM [4] et [5]. Cependant, il est plus intéressant d’intégrer un degré de
flexibilité au niveau des dates de début des PM [6]. Contrairement à [6], nous pouvons soit
avancer soit reculer la PM, par rapport au job qui a été sélectionné, à l’intérieur de la fenêtre
de temps allouée à l’exécution de la tâche de maintenance lorsque nous nous situons dans le cas
suivant : Ci,j > em et Ci,j + dm ≤ fm où Ci,j est la date de fin du job j sur l’étage i, em (resp.
fm ) est la date de début (resp. de fin) de la fenêtre de temps allouée à la PM et dm est la
durée effective de la tâche de maintenance. En nous basant sur les trois paramètres suivants :
m (la date de disponibilité de la machine avant la PM), em et Ci−1,j , nous avons analysé les
t−
6 sous cas possibles pour le rangement de ces trois dates. Pour trouver la meilleure alternative
à entreprendre entre l’avancement de la PM(A) et son recul (R) dans chaque sous cas défini,
nous avons conduit une étude axée sur la minimisation des temps morts sur les machines. A
travers cette étude, nous concluons que si Ci−1,j > max {t− m , em }, la meilleure alternative à
appliquer est (A). Il est plus intéressant d’appliquer (R) dans le cas où em ≥ max {t− m , Ci−1,j }.
Dans le cas où t− m ≥ max {em , Ci−1,j }, nous pouvons appliquer soit (A) soit (R) étant donné
les mêmes valeurs des temps morts sur les machines pour les deux alternatives. Cette étude
est intégrée à l’algorithme génétique décrit dans [7].

3 Expérimentations
Etant donné l’inexistence de benchmark concernant ce problème, nous avons généré aléa-
toirement les données. Nous avons conduit trois plans d’expériences. Le premier est une
validation de l’étude développée pour choisir la meilleure alternative à appliquer dans chaque
sous cas. Dans le deuxième, nous comparons l’approche fixe et l’approche flexible proposée
où dm = 15 et fm − em = 15 (approche fixe), 25, 30, 45 ou 50. Le dernier plan d’expériences
est similaire au second si ce n’est que dm = 30 et fm − em = 30 (approche fixe), 50, 60,
90 ou 100. Au total, nous avons mené 2700 évaluations du makespan : 75 (instances) ×12
(versions de l’algorithme génétique) × 3 (essais pour chaque instance et pour chaque version
de l’algorithme).
Les résultats de ces expérimentations montrent bien l’efficacité de l’approche proposée
pour minimiser le makespan. De plus, nous avons remarqué que l’efficacité de la flexibilité dé-
pend de la différente entre l’approche fixe (dm = fm − em ) et le cas standard (sans contraintes
d’indisponibilité des machines) en terme de Cmax . Tout d’abord, lorsque cette différence - qui
est toujours supérieure ou égale à dm - est proche de dm , l’apport de l’approche flexible sur la
qualité de la fonction objectif par rapport à l’approche fixe est moins important que lorsque
cette différence est supérieure à dm . Pour vérifier cette importante remarque, nous avons fait
un calcul de corrélation entre (GAf i (approche fixe) - GAspm (le cas standard sans contraintes
d’indisponibilité des machines) - dm ) et (GAf i − GAf l (approche flexible)) suivi d’une analyse
de régression. Les résultats obtenus consolident la pertinence de la remarque.

Références
1. Allaoui H. and Artiba A. : Integrating simulation and optimization to schedule a hybrid flow shop
with maintenance constraints. Computers & Industrial Engineering, 47, 431-450 (2004).
2. Xie J. and Wang X. : Complexity and algorithms for two-stage flexible flowshops scheduling with
limited machine availability constraints. Computers and Mathematics Applications, 50, 1629-1638
(2005).
74 Besbes, Teghem, Loukil

3. Allaoui H. and Artiba A. Scheduling two-stage hybrid flow shop with availability constraints.
Computers & Operations Research, 33, 1399-1419 (2006).
4. Lee C.Y. : Minimizing the makespan in two-machine flowshop scheduling problem an availability
constraints. Operations Research Letters, 20, 129-139 (1997).
5. Kubiak W., Blazewicz J., Formanowicz P., Breit J. and Schmidt G. : Two-machine flow shop with
limited machine availability. European Journal of Operational Research, 136, 528-540 (2002).
6. Aggoune R. : Minimizing the makespan for the flow shop scheduling problem with availability
constraints. European Journal of Operational Research, 153, 534-543 (2004).
7. Besbes W., Teghem J. and Loukil T. : A genetic algorithm to minimize the makespan in the k-
stage hybrid flow shop scheduling problem. Soumis pour publication à International Transactions
in Operational Research.
 Résolution d’un problème de Job-Shop avec contraintes
financières

P. Féniès1 , P. Lacomme2 , and A. Quilliot

1
Université de Clermont 1, IUP de Management, 63177 Aubière Cedex
fenies@isima.fr
2
Université Blaise Pascal, LIMOS-ISIMA, 63177 Aubière Cedex.
placomme@isima.fr.fr

1 Introduction

.
Ce papier propose une approche de résolution d’un problème d’ordonnancement de type
Job-Shop et de gestion de trésorerie dans une optique de Supply Chain Management. Au
niveau opérationnel comme au niveau tactique, peu de travaux proposent de lier flux physiques
et flux financiers au niveau de la planification alors que l’intérêt managérial pour des solutions
opérationnelles est évident (Vickery et al., 2003).
Le modèle du Job-Shop dans le cadre de la modélisation de la chaîne logistique est évident,
il est possible de considérer qu’une " business unit " de la Supply Chain peut être modélisée
comme une machine, et une commande client par un job. L’intéret principal du modèle de
job-shop est de permettre la modélisation qu’un client d’une " business unit " pour un produit
donné peut tout à fait devenir fournisseur de cette même " business unit " pour un autre type
de produit.
Bien souvent, on ne considère pour le job-shop que des critères liés au flux physiques
(Cmax, Tmax, Lmax) pour évaluer la qualité d’un ordonnancement. Pour appréhender le
job-shop avec flux financiers, il faut itnroduire la notion de trésorerie initiale (en Anglais
Initial Cash Position) qui représente le montant financier initialement disponible en début
d’ordonnancement et une fonction Cash(t) donnant la position de trésorie à un instant t.
Par rapport à un problème de job-shop classique, un problème de job-shop avec contraintes
financière (Job − Shop/F C) peut se définir par :
– un ensemble F de fournisseurs avec lequel la chaîne logistique à des relations contrac-
tuelles ;
– des opérations i reliées par des relations de précédence ;
– un temps de traitement pi de l’opération i ;
– un délais de paiement di,j pour l’opération i envers le fournisseur j ;
– un cout financier ci,j pour l’opération i envers le fournisseur j ;
– un gain financier si pour l’opération i (seule la dernière opération de la gamme possède
un gain financier positif) ;
– un montant financier r0 disponible en début d’ordonnancement.
En gestion stratégique, les plan de production ou le plan industriel et commercial (PDP et
PIC) sont établis selon la règle financière simple suivante : "une opération n’est commencée
que si les ressources financières disponibles permettent de s’assuser que l’opération peut être
76 Fénies P., Lacomme P.

menée à terme". La résolution du problème de job-shop avec flux financier peut se faire en
considérant la somme des couts financiers de chaque opération et ne prenant pas en compte
les délais de paiement des fournisseurs. Le problème de job-shop avec contraintes financières
est un problème connexe des problèmes de RCPSP et proches des problèmes de Resource
Investment Problem (RIP).

2 Framework
Nous proposons un schéma d’optimisation (figure 1) qui permet d’inclure dans le graphe
disjonctif du job-shop des arcs supplémentaires disjonctifs qui sont calculées grace à la réso-
lution d’un problème de flow dans un graphe auxiliaire de calcul. Ce schéma d’optimisation

Fig. 1. Le Schéma d’optimisation et deux courbes financières d’une solution du Job-Shop et du

Job − Shop/F C

permet de traiter à la fois des instances de job-shop "classiques" et des instances de job-shop
avec flux financiers. Les expérimentations portent sur environ 50 instances et montrent :
– que les solutions obtenues en résolvant le job-shop avec flux financiers sont financière-
ment acceptables et respectent la disponibilité financière disponibles ;
– que les solutions du job-shop sont financières des solutions non acceptables. Ceci est
mis en évidence avec des découverts bancaires correspondant à un ordonnancement ne
prenant pas en compte l’aspect financier.
Les instances sont téléchargeables à l’adresse suivante : http : //www.isima.f r/lacomme/JSCF/.

Références
1. P. Fenies, P. Lacomme, A. Quilliot : Le modèle théorique du job-shop comme outil d’évaluation
des flux physiques et financiers de la supply chain. MOSIM’08, 7ème Conférence Internationale
de Modélisation et Simulation, 31 mars - 2 avril 2008.
 Job-shop avec un seul robot de capacité non unitaire

P. Lacomme, M. Larabi, and N. Tchrnev

Université Blaise Pascal, LIMOS, Campus des Cézeaux, BP 10125, 63177 Aubière Cedex, France.
placomme@isima.fr ; larabi@isima.fr,tchernev@isima.fr

1 Introduction
Le problème du job-shop avec transport consiste à ordonnancer un ensemble n jobs
J = {J1 , J2 , .., Jn } sur un ensemble de m machines M = {M1 , M2 , .., Mm }. Ces jobs sont
transportés par un seul robot avec une capacité limitée supérieure à 1. Chaque job Ji est
ensemble ordonné de ni opérations notées Oi,1 , Oi,2 , .., Oi,ni . A chaque opération machine
Oi,j est associé un temps de traitement Pi,j . Une machine ne peut exécuter sans préemp-
tion qu’un job à la fois, de même chaque job ne peut s’exécuter que sur une seule et unique
machine à la fois. Le robot peut charger des jobs tant que la capacité maximale n’est pas
atteinte. Les temps de déplacement du robot de la machine µi vers la machine µj sont dé-
terministes et peuvent être égaux ou croissants selon que le robot transporte une charge de
k jobs, k = {0, 1, ..M AXcapa}. On suppose aussi que les stocks d’entrée/sortie des machines
sont de capacité infinie comme dans le job-shop classique. L’objectif est de trouver un or-
donnancement faisable qui minimise le makespan Cmax = M ax {Cj } o˘ Cj représente la fin
d’exécution de la dernière opération du job j.

2 Modélisation du problème
Dans le graphe disjonctif-conjonctif les sommets modélisent d’une part, les opérations
machine, et d’autre part les opérations transport à charge et à vide. Les arrêtes sont de trois
types : (i) les arrêtes conjonctives qui relient les différentes opérations de chaque job et qui
expriment les contraintes de précédences ; (ii) les arrêtes disjonctives machine qui expriment
l’ordre de passage des jobs sur les différentes machines ; (iii) les arrêtes disjonctives transport
qui définissent l’ordre des opérations transport. Une solution du problème consiste à définir
les dates de début de toutes les opérations machines et de toutes les opérations transport en
définissant :
– les disjonctions machine qui décrivent l’ordre de passage des jobs sur les machines ;
– les disjonctions transport qui décrivent les mouvements du robot.
La figure 1 donne un exemple de graph disjonctif orienté. Les temps de transport sont
consants est égaux à 2. La solution représentée sous forme d’un diagramme du gantt est
montrée dans la figure 2. Les flèches expriment les mouvements du robot.
3 Schéma d’optimisation
Nous proposons un schéma d’optimisation de type algorithme génétique hybride avec une
recherche locale basée sur les propriétés des blocs [1] et [2]. Ce schéma est fondé sur :
– une modélisation du problème sous la forme d’un graphe disjonctif non orienté ;
78 P. Lacomme, M. Larabi, N. Tchernev

Fig. 1. Graphe disjonctif orienté représentant la solution du problème

Fig. 2. Diagramme de gantt représentant la solution du graphe de la figure 1

– un algorithme génétique hybride générant les ordres des opérations transport ;

– l’obtention d’un graphe disjonctif orienté modélisant une solution à partir de l’ordre
fourni par l’algorithme génétique hybride ;
– l’obtention d’un critère de performance (makespan) par un algorithme de plus long
chemin.
Cet algorithme est basé sur une généralisation des séquences de Bierwirth. Cette géné-
ralisation nous permet de traiter simultanément les disjonctions machine et les disjonctions
transport. Nous avons repris les instances introduites par Hurink et Knust dans [2] afin de se
comparer au cas o˘ la capacité du robot est égale à 1. Les résultats obtenus montrent que la
méthode est compétitive avec celle de Hurink et Knust sur le cas particulier d’un seul robot
de capacité unitaire.

Références
1. P. Lacomme, M. Larabi, N. Tchernev : A Disjunctive Graph for the Job-Shop with several ro-
bots. MISTA 2007,The 3rd Multidisciplinary International Scheduling Conference : Theory and
Applications August 28-31, Paris, 2007
2. J. Hurink and S. Knust : A tabu search algorithm for scheduling a single robot in a job-shop
environment. European Journal of Operational Research,vol 119, pages 181-203, 2002
Méthode exacte pour le flowshop hybride avec machines
à traitement par batches et compatibilité entre les
tâches.

A. Bellanger and A. Oulamara

Laboratoire LORIA, École des Mines de Nancy, Parc de Saurupt, 54042, Nancy
adrien.bellanger@loria.fr ammar.oulamara@loria.fr

1 Introduction

Dans ce papier, nous nous intéressons au problème de minimisation de la durée totale de

l’ordonnancement de n tâches dans un flowshop hybride constitué de deux étages. Le premier
étage est composé de m1 machines identiques en parallèle et le second étage contient m2
machines parallèles à traitement par batches. Chaque machine du premier étage traite une
seule tâche à la fois, alors que chaque machine du second étage peut traiter jusqu’à k (k < n)
tâches simultanément dans un même batch. Les tâches sont exécutées sur le premier étage
puis sur le second étage. La durée opératoire d’une tâche j sur le premier étage est donnée par
pj (j = 1, . . . , n), et sur le deuxième étage sa durée opératoire est donnée par un intervalle de
temps [aj , bj ]. Sur le second étage, les tâches peuvent être exécutées dans un même batch si
elles sont compatibles entre elles. Autrement dit, si l’intersection de leurs intervalles de durée
opératoire n’est pas vide (i.e., ∀i, j [ai , bi ] ∩ [aj , bj ] 9= ∅). La durée d’exécution d’un batch sur
le second étage correspond à la plus grande valeur initiale aj des tâches qui le composent.
Bellanger et Oulamara [1] présentent une application de ce problème dans l’industrie de
pneumatiques. Nous notons le problème (P ).
Le problème de flowshop hybride avec machines classiques sur chaque étage est largement
étudié dans la littérature de l’ordonnancement (voir Kis et al. [3] pour un état-de-l’art),
mais pas en présence de machines à traitement par batches. Dans [1] nous avons considéré le
problème (P ) et nous avons proposé des approches de résolution basées sur des heuristiques
avec garantie de performance.

2 Approche de Résolution

Nous proposons ici une méthode exacte de type séparation et évaluation (PSE) pour
minimiser la durée totale de l’ordonnancement. Comme la minimisation du makespan dans un
flowshop hybride est symétrique, c’est-à-dire qu’il est possible d’obtenir une solution optimale
de notre problème en inversant les deux étages, nous nous intéressons ici à la fois au problème
initial et à son problème inverse où le premier étage est composé de machines à traitement
par batches et le second étage est composé de machines classiques.
La méthode que nous utilisons est inspirée par les travaux de Carlier et al. [2]. Elle énu-
mère les ordonnancements de l’étage critique en relaxant le second étage, ensuite elle fournit
pour chacun des ordonnancements du premier étage un ordonnancement optimal du second
80 Bellanger, A., Oulamara, A.

étage. Comme l’étage critique varie, nous avons développé une méthode commençant par
l’ordonnancement de l’étage composé des machines classiques (méthode directe), et une mé-
thode commençant par ordonnancer l’étage composé des machines à traitement par batches
(méthode inverse). Chaque méthode se décompose en deux étapes, la première étape énumère
tous les ordonnancements du premier étage ; puis la seconde étape fournit, pour chaque ordon-
nancement du premier étage, la solution optimale du problème de flowshop hybride respectant
l’ordonnancement du premier étage. Pour un ordonnancement donné du premier étage, nous
transformons les dates de fin des tâches sur le premier étage en dates de disponibilité pour
le second étage. La deuxième étape, résout un problème de machines parallèles (du second
étage) pour chaque ensemble de dates de disponibilité. Ainsi la première étape de la méthode
directe énumère tous les ordonnancements non-dominés du problème P (m1 )|d = U B|−, puis
chacun de ces ordonnancements nécessite la résolution d’un problème de machines parallèles
à traitement par batches avec dates de disponibilité des tâches. Dans la méthode inverse,
la première étape énumère tous les ordonnancements non-dominés du problème de machines
parallèles à traitement par batches puis chacun de ces ordonnancements entraîne la résolution
d’un problème de type P (m1 )|ri , d = U B|Cmax .
Pour la méthode directe, l’énumération des ordonnancements du premier étage utilise un
arbre de recherche dans lequel un nœud correspond à l’ajout d’une tâche à la liste des tâches
déjà ordonnancées. L’ordonnancement de cette liste se fait en plaçant chaque tâche sur la
première machine disponible. La seconde étape résout le problème de machines parallèles à
traitement par batches en énumérant les ordonnancements réalisables du second étage. Cette
énumération s’effectue à l’aide d’arbres de recherche dans lesquels un nœud correspond à
l’ajout d’un batch à la liste de batches déjà ordonnancés. Pour la méthode inverse les nœuds
du premier étage correspondent à l’ajout de batches, alors que la second étape utilise deux
méthodes de résolution, une procédure par séparation et évaluation et une méthode utilisant
la programmation dynamique.

3 Résultats expérimentaux
Dans le but d’évaluer la performance de notre méthode par séparation évaluation, nous
avons effectué une série d’expériences. Nos instances de test sont composées de 2 ou 5 machines
sur chaque étage avec une capacité des batches égale à 2. Les expériences menées, nous ont
permis de résoudre des instances de 15 tâches en quelques secondes. Nous avons constaté que
malgré la programmation dynamique du second étage, la méthode inverse n’a pas toujours
trouvé de solutions plus rapidement que la méthode directe.

Références
1. Bellanger A, Oulamara A. Scheduling hybrid flowshop with parallel batching machines and com-
patibilities. Computers and Operations Research available online (2008)
2. J. Carlier and E. Néron. (2000) An exact method for solving the multiprocessor flowshop.RAIRO-
Oper Res. 78 : 146-161.
3. T. Kis, et E. Pesch. A review of exact solution methods for the non-preemptive multiprocessor
flowshop problem. European Journal of Operational Research 164 : 592-608 (2005)
 Composition optimale d’équipes d’athlétisme

Frédéric Gardi

Bouygues e-lab, 32 avenue Hoche, 75008 Paris, France.

fgardi@bouygues.com

Dans cette note, nous présentons un problème d’optimisation combinatoire que l’on peut
qualifier de “problème du quotidien”. Celui-ci, bien qu’aux enjeux modestes, fait un excellent
exercice de recherche opérationnelle pour les étudiants, ainsi qu’un sujet de vulgarisation à
destination du grand public.
En 2003, Martin et Rottembourg [2] présentaient au colloque ROADEF l’approche qu’ils
avaient mise en œuvre pour résoudre un problème de constitution d’équipes de natation.
Ils concluaient leur présentation en mentionnant qu’un problème similaire se posait pour la
constitution d’équipes d’athlétisme. En effet, chaque année les clubs d’athlétisme franÁais se
réunissent à différents niveaux pour une compétition appelée “interclubs”. Le principe de la
compétition est le suivant. Chaque club doit constituer une équipe masculine et une équipe
féminine. Les équipes masculines s’affrontent sur 21 épreuves réparties en quatre groupes :
les courses (100 m, 200 m, 400 m, 110 m haies, 400 m haies, 800 m, 1500 m, 3000 m, 5000 m,
3000 m steeple, 5000 m marche), les sauts (longueur, hauteur, triple saut, perche), les lancers
(poids, disque, javelot, marteau), les relais (4 × 100 m, 4 × 400 m). De la mÍme manière, les
équipes féminines s’affrontent sur 19 épreuves semblables aux épreuves masculines (seuls le
5000 m et le 3000 m steeple n’ont pas d’équivalent chez les femmes).
Chaque club peut aligner au plus deux athlètes par épreuve (bien entendu, hommes et
femmes concourent séparément). Chaque athlète peut concourir sur deux épreuves au plus
appartenant à des groupes différents parmi courses, sauts et lancers. Chaque athlète peut
participer en sus à une des deux épreuves de relais, ceux-ci se déroulant en toute fin de
compétition. Les performances des athlètes sur chaque épreuve sont convertis en points à
l’aide de tables (celles-ci, appelées “tables hongroises”, sont établies par application d’une
formule du type p(x) = ⌊ax2 + bx + c⌋ pour chaque épreuve, o˘ p(x) est le nombre de points
obtenus pour une performance x exprimée dans l’unité adéquate). Ainsi, l’objectif pour un
club est de maximiser son nombre total de points à l’issu de la compétition.
Les interclubs se jouent en deux rencontres. A l’issu de ces deux tours, les clubs sont
classés à l’échelon national en fonction de leur performance (classement qui est regardé pour
l’octroi de subventions). Cela en fait un rendez-vous crucial dans la vie des clubs d’athlétisme
français, petits ou grands. De par notre expérience, nous pouvons affirmer que la composition
des équipes d’interclubs est un casse-tête pour les entraÓneurs d’athlétisme. Au-delà de la
complexité mÍme du problème d’optimisation qu’ils ont à résoudre (une cinquantaine d’ath-
lètes à affecter à 21 + 19 épreuves), ils doivent faire face à des impondérables, jusqu’au jour
mÍme de la compétition (absences, blessures). Un outil informatique d’aide à la décision leur
permettant de composer, et surtout de recomposer, leur équipe de faÁon optimale en fonction
de la disponibilité des athlètes, de leurs performances du moment, ou encore du planning de
la compétition (par exemple, il est préférable de ne pas aligner un athlète sur 400 m, s’il a le
saut à la perche à réaliser en mÍme temps) serait donc le bienvenu.
82 Gardi F.

Pour le chercheur opérationnel, la résolution du problème en question ne pose vraiment

pas de difficulté, une fois observé que celui-ci peutêtre formulé comme un problème de flot
de co˚t maximum lorsque la question des relais, qui n’est pas décisive, est laissée de cÙté.
En effet, soit A l’ensemble des athlètes, G les différents groupes d’épreuves et E l’ensemble
des épreuves hors relais. Le réseau est construit de la faÁon suivante. ¿ chaque athlète, ainsi
qu’à chaque épreuve, est associé un nœud. Le nœud origine est relié à chaque nœud “athlète”
par un arc de capacité 2 et chaque nœud “épreuve” est reliée au nœud destination par un
arc de capacité 2. Ensuite, à chaque athlète est associé |G| nœuds représentant les groupes
d’épreuves. Tout nœud “athlète” est relié à chacun de ses noeuds “groupe” par un arc de
capacité 1 et tout nœud “groupe” associé à un athlète est relié à chaque nœud “épreuve”
qui lui appartient par un arc de capacité 1 et de co˚t Pa,e égal au nombre de points espéré
si cette épreuve est affecté à l’athlète. Le réseau obtenu comporte |A|(|G| + 1) + |E| nœuds
et (|A| + |E|)(|G| + 1) arcs. Essentiellement deux types d’algorithme ont été proposés pour
calculer un flot maximum de co˚t minimum dans un réseau [4] : la méthode d’augmentation
du flot (augmenter le flot le long de chemins de co˚t minimum) et la méthode de réduction
du co˚t (calculer un flot maximum puis éliminer les circuits de co˚ts négatifs). Ces méthodes
seront ici toutes deux efficaces tant en théorie (puisque la valeur du flot maximum est bornée
par 2 max{|A|, |E|}, les co˚ts sont positifs et le réseau est acyclique) qu’en pratique (puisque
|A| ≤ 100, |G| = 3, |E| = 40).
Toutefois, afin d’anticiper d’éventuelles évolutions rendant une modélisation par les flots
impossible (par exemple, si l’on considère les contraintes d’exclusion mutuelle entre épreuves
dues au planning de la compétition), nous avons opté pour une approche par programmation
linéaire en nombres entiers. Le programme peutêtre écrit comme suit, &o˘ xa,e est égal à 1 si
l’athlète a ∈ A est affecté& à l’épreuve e ∈ E et à 0 sinon : maximiser a,e Pa,e xa,e pour tout
a ∈ A et e ∈ E, sujet à a xa,e ≤ 2 pour tout e ∈ E (au plus deux
& & athlètes par épreuve),
e xa,e ≤ 2 pour tout a ∈ A (au plus deux épreuves par athlète), e∈g xa,e ≤ 1 pour tout
a ∈ A et g ∈ G (au plus une épreuve de chaque groupe par athlète). On peut montrer que la
matrice de ce programme est totalement unimodulaire, impliquant que toute base optimale de
sa relaxation linéaire est entière [3]. En pratique, la résolution de ce programme linéaire par
l’algorithme du simplexe implémenté dans la librairie GLPK [1] est instantanée (une centaine
d’itérations de simplexe), d’autant plus qu’il est facile de lui fournir une bonne base réalisable
(à partir d’une affectation heuristique des athlètes aux épreuves).
Notre logiciel, qui se présente sous la forme d’un classeur Excel accompagné d’une DLL
dédiée à la résolution du problème d’optimisation, a été utilisé en 2008 pour composer les
équipes d’interclubs homme et femme du BCI Athlétisme (Isle-sur-la-Sorgue, Vaucluse).

Références
1. A. Makhorin (2007). GLPK : Gnu Linear Programming Kit, version 4.24.
http://www.gnu.org/software/glpk/
2. B. Martin, B. Rottembourg (2003). Constitution optimale d’équipes de natation. In ROADEF
2003. Avignon, France.
3. A. Schrijver (2003). Combinatorial Optimization : Polyhedra and Efficiency. Algorithms and
Combinatorics 24, Vol. A, Springer-Verlag, Berlin, Allemagne.
4. R.E. Tarjan (1983). Data Structures and Network Algorithms. CBMS-NSF Regional Conference
Series in Applied Mathematics 44, SIAM Publications, Philadelphie, PA.
 Résolution d’un problème de Job-Shop intégrant des
contraintes de Ressources Humaines

O. Guyon1,2 , P. Lemaire2 , É. Pinson1 , and D. Rivreau1

1
LISA-IMA, 44 rue Rabelais, 49008 Angers Cedex 1 France
{olivier.guyon, eric.pinson, david.rivreau}@uco.fr
2
IRCCyN, CNRS ; École des Mines de Nantes, 4 rue Alfred Kastler, 44307 Nantes Cedex 3
pierre.lemaire@emn.fr
1 Introduction
Nous nous plaçons dans le cadre d’un atelier de type job-shop à haute technicité qui fait in-
tervenir des contraintes de qualification pour les opérateurs affectés au pilotage des machines.
Plus précisément, nous considérons une unité manufacturière dans laquelle la production de
faible volume à réaliser requiert divers types de machines dans des séquences variées. Chaque
machine nécessite pour son utilisation la présence d’un agent spécialement qualifié à son pilo-
tage. Les ressources humaines sont également assujetties à des contraintes légales restreignant
leur disponibilité. Nous considérons un critère d’optimisation lexicographique pour lequel la
minimisation de la durée de production constitue le premier objectif et la minimisation des
coûts salariaux le second. Ce problème coïncide avec le cas particulier d’instance "correspon-
dance activité-resource" de C. Artigues et al. [1]. Pour faciliter la comparaison, nous nous
efforcerons d’utiliser les mÍmes notations par la suite.

2 Formalisation du problème
Formellement, nous considérons la production d’un ensemble J de n jobs sur m machines.
Chaque job i est caractérisé par une séquence d’opérations {Oi,j }j=1,...,m . L’opération Oij
s’effectue sur une machine mij donnée et sa durée d’exécution est notée pij . Pour plus de
commodités, nous utiliserons ρik pour désigner la durée de l’opération du job i qui s’exécute
sur la machine k. Les tâches ne sont pas interruptibles et requièrent la présence d’un opérateur
qualifié sur la machine au moment de leur exécution. Nous noterons {Ee }e=1,...,µ l’ensemble
des µ opérateurs et Ae représentera l’ensemble des machines sur lequel l’opérateur e peut
intervenir. L’atelier fonctionne suivant une logique de type 3×8 et l’horizon de planification
s’étend ainsi sur un ensemble {s}s=0,...,σ−1 de σ tranches horaires consécutives. La durée
effective d’une tranche horaire est fixe et notée π pour un horizon H = σ × π. Le coût
d’affectation de l’agent e sur la machine k durant la tranche s est désigné par ceks , étant
entendu que l’opérateur ne change pas de machine en cours de poste. Chaque opérateur e est
disponible sur un sous-ensemble de tranches horaires Te . Par ailleurs, un agent ne peut Ítre
actif qu’au maximum une fois parmi trois tranches horaires consécutives (contrainte légale).
Nous proposons ci-dessous une formalisation sous forme de PL-01 de ce problème. Les
variables binaires xeks et yikt valent respectivement 1 si l’opérateur e est affecté à la machine
k sur la tranche s et si le job i démarre à l’instant t sur la machine k.
/ µ % %
0
%
min Lex Cmax , ceks xeks (1)
e=1 k∈Ae s∈Te
84 Guyon, Lemaire, Pinson, Rivreau

&H
t=0
t · yikt + ρik ≤ Cmax i = 1, . . . , n k = mim (2)
&H
t=0
yikt = 1 i = 1, . . . , n k = 1, . . . , m (3)
&t &t−ρik
u=ρik
yilu − u=0
yiku ≤ 0 i = 1, . . . , n j = 1, . . . , m − 1
k = mij l = mi(j+1) t = ρik , . . . , H − ρil (4)
&n &t &µ
i=1 u=t−ρik +1
yiku ≤ min(1, e=1
xeks ) k = 1, . . . , m t = 0, . . . , H s = ⌊t/π⌋ (5)
& &σ
k∈A
/ e s=0
xeks = 0 e = 1, . . . , µ (6)
& &
k∈Ae s∈T
x
/ e eks
=0 e = 1, . . . , µ (7)
&
k∈Ae
(xeks + xek(s+1) + xek(s+2) ) ≤ 1 e = 1, . . . , µ s = 0, . . . , σ − 2 (8)

La première contrainte exprime la date de fin de l’ordonnancement en fonction de la

dernière opération de chaque job. La contrainte (2) spécifie que toute opération doit Ítre
exécutée. Les contraintes (3) et (4) correspondent respectivement aux séquences job et aux
contraintes de disponibilité machine (au plus une opération en cours à un instant donné, sous
réserve de la présence d’un opérateur). Les équations (6) et (7) précisent qu’un opérateur ne
peut Ítre affecté que sur une machine sur laquelle il est qualifié et qu’il doit Ítre disponible
pour la tranche horaire concernée. Finalement, la contrainte légale est exprimée par (8).

3 Résolution
Différentes techniques de résolution ont été appliquées sur ce problème : résolution directe
par solveur de MIP, utilisation de relaxation lagrangienne, relaxation et génération de coupes
(cf. [3], [4]). Nous avons en outre intégré les méthodes propres à l’optimisation de problème
de job-shop, et en particulier les règles d’éliminations classiques et le shaving (cf., e.g., [2]).
Ces méthodes s’avèrent extrÍmement utiles pour l’accélération de la résolution du problème
complet, comme le montrent les expérimentations réalisées tant sur des instances générées
aléatoirement que sur celles d’Artigues et al.

Références
1. Artigues, C. ; Gendreau, M. ; Rousseau, L.-M. & Vergnaud, A. : Solving an integrated employee
and job-shop scheduling problem via hybrid branch-and-bound, To appear in Computers and
Operations Research (Available online 28 August 2008)
2. Carlier, J. & Pinson, . . .. : Adjustment of heads and tails for the job-shop problem, European
Journal of Operational Research 78, pp146-161 (1994)
3. Detienne, B. ; Péridy, L. ; Pinson, . . .. & Rivreau, D. : Cut generation for an employee timetabling
problem, To appear in European Journal of Operational Research (Available online 1 April 2008)
4. Guyon, O. ; Lemaire, P. ; Pinson, . . .. & Rivreau, D. : Couplage planification/ordonnancement :
une approche par décomposition et génération de coupes, Actes de la 7e Conférence Internationale
de Modélisation et Simulation, pp. 1376-1385 (2008)
 Etude de l’influence de l’algorithme de séparation et
d’évaluation appliqué aux thématiques
d’ordonnancement de bus et d’équipages.

Clément Solau1 et Laure Thoma-Cosyns2

1
ESIEE, 14 Quai de la Somme, 80082 Amiens Cedex France
clementsolau@hotmail.com
2
ESIEE, 14 Quai de la Somme, 80082 Amiens Cedex France.
THOMA@esiee-amiens.fr

1 Introduction et problématique

L’ordonnancement de véhicules et d’équipages sont deux problèmes émergeants spéciale-

ment dans les transports en commun. [1] et [2] ont montré l’intérêt d’utiliser une approche
de type intégrée par rapport à une approche séquentielle (ou séparée). Nous proposons un
algorithme exact basé sur la méthode de génération de colonnes et du Branch-and-Bound
résolvant le problème d’ordonnancement de bus et d’équipages. Cet article vise à comparer en
terme de coût l’écart entre un résultat fourni par un algorithme basé sur le Branch-and-Bound
avec une solution où la contrainte binaire est relaxée.
Le problème est de trouver un ordonnancement respectant certaines contraintes tel que chaque
service est couvert par exactement un chauffeur et un véhicule. Les hypothèses retenues sont
les suivantes :
- Contrainte de relève : on dit qu’il y a relève lorsqu’un chauffeur change de véhicule lors de
sa pause. Dans notre cas, les relèves (i.e. changeovers) ne seront pas prises en compte.
- Contrainte géographique : dans notre cas, nous supposons que le chauffeur affecté à une
certaine séquence de services devra retourner au démarrage du premier service qui lui a été
affecté une fois sa séquence effectuée.
- Fonction de coût : La fonction de coût est le résultat de la somme des coûts liés aux véhicules
et de ceux liés aux équipages.
Par conséquent, les chauffeurs et les véhicules exécuteront une séquence de services faisable
appelée généralement combined duty.

2 Modélisation Mathématique

Soit N = {1, 2, ..i, j, .., n} l’ensemble des n services où le service i commence à la date
ai et termine à la date bi . Soit tij la durée de trajet (appelée aussi haut le pied) entre
la localité de fin de i et la localité de départ du service j. Deux services i et j sont dit
compatibles s’ils satisfont la relation bi + tij ≤ aj .Par conséquent, une séquence de ser-
vices est dite faisable si elle ne contient pas de services incompatibles entre eux. Soit E =
{(i, j) |i, j compatibles, i ∈ N, j ∈ N } l’ensemble de tous les hauts le pied entre services com-
patibles. Ces deux ensembles définissent un graphe noté G = (N, E).Le problème global peut
86 Solau, Thoma-Cosyns

être défini comme un problème de partition d’ensemble.Nous définirons xk comme étant une
séquence de services (i.e. combined duty). En effet, d’après [3], il est possible de modéliser la
séquence de services affectée aux bus et aux chauffeurs sous une même variable . La variable
de décision xk est associée à son coût ck . Par conséquent, le problème d’ordonnancement de
véhicules et d’équipages peut, dans notre cas, se représenter comme suivant :

&|K|
min k=1 ck xk
(1)
&
k∈K ajk xk = 1 j = 1, 2, ...., n
(2)
xk ∈{0, 1} pour tout k ∈ K
(3)
xk indique si la séquence de services est sélectionnée dans la solution. ajk ∈ {0, 1} est une
variable égale à 1 si la variable de décision xk couvre le service j.

3 Strucure de l’algorithme
La structure élaborée est la suivante : La résolution du sous-problème (i.e. pricing problem)

est effectuée via l’algorithme de Dijkstra. Enfin, l’algorithme du Branch-and-Bound intervient

une fois que toutes les colonnes intéressantes ont été générées.

4 Conclusion
Nous avons remarqué que les résultats fournis par le Branch-and-Bound étaient similaires
à ceux fournis par un algorithme de type simplexe après avoir appliqué une procédure d’ar-
rondi. C’est pourquoi, avec un jeu de données comme celui là (300 services), nous pouvons
nous passer de l’utilisation du Branch-and-Bound. Cependant, afin de pouvoir mieux juger le
résultat il faudrait tester sur un plus grand nombre de services.

Références
1. Freling R., Huisman D., Wagelmans A.P.M : Models and algorithms for integration of vehicle and
crew scheduling. J. Scheduling 63-85 (2003)
2. Freling R., Wagelmans P.M., Paixao : An Overview of Models and Techniques for Integrating
Vehicle and Crew Scheduling. Computer-Aided Transit Scheduling (1999)
3. Huisman : A note on model VCSP1 (2002)
 Un modèle pour le calcul de plus court chemin
multimodal en milieu urbain

Tristram Grabener, Alain Berro, and Yves Duthen

IRIT-UT1, UMR 5505, CNRS — Université de Toulouse

2 rue du doyen Gabriel Marty 31042 Toulouse Cedex 9, France
{tristram.grabener, alain.berro, yves.duthen}@irit.fr

Mots-Clefs. Transport multimodal urbain ; Plus court chemin dynamique

Introduction

Le transport multimodal1 consiste à combiner plusieurs moyens de transport pour arriver

à destination. Calculer un plus court chemin multimodal présente plusieurs difficultés. D’une
part le graphe modélisant le réseau est dynamique : la valeur des arcs change en fonction du
temps (embouteillages) et la topologie également (métro fermé). D’autre part la contrainte
dite FIFO[4] n’est généralement pas respectée : il peut être plus intéressant de laisser passer
un train omnibus pour prendre un direct permettant d’arriver plus rapidement à destination.
Nous proposons un modèle permettant de calculer efficacement le plus court chemin mul-
timodal lorsque l’objectif à minimiser est le temps. Il repose sur la création d’une couche par
moyen de transport et sur l’intégration du temps d’attente dans le coût des arc.

1 Algorithmes existants

Modélisation Un réseau routier ou de transports en commun se modélise naturellement sous la

forme d’un graphe valué. Il est important de noter que le poids des arcs est traditionnellement
une constante (longueur ou temps), mais qu’il est parfaitement possible d’utiliser une fonction
arbitraire. La longueur d’un chemin c = (ci )i∈1,...,l est alors calculé en appliquant les fonctions
de coût correspondantes à chaque arc traversé : F (c) = Fc1 c2 ◦ ... ◦ Fcl−1 cl (t0 ) où t0 la valeur
initiale. Il est donc possible de modéliser les variations de trafic en fonction de l’heure.

Plus court chemin unimodal Afin de calculer le plus court chemin dans un graphe, l’algorithme
le plus connu est probablement celui de Dijkstra qui calcule le plus court chemin d’un noeud
vers tous les autres en O(m+ n log n) (avec n noeuds et m arcs). Il existe d’autres algorithmes
plus spécialisés pour le monde du transport. Le lecteur s’y intéressant pourra se référer à [5].
Dans le cas de poids constants, l’algorithme de Dijkstra est applicable si tous les poids sont
positifs. Dans le cas de fonctions, il faut que celles-ci soient croissantes [2].
1
le terme intermodal est parfois utilisé [1], tandis que [3] utilise multimodal
88 T. Grabener, A. Berro, Y. Duthen

Approches existantes L’approche habituelle consiste à discrétiser le temps en q intervalles,

pour construire un graphe espace-temps où un noeud est associé à chaque couple (noeud,
temps). Les arcs modélisent les transitions possibles, et permettent de prendre en compte le
temps d’attente à un noeud. L’algorithme Chrono-SPT [4] calcule le plus court chemin en
générant implicitement ce graphe en O(q · m). Les approches [6] et [1] sont basées sur une
modification de cet algorithme pour prendre en compte la multimodalité.

2 Modèle proposé

Duplication des noeuds par mode Pour chaque mode de transport une couche est générée.
Ainsi un réseau avec n noeuds est modélisé par un graphe à 3n noeuds si l’on prend en
compte le vélo, la voiture et la marche. Chaque ligne de transports en communs est modélisée
par une couche séparée. Das le cas où sur une même ligne un train peu en dépasser un autre,
la ligne est dédoublée. Les noeuds entre deux couches sont reliés s’il est possible de passer
d’un mode à l’autre, prenant en compte le temps nécessaire pour cela.

Gestion du temps d’attente La nature multi-couches permet de garantir qu’il n’est pas possible
d’avoir un dépassement sur un arc. Il ne sert donc à rien d’attendre plus longtemps sur un
noeud avant d’emprunter un arc. On intègre donc ce temps dans la fonction de coût de l’arc.

Propriétés Ce modèle respecte les contraintes d’optimalité de l’algorithme de Dijkstra. De

plus il offre une grande flexibilité de modélisation : il est possible de prendre en compte la
possibilité « d’abandonner » son véhicule (Parking-relai), les vélos en libre service ainsi que
les temps de changements entre chaque mode. Le fait de ne pas discrétiser le temps permet
d’avoir une meilleur précision qu’avec les approches habituelles.

Limitations La principale limitation est que cette approche n’est valable que si l’on désire
minimiser le temps de parcours. En voulant minimiser le coût ou les émissions de CO2 , le
temps d’attente ne peut plus être incorporé dans la fonction de coût. La multiplication des
couches entraîne une plus grande consommation de mémoire ; cependant cette augmentation
est linéaire en fonction des modes de transports considérés et ne doit pas en pratique poser
de problèmes.

Résultats Sur un carré des 100 km de coté centré sur Toulouse (60000 noeuds), en prenant
en compte la marche et le Vélo-Toulouse (qui n’est accessible qu’à certains moments de la
journée), nous avons effectué 1000 calculs entre deux noeuds2 . Le temps moyen était 40 ms et
le pire cas 250 ms. Utiliser des fonction de coût arbitraires permet donc de conserver de très
bonnes performances. De plus le temps de calcul évolue de manière quasi-linéaire en fonction
du nombre de noeuds (en temps moyen et dans le pire cas), permettant un passage à l’échelle.

2
l’implémentation de Dijkstra est classique, la recherche est simplement arrêtée en arrivant à des-
tination
 Plus court chemin multimodal 89

Références
1. M. Boussedjra, C. Bloch, and A. El Moudni. Solution optimale pour la recherche du meilleur
chemin intermodal. MOSIM, 2003.
2. M. Gondran and M. Minoux. Graphes, Dioıdes et semi-anneaux. TEC & DOC, Paris, 2002.
3. S. Hoogendoorn-Lanser, R. van Nes, and P. Bovy. Path Size Modeling in Multimodal Route Choice
Analysis. Transportation Research Record, 1921(-1) :27–34, 2005.
4. S. Pallottino and M. Scutella. Shortest path algorithms in transportation models : classical and
innovative aspects. Kluwer Academic Publishers, 1998.
5. F. Zhan and C. Noon. Shortest Path Algorithms : An Evaluation using Real Road Networks.
TRANSPORTATION SCIENCE, 32 :65–73, 1998.
6. A. Ziliaskopoulos and W. Wardell. An intermodal optimum path algorithm for multimodal net-
works with dynamic arc travel times and switching delays. European Journal of Operational
Research, 125(3) :486–502, 2000.
 Calcul de plus court chemin bicritére

G. Sauvanet and E. Néron

Université François Rabelais Tours — Laboratoire d’Informatique

{gael.sauvanet|emmanuel.neron}@univ-tours.fr

1 Introduction

L’objectif de ce papier est de faire une présentation générale du probléme de plus court
chemin bicritére et de proposer une méthode de résolution exacte avec prétraitements. Ici
les deux critéres considérés sont la distance et la sécurité. En effet l’application cible vise à
calculer des itinéraires cyclistes à l’echelle d’un département. Cette étude se fait dans le cadre
d’une convention CIFRE1 .

2 Présentation du probléme

Considérons le graphe orienté G=(V,A) composé de n nœuds et de m arcs. Dans ce graphe,

les nœuds s, t ∈ N correspondent aux nœuds initial et terminal. Une fonction c : A → R+
associe un coût à chaque arc du graphe. Dans le cas du probléme bicritére, il y a deux fonctions
de coûts c1 et c2 correspondant aux deux critéres.
Un chemin de i vers j (i, j ∈ V ) est une séquence de o arcs p = (a1 , a2 , ..., ao ) contigus. Le
plus court chemin p d’une instance (un graphe& G et un couple de nœuds s; t) est le chemin
qui minimise la fonction de coût : mina∈p c(a).

3 Probléme monocritére

L’algorithme de Dijkstra[1] permet de résoudre le probléme monocritére en temps polyno-

mial. Le principe est de maintenir une étiquette contenant la distance entre chaque nœud et
le nœud source et de garder une liste des nœuds restants à explorer. Cette méthode permet
de garantir que chaque nœud ne sera exploré qu’une fois.
Il existe de nombreuses variantes de cet algorithme permettant d’accélérer le calcul[5].
Dans la recherche bidirectionnelle, deux recherches de plus court chemin sont lancées en mÍme
temps, l’une partant de s vers t et l’autre de t vers s, et la méthode prend fin lorsque les deux
recherches se rencontrent. La méthode A*[2] quant à elle, modifie la priorité d’exploration
des nœuds afin d’orienter la recherche vers les nœuds potentiellement plus proches du nœud
terminal. Enfin, les méthodes à base de prétraitements sont généralement les plus efficaces.
Par exemple, la méthode ALT[2] est une extension de A* qui utilise les distances précalculées
entre un sous ensemble de noeuds L ∈ V et la totalité des noeuds V .
1
Thése CIFRE n˚1097/2007, association Autour du Train
 Calcul de plus court chemin bicritére 91

4 Probléme bicritére
Dans le probléme bicritére, il n’existe pas une solution optimale, mais un ensemble de
solutions non dominées où chacune d’entre elles correspond à un couple de valeur des deux
critéres. Une solution (x′ , y ′ ) est dite dominée par une autre (x, y) si x ≤ x′ et y ≤ y ′ avec
au moins une inégalité stricte. L’ensemble de ces solutions de compromis peut Ítre représenté
dans l’espace des deux critéres et constitue ce que l’on appelle le front de Pareto. Il s’agit
d’un probléme NP-complet[3].
Un état de l’art récent sur les problémes de plus court chemin multicritéres est dispo-
nible dans [4]. Les méthodes de résolution peuvent Ítre regroupées en plusieurs catégories en
fonction de leur objectif : trouver une solution de compromis, trouver l’ensemble du front de
Pareto, trouver une approximation du front de Pareto, etc.

5 Méthode de résolution exacte avec prétraitements

Les méthodes de résolutions classiques permettant de trouver l’ensemble des solutions non
dominées sont des adaptations de méthodes monocritéres (Dijkstra ou méthode des k plus
courts chemins). Nous proposons ici d’adapter une des méthodes avec prétraitements pour
accélerer le calcul.
En effet, étant donné que le graphe ne change pas d’une instance à l’autre, il est possible de
sélectionner un sous ensemble de nœuds L ∈ V et de précalculer l’ensemble des chemins non
dominés entre chacun de ces nœuds. Ces prétraitements permettent de calculer rapidement
une approximation du front de Pareto pour une instance donnée et ainsi réduisent le nombre
de nœuds à explorer.

6 Conclusion
Nous venons de montrer un aperçu du probléme de plus court chemin bicritére. La méthode
présentée permet de réduire le temps de calcul de l’ensemble des solutions non dominées par
rapport à une méthode classique. Les résultats seront détaillés lors de la présentation.

Références
1. E.W. Dijkstra. A note on two problems in connection with graphs. Numerische Mathematik,
(1) :269–271, 1959.
2. Harrelson C. Goldberg, A. Computing the shortest path : A* meets graph theory. Proceedings
of the 16th Annual ACM-SIAM Symposium on Discrete Algorithms (SODA 2005), SIAM (2005),
2005.
3. P Serafini. Some considerations about computational complexity for multiobjective combinatorial
problems. In Lecture Notes in Economics and Mathematical Systems, pages 222–232. Springer-
Verlag, 1987.
4. Z. Tarapata. Selected multicriteria shortest path problems : An analysis of complexity, models and
adaptation of standard algorithms. Iinternational Journal Of Applied Mathematics And Computer
Science, 17 :269–287, 2007.
5. D. Wagner, T. Willhalm. Speed-Up Techniques for Shortest-Path Computations. STACS, pages
23-36, 2007.
 Coupes valides pour le problème de minimisation de la
somme pondérée de retard et de l’avance sur une
machine unique

Maher. Rebai1 and Imed. Kacem2

ICD-LOSI CNRS FRE 2848. Université de technologie de Troyes, France.

maher.rebai@utt.fr
imed.kacem@utt.fr

Ce travail concerne le problème d’ordonnancement d’un certain nombre de tâches indé-

pendantes sur une seule machine. L’objectif est de minimiser la somme pondérée des retards
et des avances. Ce problème peut être formulé comme suit :
N
%
−
M in wi d+
i + hi di
i=1

Sous les contraintes :

Ci − d+ + d−
i = di ∀i = 1 . . . N (1)
&N i
xij = 1 ∀j = 1 . . . N (2)
&i=1
N
j=1 xij = 1 ∀i = 1 . . . N (3)
&j &N
Ci + P (1 − xij ) ≥ k=1 t=1 pt xtk ∀i = 1 . . . N, j = 1 . . . N (4)
& &
Ci − P (1 − xij ) ≤ jk=1 N p x
t=1 t tk ∀i = 1 . . . N, j = 1 . . . N (5)
+ − &N
xij ∈ {0, 1} Ci , di , di ∈ N P = i=1 pi − mini∈N pi

d−
i : désigne la déviation négative de la tâche i ou également l’avance.
d+
i : désigne la déviation positive de la tâche i ou également le retard.
Ci : désigne
1 le temps d’achèvement de la tâche i dans la séquence optimale.
1 si la tâche i est affectée à la position j.
xij =
0 sinon.
Données : wi : pénalité de retard de la tâche i ; hi : pénalité d’avance de la tâche i ; di : date
due de la tâche i ; pi : temps opératoire de la tâche i.

(1) exprime que chaque tâche doit dévier positivement ou négativement par rapport à sa
date due. (2) et (3) sont des contraintes d’affectation : Chaque tâche occupe une seule po-
sition et chaque position ne peut contenir qu’une seule tâche. (4) permet de déterminer une
valeur de temps d’achèvement optimal de la tâche i quand cette dernière est en retard, sinon
elle est redondante. (5) permet de déterminer une valeur de temps d’achèvement optimal de
la tâche i quand cette dernière est en avance, sinon elle est redondante.
Pour améliorer la qualité de la solution relaxée du modèle nous avons proposé plusieurs coupes
valides.
La première coupe consiste à minorer la valeur de la somme pondérée des temps d’achèvement
des tâches dans la séquence optimale par la somme du flowtime pondéré (W F1 (p, w))de la
séquence obtenue en appliquant la règle WSPT à l’ensemble des tâches (en utilisant des poids
 Coupes valides pour le problème d’ordonnancement 93

fictifs et en les associant aux tâches). La deuxième famille de contraintes de cette première
coupe consiste à majorer la valeur de la somme pondérée des temps d’achèvement des tâches
dans la séquence optimale par une valeur obtenue en calculant la somme du flowtime pon-
déré de la séquence obtenue en appliquant la règle WSPT et en effectuant un changement de
repère.
&N
wi Ci ≥ W F1 (p, w)
&i=1
N ′
&N
i=1 wi (P + pi ) − W F1 (p, w )
′ ′
i=1 wi Ci ≤

En appliquant le même principe et en utilisant la règle WLPT nous obtenons les contraintes
suivantes :
&N
wi Ci ≤ W F2 (p, w)
&i=1
N ′
&N ′ ′
i=1 wi Ci ≥ i=1 wi (P + pi ) − W F2 (p, w )

La deuxième coupe consiste à encadrer le temps d’achèvement de chaque tâche i dans chaque
position j par deux valeurs : Il s’agit donc de déterminer une borne inférieure et une borne
supérieure pour la date de fin de la tâche i si elle est ordonnancée à la position j.
&N &
j=1 C ij xij ≤Ci ≤ N j=1 C ij xij ∀i = 1 . . . N
avec C ij = max(C 1ij , C 2ij )
' &
C 1ij = jk=1 p[k] k ∈ {[1], [2], . . . , [j]}
où 2 &j−1
C ij = k=1 p[k] + pi , k ∈ {[1], [2], . . . , [j]}
[k] est la k ème tâche de la séquence S obtenue en appliquant la règle SPT à l’ensemble des
tâches.
1 2
et C ij = min(C ij , C ij )
' &
1
C ij = jk=1 p[k] k ∈ {[N ], [N − 1], . . . , [N − j + 1]}
où 2 &j−1
C ij = k=1 p[k] + pi , k ∈ {[N ], [N − 1], . . . , [N − j + 1]}
L’idée de la troisième coupe est similaire à celle de la premiere coupe. Il suffit de prendre
des poids égaux aux temps opératoires des tâches pour avoir une contrainte du type égalité.
&N
i=1 pi Ci = W F1 (p, p)

Références
1. Baker KR, Scudder GD. : Sequencing with earliness and tardiness penalties : a review. Operations
Research (1990)
2. Kacem I. : Lower bounds for tardiness minimization on a single machine with family setup times.
International journal of Operations Research (2007)
3. Sourd F, Keded-Sidhoum S, Rio Solis Y. : Lower bounds for the earliness-tardiness scheduling
problem on parallel machines with distinct due dates. European Journal of Operational Research
(2007)
 Localisation de caches
dans un réseau de distribution de contenu

Philippe Chrétienne2 , Pierre Fouilhoux2 , Eric Gourdin1 , and Jean-Mathieu Segura1,2

1
Orange Labs, 38-40 rue du Général Leclerc, 92794 Issy-Les-Moulineaux.
{eric.gourdin,jeanmathieu.segura}@orange-ftgroup.com
2
LIP6, 104 avenue du Président Kennedy, 75016 Paris.
{philippe.chretienne,pierre.fouilhoux,jean-mathieu.segura}@lip6.fr

Mots-Clefs : VoD, télécommunications, caches, localisation, affectation

Nous nous intéressons au problème de localisation d’équipements dans un réseau lorsque l’on
désire affecter des produits et des clients à ces équipements.
Ce problème intervient dans la distribution de contenu, comme celle d’un catalogue de films
dans le service de vidéo à la demande (VoD) destinés à des utilisateurs de ce service et à
travers le réseau d’un opérateur internet. Les équipements à positionner dans le réseau sont
des disques durs, appelés des caches, où l’on peut stocker un nombre limité de films. Les
caches doivent être répartis dans le réseau de manière à permettre un accès rapide lors de la
distribution des films aux clients. La solution de ce problème consiste donc, tout à la fois, à
placer les caches, ainsi qu’affecter les films sur ces caches, de sorte à ce que chaque client ait
accès à la totalité des films du catalogue.
Dans ce contexte de distribution de films, le coût de raccordement des clients aux caches sont
plus important pour des films dits "populaires" que pour les films peu demandés. Dès lors, les
objectifs sont de minimiser le coût de raccordement des clients aux caches, ainsi que le coût
d’installation de ces caches.

1 Modélisation
On dispose d’un ensemble de sites V = {1, ..., n} pour installer les caches. Ce sont les clients,
les concentrateurs du réseaux, un système de Peer-to-Peer ou le serveur central de distribution
des films. Les sites sont rassemblés dans un réseau R = (V, E) où E est l’ensemble des liaisons
du réseaux. L’ensemble des films est noté F = {1, ..., m}. Le coût de raccordement d’un client
i ∈ V à un équipement situé en j ∈ V pour le film f ∈ F est noté cijf . Ce coût dépend
à la fois de la valeur d’un plus court chemin entre i et j et de la popularité du film f . On
notera µi la capacité en nombre de film que l’on peut placer sur le cache placé sur le site
i ∈ V . La capacité des disques est différente selon que le disque est placé sur un site client,
concentrateur ou selon le principe de Peer-to-Peer.
Le problème consiste alors à décider de positionner un cache sur chaque site d’un multi-
ensemble S ⊂ V tel que chaque film soit affecté à au moins un cache : on note alors S f
l’ensemble des chaches contenant le film f . Il faut également décider une affectation de chaque
client à un et un seul site j de S f , pour chaque film f ∈ F . Cette double affectation doit
respecter la contrainte de capacité interdisant de placer plus de µi films par cache.
L’objectif du problème doit réaliser un compromis entre minimiser le nombre de caches et
minimiser la somme des coûts d’accès à chaque film pour tous les clients. En pratique, le
 Localisation de caches dans un réseau de distribution de contenu 95

nombre de caches est souvent fixé à l’avance (contrainte budgétaire). On note alors p = |S|
le nombre de caches à positionner.
Le problème tel qu’il est défini est NP-difficile dans le cas d’un graphe quelconque, puisqu’il
est une généralisation du problème p-médian qui a été montré NP-difficile, même dans le cas
d’un graphe planaire de degré maximum 3 [1] (en revanche, le problème du p-median a été
montré polynomial dans le cas d’un arbre [1].)

2 Formulation PLNE
Nous supposons ici que tous les sites sont des clients potentiels et que chaque disque a la même
capacité µ. Une modélisation mathématique possible sous forme de programme linéaire en
nombre entier est alors la suivante :
&n & n &m
min cijf × xijf
i=1 j=1 f =1
&
n
s.t. xijf = 1, ∀j, ∀f (1)
i=1
xijf ≤ xjjf , ∀i, j, ∀f (2)
&
m
xjjf ≤ µ × zj , ∀j (3)
f =1
&
n
zj = p, (4)
j=1
xijf ∈ {0, 1}, zj ∈ N (5)
La contrainte (1) implique que chaque client i est affecté à un site j pour chaque film f . La
contrainte (2) exprime que si le client i est affecté à un site j pour le film f , alors un cache
doit être installé sur le site j et le film f y être effectivement stocké. La contrainte (3) impose
que le nombre de films stockés sur les caches situés en j est bien inférieur à leurs capacités.
Enfin, la contrainte (4) impose le nombre de caches à placer, tandis que les contraintes (5)
expriment l’intégrité des variables.

3 Résultats
Une étude expérimentale préliminaire a démontré que, même pour n et p petits, les instances
du problème sous cette modélisation sont difficilement résolues par CPLEX. Nous étudierons
alors une approche polyédrale pour ce problème dont les premiers résultats seront présentés.
Nous présenterons également des résultats algorithmiques exactes ou approchées sur des cas
de graphes simples (étoile, arbres) qui sont fréquemment utilisés pour modéliser les réseaux
d’opérateurs internet.

Références
1. O. Kariv and S. L. Hakimi An Algorithmic Approach to Network Location Problems. II : The
p-Medians SIAM Journal on Applied Mathematics (1979)
 Un algorithme approché de facteur 2 log2 (n) pour le
problème du cycle de couverture

V.H. Nguyen1

LIP6, Université Pierre et Marie Curie Paris 6, 4 place Jussieu, 75252 Paris Cedex 05.
Hung.Nguyen@lip6.fr

1 Introduction
Soit G = (V, A) un graphe orienté où |V | = n et |A| = m. Les arcs de A sont pondérées par
une fonction c : A ⇒ Q+ . Un cycle de couverture T est un sous-graphe T = (U, F ) tel que
– Pour toute e ∈ A, il existe au moins f ∈ F intersectant e, i.e. f a au moins une extrémité
communne avec e.
– T est un cycle (qui n’est pas forcément simple).
Nous considérons le problème du cycle de couverture de poids minimum (DToCP abbréviation
en anglais pour Directed Tour Cover Problem). Appelons T ∗ le cycle de couverture de poids
minimum cherché. Puisque T ∗ peut ne pas être simple, nous pouvons supposer sans perte de
généralité que chaque arc dans T ∗ représente le plus court chemin de son extrémité initiale à
son extrémité terminale, i.e. les coûts définis par c satisfont l’inégalité triangulaire. La version
non-orientée où on cherche un circuit de couverture de poids minimum (ToCP) a été étudié
dans la littérature. Ce problème est introduit initialement dans un papier de Arkin et al. [1].
Ils démontrent que ToCP est N P -difficle et proposent un algorithme d’approximation pure-
ment combinatoire avec un facteur d’approximation de 5,5. Plus tard, Konemann et al. [2]
utilisent une formulation linéaire 0/1 du ToCP pour améliorer le facteur d’approximation en 3.

2 Un algorithme approché de facteur 2 log2 (n)

On peut démontrer que DtoCP est N P -difficile par une reduction d’un cas particulier pro-
blème du Voyageur de Commerce Assymétrique où les coût satisfont l’inégalité triangulaire
(noté MATSP pour Metric Assymmetric Travelling Salesman Problem). La preuve est assez
similaire à la preuve pour ToCP donnée par Arkin et al. dans [1]. Étant donné une instance
G = (V, A) et c du MATSP où c est la fonction de coût sur les arcs, la reduction peut être
décrite comme suit. Pour chaque sommet i ∈ V , on crée un nouveau sommet i′ et ajoute un
arc (i, i′ ) de coût +∞ dans G. Appelons G′ le nouveau graphe obtenu. Considérons le DToCP
dans G′ , comme les coûts sont métriques, on peut se limiter à considérer seulement des cycles
de couverture de G′ qui sont simples. De plus, par la structure particulière de G′ , ces cycles
sont les cycles hamiltoniens de G. On a donc une correspondance entre les cycles de couver-
ture de G′ et les cycle hamiltoniens de G. Cette réduction préserve en plus l’approximation,
i.e. si on a un algorithme d’approximation de facteur α pour DToCP alors on aura le même
facteur d’approximation pour MATSP. À notre connaissance, le meilleur facteur actuel pour
MATSP est 0.824 log2 (n) obtenu par Kaplan et al. [3]. Il sera donc très difficile de concevoir
 Cycle de couverture 97

un algorithme de facteur constant pour DToCP. Ce serait alors plus réaliste d’approcher le
facteur 0.824 log2 (n) pour MATSP.
Dans ce papier, nous allons présenter un algorithme d’approximation de facteur 2 log2 (n) pour
DToCP. Ce facteur est un peu plus 2 fois que le meilleur facteur d’approximation pour ATSP.
On peut l’expliquer par le fait que notre algorithme est inspiré de celui de Konneman et al.
pour ToCP. Leur algorithme est basé sur la borne donnée par la relaxation de Held-Karp
pour le metric TSP alors que le notre est basé sur la borne donnée par la relaxation de Held-
Karp pour le MATSP. Il est prouvé respectivement que le coût du voyageur de commerce
non-orienté est au plus 32 fois la solution optimale de la relaxation Held-Karp pour le metric
TSP et le coût du voyageur de commerce orienté est au plus log2 (n) fois la solution optimale
de la relaxation Held-Karp pour le MATSP. Notre facteur 2 log2 (n) suit logiquement 3 qui
est égal à 2 × 32 , le meilleur facteur pour ToCP.

Références
1. Arkin, E. M., Halldórsson, M. M. and Hassin R. : Approximating the tree and tour covers of a
graph. Information Processing Letters, vol.47, pp. 275-282 (1993)
2. Könemann, J., Konjevod, G. and Sinha, A. : Improved Approximations for Tour and Tree Covers.
Algorithmica, vol. 38, pp. 441-449 (2003)
3. Kaplan, H., Lewenstein, M. , Shafrir, N. and Sviridenko, M. Approximation algorithms for asym-
metric TSP by decomposing directed regular multigraphs. Journal of the ACM, vol. 52, pp. 602-
626, (2005)
 Construction des séries d’états dans l’algorithme
Divide-and-Evolve

Jacques BIBAI12 , Marc SCHOENAUER1 , and Pierre SAVÉANT2

1
Projet TAO, INRIA Saclay & LRI, Université Paris Sud, Orsay, France.
prenom.nom@inria.fr
2
Thales Research & Technology, Palaiseau, France.
prenom.nom@thalesgroup.com

1 L’approche Divide-and-Evolve

Nous nous intéressons à la résolution générique des problèmes de planification temporelle de

type STRIPS, telle qu’elle est définie par le formalisme PDDL2.1 [5]. Plusieurs approches ont
été proposées pour la résolution de problèmes de planification temporelle, combinant des tech-
niques de recherche heuristique de résolution des problèmes de planification classique (consi-
dérant que toutes les actions ont la même durée) aux techniques issues de la recherche opé-
rationnelle [1,2]. Mais ces techniques de résolution, certes efficaces, ne passent pas à l’échelle
lorsque la taille de l’espace des états et/ou le nombre d’actions possibles augmentent. Afin
de surmonter cette difficulté, plusieurs méthodes sub-optimales ont été proposées. Certaines
d’entre elles permettent de produire rapidement des solutions, mais souvent au prix d’une
mauvaise qualité du plan généré [9].
L’approche Divide-and-Evolve (DAE) [3] est basée sur l’hypothèse de l’existence de séquences
d’états intermédiaires E0 = I, E1 , . . . , En = G "faciles à atteindre". Dans un premier temps, le
problème initial de planification temporelle PD (I, G) est décomposé par évolution artificielle
[4] en une séquence de sous-problèmes PD (Ei , Ei+1 ) qui sont sous-traités à un planificateur
temporel existant. Si tous les sous-problèmes sont résolus, les solutions partielles ainsi trouvées
sont ensuite recomposées pour obtenir une solution (sub-optimale) du problème initial. Dans
son implantation actuelle, chaque sous-problème PD (Ei , Ei+1 ) est résolu par le planificateur
exact CPT (Constraint Programming Temporal) [2].
Nous nous intéresserons ici, au sein de l’approche DAE, à l’étape particulière que constitue
la construction des séquences d’états que l’on espère faciles à résoudre. Le lecteur intéressé
par le détail de l’algorithme Divide-and-Evolve pourra se reporter à [7] et à [6].

2 Construction des états

La construction d’états est un des points critiques de l’algorithme DAE qui intervient dans les
phases d’initialisation et génération de nouvelles solutions candidates à l’aide des opérateurs
de variations. La phase d’initialisation consiste à une construction stochastique d’un ensemble
de séries d’états potentiel, qui est le point de départ de l’optimisation. A chaque génération,
les séries d’états possédant les meilleures évaluations seront modifiées par des opérateurs de
variation pour la production de nouvelles solutions.
 Séries d’états dans DAE 99

Deux aspects principaux guideront la conception de l’algorithme : essayer de respecter la

cohérence des états Ei , et restreindre au maximum la taille de l’espace de recherche en utilisant
des connaissances a priori que l’on peut déduire du problème. Deux points de vue vont être
envisagés, différant par le degré de prise en compte des relations entre atomes constituant un
état donné. Ainsi, dans la construction aveugle, nous nous intéresserons à la construction
des séries d’états E0 = I, E1 , . . . , En = G grâce à des choix uniformes des atomes dans
l’ensemble des atomes tout en garantissant la cohérence 2 à 2 des atomes dans chaque Ei . La
construction orientée quant à elle utilisera en plus une estimation du temps au plus tôt
d’apparition d’un atome dans toute solution du problème lors de la construction de la série
d’états E0 = I, E1 , . . . , En = G.

3 Expérimentations
Le choix des atomes permettant la description des états étant un problème ouvert [7], nous
avons implémenté en deux versions la construction aveugle des séries d’états. La première
version (1) utilise les atomes de l’état final et leurs voisins pour la construction des séries
d’états et la seconde construit ces séries d’états grâce aux atomes issus de la règle définie
dans [6]. Cette règle permet de restreindre l’ensemble des atomes de base utilisé pour la
construction des séries d’états aux atomes construits à partir d’un nombre de prédicats fixé.
L’implémentation de la construction orientée des séries d’états est obtenue à partir de (1) en
remplaçant ces opérateurs de variation et son initialisation par ceux implémentant la méthode
orientée. L’heuristique h2 définie dans [10] a été utilisée pour l’estimation des dates.
Nos expériences sur 4 domaines des benchmarks l’Internationnal Planning Competition (IPC)
ont montré qu’aucune méthode n’est meilleure (en proportion d’optima trouvée) que les autres
sur les 4 domaines. Lors de notre présentation, nous exposerons ces différentes méthodes de
construction des séries d’états ainsi que des résultats de comparaisons.

Références
1. Steven A. Wolfman and Daniel S. Weld. Combining linear programming and satisfiability solving for resource
planning. The Knowledge Engineering Review, 16, Cambridge University Press, New York (2001)
2. V. Vidal and H. Geffner. Branching and Pruning : An Optimal Temporal POCL Planner based on Constraint
Programming. Artificial Intelligence, 170,pages 298-335, (2006)
3. Marc Schoenauer and Pierre Savéant and Vincent Vidal. Divide-and-Evolve : a Sequential Hybridization Strategy
using Evolutionary Algorithms. Advances in Metaheuristics for Hard Optimization, Z. Michalewicz and P. Siarry,
Springer, pages 179-198 (2007)
4. A.E. Eiben and J.E. Smith. Introduction to Evolutionary Computing, Springer Verlag (2003).
5. M. Fox and D. Long. PDDL2.1 : An extension to PDDL for expressing temporal planning domains. JAIR, 20 :61-
124, 2003.
6. J. Bibai and M. Schoenauer and P. Savéant and V. Vidal. DAE : Planning as Artificial Evolution (Deterministic
part). In 6th International Planning Competition Booklet (IPC-2008).
7. J. Bibai and M. Schoenauer and P. Savéant and V. Vidal. Planification Evolutionnaire par Décomposition. INRIA
research report NRT-0355 (2008). URL : http ://hal.inria.fr/inria-00322880/en/
8. T. Bylander. The Computational Complexity of Propositional STRIPS planning. Artificial Intelligence, 69(1-2) :
165-204 (1994)
9. S. Edelkamp and M. Helmert. Mips - The Model Checking Integrated Planning System. AI Magazine Volume 22
Number 3 (2001).
10. P. Haslum and H. Geffner. Heuristic planning with time and resources. European Conference of Planning (ECP-
01), 121-132 (2001)
 The Multi-Period GAP Problem

X. CAO, A. JOUGLET and D. NACE

Université de Technologie de Compiègne

xiaokang.cao@hds.utc.fr, antoine.jouglet@hds.utc.fr, nace@hds.utc.fr

1 Introduction
We focus in this article to the Multi-Period Generalized Assignment Problem(MPGAP). This
kind of problem is inspired from different real-life situations, especially when one needs to
manage a set of equipments by determining their replacement dates given a budget over a time
horizon [5]. MPGAP can be seen as a combination of the multi-period knapsack problem and
the Generalized Assignment Problem(GAP). In literature, there are a few works dealing with
some multi-period variants of knapsack problems, but, to the best of our knowledge, there are
no studies directly concerned with the problem considered in this paper. More specifically, in
[3] the author deals with the simple multi-period knapsack problem and in [4], the authors
study the multi-period multiple-choice knapsack problem.

2 Mathematical formulation
Let us begin first with some notations :
J gives the set of items j.
T gives the time horizon. It is composed of consecutive periods t.
xj,t is the decision variable with respect to choose item j at some period t.
wj,t gives the weitht for item j at the period t.
pj,t gives the profit associated to decision of choosing the item j at the period t.
Bt gives the total capacity available for the first t periods.

%
max pj,t xj,t (1)
j∈J,t∈T
t %
%
wj,p xj,p ≤ Bt , ∀t ∈ T, (2)
p=1 j∈J
%
xj,t ≤ 1, ∀j ∈ J, (3)
t∈T
xj,t ∈ {0, 1}, ∀j ∈ J, t ∈ T, (4)
where B1 ≤ B2 ≤ B3 , ..., ≤ BT .

This formulation is a general case. In fact, the problem that we deal is a special case. In our
case, the pj,t values are non-increasing during the time horizon for a j given. And the wj,t
remains no changed during the time horizon for a j given. Thus, wj,t = wj .
 The Multi-Period GAP Problem 101

3 Resolution method
Firstly, we have adopted two heuristics well known in literature, Dantzig and Martello&Toth
heuristics. Dantzig heuristic is proposed by George Dantzig in 1957 for the unbounded knap-
sack problem [2]. The main idea is to decide the items to be taken following the non-increasing
order of pj,t /wj,t . Martello&Toth heuristic is proposed by Martello and Toth in 1990 for the
GAP [6]. The main idea is to choose items following the non-increasing order of the difference
of two biggest elements of pj,t /wj,t .
Another heuristic is developed for this type of problem. Our idea is to begin with an infeasible
solution which can be seen as an upper bound. This solution is obtained by the way that each
item is taken at the period where its profit is maximal. And then, a series of modifications
are processed on this solution until it becomes feasible.
We have also developed a tabu search for this problem. Firstly, a solution is represented by a
permutation and an assignment. Then, a classical tabu search is applied on the permutation.
And we used different strategies to compute an assignment and a profit from a permutation.
The result is used to evaluate every permutation. We proved that there exists at least a
permutation corresponding to the optimal solution and such a solution can be obtained by
consecutive moves in the neighborhood space.

4 Computing result
2*Method Instance1 (200 items) Instance2 (250 items) Instance3 (300 items)
obj funct time(ms) obj funct time(ms) obj funct time(ms)
Martello&toth 10280 120 13090 140 15950 200
HeuristicXk 10380 100 12980 130 16230 200
Tabu search 11080 66705 14070 134343 17130 208860

5 Conclusions and perspectives

The main contribution of this paper is that we study a new variant of the multi-period
knapsack problem. We provide several resolution methods, including a heuristic and a tabu
search method. The computing results obtained are rather promising.
Some work on dynamic programming and an exact method based on branch and bound are
ongoing.

Références
1. Martello S. and Toth P., Knapsack Problems : Algorithms and Computer Implementations. Wiley
(1990)
2. Kellerer H., Pferschy U. and Pisinger D., Knapsack Problems. Springer (2004)
3. B. H. Faaland, The Multiperiod Knapsack Problem, Operations Research, Vol. 29, No. 3 (May -
Jun., 1981), pp. 612-616.
4. E.Y.H. Lin , C-M. Wu, The Multiple-choice Multi-period Knapsack Problem, Journal of the
Operational Research Society, Volume 55, Number 2, February 2004, pp. 187-197(11).
5. T.-T. Dao, A. Nace, D. Nace and X. Cao, The Multi-Period Renewal Equipment Problem, Inter-
national Conference on Metaheuristics and Nature Inpired Computing, October 2008.
Heuristiques itératives basées sur des relaxations pour le
problème du sac-à-dos multidimensionnel à choix
multiples

Christophe Wilbaut et Saïd Hanafi

Laboratoire d’Automatique, de Mécanique et d’Informatique industrielles et Humaines de

Valenciennes, Équipe SIADE, UMR CNRS 8530
Le Mont Houy, 59313 Valenciennes Cedex 9
(christophe.wilbaut, said.hanafi)@univ-valenciennes.fr

Le problème du sac-à-dos multidimensionnel à choix multiples (MMKP pour Multi-choice

Multidimensional Knapsack Problem) est une variante du problème de sac-à-dos [3,6]. Le
MMKP est défini par un ensemble N d’objets, divisé en n groupes disjoints G = (G1 ∪ G2 ∪
... ∪ Gn ), oô chaque groupe Gi (i = 1, ..., n) a ni = |Gi | objets. À chaque objet (j = 1, ..., ni )
du groupe Gi est associé un profit cij et un ensemble de poids Aij = (a1ij , a2ij , ..., am
ij ) relatifs
aux m contraintes de sac-à-dos (ou de ressources) b = (b1 , b2 , ..., bm ). L’objectif du problème
est de choisir exactement un objet de chaque groupe de manière à maximiser le profit total
et en respectant les contraintes de capacité. Plus formellement, le MMKP peut être défini
comme suit :
 &
n &
max cij xij
 i=1 j∈Gi

 &n &
 sous les contraintes : akij xij ≤ bk ∀k = 1, . . . , m
(MMKP)  i=1
 & j∈G i
 xij = 1 i = 1, . . . , n
 j∈G i
xij ∈ {0, 1} i = 1, . . . , n, j ∈ Gi
oô xij = 1 si l’objet j du groupe Gi est choisi, 0 sinon.
Plusieurs applications pratiques du MMKP peuvent être recencées dans la litérature telle que
dans les systèmes multimédias adaptatifs [3].
En raison de sa difficulté, la plupart des approches proposées pour résoudre ce problème
sont basées sur des heuristiques. Moser et al. [4] furent parmi les premiers à s’intéresser à
la résolution de ce problème à l’aide d’un algorithme basé sur la relaxation Lagrangienne.
Finalement, les papiers de Hifi et al. [2] et de Cherfi et Hifi [1] basés sur une méthode de
recherche locale guidée et sur une génération de colonnes ont permis d’obtenir des réultats
très intéressants sur un ensemble d’instances existantes.
Plusieurs approches hybrides proposées récemment pour résoudre des problèmes d’optimi-
zation difficiles sont basées sur l’exploration de petits voisinages (voir références dans [5]).
L’approche que nous proposons repose sur ce même principe, et consiste à résoudre une série
de problèmes réduits de petite taille générés à partir de l’information fournie par une série de
solutions optimales de relaxations du problème. A chaque itération, une ou plusieurs pseudo-
coupes sont ajoutées dans le problème de manière à restreindre l’espace de recherche et assurer
la convergence de la méthode vers une solution optimale. La convergence de l’algorithme est
 Heuristiques itératives basées sur des relaxations pour le MMKP 103

cependant difficile à obtenir en pratique, nous l’utilisons plutôt comme une heuristique en
fixant à l’avance le nombre d’itérations ou le temps total d’exécution. Plusieurs éléments
peuvent facilement être intégrés à la méthode pour en améliorer le fonctionnement tels que
des techniques de dominance permettant de diminuer le nombre de problèmes réduits à ré-
soudre, ou encore l’utilisation d’une recherche locale pour affiner la valeur de la meilleure
borne inférieure obtenue [5]. Dans ce travail nous proposons l’utilisation de la méthode pour
résoudre le MMKP. Quelques composants particuliers sont ajoutés et l’approche est validée
sur un ensemble de 33 instances existantes. Le tableau 1 récapitule les résultats obtenus. Nous
précisons dans ce tableau pour chaque instance la meilleure valeur reportée dans [1], la valeur
obtenue par notre approche et le temps d’exécution en secondes. Globalement les résultats
reportés dans ce tableau montrent l’efficacité de l’approche pour ce problème.
Tab. 1. Synthèse des résultats

Instance Best cx CPU Instance Best cx CPU Instance Best cx CPU

I01 173 173 0 Ins01 10732 10712 56 Ins14 32870 32869 477
I02 364 364 0 Ins02 13598 13596 53 Ins15 39157 39160 562
I03 1602 1602 5 Ins03 10943 10934 41 Ins16 43361 43363 660
I04 3597 3597 9 Ins04 14440 14442 167 Ins17 54349 54355 954
I05 3905.7 3905.7 0 Ins05 17053 17041 134 Ins18 60460 60462 816
I06 4799.3 4799.3 0 Ins06 16825 16823 327 Ins19 64923 64928 979
I07 24587 24585 60 Ins07 16435 16420 173 Ins20 75611 75606 564
I08 36892 36862 111 Ins08 17510 17503 203
I09 49176 49146 76 Ins09 17760 17744 101
I10 61461 61442 68 Ins10 19314 19306 378
I11 73775 73752 122 Ins11 19434 19418 63
I12 86078 86091 525 Ins12 21731 21720 80
I13 98431 98425 732 Ins13 21575 21576 595

Références
1. Cherfi, N. et M. Hifi. A column generation method for the multiple-choice multi-dimensional
knapsack problem, Computational Optimization and Applications, DOI 10.1007/s10589-008-9184-
7, 2008.
2. Hifi, M., M. Michrafy and A. Sbihi. Heuristic algorithms for the multiple-choice multidimensional
knapsack problem, Journal of the Operational Research Society, 55, pp. 1323–1332, 2004.
3. Khan, S., K. F. Li and E. G. Manning. The Utility Model for Adaptive Multimedia System. In :
International Workshop on Multimedia Modeling, pp. 111–126, 1997.
4. Moser, M., D. P. Jokanovic and N. Shiratori. An algorithm for the multidimensional multiple-
choice knapsack problem, IEICE Transactions, A(E80), pp. 582–589, 1997.
5. Wilbaut, C. and S. Hanafi. New convergent heuristics for 0-1 mixed integer programming. Euro-
pean Journal of Operational Research, DOI 10.1016/j.ejor.2008.01.044, 2008.
6. Wilbaut, C., S. Hanafi and S. Salhi. A survey of effective heuristics and their application to
a variety of knapsack problems, IMA Journal of Management Mathematics, DOI 10.1093/ima-
man/dpn004, 2008.
 Une formulation PLNE efficace pour 1|rj |Lmax

C. Briand and S. Ourari

LAAS-CNRS ; Université de Toulouse ; 7, avenue du Colonel Roche, F-31077 Toulouse, France.

{briand,sourari}@laas.fr

1 Introduction
Cet article s’intéresse au problème d’ordonnancement à 1 machine. Il s’agit de déterminer
une séquence de n travaux , chaque travail j étant caractérisé par une date de début au plus
tôt rj , une date de fin au plus tard dj et une durée opératoire pj , de sorte à minimiser le
plus grand retard algébrique (problème classiquement noté 1|ri |Lmax ). En l’absence d’hypo-
thèse supplémentaire, ce problème est NP-difficile au sens fort. Néanmoins, on sait que la
méthode branch-and-bound de Carlier (voir [2]) est capable de résoudre très efficacement
des instances comptant plusieurs milliers de travaux. Cet article propose une formulation
de ce problème sous forme d’un Programme Linéaire en Nombres Entiers (PLNE). Cette
formulation est doublement intéressante. Tout d’abord, elle offre une méthode de résolution
alternative puisque, grâce à l’utilisation d’un solveur du marché, elle permet de résoudre
efficacement des instances comptant plusieurs milliers de travaux. Ensuite, une formulation
PLNE étant par essence générique, d’autres critères ou contraintes peuvent être envisagés.
La formulation PLNE est fondée sur un théorème de dominance qui permet de restreindre
l’espace de recherche à un sous ensemble de séquences de travaux ayant une forme particulière.
Ce théorème est présenté dans la première partie.

2 Un théorème de dominance
Dans les années 80, un nouveau théorème est proposé dans [3] pour la caractérisation d’un
ensemble de séquences dominantes pour le problème à une machine. Ce théorème est basé
sur une analyse de structure d’intervalles. Un intervalle [rj ,dj ] est associé à chaque travail j.
On s’intéresse dans ce qui suit aux sommets de la structure d’intervalles et aux pyramides
qu’ils caractérisent. Un travail t est dit sommet s’il n’existe pas de travail j 9= t tel que
rj > rt ∧ dj < dt (i.e., l’intervalle de t n’est pas inclus strictement dans un autre intervalle).
Étant donné un sommet t, la pyramide Pt relative à t est l’ensemble des travaux j tels que
rj < rt ∧ dj > dt (i.e., l’ensemble des travaux dont l’intervalle d’exécution inclut strictement
celui de t). Pour la détermination des sommets et pyramides, seul l’ordre relatif défini par les
dates de début au plus tôt rj et de fin au plus tard dj des n travaux est considéré (i.e., les
durées opératoires pj et les valeurs numériques de rj et dj ne sont pas utilisées).
On suppose que les m sommets de la structure d’intervalles sont indicés par rj croissants (par
dj croissants en cas d’égalité de rj ). La pyramide notée Pα désigne la pyramide caractérisée par
le sommet tα . On note u(j) (resp. v(j)) l’indice de la première pyramide à laquelle le travail
j appartient (resp. l’indice de la dernière pyramide à laquelle le travail j appartient). Un
ensemble dominant de séquences peut alors être caractérisé ainsi que décrit dans le théorème
suivant.
 Une formulation PLNE efficace pour 1|rj |Lmax 105

Theorème 1 L’ensemble des séquences de travaux de la forme σ = α1 ≺ t1 ≺ β1 ≺ · · · ≺

αk ≺ tk ≺ βk ≺ · · · ≺ αm ≺ tm ≺ βm , où :
- tk est le sommet de la pyramide Pk , ∀k = 1 . . . m ;
- αk et βk sont deux sous-séquences de travaux situées respectivement à la gauche et à la
droite du sommet tk , telles que les travaux de la sous-séquence αk sont ordonnés selon
l’ordre croissant de leur rj , et ceux appartenant à βk , selon l’ordre croissant de leur dj ;
- tout travail non sommet j est affecté soit à αk , soit à βk , pour un certain k tel que u(j) ≤
k ≤ v(j) ;
est dominant pour le problème de recherche d’une solution admissible.

3 Détermination du plus grand retard algébrique

Considérant une séquence dominante de la forme σ = α1 ≺ t1 ≺ β1 ≺ · · · ≺ αk ≺ tk ≺
βk ≺ · · · ≺ αm ≺ tm ≺ βm , il est possible d’associer à chaque sous-séquence αk ≺ tk ≺ βk
les grandeurs numériques Rk et Dk . Rk correspond à la date de fin au plus tôt de la sous-
séquence αk et peut être calculée par l’équation 1 ; où ef tk−1 est la date&de fin au plus tôt de
la sous-séquence βk−1 , définie par l’égalité : ef tk−1 = Rk−1 + ptk−1 + j∈βk−1 pj .
%
Rk = max(rtk , max(ri , ef tk−1 ) + pj + pi ) (1)
i∈αk
{j∈αk |i≺j}

De façon similaire, la variable Dk , correspondant à la date de début au plus tard de la sous-

séquence βk , peut être calculée par l’équation 2 ; où lstk+1 , correspondant à la date de début
au plus tard de la sous-séquence αk+1 , est calculée par la formule : lstk+1 = Dk+1 − ptk+1 −
&
j∈αk+1 pj .
%
Dk = min(dtk , min(di , lstk+1 ) − pj − pi ) (2)
i∈βk
{j∈βk |j≺i}

Dans [1], il est alors montré que le plus grand retard algébrique des travaux appartenant à la
sous-séquence αk ≺ tk ≺ βk est exactement égal à Rk − Dk + ptk . Par conséquent, minimiser
la fonction z = maxk=1...m (Rk − Dk + ptk ) est équivalent à minimiser le plus grand retard
algébrique.
Sur la base de ce résultat, nous proposons un PLNE en variables mixtes (entières et binaires)
pour résoudre le problème 1|rj |Lmax . Ce PLNE sera décrit lors de la conférence et nous
discuterons de son efficacité, de ses limites et de ses possibles extensions pour résoudre d’autres
problèmes à une machine.

Références
1. Briand C., Ourari S., Bouzouia B. “An efficient ILP formulation for the single machine scheduling
problem", submitted to RAIRO - Operations Research, 2008.
2. Carlier, J., “The one-machine sequencing problem", 1982, European Journal of Operational Re-
search, 11, 42-47.
3. Erschler, J., Fontan, G., Merce, C., Roubellat, F.,“A New Dominance Concept in Scheduling
n Jobs on a Single Machine with Ready Times and Due Dates", Operations Research, Vol. 31,
pp114-127, 1983.
 Amélioration de la borne préemptive pour le problème
1|ri |Lmax

F. Della Croce1 and V. T’kindt2

1
D.A.I. Politecnico di Torino, Torino, Italy.
federico.dellacroce@polito.it
2
Laboratoire d’Informatique de l’Université François-Rabelais Tours, 64 avenue Jean Portalis,
37200 Tours, France.
tkindt@univ-tours.fr

1 Introduction
Dans ce papier nous considérons le problème d’ordonnancement à une machine où tous les
travaux disposent d’une date de début au plus tôt et d’une date de fin souhaitée. Le problème
peut être établi comme suit. Un ensemble de n travaux doit être exécuté sur une machine
disponible sans interruption. Chaque travail i a un temps opératoire pi , une date de début
au plus tôt ri et une date due di . La machine peut traiter un seul travail à la fois et aucun
travail ne peut débuter avant sa date de début au plus tôt. La préemption n’est pas autorisée.
L’objectif est de minimiser le plus grand retard algébrique Lmax = maxi Li = maxi (Ci − di ),
avec Ci la date de fin du travail i. Ce problème, qui peut être noté 1|ri |Lmax , est N P-difficile
au sens fort.

Lorsque la préemption des travaux est autorisée, le problème devient résoluble en O(n log(n))
en calculant l’ordonnancement préemptif de Jackson ([3]) : “Ordonnancer à chaque instant t le
travail de plus petite date due parmi les travaux disponibles à cette date”. La valeur du critère
Lmax pour ce problème constitue une borne inférieure, très efficace, pour le problème non pré-
emptif. La résolution exacte du problème 1|ri |Lmax peut être réalisée à l’aide des algorithmes
proposés par Carlier ([1]) et Pan et Shi ([4]). D’ailleurs, Pan et Shi proposent également une
borne inférieure, notée SLB, qui améliore la borne préemptive d’approximativement 31%
sur des instances non triviales où cette dernière ne donne pas la solution optimale. Dans ce
papier, nous proposons une amélioration de la borne préemptive qui est fortement basée sur
l’analyse des conséquences de la préemption. Il est intéressant de noter que cette améliora-
tion conserve la même complexité algorithmique dans le pire des cas que celle du calcule de
la borne préemptive. Ce travail s’inscrit & dans la lignée de l’amélioration déjà réalisée pour
la borne préemptive sur le problème 1|ri | i Ci ([2]). Des résultats expérimentaux montrent
que non seulement nous améliorons significativement la borne préemptive, mais également la
borne SLB.

2 Amélioration de la borne préemptive

Supposons que les n travaux i soient numérotés selon leur date de fin dans l’ordonnancement,
noté JP S, obtenu en appliquant la règle de Jackson. Soit j le travail critique, i.e. celui qui
 Amélioration de la borne préemptive pour le problème 1|ri |Lmax 107

donne la valeur du Lmax dans JP S. Autrement dit, Lj est la valeur de la borne inférieure
préemptive. Soit OP T une solution optimale au problème non préemptif. Nous allons, en
étudiant le travail j, essayer d’améliorer la valeur de la borne préemptive. Pour cela nous
considérons les quatres cas, exhaustifs, suivants :
1. Dans OP T , les travaux 1, ..., j précèdent les travaux j +1, ..., n avec le travail j en position
[j].
2. Dans OP T , les travaux 1, ..., j précèdent les travaux j +1, ..., n avec le travail j en position
[h] < [j].
3. Dans OP T , le travail j est précédé des travaux 1, ..., j − 1 et d’au moins un travail k > j.
4. Dans OP T , un travail h < j est précédé des travaux 1, ..., h − 1, h + 1, ..., j et par au moins
un travail k > j.
Pour chaque cas, nous dérivons une borne inférieure sur l’augmentation de Lmax (JP S) et nous
retenons la plus petite augmentation au final comme amélioration de la borne préemptive.

3 Résultats expérimentaux
Nous avons évalué expérimentalement notre borne, notée LBDCT , sur des instances générées
aléatoirement suivant le protocole décrit dans [4]. Nous avons comparé notre borne à la borne
préemptive, notée Lmax (JP S), et à la borne SLB. Nous nous sommes intéressés à la réduc-
tion, par LBDCT et SLB, de l’écart à l’optimum de la borne préemptive.

Les résultats que nous avons obtenus, pour des tailles de problème allant de 50 à 1000 travaux,
montrent qu’en moyenne, sur les instances sur lesquelles Lmax (JP S) 9= Lmax (OP T ), la borne
LBDCT réduit au minimum l’écart à l’optimum de 73%. Cela signifie que lorsque l’écart
entre Lmax (JP S) et Lmax (OP T ) est de 100, LBDCT est en moyenne inférieure de 27 à
Lmax (OP T ). De plus, LBDCT améliore Lmax (JP S) pour 69% des instances sur lesquelles
Lmax (JP S) 9= Lmax (OP T ). Et au minimum pour 62% de ces instances, LBDCT retrouve la
valeur de Lmax (OP T ).
Les résultats obtenus par SLB sont moins bons que ceux obtenus par LBDCT : au mieux,
SLB réduit l’écart à l’optimum de 58% mais dans ce cas LBDCT le réduit de 93%. Dernier
élément de comparaison : sur les 1665 instances pour lesquelles Lmax (JP S) 9= Lmax (OP T ),
LBDCT améliore Lmax (JP S) pour 1334 instances tandis que SLB n’améliore Lmax (JP S)
que pour 681 instances.

Références
1. Carlier J. (1982), “The one-machine sequencing problem”, European Journal of Operational Re-
search 11, 42-47.
2. Della Croce F. and T’Kindt V. (2003), “Improving the preemptive bound for the one-machine
dynamic total completion time scheduling problem”, Operations Research Letters 31, 142-148.
3. Jackson J.R. (1955), “Scheduling a Production Line to Minimize Maximum Tardiness”, Research
Report 43, Management Science Research Project, University of California, Los Angeles.
4. Pan Y. and Shi L. (2006), “Branch-and-bound algorithms for solving hard instances of the one-
machine sequencing problem”, European Journal of Operational Research 168, 1030-1039.
 Jackson’s Semi-Preemptive Schedule on One Machine
with Heads and Tails

A. Gharbi,1 and M. Labidi2

1
Industrial Engineering Department, College of Engineering, King Saud University, Saudi Arabia.
a.gharbi@ksu.edu.sa
2
ROI-Recherche OpÈrationnelle pour l’Industrie, Ecole Polytechnique de Tunisie, Tunisia .
med.labidi@gmail.com

1 Introduction
We consider the scheduling problem of minimizing the makespan on a single machine where
each job j(j = 1, .., n) has a release date (or head) rj , a nonpreemptive processing time pj ,
and a delivery time (or tail) qj . This strongly NP-hard problem, denoted by 1|rj , qj |Cmax,
plays a central role in solving more complex scheduling problems. This is probably due to
its efficient resolution by the clever branch-and-bound algorithm of Carlier [1]. Actually, one
of the major factors which are responsible of the impressive efficiency of Carlier’s algorithm
is the implementation of a tight lower bound. This bound is based on the optimal solution
of the preemptive relaxation of the problem which is computed using the so called Jackson’s
Preemptive Schedule (JPS). It consists in scheduling the first available job with largest tail
when either the machine becomes available, or the currently scheduled job has a smaller tail
(this job is preempted and resumed later). The JPS-based lower bound had been considered
as the best one in the literature for the 1|rj , qj |Cmax until the very recent development of
an enhanced lower bounding procedure for the equivalent 1|rj |Lmax problem [2]. Again, this
enhanced bound is based on structural properties of JPS. Moreover, JPS has the additional
interesting feature to be useful in adjusting heads and tails for the job shop problem. In
this paper, we propose an effective improvement of JPS, baptized Jackson’s Semi-Preemptive
Schedule (JSPS). It roughly consists in reducing the preemption impact by constraining some
particular job parts to be processed in fixed time intervals. An immediate consequence is that
an optimal semi-preemptive schedule yields a lower bound which dominates the preemptive
one. Furthermore, it enables more effective adjustments of the heads and tails. Our expe-
rimental study reveals that embedding JSPS in Carlier’s algorithm makes feasible to solve
88.39% of the hard instances which could not be solved by its original variant.

2 Jackson’s Semi-Preemptive Schedule

Consider the decision variant of the 1|rj , qj |Cmax which consists in checking the existence
of a schedule with makespan less than or equal to a trial value C. A deadline dj = C − qj is
associated to each job j. As introduced in [3], the semi-preemptive scheduling concept is based
on the observation that, in a non-preemptive schedule, any job j with rj + pj > dj − pj has
a fixed part which has to be nonpreemptively processed during the interval [dj − pj , rj + pj ]
for 2pj − dj + rj units of time. The remaining part, referred to as its free part, has to be
 Jackson’s Semi-Preemptive Scheduling on One Machine 109

processed in [rj , dj − pj ] ∪ [rj + pj , dj ] for dj − rj − pj units of time, and is allowed to be

preempted. Interestingly, the semi-preemptive concept can be extended by also considering
those jobs which do not satisfy rj + pj > dj − pj . Indeed, based on the mandatory part
introduced by Lahrichi [4], we can derive the following observation : In a non-preemptive
schedule, any job j has to be processed for at least xj units of time within the interval
′ ′′
[rj + pj − xj , dj − pj + xj ]. Therefore, any job j can be replaced by two jobs j and j which
are allowed to be preempted and such that rj ′ = rj + pj − xj ; pj ′ = xj ; dj ′ = dj − pj + xj ; and
rj ′′ = rj ; pj ′′ = pj − xj ; dj ′′ = dj . After performing extensive computational experiments, we
found that a good performance is achieved through setting xj = 2pj −dj +rj if rj +pj > dj −pj
and xj = 1 otherwise. In order to check the existence of a feasible semi-preemptive schedule, it
suffices to construct JPS on the modified instance (here the priority is given to the available job
with minimum dj ). Indeed, JPS minimizes the maximal deviation of the job completion times
with respect to their respective deadlines when preemption is allowed. Consequently, if there
is a job which finishes processing after its corresponding deadline, then there is no feasible
semi-preemptive schedule. The obtained schedule is referred to as Jackson’s Semi-Preemptive
Schedule (JSPS). The optimal semi-preemptive makespan can be computed using a bisection
search on the interval [P LB, U B], where P LB denotes the preemptive lower bound and U B
denotes the makespan of Schrage schedule [1].

3 Preliminary Experimental Results

The performance of the JSPS-based proposed lower bound has been assessed on a set of 224
hard instances randomly generated in a similar way as in [1]. All of these instances could not
be solved within 2 minutes by Carlier’s branch-and-bound algorithm and have been obtained
after generating 500,000 instances. Table 1 shows the performance of Carlier’s algorithm
after embedding the semi-preemptive lower bound. For each number of jobs n, we provide the
percentage number of solved instances (Solved) and the average required CPU time (Time)
on a Core 2 Duo 1.83 GHz laptop with 1 GB RAM. Table 1 provides strong evidence of
the worth of implementing JSPS. Indeed, this makes feasible to solve 88.39% of these hard
instances within an average CPU time of 1.4 seconds. Moreover, preliminary comparison with
the recent lower bound proposed in [2] exhibits promising performance of JSPS, while being
much easier to implement.

Tab. 1. Performance of Carlier’s algorithm with JSPS-based lower bound

n 50 100 150 200 250 300 350 400 450 500

Solved 83.33 83.78 72.73 88.89 80 100 87.50 100 100 100
Time 0.01 0.02 0.04 0.08 0.14 0.28 0.41 0.97 1.03 0.95
n 550 600 650 700 750 800 850 900 950 1000
Solved 66.67 100 100 100 100 100 100 100 100 100
Time 1.13 1.62 1.89 1.92 2.52 2.78 2.61 3.88 4.37 1.30
110 Anis Gharbi et Mohamed Labidi

Références
1. Carlier, J. : The one-machine sequencing problem. European Journal of Operational Research 11,
42-47 (1982)
2. Della Croce, F., T’Kindt, V. : Improving the Preemptive Bound for the Single Machine Min-Max
Lateness Problem Subject to Release Times. Proceedings of the Eleventh International Workshop
on Project Management and Scheduling, Istanbul, 52-55 (2008)
3. Haouari, H., Gharbi, A. : An Improved Max-Flow Based lower Bound for Minimizing Maximum
Lateness on Identical Parallel machines. Operations Research Letters 31, 49-52 (2003)
4. Lahrichi, A. : Ordonnancements : La Notion de "Parties Obligatoires" et son Application aux
ProblËmes Cumulatifs. RAIRO-RO 16, 241-262 (1982)
 Minimisation des croisements de flux dans une
plateforme de crossdocking

O. Ozturk, G. Alpan, and M.-L. Espinouse

Laboratoire G-SCOP, Grenoble INP-UJF-CNRS 46 Ave. Félix Viallet, 38031 Grenoble

prenom.nom@g-scop.inpg.fr

1 Introduction
Le crossdocking a pour but de minimiser le temps et le coût de stockage et de transport en
créant un point de consolidation pour les marchandises vers une même destination et des
origines diverses. Un produit arrivant dans une plateforme de crossdock est, soit directement
consolidé avec d’autres produits vers une même destination, soit stocké pour une très courte
durée, puis chargé sur un camion de sa destination. Dans ce travail, nous traitons le problème
d’affectation des camions aux portes d’une plateforme de crossdocking. La plupart des tra-
vaux sur l’affectation des camions se focalisent sur la minimisation de la distance parcourue
par des transpallettes [2]. Gue et Bartholdi [1] montrent que ce critère n’est pas toujours le
plus pertinent et ils proposent une affectation pour minimiser la congestion au sein du cross-
dock. D’autres critères ont été considérés dans la littérature , tels la minimisation des coûts
engendrés par le nombre de marchandises déposées au sol, la minimisation du nombre de chan-
gements de camions aux portes ou encore la minimisation de la durée entre les opérations de
déchargement et chargement sont considérés [3]. Dans [1] les auteurs définissent la congestion
en termes de quantité de frets déposés au sol. Notons que la congestion peut être également
dues aux croisements des transpalettes. A chaque croisement entre deux transpalettes, l’un
d’eux doit attendre pour que l’autre passe. Cette attente peut être plus ou moins importante
selon l’agencement du crossdock. Dans cette étude, le but est de trouver une affectation des
camions aux portes d’entrée et de sortie telle que les croisements de flux soit minimisé. Pour
résoudre ce problème, nous proposons un programme linéaire.

2 Hypothèses
Nous prenons les hypothèses suivantes :
1. La quantité de marchandises dans un camion d’entrée et sa destination sont connues. Grâce
à cette hypothèse, nous pouvons déduire le flux entre les portes d’entrée et de sortie pour une
affectation donnée. Ces flux sont exprimés en nombre de tours de transpallettes nécessaires
pour transférer les marchandises
2. Aucune marchandise n’est déposée au sol. Tout produit entrant est directement transféré
vers un camion de sortie.
3. Les séquences des camions en entrée et en sortie sont connues.
4. Les portes ne sont pas prédéfinies en tant que portes de type "entrée" ou de type "sortie".
5. Les croisements peuvent être de 2 types (voir figure 1) : Les croisement par un point (par
exemple entre les portes 1-6 et 2-5) seront appelés les croisements de type 0 et les croisements
112 Ozturk, Alpan, Espinouse

Fig. 1. figure 1

de type chevauchement de flux (par exemple entre les portes 8-6 et 7-5) seront appelés les
croisements de type 1. Cette classification facilite l’expression mathématique des croisements
dans notre programme linéaire.
6. Pour un flux de marchandises donné au sein du crossdock, le nombre de croisements est
défini par le nombre de tours de transpalettes. Par exemple, dans l’exemple en figure 1,
supposons qu’il y ait 5 tours de transpalettes sur l’axe (7-5) et 3 tours sur l’axe (8-6). Le
nombre de croisements est donc 3.

3 Modélisation et limites de la résolution

Pour déterminer l’affectation des camions aux portes du crossdock qui permet de minimiser le
nombre de croisements de flux de type 0 et de type 1, nous proposons un programme linéaire.
Ce programme linéaire permet d’obtenir la solution optimale en quelques secondes pour des
problèmes avec 6 portes. A partir de 8 portes, la durée de résolution devient extrêmement
importante.
La performance de notre méthode est similaire aux méthodes d’affectation optimale qui
cherchent à minimiser la distance parcourue au sein d’un crossdock.

4 Perspectives
Une perspective à cette étude est de proposer des heuristiques performantes pour pouvoir
résoudre des problèmes de plus grande taille.

Références
1. Gue, K.R. , and Bartholdi., J.J. : "Reducing Labor Costs in an LTL Crossdocking Terminal."
Operations Research, 48 (6) : 823-832, 2000.
2. Iris, F., Vis A. and Roodbergen, K. J. : "Positioning of goods in a cross docking environment",
Computers and Industrial Engineering Volume 54, Issue 3 Pages 677-689, 2008.
3. Yu, W. and Egbelu, P.J. : "Scheduling of inbound and outbound trucks in cross docking systems
with temporary storage", European Journal of Operational Research, Volume (Year) : 184 (2008),
Pages : 377-396.
 Planification d’itinéraires en transport multimodal

Fallou Gueye1,2 , Christian Artigues1 , Marie J. Huguet1 , Frédéric Schettini2 , Laurent Dezou2
1
CNRS ; LAAS ; 7 avenue du colonel Roche, F-31077 Toulouse, France Université de Toulouse ;
UPS, INSA, INP, ISAE ; LAAS ; F-31077 Toulouse, France.
2
MobiGIS ; ZAC Proxima,rue de Lannoux, 31310 Grenade Cedex France.
artigues@laas.fr ; huguet@laas.fr ; fgueye@mobigis.fr ; fschettini@mobigis.fr

1 Présentation du problème
Dans le contexte du développement de modes de transport alternatif au véhicule individuel
pour l’organisation des déplacements de passagers via les modes de transports combinés,
nous cherchons à evaluer et proposer des informations de plus en plus élaborées afin d’aider
les voyageurs à choisir le ou les modes de transport les plus appropriés (voiture, transport
en commun, transport à la demande, marche à pied, vélo, modes, etc.) par rapport à leurs
besoins de déplacements.
Le problème central de ce travail est celui de la recherche de plus courts chemins point à point
sur des réseaux de transport multimodaux. Cette caractéristique de multimodalité induit un
certain nombre de contraintes supplémentaires (fréquences et horaire de passage des bus et
métro, vitesses de la circulation fluctuantes en fonction des conditions de trafic, restrictions
propres à chaque mode). Ansi, généralement, le problème multimodal est dépendant du temps.
Dans ce contexte de calcul d’itinéraires multimodaux, on peut avoir besoin de rechercher un
chemin ou les k meilleurs chemins avec un seul critère (le coût) ou plusieurs (coût et nombre
de changement de modes etc.). Le problème considéré dans cet article est celui de la recherche
de plus courts chemins origine-destination(s) tout en limitant le nombre de changement de
modes de transport.

2 Etat de l’art des algorithmes de recherche d’itinéraires

Les problèmes de calcul d’itinéraires dits statiques, se basent sur des graphes dans lesquels
les valuations des arcs sont fixes et n’évoluent pas dans le temps. Les algorithmes de calcul
d’itinéraires origine-destination(s) sont de complexité polynomiale et on les répartit classi-
quement en deux familles : celle à fixation d’étiquettes (algorithme de Dijkstra) et celle à
correction d’étiquettes (algorithme de Bellman). Dans un réseau de transport dépendant du
temps, la différence principale avec un problème statique réside dans le fait que la valuation
associée à chaque arc est liée au temps. On peut trouver aussi des temps d’attente associé
aux sommets du graphe [1,6,3]. Ces réseaux de transport, dits dynamiques, sont classés selon
qu’ils respectent ou non la propriété FIFO : partir plus tôt d’un point i permet d’arriver plus
tôt en un point j. Les problémes de plus court chemin dans un graphe dépendant du temps
ont été largement étudié dans la littérature. Dans [3], les auteurs proposent des extensions
de l’algorithme de Dijkstra dans le cas FIFO ou non FIFO. L’article de Pallattino et al. [6]
présente une extension d’un algorithme de Dijkstra basé sur les buckets en se basant sur une
représentation du probléme par un graphe espace-temps acyclique.
114 C. Artigues, L. Dezou, F. Gueye, M.J. Huguet, F. Schettini

Dans un réseau de transport multimodal, les noeuds et les arcs du graphe sont liés aux modes.
Les arcs du graphe sont valués par leur coût et par le mode utilisé (le transfert étant un mode
particulier). Le problème de calcul de chemin multimodal revient à déterminer un chemin
de coût minimal tout en respectant des contraintes sur la composition des trajets (nombre
maximum de transferts ou la viabilité du chemin parcouru en raison des préférences de l’uti-
lisateur). Febbraro et Sacone [4] considèrent un problème de plus court chemin classique où
le critère à minimiser est le temps de trajet sans prendre en compte de contraintes addition-
nelles sur la composition des trajets. Ils proposent un algorithme adapté de celui de Dijkstra
et le valide sur un graphe de petite taille (80 arcs et 66 noeuds). Lozano et Storchi [5] s’in-
téressent à la recherche de plus court chemin multimodal viable et respectant une contrainte
sur le nombre maximum de transferts. Ils proposent pour cela un algorithme incrémental sur
le nombre de modes utilisés basé sur [6]. La validation expérimentale est limitée à un petit
graphe (21 noeuds et 51 arcs). Les évaluations d’algorithmes multimodaux et dépendant du
temps de [2,7] proposées par Bielli et Ziliaskopoulos vont jusqu’aux graphes de 1000 noeuds
et de moins 3000 arcs.

3 Evaluation experimentale d’algorithmes

Les performances des algorithmes de calcul de recherche d’itinéraires sur des réseaux multimo-
daux et dependant du temps de taille conséquente ne sont pas à notre connaissance clairement
établies. Nous proposons donc de comparer les performances de différents algorithmes de cal-
cul d’itinéraires multimodaux viables et respectant une limite sur un nombre de changement
de modes sur un réseau de transport réel (cas de Toulouse) plus grand que celui de [2] et [7],
et utilisant les modes de transport suivants (bus, métro, voiture, marche). Les algorithmes
auxquels nous nous intéressont sont : (a) une extension au cas multimodal d’un algorithme de
Dijkstra dépendant du temps ; (b) une extension de l’algorithme de Lozano [5]multimodal au
cas dépendant du temps ; (c) une variante de A∗ . Cette etude experimentale nous permettra
d’adapter ces algorithmes sur des réseaux réels de transports multimodaux.

Références
1. Ahuja, R. K. Orlin, J. B. Pallotino, S. et M.G. Scutella, 1998. Minimum time cost problems in
street networks with traffic lights, Transportation Science 36(3)p.326-336.
2. Bielli,M., Boulmakoul, et A.,Mouncif, H. Object modeling and path computation for multimodal
travel systems.European Journal of Operational Research 175 p. 1705-1730.
3. Chabini, I. 1997. A new short path algorithm for discrete dynamic networks. In the proceeding of
the 8th IFAC symposium on transport system, p. 551-556.
4. Di. Febbraro, A. et S. Sacone, 1995. An on-line information system to balance traffic flows urban
areas. Proceeding of the 36th IEEE conference on decision and control, 5, p.4772-4773, 1995.
5. Lozano, A. et Storchi, G., 2001. Shortest viable path Algorithm in multimodal network. Trans-
portation Research Part A 35, p. 225-241
6. Pallottino, S. et M. G. Scutellà, 1998. Shortest path algorithms in aransportation models : Classical
and Innovative Aspects. Equilibrium and Advanced Transportation Modelling, Kluwer, p.245-281
7. Ziliaskopoulos, A. et W. Wardell. 2000. An intermodal optimum path algorithm for multimodal
networks with dynamic arc travel times and switching delays. Elsevier Science, European Journal
of Operational Research, 125 : p. 486-502.
 Core Routing on Time-Dependent Networks

G. Nannicini,1 and D. Delling2

1
LIX, Ecole Polytechnique, 91128 Palaiseau Cedex, France.
giacomon@lix.polytechnique.fr
2
Universität Karlsruhe (TH), 76128 Karlsruhe, Germany.
delling@ira.uka.de

1 Introduction
We consider the Time-Dependent Shortest Path Problem (TDSPP) : given a directed
graph G = (V, A), a source node s ∈ V , a destination node t ∈ V , an interval of time instants
T , a departure time τ0 ∈ T and a time-dependent arc cost function c : A × T → R+ , find a
path p = (s = v1 , . . . , vk = t) in G such that its time-dependent cost γτ0 (p), defined recursively
as follows :

γτ0 (v1 , v2 ) = c(v1 , v2 , τ0 ) (1)

γτ0 (v1 , . . . , vi ) = γτ0 (v1 , . . . , vi−1 ) + c(vi−1 , vi , τ0 + γτ0 (v1 , . . . , vi−1 )) (2)

for all 2 ≤ i ≤ k, is minimum. Throughout the rest of this paper we will consider a function
λ : A → R+ such that ∀(u, v) ∈ A, τ ∈ T we have λ(u, v) ≤ c(u, v, τ ). We assume that the
cost function has the FIFO property, so that the TDSPP is polynomially solvable [2].
Several practical applications (e.g. route planners on web sites) motivate the study of al-
gorithms that can solve the TDSPP in a few milliseconds at most. In a recent work [3],
we proposed a point-to-point shortest paths algorithm which applies bidirectional search on
time-dependent road networks. By extending the algorithm with a hierarchical approach [1],
we have been able to obtain the smallest average search space reported in the literature for
time-dependent shortest paths computations between random points. In this paper we survey
our recent research.

2 Algorithm
Bidirectional search is a commonly used speedup technique for shortest paths computations
on static (i.e. non time-dependent) graphs. However, bidirectional search cannot be directly
applied on time-dependent graphs, the optimal arrival time at the destination being unknown.
In a recent work [3], we proposed a time-dependent bidirectional ALT algorithm (TDALT).
The algorithm is based on restricting the scope of a time-dependent A∗ search from the
source using a set of nodes defined by a time-independent A∗ search from the destination.
The backward search is a reverse search on the graph G weighted by λ.
Core routing is a hierarchical approach which has been widely used for shortest paths algo-
rithms on static graphs. The main idea is to use contraction : a routine iteratively removes
nodes and adds edges to preserve correct distances between the remaining nodes, so that we
have a smaller network where most of the search can be carried out. When the contracted
116 Nannicini, Delling

Tab. 1. Performance of time-dependent Dijkstra, TDALT and TDCALT.

Preproc. Query
time space # settled time
technique [min] [B/n] nodes [ms]
Dijkstra 0 0 8 877 158 5 757.4
TDALT 28 256 2 931 080 2 953.3
TDCALT 60 61 60 961 121.4

graph GC = (VC , AC ) has been computed, it is merged with the original graph to obtain
GF = (V, A ∪ AC ). In other words, we build a 2-levels hierarchy, adding a smaller network on
top of the original graph. In [1], we proposed the following query algorithm.
1. Initialization phase : start a Dijkstra search from both the source and the destination node
on GF , using the time-dependent costs for the forward search and the time-independent
costs λ for the backward search, pruning the search (i.e. not relaxing outgoing arcs) at
nodes ∈ VC . Add each node settled by the forward search to a set S, and each node settled
by the backward search to a set T . Iterate between the two searches until : (i) S ∩ T 9= ∅
or (ii) the priority queues are empty.
2. Main phase : (i) If S ∩ T 9= ∅, then start an unidirectional Dijkstra search from the source
on GF until the target is settled. (ii) If the priority queues are empty and we still have
S ∩ T = ∅, then start TDALT on the graph GC , initializing the forward search queue
with all leaves of S and the backward search queue with all leaves of T , using the distance
labels computed during the initialization phase. The forward search is also allowed to
explore any node v ∈ T . Stop when t is settled by the foward search.
In other words, the forward search “hops on” the core when it reaches a node u ∈ S ∩ VC ,
and “hops off” at all nodes v ∈ T ∩ VC . We call this algorithm TDCALT = Core + TDALT.

3 Experiments
We tested our algorithm on the road network of Western Europe provided by PTV AG for
scientific use, which has approximately 18 million vertices and 42.6 million arcs, on one core
of an AMD Opteron 2218 clocked at 2.6 GHz. In Table 1 we report preprocessing time and
space, as well as average number of settled nodes and query times over 10 000 random queries.
We can observe that TDCALT yield a reduction of the search space of a factor ≈ 150 with
respect to Dijkstra’s algorithm.

Références
1. D. Delling and G. Nannicini. Bidirectional Core-Based Routing in Dynamic Time-Dependent
Road Networks. In Proceedings of ISAAC 08, LNCS. Springer, Dec. 2008. to appear.
2. D. E. Kaufman and R. L. Smith. Fastest paths in time-dependent networks for intelligent vehicle-
highway systems application. Journal of Intelligent Transportation Systems, 1(1) :1–11, 1993.
3. G. Nannicini, D. Delling, L. Liberti, and D. Schultes. Bidirectional A∗ search for time-dependent
fast paths. In Proceedings of WEA 08, volume 5038 of LNCS, pages 334–346.
 Un modèle de Plan Directeur des Opérations pour une
Supply Chain. Une étude de cas dans l’Automobile.

J.P. Garcia-Sabater1 and J. Maheut2

1
Dpto. de Organizacion de Empresas, Universidad Politécnica de Valencia, Camino de Vera s/n,
46022 Valencia, Espana.
2
Dpto. de Organizacion de Empresas, Universidad Politécnica de Valencia, Camino de Vera s/n,
46022 Valencia, Espana.
jpgarcia@omp.upv.es, juma2@etsii.upv.es

1 Contexte de l’étude
Comme département directement impliqué dans la Supply Chain, le département de Pro-
duction est généralement chargé de fixer le rythme de production journalier, de signaler les
nécessités en matières premières au département « Achats », mais aussi d’assurer la produc-
tion nécessaire afin d’assurer les envois à la charge du département logistique. La plupart du
temps, les entreprises disposent d’un outil informatique puissant standard, un MPS/MRP.
Son objectif est de planifier les besoins en produits afin de satisfaire la demande finale. Il éta-
blit également un échéancier de la production pour satisfaire le plan industriel et commercial
(PIC).

Dans le cadre de la redistribution de sa production au niveau mondial, l’usine de fabrication

de moteurs d’Almussafes (Espagne) s’est trouvée dans le besoin de disposer d’un outil capable
de planifier toute sa chaîne logistique et de planifier à court terme sa production. Ceci afin
d’augmenter sa rentabilité et la satisfaction de ses clients. Traitant d’une usine qui fournit de
nombreux clients en moteurs tout comme en composants, la gestion des envois, de la produc-
tion et des achats est très lourde. Cette usine produit non seulement différents moteurs pour
différents clients sur une même ligne de montage mais aussi des composants de hautes valeurs
ajoutées. Pour cela, il existe cinq lignes de fabrication appelées 5Cs (Bloque-moteur, Bielle,
Arbre à came, Culasse, Vilebrequin) qui sont des parties intégrantes d’un moteur assemblé.

En fonction des commandes, il s’établit un plan d’envoi de produits (moteurs et composants)

par camions ou bateaux à ses clients. A partir de ce plan, il s’établit un mix de production
journalier en moteurs et un plan de nécessité en matériaux de second niveau. Ensuite, il se
planifie les différentes lignes de composants qui possèdent, elles aussi, des clients diverses et
variés et des contraintes d’envois importantes. Il se planifie alors un plan de nécessités de
troisième niveau (matière première). Ces deux plans de fabrication doivent être cohérents
avec la politique de stocks de l’entreprise mais aussi respecter les séquences de production des
différentes pièces.
Le projet qui a permit l’écriture de cet article traite de la conception d’un outil flexible et
efficient avec des modèles mathématiques intéressants. Mais aussi, l’intérêt de cette étude est la
complexité de la modélisation de la situation réelle. Il s’est avéré qu’un modèle compact tenant
en compte les trois niveaux de planification avec trois niveaux de produits peut collapser. Il
118 Garcia-Sabater, Maheut

s’est donc crée différentes alternatives de modèles mathématiques pour obtenir un outil offrant
des résultats impressionnants dans un temps de calcul faible grâce à un software gratuit. Ce
modèle est au cur d’un outil basé sur une interface très fonctionnelle permettant la possibilité
de comparer diverses solutions.

2 Description brève du modèle mathématique

Le modèle MILP en question est multi-objectifs. L’outil permet de : Optimiser les coûts de
transports des produits ; Minimiser les niveaux de stocks des produits, que ce soit des moteurs
ou des composants des 5Cs ; Augmenter la satisfaction des clients en diminuant les backlogs
des envois de produits ; Stabiliser les plans de production afin d’optimiser la politique d’achats
de matières premières.

Les différentes contraintes sont relatives : Aux caractéristiques des différentes lignes de pro-
ductions ; A la politique de gestion de stocks de l’entreprise ; Aux commandes clients ; Aux
contraintes des différents moyens de transport ; Aux limitations physiques et matérielles de
l’entreprise ; A la stabilité de production requise par la direction.

L’outil s’est montré compétitif avec l’obtention d’un plan intégral tenant en compte les trois
niveaux de planification et en offrant à l’utilisateur une interface simple et confortable. Ce
modèle a été implanté avec succès dans le centre de Logistique et gère actuellement toute la
Supply Chain de l’usine en question du constructeur automobile.
 Un modèle MILP pour la Planification Globale. Etude
de cas dans l’Automobile.

J.P. Garcia-Sabater1 and J. Maheut2

1
Dpto. de Organizacion de Empresas, Universidad Politécnica de Valencia, Camino de Vera s/n,
46022 Valencia, Espana.
2
Dpto. de Organizacion de Empresas, Universidad Politécnica de Valencia, Camino de Vera s/n,
46022 Valencia, Espana.
jpgarcia@omp.upv.es, juma2@etsii.upv.es

1 Contexte de l’étude
Face à la récente instabilité du marché, les Supply Chain dans l’automobile doivent faire face
à des nouvelles nécessités dans la Gestion de leurs Opérations et de leurs Planifications. Le
présent projet traite d’un cas réel d’implantation d’un outil de planification de la production.
La programmation mathématique linéaire utilisée se distingue par de nouvelles considérations
prises en compte. Ce cas d’étude fut destiné à une usine de fabrication de moteurs. Il s’est tenu
compte de toutes les nécessités de l’entreprise comme de ses clients internationaux (demandes
variables, calendriers différents,...).
L’automobile a toujours été caractérisée par des ventes relativement stables d’où une pro-
duction JIT avec des calendriers de production figés. Suite à la chute des ventes, la majorité
des constructeurs n’ont su réadapter leur capacité car la Supply Chain n’a pu ajuster leur
production par le manque de flexibilité de la Planification de Production. Ceci s’est aussitôt
traduit par des stocks importants et des fermetures temporaires de sites.
La Planification de Production à six mois de l’usine en question se gère en deux parties, la
ligne de moteurs et cinq lignes de production de pièces 5Cs (Bloques-moteur, Bielles, Arbres à
cames, Culasses, Vilebrequins) qui sont indépendantes dans leur fonctionnement les unes des
autres. De plus, à cause du niveau d’automatisation des lignes de fabrication et des coûts de
fonctionnement, la gestion de l’usine est atypique. La direction cherche à stopper la production
dès qu’elle le peut car ce sont des économies et le personnel s’occupe de tâches annexes ou va
en formation. D’autre part, la gestion de la capacité de production des lignes est singulière
car elle peut être modifiée mais avec des contraintes de calendrier importantes et des pertes
de productivité à tenir en compte.
L’usine gère donc ses Opérations différemment. A la différence d’un « Aggregated Plan »
traditionnel, le constructeur ne constitue pas de familles différentes mais réalise directement
un plan du mix de production. De plus, le modèle est utilisé comme générateur pour les
Plans Directeurs de Production car la continuelle introduction de nouveaux modèles le rend
nécessaire. Le fonctionnement actuel connait de nombreuses limitations et, de plus, l’usine va
doubler les variantes de ses différents produits avec l’arrivée de nouveaux clients et avec une
demande qui change constamment.
Il s’est donc implanté un outil complet et personnalisé incluant une base de données spéci-
fique, un système de fenêtres de capture de données et de visualisation avec au cur de cet
outil, un modèle MILP sujet de cette étude. Le modèle mathématique qui se présentera n’est
120 Garcia-Sabater, Maheut

pas courant dans la littérature. Afin d’introduire les nécessités et spécificités de ce système de
gestion de production général, de nouvelles contraintes ont été prises en compte. Le modèle,
qui est développé, a été conçu et calibré via un processus itératif de prototypage/approbation.
Le système complet implanté se fait grâce à l’usage d’un software gratuit et les différentes
interfaces ont été conçues afin de nécessiter le moins possible d’interactions entre elles. L’op-
timisation des coûts de fonctionnement du système avec l’usage de ce software a été évaluée.

2 Description brève du modèle établi

La résolution globale de la planification se base sur un problème multi-objectif :Minimisation
des coûts de fonctionnement de la ligne considérant le calendrier, les configurations des diffé-
rentes lignes ; Optimisation des inventaires des produits en tenant compte les contraintes de la
demande et de la politique de l’entreprise ; Variabilité minimum des prévisions établies. Dans
ce projet, la résolution est multi-objective via la génération de scénarios et de leurs analyses.
Les différentes contraintes sont relatives : Aux caractéristiques des différentes lignes de pro-
duction ; A la politique de stock de l’entreprise et ses nécessités pour satisfaire les commande ;
Aux contraintes calendaires imposées par les différents clients ; A la politique de l’entreprise
qui peut imposer de travailler des jours féries ou des demi-journées et même de stopper la
production un jour ouvrable ; A la dépendance de nécessités entre la ligne de moteurs et les
lignes de production des composants principaux.
L’implantation a été ajustée afin de minimiser les temps de calculs et optimiser le panel de
solutions proposées. De plus, grâce à une analyse de scénarios permis grâce à la flexibilité des
paramètres d’entrée, il en résulte une faible variabilité de la production réelle avec celle prévue.
Ceci a amélioré le flux d’informations de la chaîne logistique avec comme résultats : Meilleur
visibilité pour les fournisseurs afin d’éviter les risques de rupture de stocks ; Diminution des
coûts de transport ; Flexibilité et Capacité d’ajuster au mieux la planification face à n’importe
quelle situation du marché.
 Optimisation robuste pour la gestion court terme d’un
portefeuille d’actifs gaziers

R. Apparigliato1, G. Erbs1 , S. Pedraza Morales1 , and M.-C. Plateau1

GDF SUEZ, 361 avenue du Président Wilson, 93211 Saint-Denis La Plaine, France.
romain.apparigliato@gdfsuez.com
guillaume.erbs@gdfsuez.com
saul.pedrazamorales@gmail.com
marie-christine.plateau@gdfsuez.com

1 La gestion court terme des approvisionnements de gaz naturel

Nous considérons les activités d’un négociant en gaz naturel. Il possède un portefeuille de
contrats avec des producteurs de gaz, des gestionnaires d’infrastructures (réseaux, stockages),
ainsi que des contrats de vente avec des clients. Il a aussi la possibilité de recourir à des
marchés d’échange de gaz. Son objectif est de gérer au mieux ce portefeuille de contrats, afin
d’assurer la continuité de l’approvisionnement de ses clients, maîtriser les risques financiers,
et minimiser ses coûts de gestion.
Nous nous plaçons ici dans une vision court terme : afin de répondre à la demande, le négociant
doit gérer chaque jour l’ensemble des actifs de son portefeuille (enlèvements sur les contrats,
transit, etc.), et doit planifier les décisions à prendre sur le reste du mois courant. Les décisions
prises à court terme doivent, de plus, s’articuler avec les orientations données par la gestion
à plus long terme (sous forme de cibles à atteindre en fin de mois).
La planification des décisions à prendre est sujette à différents aléas : climat (dont la consom-
mation dépend), prix de marché, défaillance d’actifs... Nous considérons dans la suite unique-
ment l’aléa climatique, car les objectifs de gestion mettent la priorité sur la satisfaction de la
demande.

2 Optimisation robuste du portefeuille d’actifs gaziers

L’optimisation de la planification des décisions à prendre sur un horizon de court terme

doit prendre en compte l’aléa de consommation afin de produire des décisions permettant
de s’adapter à la réalisation de l’aléa chaque jour. L’optimisation robuste [2,3,1] fait partie
des méthodes adaptées à ce type de problématiques d’optimisation dans l’incertain. Cette
technique consiste à choisir un sous-ensemble des réalisations possibles de l’aléa (l’ensemble
d’incertitude) et à reformuler le problème (contrepartie robuste) de manière à ce que les
décisions prises soient valides pour toute réalisation de l’aléa dans ce sous-ensemble.
L’objectif principal du problème est de produire un planning de décisions équilibrant exacte-
ment le portefeuille, c’est-à-dire satisfaisant exactement la demande à l’aide des flux transitant
dans le réseau. Ne pas avoir assez de gaz, ou en avoir trop, par rapport à la demande, expose le
négociant à des risques financiers (pénalités à payer, ou obligation de revendre sur le marché
122 Apparigliato, Erbs, Pedraza Morales, Plateau

à des prix peu intéressants). On voit ici la difficulté du problème : la réalisation de l’aléa ne
correspondra jamais exactement à la prévision que l’on a pu en faire pour l’optimisation.
Ouorou et Vial [4] proposent une méthode permettant de traiter ce cas dans le cadre de
réseaux de télécommunications. L’idée est de décomposer les variables du problème en deux
parties, l’une représentant une décision nominale et l’autre représentant son adaptation à la
réalisation de l’aléa.
Nous étudions l’application de cette méthode au problème de gestion de portefeuille d’actifs
gaziers, et fournissons des résultats numériques permettant de montrer ses apports.

Références
1. R. Apparigliato. Règles de décision pour la gestion du risque : Application à la gestion hebdoma-
daire de la production électrique. PhD thesis, Ecole Polytechnique, Palaiseau, 2008.
2. A. Ben Tal and A. Nemirovski. Robust optimization – methodology and applications. Mathema-
tical Programming, Series B, 92(3) :453–480, 2002.
3. D. Bertsimas and M. Sim. The Price of Robustness. Operations Research, 52(1) :35–53, 2004.
4. A. Ouorou and J.-P. Vial. A model for robust capacity planning for telecommunications networks
under demand uncertainty. In Proceedings of the 6th International Workshop on Design of Reliable
Communication Networks (DRCN 2007). IEEE, 2007.
Approximation algorithms for minimizing the makespan
on two parallel machines with release dates

M. Hifi,1 and I. Kacem2

1
MIS-ODR, UniversitÈ Picardie Jules-Verne d’Amiens, France.
mhand.hifi@u-picardie.fr
2
ICD-LOSI, Université de Technologie de Troyes, France.
imed.kacem@utt.fr

We consider the two-machine scheduling problem with release dates, with the aim of mi-
nimizing the makespan. Formally, the problem is defined in the following way. We have to
schedule a set J of n jobs on two identical machines. Each job j ∈ J has a processing time pj ,
a release date rj . Each machine can only perform one job at a given time. The preemption is
not permitted. The machines are available at time t = 0. The problem is to find a sequence
of jobs, with the objective of minimizing the makespan Cmax = max1≤j≤n {Cj (S)} where
Cj (S) is the completion time of job j in sequence S. We also define tj (S) as the starting time
of job j (i.e., Cj (S) = tj (S) + pj ). Without loss of generality, we assume that the jobs are
indexed in the nondecreasing order of their release dates : r1 ≤ r2 ≤ ... ≤ rn (i.e., according
to the FIFO rule). Note that due to the dominance of the F IF O order, an optimal solution
is composed of two sequences (each of them is on a one of the machines) of jobs scheduled in
nondecreasing order of their indices. The problem is denoted as (P). In the remainder of this
paper, Cmax
∗
(Q) denotes the minimal makespan for problem Q and Cmax S
(Q) is the makespan
of schedule S for problem Q.
In this paper, we propose some approximation algorithms for the studied problem. We
show the existence of an FPTAS for the problem. Moreover, 2-approximation and 3/2-
approximation algorithms, based on the F IF O rules, are presented. We believe that this
analysis constitutes a first step toward the investigation of more sophisticated approximation
algorithms, which will be considered in a future work.
The first heuristic is very simple ! We schedule all the jobs on one of the machines accor-
ding to the F IF O rule. It is denoted as H. However, this simple heuristic has a worst-case
performance ratio of 2 and this bound is tight.
Lemma 1. Heuristic H is a 2-approximation for problem P and this bound is tight.
The second heuristic schedules the jobs in the same order as their indexes on the two machines
(at each step, we schedule the job having the smallest release date on the first available
machine). It is denoted as H ′ . The algorithm is described as follows :
Algorithm H′
(i). Set t = r1 ; j = 1 ; z1 = 0 ; z2 = 0 ; k = 1 ; S = ∅ ;
(ii). At time t, schedule job j on machine k.
(iii). Set S = S ∪ {j} ;
tj (H ′ ) = t ; zk = tj (H ′ ) + pj ;
If |S| = n, then ST OP ;
If z1 < z2 then k = 1, else k = 2 ; zk = max {zk ; rj+1 } ; t = zk ; j = j + 1 ;
Go to step (ii).
124 Hifi M., Kacem I.

Lemma 2. Heuristic H ′ is a 3/2-approximation for problem P and this bound is tight.

Our FPTAS is based on two steps. First, we use Algorithm H ′ . In the second step of our
FPTAS, we apply a new trimmed algorithm Aε in order to reduce the running time.
′
2C H (P) 5 6 ′
C H (P)
Given an arbitrary ε > 0, we define LB = max 3 , β = 3n2ε and γ = max β . We split
7 8
the interval 0, Cmax into β equal subintervals Ih = [(h − 1)γ, hγ]1≤h≤β of length γ (where
H′
Cmax = Cmax (P)). Our algorithm Aε generates reduced sets Oj# . It can be described as
follows :
Algorithm Aε
(i). Set O0# = {[0, 0]}.
(ii). For k ∈ {1, 2, 3, ..., n},
#
For every state [u, v] in Oj−1 :
1) Put [max(u, rj ) + pj , v] in Oj#
2) Put [u, max(v, rj ) + pj ] in Oj#
#
Remove Oj−1
Let [u, v]h be the state in Oj# such that u ∈ Ih with the smallest possible u (ties are
broken by choosing the state of the smallest v). Set Oj# = {[u, v]h |1 ≤ h ≤ β}.
Aε
(iii). Cmax (P) = min[u,v]∈On# {max(u, v)}.
Theorem 1. Given an arbitrary ε > 0, algorithm Aε yields an output Cmax
Aε
(P) such that
Aε
Cmax (P)
∗
Cmax (P) ≤ (1 + ε).
) *
Lemma 3. Given an arbitrary ε > 0, algorithm A (ε) can be implemented in O n2 /ε time.
Corollary 1. Algorithm Aε is an FPTAS for the studied problem.

Références
1. Dessouky, M.I., Margenthaler, C.R., 1972. The one-machine sequencing problem with early starts
and due dates. AIIE Transactions 4(3), 214–222.
2. Gens, G.V., Levner, E.V., 1981. Fast approximation algorithms for job sequencing with deadlines.
Discrete Applied Mathematics 3, 313–318.
3. Hall, L.A., Shmoys, D.B., 1992. Jackson’s rule for single machine scheduling : making a good
heuristic better. Mathematics of Operations Research 17, 22-35.
4. Kacem I (2007) Approximation algorithms for the makespan minimization with positive tails on
a single machine with a fixed non-availability interval, Journal of Combinatorial Optimization,
doi :10.1007/s10878-007-9102-4.
5. Kellerer, H., Strusevich, V.A., Fully polynomial approximation schemes for a symmetric quadratic
knapsack problem and its scheduling applications. Algorithmica.
6. Kovalyov, M.Y., Kubiak, W., 1999. A fully polynomial approximation scheme for weighted
earliness-tardiness problem. Operations Research 47, 757-761.
7. Potts, C.N., 1980. Analysis of a heuristic for one machine sequencing with release dates and
delivery times. Operations Research 28, 1436-1441.
8. Sahni, S., 1976. Algorithms for scheduling independent tasks. Journal of the ACM 23, 116–127.
ValenSciences 5, 191-206.
 Deux agents concurrents pour l’ordonnancement des
travaux dans un flowshop avec étage commun

A. Soukhal, N. Huynh Tuong, and L. Miscopein

Laboratoire d’Informatique de l’université François Rabelais Tours, 64, av. Jean Portalis 37200
Tours.
ameur.soukhal@univ-tours.fr, {nguyen.huynh,laurent.miscopein}@etu.univ-tours.fr

1 Introduction

Généralement, la qualité d’une solution est donnée par une mesure appliquée à l’ensemble
des travaux. En effet, les modèles classiques considèrent soit tous les travaux équivalents soit
différents dans la mesure où des poids sont ajoutés pour les différencier. Ainsi, la qualité
de l’ordonnancement global est quantifiée en appliquant la même mesure à ces travaux sans
distinction (la mesure peut être la minimisation de la date de fin d’exécution du dernier travail
(makespan), par exemple).
Il arrive dans certains cas que l’application de la même mesure à tous les travaux ne soit pas
pertinente. En effet, il est possible d’envisager un atelier où les travaux ont la particularité
suivante : les travaux d’un premier sous-ensemble peuvent avoir une date de fin souhaitée
avec une permission de retard (à être réduite au minimum), ceux du second sous-ensemble
peuvent avoir des dates de fin impératives et les travaux du troisième sous-ensemble n’ont pas
de date d’échéance (produire pour le stock). Pour le premier type de travaux, le décideur veut
réduire au maximum les retards ; pour le deuxième type, il ne tolère aucun retard ; cependant
pour le dernier type de travaux, il veut réduire la valeur totale (ou la moyenne) des temps
de traitement. L’ordonnancement de chaque sous-ensemble des travaux est évalué en fonction
de différents objectifs, mais ces travaux sont en concurrence avec l’usage des machines. Il
s’agit d’un problème d’ordonnancement multicritères où un nouveau type de compromis doit
être obtenu. Ces problèmes d’ordonnancement sont appelés dans la littérature “Ordonnance-
ment multi-agent" ou bien “Ordonnancement avec agents concurrents" [Agnetis et al., 2000],
[Agnetis et al., 2004], [Cheng et al., 2006], [Agnetis et al., 2007]. Chaque agent avec sa fonc-
tion objectif, dispose d’un ensemble de travaux à ordonnancer.
Dans cette étude, il s’agit d’ordonnancer l’ensemble N de travaux répartis en deux sous-
ensembles disjoints dans un atelier de type flowshop à trois machines. On suppose que tous
les travaux sont disponibles à la dates zéro et doivent être exécutés sans préemption sur
exactement deux machines, i.e. chaque travail est constitué de deux opérations. Nous avons
donc deux types de produits à réaliser. Notons par N1 et N2 les deux sous-ensembles en
question avec N1 ∩ N2 = ∅ et N1 ∪ N2 = N . Soit n1 (resp. n2 le nombre de travaux de N1
(resp. N2 ). Sans perte de généralité, on suppose que les travaux de N1 sont numérotés de
1 à n1 et ceux de N2 sont numérotés de n1 + 1 à n. Chaque sous-ensemble lui est associé
un objectif. L’objectif du chef d’atelier est de trouver un ordonnancement qui permet de
minimiser à la fois la date d’achèvement du dernier travail de chaque sous-ensemble. Selon la
notation en trois champs et celle proposée dans [Oguz et al., 1997], le problème étudié est noté
126 A. Soukhal, N. Huynh Tuong, and L. Miscopein

F 3|T = 2|Cmax (N1 ) : Cmax (N2 ) (T = 2 signifie que chaque travail est constitué d’exactement
de deux opérations). L’approche ε-contrainte est considérée dans notre étude.
Dans le cas monocritère, le problème F 3|T = 2|Cmax (N ) a été étudié en particulier par
[Oguz et al., 1997] et [Bertrand, 1999] où quelques résultats de complexité et propriétés ont
été élaborés.

2 Problèmes étudiés et résultats

2.1 F 3|T = 2, (M1 !→ M2 ; M1 !→ M3 )|Cmax (N1 ) : Cmax (N2 )

Dans cette section, on s’intéresse au cas où les travaux du premier agent doivent être exécutés
d’abord sur la machine M1 puis la machine M2 . Quant à ceux du deuxième agent, ils doivent
passer sur M1 puis M3 dans cet ordre. Dans ce cas nous avons le théorème suivant.

Théorème 1 : Le problème F 3|T = 2, (M1 A→ M2 ; M1 A→ M3 )|Cmax (N1 ) : Cmax (N2 ) est

NP-difficile au sens fort.
Preuve : La preuve est donnée par la réduction du problème de décision 3-partition connu
NP-difficile au sens fort [Garey and Johnson, 1979].

2.2 F 3|T = 2, (M1 !→ M3 ; M2 !→ M3 )|Cmax (N1 ) : Cmax (N2 )

Dans cette section, on s’intéresse au cas où les travaux du premier agent doivent être exécutés
d’abord sur la machine M1 puis la machine M3 . Quant à ceux du deuxième agent, ils doivent
passer sur M2 puis M3 dans cet ordre. Dans ce cas nous avons le théorème suivant.

Théorème 2 : Le problème F 3|T = 2, (M1 A→ M3 ; M2 A→ M3 )|Cmax (N1 ) : Cmax (N2 ) est

NP-difficile au sens fort.
Preuve : Déduite des travaux de Bertrand [Bertrand, 1999] pour le cas monocritère.

2.3 F 3|T = 2, (M1 !→ M2 ; M2 !→ M3 )|Cmax (N1 ) : Cmax (N2 )

On s’intéresse ici au cas où les travaux du premier agent doivent être exécutés d’abord sur la
machine M1 puis la machine M2 . Quant à ceux du deuxième agent, ils doivent passer sur M2
puis M3 dans cet ordre. Dans ce cas nous avons le théorème suivant.

Théorème 3 : Le problème F 3|T = 2, (M1 A→ M2 ; M2 A→ M3 )|Cmax (N1 ) : Cmax (N2 ) est

NP-difficile au sens ordinaire.
Preuve : La preuve est donnée par la réduction du problème de Partition connu NP-difficile
au sens faible [Garey and Johnson, 1979]. Pour calculer une solution
&n optimale, nous proposons
un algorithme pseudo-polynomial en O(n2 ε2 P3 ) avec P3 = i=n1 +1 p3,i où p3,i est la durée
opératoires du travail Ti,n1 +1≤i≤n ∈ N2 sur la troisième machine.
 Title Suppressed Due to Excessive Length 127

Références
[Agnetis et al., 2000] Agnetis A., Mirchandani P.B., Pacciarelli D., et Pacifici A. (2000). Nondo-
minated schedules for a job-shop with two competing users. Computational & Mathematical
Organization Theory 6, pp. 191–217.
[Agnetis et al., 2004] Agnetis A., Mirchandani P.B., Pacciarelli D., et Pacifici A. (2004). Scheduling
problems with two competing agents. Operations Research 52, pages 229–242.
[Agnetis et al., 2007] Agnetis A., Pacciarelli D., and Pacifici A. (2007). Multi-agent single machine
scheduling. Annals of Operations Research 150, pages 3–15.
[Bertrand, 1999] Bertrand M.T.L (1999). The strong NP-hardness of two-stage flowshop scheduling
with a common second-stage machine. Computers & Operations Research 26, pages 695–698.
[Cheng et al., 2006] Cheng T.C.E., Ng C.T., and Yuan J.J. (2006). Multi-agent scheduling on a single
machine to minimize total weighted number of tardy jobs. Theoretical Computer Science 362,
pages 273–281.
[Garey and Johnson, 1979] Garey M.R. et Johnson D.S. (1979). Computers and Intractability : A
Guide to the Theory of NP-Completeness. W.H. Freeman & Company, San Francisco.
[Oguz et al., 1997] Oguz C., Bertrand M.T.L, Cheng, T.C.E (1997). Two-stage flowshop scheduling
with a common second-stage machine. Computers & Operations Research 24, pages 1169–1174.
 Aide à la Décision Collective : Vers une estimation
dynamique de l’efficacité des réunions de prise de
décision collective

G. Camilleri1 and P. Zarate1

IRIT -IC3-, Université Paul Sabatier, 118 Route de Narbonne, F-31062 TOULOUSE CEDEX 9
France
Guy.Camilleri@irit.fr, Pascale.Zarate@irit.fr

Encore aujourd’hui, l’outil principal de prise de décision collective reste la réunion face à face.
Cependant, il n’est pas rare que les réunions soient perçues comme improductives en termes
d’utilisation efficace du temps, et d’accomplissement des objectifs attendus. Par conséquent,
la tenue de réunions «efficaces» est un enjeu important pour les organisations.
De nombreux travaux visent à améliorer l’efficacité des réunions de décision collective en
introduisant des technologies comme les systèmes d’aide à la décision de groupe (GDSS),
en développant des méthodes facilitant le processus de réunion (comme le Brainstorming,
NGP, etc.) ou plus simplement, en formulant des recommandations. Une question centrale
à toutes ces études est : «Une réunion donnée est-elle efficace ?». Pour répondre de manière
satisfaisante à cette interrogation, il paraît nécessaire de définir la notion d’efficacité et d’être
en mesure de l’estimer.
Cet article propose un cadre de travail générique permettant de définir et d’estimer dynami-
quement l’efficacité des réunions de prise de décision de groupe. Pour simplifier notre étude,
nous segmentons le processus de prise de décision collective en six phases : 1) la phase de
préparation de la réunion, 2) la phase de compréhension collective des objectifs, 3) la phase
de génération des solutions, 4) la phase de choix, 5) la phase de formalisation de la décision
et 6) la phase clôture de la réunion.
L’évaluation de l’efficacité des réunions de ce type nécessite de déterminer les variables in-
fluençant le déroulement des réunions. Les contraintes ayant guidé notre travail sont :
– Les variables doivent être suffisamment abstraites pour pouvoir être utilisées dans le plus
grand nombre de décisions (tâches) dans différents contextes (cas des décisions non pro-
grammées),
– elles doivent être clairement définies et,
– il doit être possible de les mesurer quantitativement.
Afin de satisfaire la première contrainte (généricité), nous nous sommes intéressés aux travaux
(sur les organisations et en psychologie sociale [2]) portant plus généralement sur le travail en
équipe, en considérant la prise de décision collective (réunion de décision) comme un travail
d’équipe. L’étude de Ross, Jones et Adams dans [3] s’appuie sur ces travaux pour développer
un modèle mathématique estimant l’efficacité des équipes. Ils proposent d’utiliser ce modèle
pour prédire l’efficacité du travail en équipe dans sa globalité.
Notre approche d’estimation de l’efficacité se base sur le modèle de Ross, Jones et Adams en
réduisant la couverture du modèle aux réunions de prise de décision de groupe. Comme Ross,
Jones et Adams, nous utilisons les variables globales suivantes : La performance P estime dans
quelle mesure les résultats sont conformes aux standards de quantité, de qualité, et de temps
 Papier soumis à ROADEF 09 129

des organisations. Le comportement B estime dans quelle mesure les membres d’une équipe
agissent et réagissent entre eux. L’attitude A détermine comment les sensations de sécurité
psychologique, de volonté à coopérer, etc. des membres influencent l’efficacité de l’équipe. Les
caractéristiques individuelles des membres M déterminent l’impact qu’ont les caractéristiques
individuelles sur l’efficacité du groupe. La culture d’entreprise C estime l’influence du climat
de l’organisation dans lequel les équipes opèrent.
Dans ce cadre, l’efficacité E est mesurée sur une échelle à cinq niveaux (1=le plus faible
et 5=optimal). Comme de nombreuses variables en sciences humaines et sociales, l’efficacité
est supposée suivre une distribution normale permettant de définir les intervalles suivants :
4.3 < E ≤ 5.0 (Opimale), 3.7 < E ≤ 4.3 (Efficace), 2.3 < E ≤ 3.7 (Moyenne), 1.7 < E ≤ 2.3
(Inefficace) et 1.0 < E ≤ 1.7 (Défectueuse).
L’efficacité de réunion E est définie comme une fonction de ces cinq variables (groupe de n
participants)
11 & : &n &n &n 9
n[ (Mi −3)]+0.05(C−3)
n
(Pi −3)+0.5 (Bi −3)+0.15 (Ai −3)+1.65
E =3+ i=1 i=1 i=1
3.35
i=1

Nous proposons au travers de la segmentation en phases, de caractériser plus précisément

le processus de réunion employé. Cette spécialisation a principalement deux avantages : Elle
permet de réduire les processus de groupe considérés, et de faciliter le développement d’un
modèle dynamique. Pour construire notre approche, nous nous sommes intéressés au mo-
dèle dynamique du brainstorming présenté par Brown et Paulus dans [1]. Ce modèle utilise
des équations différentielles pour représenter
: la production d’idées
; de la manière suivante :
& 1 &
o′i (t) = −ai oi (t) − bi i)=j oj (t) + mi n−1 o
j )=i j (t) − oi (t) avec oi (t) le taux d’idées gé-
nérées pour le participant i, ai le coefficient d’épuisement, bi le coefficient de blocage, mi
la tendance à s’harmoniser, et n la taille du groupe. Dans notre cadre, il permet de me-
surer la productivité de <l’activité de Brainstorming comme composante de la performance
tb
aXoc +bXbc +cXcr +dfp ( oi (t)dt)
Pi = a+b+c+d
ta
avec a,b,c et d les valeurs de corrélation de l’objectif com-
mun (Xoc ), des buts clairement définis (Xoc ), de la clarté des rôles (Xcr ) et de la fonction
d’évaluation de la production fp sur l’intervalle [ta , tb ].
Ce travail est un point de départ pour la construction d’un modèle dynamique de l’estimation
de l’efficacité des réunions de prise de décision collective. Nous nous sommes intéressés ici à la
phase de génération des solutions au travers du processus de brainstorming. L’intérêt majeur
d’un tel modèle dynamique est de donner des indications sur l’évolution de l’efficacité du
processus en cours. Il peut alors servir de critère de gestion dans le cadre d’un système d’aide
à l’animation de réunion, en aidant par exemple le facilitateur à déterminer l’arrêt de la phase
de génération des solutions.

Références
1. Brown, V. and Paulus, P. : A Simple Dynamic Model of Social Factors in Group Brainstorming
dans Small Group Research, 27, p91-114 (1996).
2. Mathieu J., Maynard, Rapp and Gilson : Team Effectiveness 1997-2007 : A Review of Recent
Advancements and a Glimpse Into the Future, dans Journal of Management, 34 :3, p410–476
(2008).
3. Ross, Jones and Adams : Can team effectiveness be predicted ?, dans Team Performance Mana-
gement, 14 :5/6, p248 - 268 (2008).
 Mesurage additif conjoint pour la problématique du tri

D. Bouyssou1 and Th. Marchant2

1
CNRS–LAMSADE & Université Paris Dauphine
Place du Maréchal de Lattre de Tassigny, F-75 775 Paris Cedex 16, France.
bouyssou@lamsade.dauphine.fr
2
Universiteit Gent
Department of Data Analysis, H. Dunantlaan, 1, B-9000 Gent, Belgium.
thierry.marchant@UGent.be

1 Introduction et motivation
Un problème central en analyse multicritère est de bâtir une relation de préférence sur un
ensemble d’actions évaluées sur plusieurs attributs, sur la base de préférences exprimées au
niveau de chaque attribut et d’informations inter-attributs (par exemple, des poids). La ma-
nière classique de procéder consiste à bâtir une fonction de valeur. Ceci revient à construire
une fonction v associant un nombre v(x) à chaque action x et à déclarer que l’action x est
« au moins aussi bonne »que l’action y si et seulement si v(x) ≥ v(y).
Une relation de préférence conduit, en général, à un modèle d’évaluation relative des actions.
Il n’est pas toujours pertinent de vouloir élaborer une recommendation sur la base d’un tel
modèle d’évaluation. Celui-ci n’ayant qu’un caractère relatif, les « meilleures »actions peuvent
se révéler bien peu désirables. Ceci amène à l’étude de modèles d’évaluation ayant un carac-
tère plus absolu. Ces modèles se rattachent à ce que l’on appelle la problématique de tri.
Supposons, par exemple, qu’une institution académique souhaite bâtir un modèle aidant un
comité à sélectionner des candidats à un certain programme. On recherchera plutôt un modèle
permettant d’isoler les candidats qui semblent répondre aux standards de ce qui définit un
« bon »candidat qu’un modèle comparant les candidats entre eux.
Les méthodes multicritères conçues pour faire face à ce type de problème amènent à bâtir une
partition ordonnée de l’ensemble des actions, par comparaison des actions à des « normes »ou
par l’analyse d’exemples typiques. Ce type de méthodes a récemment été l’objet de nombreuses
études [2,8]. Diverses technique ont été proposées pour y faire face telle que UTADIS [3] ou
ELECTRE TRI [5].
Le but de cette présentation sera de contribuer à une tendance récente dans la littérature
visant à analyser les fondement théoriques de ce type de méthodes [1,6].
Avec la méthode UTADIS en tête, nous nous concentrerons ici sur la question de l’analyse des
méthodes reposant sur une agrégation additive, complétant et étendant les résultats présentés
[7]. Notre stratégie sera de montrer qu’il est possible d’adapter les résultats classique du
mesurage conjoint additif [4] pour traiter du cas de partitions et de couvertures ordonnées.

2 Le modèle
Soit n ≥ 2 un entier et X = X1 × X2 × · · · × Xn un ensemble d’objects que l’on interprétera
comme un ensemble d’actions évaluées sur un ensemble N = {1, 2, . . . , n} d’attributs.
 Mesurage additif conjoint 131

Nos primitives consisteront dans une couverture ordonnée de X, c’est à dire par la données
de deux ensembles A∗ and U ∗ tels que A∗ ∪ U ∗ = X, A∗ 9= ∅ et U ∗ 9= ∅. Les éléments de A∗
(resp. U ∗ ) sont interprétés comme l’ensemble des actions « acceptables »(resp. inacceptables).
Les éléments de A∗ ∩ U ∗ = F sont à la « frontière »entre les deux catégories et modélisent
une situation d’hésitation.
Notre tâche principale sera de montrer sous quelles conditions, il existe des fonctions de valeur
vi sur Xi telles que, ∀x ∈ X,
n
%
x ∈ A∗ ⇐⇒ vi (xi ) ≥ 0,
i=1
%n
x ∈ U ∗ ⇐⇒ vi (xi ) ≤ 0.
i=1

On présentera des conditions suffisantes garantissant l’existence de telles fonctions. On gé-

néralisera ensuite ce résultat au cas de partitions et au cas de plus de deux catégories. Les
résultats obtenus peuvent être vus comme une tentative de donner une base axiomatique
solide à la méthode UTADIS.

Références
1. D. Bouyssou and Th. Marchant. An axiomatic approach to noncompensatory sorting methods in
MCDM, I : The case of two categories. European Journal of Operational Research, 178(1) :217–
245, 2007.
2. S. Greco, B. Matarazzo, and R. Słowiński. Decision rule approach. In J. Figueira, S. Greco, and
M. Ehrgott, editors, Multiple Criteria Decision Analysis : State of the Art Surveys, pages 507–562.
Springer-Verlag, Boston, 2005.
3. É. Jacquet-Lagrèze. An application of the UTA discriminant model for the evaluation of R&D
projects. In P. Pardalos, Y. Siskos, and C. Zopounidis, editors, Advances in Multicriteria Analysis,
pages 203–211. Kluwer, Dordrecht, 1995.
4. D. H. Krantz, R. D. Luce, P. Suppes, and A. Tversky. Foundations of measurement, vol. 1 :
Additive and polynomial representations. Academic Press, New York, 1971.
5. B. Roy and D. Bouyssou. Aide multicritère à la décision : méthodes et cas. Economica, Paris,
1993.
6. R. Słowiński, S. Greco, and B. Matarazzo. Axiomatization of utility, outranking and decision-rule
preference models for multiple-criteria classification problems under partial inconsistency with the
dominance principle. Control and Cybernetics, 31(4) :1005–1035, 2002.
7. K. Vind. Independent preferences. Journal of Mathematical Economics, 20 :119–135, 1991.
8. C. Zopounidis and M. Doumpos. Intelligent decision aiding systems based on multiple criteria for
financial engineering. Kluwer, Dordrecht, 2000.
Aide à la décision pour l’optimisation des gares de triage

H. Djellab,1 , C. Mocquillon2 , and C. Weber1

1
SNCF - I&R-AAD, 45 rue de Londres, 75000 Paris Cedex France.
2
EURODECISION, 9A, rue de la Porte de Buc, 78000 Versailles Cedex France.

1 Introduction
Une gare de triage est une installation ferroviaire permettant l’acheminement de wagons de
marchandise de leur origine vers leur destination finale. Pour optimiser le coût de transport
des wagons à travers le réseau, les flux origine/destination sont massifiés :
1. les commandes d’une zone géographique sont regroupées au niveau d’une gare de type
« plateforme »,
2. les flux de différentes plateformes sont regroupés et traités au niveau des gares de type
« hub »
3. les flux des hub sont redéployés vers les plateformes qui acheminent enfin les wagons au
niveau de leurs destinations finales.
L’architecture globale du réseau et les interactions possibles entre les hubs et les plateformes
sont présentés à la figure 1.

Fig. 1. Structure du réseau

Le routage des wagons est effectué lors d’un phase stratégique en amont de notre étude,
l’objectif des gares de triage est alors de maximiser la qualité de service client en minimisant
le nombre de correspondances ratées entre les wagons réceptionnés et les trains au départ
de la gare tout en assurant le respect des contraintes de ressources (personnels et engins de
manoeuvre).
Une gare de triage est composée de quatre chantiers distincts : le chantier de réception, le
chantier de débranchement, le chantier de formation et le chantier de départ. Les trains à
l’arrivée de la gare sont réceptionnés puis inspectés sur le faisceau de voies du chantier de
réception. A l’aide d’un engin de manoeuvre, ils sont ensuite refoulés (poussés) sur la bosse
(chantier de débranchement) d’où les wagons descendent en roulant par gravité et sont orientés
 Optimisation des gares de triage 133

vers les différentes voies du faisceau de formation. Lorsque l’ensemble des wagons d’un même
train au départ est présent sur le faisceau de formation, il est trié avant de subir une opération
d’inspection.
Une fois les wagons inspectés et triés, ils sont acheminés au niveau du chantier de départ où
ils subissent une dernière opération de préparation à l’expédition. La figure 2 présente une
version schématisée d’une gare de triage à une bosse.

Fig. 2. Représentation schématique d’une gare de triage

L’objectif de la gare de triage est donc de minimiser le nombre de correspondances ratées tout
en respectant les différentes contraintes de capacités de chaque chantier : nombre de voies,
disponibilités des voies, nombre d’équipes disponibles pour réaliser les opérations, ...
La figure ci-dessous décrit la méthodologie de description de notre problème suivant la mé-
thodologie CHIC-2 ([9]).

Fig. 3. Méthodologie de modélisation du problème

2 Etude bibliographique
Le problème d’optimisation des gares de triage n’a pas suscité beaucoup de recherche. On
peut catégoriser les études réalisées (cf. bibliographie) en deux groupes :
Le premier groupe est focalisé sur l’analyse des performances des opérations des gares de
triage. La gare de triage est considérée comme un système de production [3,4] et on peut donc
134 Djellab, Mocquillon, Weber

appliquer les différentes techniques de gestion de production pour améliorer ses performances :
identifier le goulot d’étranglement, analyser l’hétérogénéité des arrivées et des départs des
trains, etc.
Le second groupe d’étude est concentré sur l’optimisation des opérations dans les différents
chantiers. La quasi-totalité des méthodes d’optimisation proposées dans ce groupe sont des
méthodes approximatives : simulation à base de règles [5], heuristique [6,3], programma-
tion dynamique avec décomposition du problème, programmation mathématique [1,2,5](pour
l’ordre de débranchement), ...
C’est un problème très difficile au sens mathématique du terme (NP-Hard). Une instance de
ce problème peut être amené à un problème de flow shop hybride à 4 étages où chaque étage
correspondants à un chantier et chaque machine à une voie.
3 Méthodes de résolution
Nous avons développé une approche basée sur une méthode d’améliorations itératives [4].
La première phase consiste à déterminer une solution initiale la meilleure possible en tenant
compte de caractéristiques du problème. En suite à l’aide d’un processus guidé ou aléatoire
on perturbe la solution on vue d’améliorer la solution.
Nous avons comparé et orienté notre approche heuristique à l’aide des résultats obtenus par
une approche PLNE sur des jeux de données fictifs de tailles moyennes. La validation de notre
approche sur des jeux de données réelles des sites pilotes retenus est en cours.
Nous présenterons en détail le problème avec les différentes contraintes et notamment les
techniques mises en oeuvre pour trier les wagons lors de la formation des trains au départ.
Nous présenterons aussi les résultats sur des jeux de données réels des sites pilotes retenus.
Références
1. Edwin R. Kraft, Priority car sorting in railroad classification yards using a continuous multi-stage
method, United States Patent, 2002
2. Edwin E. R. and M. Guignard Spielberg, A mixed integer optimization model to improve freight
car classification in railroad yards, Report 93-06-06, University Pennsylvania 1993
3. Jeremiah R. Dirnberger, Development and application of lean railroading to improve classification
terminal performance, Thesis, degree of Masters of Science in Civil Engineering in the Graduate
College of the University of Illinois at Urbana-Champaign, 2006
4. Jeremiah R. Dirnberger, Christopher P.L. Barkan, Improving Railroad Classification Yard Per-
formance Through Bottleneck Management Methods, Proceedings of the AREMA 2006 Annual
Conference, Louisville, KY, 2006
5. Larry Shughart, Ravindra Ahuja, Arvind Kumar, and Saurabh Mehta, Nikhil Dang and Güvenç
Sahin. A Comprehensive Decision Support System for Hump Yard Management Using Simulation
and Optimization, 2006
6. R. Haijema. Train shunting : A practical heuristic inspired by dynamic Programming, University
of Amsterdam, Master Thesis in operational Research, 2001
7. R. Haijema, C.W. Duin, and N.M. van Dijk. Train shunting : A practical heuristic inspired by dy-
namic programming. In W. van Wezel, R. Jorna, and A. Meystel (editors), Planning in intelligent
systems, pages 437-477. Wiley, New York, United States, 2006.
8. Rapport interne « Optimisation des gares de triage »(Février 2008).
9. CHIC-2 Methodology for Combinatorial Application (European Esprit Project 22165).
 Heuristiques et metaheuristique pour le Multiproduct
Parallel Assembly Lines Balancing Problem

N. Grangeon and S. Norre

LIMOS, CNRS UMR 6158, IUT de Montluçon

Av. Aristide Briand, 03100 Montluçon
grangeon@isima.fr, norre@moniut.univ-bpclermont.fr

1 Présentation du problème

Le Simple Assembly Line Balancing Problem (SALBP) consiste à affecter des tâches à des
stations tout en respectant des contraintes de précédence entre les tâches et des contraintes
de temps de cycle. Il a été abondamment étudié et a fait l’objet d’un grand nombre de pu-
blications. La classe Generalized Assembly Line Balancing Problems (GALBP) est très large
et contient toutes les extensions qui peuvent être intéressantes dans la pratique, incluant la
sélection d’équipement, les contraintes d’affectation, ... Récemment, le problème du Multi-
product Parallel Assembly Lines Balancing Problem (MPALBP) a été proposé par [2]. Ce
problème s’intéresse à des lignes d’assemblage en parallèle et à la possibilité qu’un opérateur
puisse travailler sur deux lignes adjacentes.
Nous considérons un atelier de fabrication constitué de L lignes d’assemblage, placées l’une à
côté de l’autre, en parallèle. Chaque ligne d’assemblage est dédiée à la production d’un type de
produit. Toutes les lignes ont le même temps de cycle. Le processus de production de chaque
type de produit est modélisé par un graphe de précédence où les tâches sont les noeuds, les
durées des tâches sont les poids des noeuds et les relations de précédentce entre les tâches sont
les arcs. A un instant donné, une tâche est réalisée par, au plus, un opérateur. Les lignes sont
découpées en stations, de même longueur quelle que soit la ligne. Le principe du MPALBP
consiste à considérer qu’un opérateur peut être partagé entre deux lignes adjacentes, ce qui
signifie qu’un opérateur travaille sur deux stations en vis-à-vis pendant un même cycle, en
partageant son temps entre les tâches affectées à la station j de la ligne k et celles affectées à
la station j de la ligne k + 1. Le fait d’affecter un opérateur à deux lignes permet de diminuer
le nombre d’opérateurs mais sous-entend que des stations peuvent être inutilisées. La plupart
des problèmes d’équilibrage de lignes provient de l’industrie automobile et traite de lignes
d’assemblage de véhicules. Le MPALBP considère des lignes d’assemblage de produits de
petite taille tels les produits électroniques, les téléphones portables, ...
A notre connaissance, trois articles ont été publiés sur cette problématique. [2] ont proposé un
modèle mathématique pour un nombre quelconque de lignes, tout en indiquant qu’il ne permet
de résoudre que des instances de petite taille, ainsi que deux heuristiques. [1] proposent de
modéliser le problème sous la forme d’un réseau représentant les affectations possibles d’une
tâche à un opérateur. Aucun résultat n’est donné, les auteurs indiquent que leur objectif
est de donner une nouvelle vision du problème. L’article le plus récent a été proposé par
[4] et présente une analyse du MPALBP. Le problème est décrit en détail en définissant les
termes employés par rapport au SALBP, les avantages sont présentés à l’aide d’exemples
136 Grangeon, Norre

numériques. Ils proposent un modèle mathématique qui prend en compte le problème de

l’affectation des types de produits aux lignes et une méthode exacte qui combine un algorithme
de branch-bound ABSALOM initialement proposé pour le ARALBP (Assignment Restricted
Assembly Line Balancing Problem) et une méthode d’énumération pour l’affectation des types
de produit au lignes.

2 Propositions
Comme le mentionne [4], les méthodes exactes ne permettent pas de résoudre des instances
de grande taille. Or, le problème, de par sa définition, concerne un grand nombre de tâches.
Nous proposons donc d’utiliser des méthodes approchées (heuristiques et métaheuristiques)
basées sur les méthodes que nous avons proposées dans [3] et qui se sont montrées efficaces
sur les instances de SALBP-1 de la littérature. Dans un premier temps, il nous est apparu
intéressant de distinguer deux cas :
cas 1 : l’atelier est composé de deux lignes d’assemblage et chaque ligne traite un type de
produits. Nous avons deux graphes de précédence. Ce problème peut être modélisé par
un SALBP-1 avec un graphe de précédence composé des deux graphes de précédence
reliés entre eux par une tâche fictive de début de durée 0. Les méthodes proposées dans
[3] peuvent être appliquées directement. A partir de la liste des tâches affectées à un
opérateur, l’affectation de l’opérateur à une ou deux stations adjacentes peut facilement
être déduite. Les résultats obtenus permettent d’améliorer les résultats de la littérature :
sur les 20 instances pour lesquelles la solution otimale n’est pas connue, nous obtenons
une meilleure solution que les solutions de la littérature et pour 9 instances, nous obtenons
une valeur identique à la borne inférieure.
cas 2 : l’atelier est composé de L > 2 lignes d’assemblage et chaque ligne traite un type
de produits. Nous avons L > 2 graphes de précédence. Ce problème peut être modélisé
par un ARALBP-1, extension du SALBP-1 avec un graphe de précédence composé des L
graphes de précédence reliés entre eux par une tâche fictive de début de durée 0 et des
contraintes d’affectation (les tâches affectées à un opérateur doivent être réalisées soit sur
la même ligne, soit sur au maximum deux lignes adjacentes). Nous proposons d’étendre les
méthodes utilisées dans le cas précédent pour prendre en compte cette contrainte. Aucun
résultat n’a été publié dans ce cas, mais les résultats obtenus semblent intéressants.
Les perspectives de ce travail portent sur un troisième cas où l’atelier est composé de L > 2
lignes d’assemblage et l’affectation des types de produits aux lignes est à déterminer.

Références
1. Benzer, R. and Gökçen, H. and Çetinyokus, T. and Çercioglu, H : A Network Model for Parallel
Line Balancing Problem. Mathematical Problems in Engineering, Article ID 10106, (2007)
2. Gökçen, H. and Agpak, K. and Benzer, R. : Balancing of parallel assembly lines. International
Journal of Production Economics, 103 (2), p.600-609, (2006)
3. M. Gourgand and N. Grangeon and S. Norre : Metaheuristics based on bin packing for the line
balancing problem. RAIRO Operational Research, 41, p.193-211, (2007)
4. Scholl, A. and Boysen, N. : The multiproduct parallel assembly lines balancing problem : model
and optimization procedure. Jena Research Papers in Business and Economics, 13, (2008)
 Un algorithme GRASP pour la résolution d’un TLBP
avec des contraintes liées aux choix d’équipements

M. Essafi, X. Delorme and A. Dolgui

Département Génie Industriel et Informatique, Ecole des Mines de Saint-Etienne, 158 Cours
Fauriel, 42023, Saint-Etienne, France.
(essafi,delorme,dolgui)@emse.fr

1 Introduction
Nous traitons le problème d’équilibrage de ligne d’usinage connu sous le nom de TLBP (Trans-
fer Lines Balancing Problem) avec des contraintes liées aux choix d’équipements. Les lignes
étudiées sont sérielles, i.e. la pièce à usiner traverse une séquence de stations en passant d’une
à l’autre en respectant une cadence imposée : le temps de cycle de la ligne. Les stations sont
composées des machines d’usinage à commandes numériques (ou machines CNC : Compu-
ter Numerical Controller). Une machine à commandes numériques est mono-broche et peut
utiliser séquentiellement plusieurs outils d’usinage et faire tourner la pièce sur un plateau
rotatif afin d’exécuter plusieurs opérations d’usinage sur des faces différentes de la pièce. Plu-
sieurs machines peuvent être installées sur une seule station, elles effectuent alors les mêmes
opérations sur des unités de produits différentes, ainsi le temps de cycle local de la station
est égal au temps de cycle de la ligne multiplié par le nombre de machines de la station. Le
problème d’équilibrage étudiée intègre les contraintes classiques de précédence, d’exclusion
et d’inclusion. En plus de cela, le temps de chargement d’une station dépend de la séquence
d’opérations affectées. En effet, un temps inter-opératoires doit être pris en compte entre
deux opérations, ce temps est lié aux temps nécessaires pour le changement d’outils, rotation
de la pièce, etc. Des contraintes d’accessibilité sont également traitées, en effet, suivant la
position de la pièce dans la machine et le type de la machine utilisée, nous avons un ensemble
de faces accessibles (et donc les opérations d’usinage situées sur ces faces sont accessibles)
[1]. Deux types de machines avec des caractéristiques différentes peuvent être utilisées dans
la conception d’une telle ligne. Ainsi, plusieurs opérations nécessitent l’utilisation d’un type
particulier de machine. Le problème d’équilibrage consiste à déterminer, pour un temps de
cycle donné, le nombre de stations à installer ainsi que le nombre et le type des machines sur
chaque station, la séquence d’opérations à affecter à la station, tout en tenant compte des
contraintes du problème. L’objectif de l’équilibrage consiste à minimiser le co˚t total de la
ligne à installer.

2 Algorithme
Nous proposons un algorithme de résolution basée sur GRASP [2]. L’algorithme est composé
de deux phases :
– Une première phase qui consiste à construire une solution admissible à l’aide d’un algo-
rithme glouton aléatoire (semi-glouton) (Fig.1) ;
138 Essafi, Delorme, Dolgui

– Une deuxième phase est conçue pour l’amélioration de la solution trouvée à l’aide d’une
méthode de recherche locale (Fig.2), cette phase de recherche locale s’arrête si aucune
amÈlioartion n’est possible.
Ces deux phases sont répétées de manière itérative un grand nombre de fois jusqu’à atteindre
une condition d’arrêt (nombre d’itérations).

Fig. 1. Algorithme glouton aléatoire utilisé pour le MLBP

Fig. 2. Phase de recherche locale

 Title Suppressed Due to Excessive Length 139

Références
1. Delorme X., A. Dolgui, M. Essafi, L. Linxe and D. Poyard : Automatic Machining Lines : Design
and Optimization. Chapter in : Handbook of Automation, S. Nof (Ed.). Springer Verlag (2008)
2. Feo, T.A. and M.G.C. Resende : A probalistic heuristic for a computationally difficult set covering
problem. Operations Research Letters, Vol. 8, p. 97-71 (1989)
 Gestion de l’autonomie des Robots Mobiles

Hassan BAALBAKI

CIS, Ecole Nationale Superieur des Mines de Saint Etienne, 42023 St. Etienne Cedex France.
baalbaki@emse.fr

1 Introduction
L’étude suivante consiste à gérer l’autonomie d’un ensemble de robots mobiles dotés de bat-
teries ayant une capacité limitée et nécessitants un temps de rechargement assez considérable
Notre objectif est d’assurer la continuité du travail, de garantir la disponibilité d’un des ro-
bots et de s’assurer que tous les robots ne se rechargent pas en même temps. Pour réaliser
cet objectif, les demandes des journées précédentes sont analysées afin de prévoir les futures
demandes et d’estimer les besoins, et en fonction de ces besoins un planning de rechargement
pour chaque robot est établi.
Cette étude s’inscrit dans le cadre du projet européen IWARD dont le but est de développer
un ensemble de robots intelligents capables d’assister le cadre médical dans les hôpitaux au
quotidien en effectuant a leur place les tâches logistiques comme le transport, le nettoyage,
la tournées de chambre, la surveillance, la téléconférence entre le patient et le médecin et la
détection des situations anormales.
Ce problème fait parti de la module de gestion centralisée des robots qui décompose de 3 sous
parties fortement reliés : (i) La localisation des zones de stationnement de chaque robot (ii)
La configuration et reconfiguration des robots (iii) La gestion de l’autonomie des robots. Les
2 premiers sous problèmes ont été largement étudiés dans [1] et [2].Dans ce présent papier
on étudie le dernier sous problème et on le modélise comme un système de programmation
linéaire.
La formulation du problème proposée consiste à décomposer la journée en plusieurs périodes
t ∈ T équivalantes à une période de rechargement, à chacune de ces périodes est associé un
ensemble de missions m ∈ Mt qui doivent être exécutées avant la fine de cette période. Chaque
robot n ∈ {1...N } est muni d’une batterie dont le niveau initial est de Cn,0 et Cn,t représente
le niveau d’énergie à la fin de la période t . On symbolise par an la quantité d’énergie minimale
consommée pendant la totalité d’une période par le robot n en état d’attente. La quantité
d’énergie supplémentaire pour exécuter la mission m est représentée par en,m et gn,t est la
quantité d’énergie rechargée durant la période t.

1.1 Formulation
Afin de formuler le problème en un P.L., ces variables de décision sont utilisées :
1
1 si le robot n est active durant la période t
Xn,t =
0 sinon le robot est en train de se recharger
1
1 si la mission m est affectée au robot n
Zn,m =
0 sinon
 Gestion de l’autonomie des Robots Mobiles 141

Le problème est formulé ainsi :

La fonction objective (1) maximise le nombre total des robot actifs. La contrainte (2) garantie
que chaque mission est affectée a un et un seul robot. La contrainte (3) assure que le nombre de
robots actifs soit toujours au dessus d’un seuil Lt prédéfini pour chaque période. La contrainte
(4) affirme qu’ une mission ne peut être affectée qu’à un robot actif . La contrainte (5) établit
la continuée du niveau d’énergie des batteries, et que le niveau actuelle dépend du niveau
précédant et des activités accomplit durant la période. La contrainte (6) certifie que le niveau
d’énergie ne dépasse pas les capacités physiques de la batterie. La contrainte (7) assure que
la quantité d’énergie rechargé gn,t ne dépasse pas un certain seuil Rn qui est relié à la vitesse
maximale de rechargement et la durée de rechargement. Les contraintes (8) sont les contraintes
d’intégrité des variables de décisions.

2 Conclusion
Le modèle présenté ci-dessus à été programmé en utilsant le solver MIP de CPLEX. Les
résultats obtenus sont satisfaisants pour des problèmes de petite et moyenne tailles dont la
résolution prend quelque secondes, mais en ajoutant plus de périodes et en augmentant la
taille de l’instance à 100 robots et 1000 tâches la résolution du système devient de plus en
plus complexe et nécessite plusieurs heures de calcul.

Références
1. Baalbaki, H., Lamiri, M., Xie,X. : Joint location and configuration of mobile service robots for
hospitals. The 4th IEEE Conf. on Automation Science and Engineering (CASE 2008)
2. Baalbaki, H., Lamiri, M., Xie,X. : A two-phase approach for configuration and location of mobile
robots in a hospital setting. The I*PROMS Conference on Innovative Production Machines and
Systems(2008)
 Programmation linéaire en nombres entiers pour
l’ordonnancement modulo sous contraintes de ressources

M. Ayala, C. Artigues

LAAS-CNRS ; Université de Toulouse

Avenue du Colonel Roche, F-31077 Toulouse, France.
mayala@laas.fr
artigues@laas.fr

Beaucoup d’études dans le domaine de la compilation pour les processeurs superscalaires

modernes et architectures VLIW (Very Large Instruction Word) sont focalisées sur le pro-
blème d’ordonnancement d’instructions. Ce problème est défini par un ensemble d’opérations
à ordonnancer, un ensemble de dépendances entre ces opérations et la micro architecture
du processeur cible qui définit des contraintes des ressources complexes. Une opération est
considérée comme une instance d’une instruction dans un programme. L’ordonnancement
d’instructions par boucles internes est connu sous le nom de pipeline logiciel. Le pipeline
logiciel est une méthode efficase pour l’optimisation de boucles qui permet la réalisation en
parallèle des opérations des différentes itérations de la boucle. Aujourd’hui, les compilateurs
commerciaux utilisent des méthodes basées sur les algorithmes d’ordonnancement modulo.
L’ordonnancement modulo est une structure d’ordonnancements cycliques 1-périodiques avec
période entière. Cela rend le modèle plus simple que le modèle classique d’ordonnancement
cyclique et aussi plus facilement implémentable. Le modulo-ordonnancement est une tech-
nique qui crée des liens entre les itérations successives d’une boucle. Le but est de trouver
un ordonnancement valide pour une boucle pour qu’elle puisse se superposer plusieurs fois
dans un intervalle constant, que nous appelons intervalle d’initiation ou période (λ). L’algo-
rithme d’ordonnancement modulo doit prendre en compte les contraintes de dépendances des
opérations, les contraintes de ressources (et la taille des registres qui sont ignorés dans cette
étude). Il doit aussi considérer les critères d’optimisation tels que la minimisation de l’inter-
valle d’initiation de l’ordonnancement λ ou la minimisation de la durée de l’ordonnancement
d’une itération de la boucle.
Le problème d’ordonnancement modulo consiste à trouver les dates de début d’un ensemble
d’opérations génériques de telle sorte que dans le contexte cyclique, les instances des opéra-
tions génériques sont répétées toutes les λ unités de temps. La date de début d’une instance
d’opération est donc définie par deux valeur : la date de début σi dans une période générique,
variant de 0 à λ − 1 et le numéro ki de la période. L’aspect modulo permet de limiter le
nombre d’opérations à considérer aux seules opérations génériques. Les ressources sont dis-
ponibles en quantités limitées et chaque opération demande une quantité positive ou nulle
de chaque ressource. Les demandes cumulées des opérations en cours d’exécution à chaque
instant modulo λ sur chaque ressource ne doivent pas dépasser sa limitation. Les contraintes
de dépendances sont définies relativement aux dates de début "effectives" σi + ki λ.
Dans ce travail, nous considérons le problème de minimisation de la somme pondérée des dates
d’exécution des opérations à durées unitaires pour un intervalle d’initiation donné. Dans le
contexte de la programmation linéaire en nombres entiers (PLNE) pour l’ordonnancement mo-
dulo avec contrainte de ressources, différentes formulations ont été proposées, basées sur des
 Title Suppressed Due to Excessive Length 143

généralisation de la formulation classique non préemptive et indexée par le temps de Pritsker

et al. [3] pour le RCPSP (Resource Constrained Project Scheduling Problem). Eichenberger
et Davidson [1] proposent une formulation comportant deux ensembles de variables : une
variable binaire yiτ donnant la date de début de l’opération i dans la période générique (telle
&λ−1
que σi = τ =0 τ yiτ ) et la variable entière ki . Dupont-de-Dinechin et al. [2]&donnent une
K−1
formulation comportant un seul type de variable binaire xit tel que yiτ = k=0 xi,τ +kλ
&K−1 &Kλ−1
et ki = k=1 t=kλ xit avec K et λ donnés. Dans les deux cas, suivant l’approche de
Christofides et al. [5], des contraintes de précédence structurées et non structurées sont pré-
sentées. Mingozzi et al. [4] présentent une formulation 0-1 pour le RCPSP qui nécessite un
grand nombre de variables correspondant à des sous-ensembles d’activités qui peuvent être
exécutées simultanément sans violer les contraintes de ressources ou de précédence. Dans ce
travail, nous proposons des extensions de la formulation de Mingozzi pour RCMSP. Dans
cette extension l’ordonnancement se fait sur la période générique alors que dans le modèle de
Mingozzi l’ordonnancement se fait pour tout l’horizon de temps. Nous proposons un schéma
de génération de colonnes pour résoudre la relaxation du PLNE. Nous avons trouvé que le
sous-problème correspond à λ problèmes du sac-à-dos multidimensionnel. Ces extensions sont
proposées pour les PLNE présentés précédemment. Les résultats expérimentaux pour com-
parer les differents formulations proposées sont réalisés en utilisant des instances de RCMSP
provenant du compilateur commercial ST200.

Références
[1] A Eichenberger, E. S. Davidson .Efficient Formulation for Optimal Modulo Schedulers.
SIGPLAN Conference on Programming Language Design and Implementation - PLDI’97
(1997).
[2] B.Dupont-De-Dinechin. C. Artigues. S. Azem. Resource Constrained Modulo Scheduling.
In C. Artigues, S. Demassey and E. Néron. Resource-Constrained Project Scheduling Models,
algorithms, extensions and applications. November (2007).
[3]A. Pritsker, L.Watters and P. Wolfe. Multi-project scheduling with limited resources : a
zero-one programming approach. Management Science 16, 93-108, (1969).
[4] A. Mingozzi and V. Maniezzo. An Exact Algorithm For The Resource Constrained Project
Scheduling Problem Based on a New Mathematical Formulation. Management Science 44,
714-729, (1998).
[5] N. Christofides , R. Alvarez-Valdés and J. Tamarit. Project scheduling with resource
constraints : a branch and bound approach. European Journal of Operational Research 29(3),
262-273, (1987).
 Formulation on-off pour le RCPSP

O. Koné1 , C. Artigues1 , P. Lopez1 , and M. Mongeau2

1
LAAS-CNRS ; Université de Toulouse ; 7 avenue du Colonel Roche, F-31077 Toulouse cedex 4
okone@laas.fr, artigues@laas.fr, lopez@laas.fr
2
Université de Toulouse, UPS, Institut de Mathématiques, 31062 Toulouse cedex 9
mongeau@math.univ-toulouse.fr

Le RCPSP est un problème d’ordonnancement cumulatif qui consiste à organiser l’exécution

d’un ensemble d’activités soumises à des contraintes de temps et de ressources. Inspirée des
travaux sur les problèmes d’atelier [3] et d’une formulation basée sur les événements [1], nous
proposons ici une nouvelle formulation de ce problème basée non seulement sur le concept
d’événement mais aussi sur l’idée de fixer une variable binaire à 1 sur toute la durée d’exécution
d’une activité. On rappelle que le RCPSP se caractérise formellement par un ensemble T =
0, ..., n − 1 de n activités. Chaque activité i, de durée opératoire pi , est à ordonnancer sur
un horizon de temps H. Les activités sont liées entre elles par des contraintes de précédence.
Ainsi, il existe un ensemble de précédences U tel que pour toute paire d’activités (i, j) ∈ U ,
l’activité j ne peut débuter qu’après l’achèvement de l’activité i. Nous disposons également
d’un ensemble R de K ressources, disponibles en quantité constante Rk , k ∈ R, sur tout
l’horizon H, et chaque activité consomme rik unités de la ressource k.

1 Formulation on-off basée sur les événements

A la différence des formulations classiques [2] utilisant des variables de décision indexées
par le temps sur un horizon d’ordonnancement discrétisé à intervalle constant (exemple :
xit = 1 signifie que l’activité i démarre à la date t), on considère ici deux types de variables
(zie et te ) avec les variables zie indexées par des événements. Un événement se produit au
début de l’exécution d’une activité. La variable zie = 1 si l’activité i débute ou est en cours
d’exécution immédiatement après l’événement e. Ainsi, cette variable zie reste égale à 1 sur
toute la durée d’exécution de l’activité i. Les variables te désignent la date de l’événement
e. Un ordonnancement optimal ne comporte pas plus d’événements de début d’activité que
d’activités. Ce modèle semble donc prometteur du point de vue du nombre de variables
binaires, contrairement aux formulations classiques qui ont un nombre de variables qui explose
avec une augmentation de l’horizon d’ordonnancement. En effet, le nombre d’événements
étant borné par n, le nombre de variables de notre formulation est inférieur ou égal à n2 + n.
Tout comme la formulation basée sur les événements [1], il présente l’avantage de prendre
en compte des durées non-entières (exemple : pi = 3, 8). Il présente également l’avantage de
représenter de façon simple les contraintes de ressources, tout en ayant beaucoup moins de
variables (2n2 + n).
L’objectif est de minimiser la durée totale qui correspond à la date du dernier événement. Une
contrainte fixe la date de l’événement 0 au temps 0. Une inéquation permet de lier les variables
binaires d’optimisation zie aux variables continues d’optimisation te , tout en assurant que
la durée d’exécution d’une activité soit égale à la durée opératoire de cette activité. Des
inéquations, dites inéquations de contiguïté, assurent que les événements pendant lesquels
 Formulation on-off pour le RCPSP 145

une activité est en cours d’exécution sont contigus. Une inéquation assure que chaque activité
est exécutée au moins une fois pendant tout l’horizon d’ordonnancement du projet. A cela
s’ajoutent les contraintes de précédence et les contraintes de ressource.

2 Résultats expérimentaux
Nous avons testé cette formulation sur des instances particulières. Ces instances de 15 ac-
tivités sont caractérisées par la valeur des durées opératoires pi des activités qui varient de
simples unités (exemple : pi = 5) à des centaines d’unités (exemple : pi = 259). Ces instances
s’apparentent aux jeux de données rencontrés dans certains problèmes de pétrochimie. Les
résultats que nous avons obtenus montrent que la formulation on-off présente de meilleures
performances pour la résolution de ce type de problème par rapport aux formulations clas-
siques de la littérature. On remarque aussi que, contrairement aux résultats sur les instances
classiques et parfois critiquées de la PSPLIB [6], la formulation de Christofides [4] conduit à
de moins bons résultats que celle de Pritsker [5].

En conclusion, nous avons introduit une nouvelle formulation PLNE basée sur les événements
qui semble particulièrement adaptée pour la résolution des problèmes d’ordonnancement s’ap-
parentant aux problèmes rencontrés dans certains problèmes de pétrochimie, caractérisés par
des durées entières et non entières, de valeurs très disproportionnées.

Références
1. O. Koné, C. Artigues, P. Lopez and M. Mongeau, Programmation linéaire en nombres entiers
(PLNE) pour le problème de gestion de projet avec contraintes de ressources (RCPSP) : Les
formulations basées sur les événements et comparaisons expérimentales, Présentation au congrès
ROADEF 2008.
2. S. Demassey, C. Artigues and P. Michelon. Constraint propagation-based cutting planes : An appli-
cation to the resource-constrained project scheduling problem. INFORMS Journal on computing,
17(1) :52-65, 2005.
3. S. Dauzère-Pérès and J.B. Lasserre, A new mixed-integer formulation of the flow-shop sequen-
cing problem, 2nd workshop on models and algorithms for planning and scheduling problems,
Wernigerode, Allemagne, May 1995.
4. N. Christofides, R. Alvarez-Valdès and J. M. Tamarit, Project scheduling with resource
constraints : A branch and bound approach, European Journal of Operational Research,
29(3) :262–273, 1987.
5. A. Pritsker, L. Watters and P. Wolfe, Multi-project scheduling with limited resources : A zero-one
programming approach, Management Science, 16, 1969.
6. PSPLIB. //129.187.106.231/psplib/
 Le Problème d’Ordonnancement avec Production et
Consommation de Ressources

Jacques Carlier, Aziz Moukrim, and Huang Xu

Université de Technologie de Compiègne

HEUDIASYC, UMR CNRS 6599
BP 20529, 60205 Compiègne cedex, France
{jacques.carlier, aziz.moukrim, huang.xu}@hds.utc.fr

1 Introduction

La plupart des modèles d’ordonnancement considèrent des contraintes potentielles classiques

et des ressources renouvelables, c’est-à-dire que celles-ci sont exigées au début de l’exécution
de chaque tâche et sont restituées en fin d’exécution. Peu de travaux traitent de ressources
consommables, c’est-à-dire qui ne sont pas restituées à la fin de l’exécution des tâches. Nous
étudions dans cet article un modèle d’ordonnancement avec production et consommation de
ressources. Ce modèle inclut donc ressources renouvelables et consommables. Dans la section
2, nous déclarons le modèle. Puis nous présentons des méthodes approchées dans la section
3, et une méthode exacte dans la section 4.

2 Un Modèle Comprenant la Consommation et la Production de

Ressources

Dans ce modèle, chaque évènement i requiert une certaine quantité ai de ressource pour com-
mencer son exécution. La quantité ai > 0 (resp. ai < 0) signifie que l’évènement i consomme
(resp. produit) une quantité |ai | de la ressource. vij représente le décalage de temps entre
l’évènement i et l’évènement j. Ce modèle peut représenter les ressources renouvelables et
non-renouvelables. Dans le cas de ressource renouvelable (RCPSP), une tâche i de durée pi
qui requiert une quantité ai de ressource peut-être représentée, dans notre modèle, en intro-
duisant deux évènements i′ et i′′ où l’évènement i′ consomme une quantité |ai | de ressource,
et où l’évènement i′′ produit une quantité |ai | de la ressource avec vi′ i′′ = pi et vi′′ i′ = −pi .
Dans le graphe conjonctif G de notre modèle, ceci est exprimé par un arc (i′ , i′′ ) valué par
pi et un arc (i′′ , i′ ) valué par −pi . Le problème consiste à trouver une solution minimisant le
makespan d’un problème d’ordonnancement avec production et consommation de ressources.
Ce problème, par extension du RCPSP, est NP-Complet.

3 Méthodes approchées

Pour résoudre ce problème, nous proposons une méthode basée sur l’algorithme du Recuit
Simulé [4] et une méthode basée sur les algorithmes mémétiques [8].
 Le Problème d’Ordonnancement avec Production et Consommation de Ressources 147

Pour ces deux méthodes, nous utilisons le même codage d’une solution. Dans notre mo-
dèle, nous considérons un arbitrage complet [1], c’est-à-dire comprenant tous les évènements
i1 , i2 , ..., in du projet, de consommation comme de production de ressource, que nous ex-
primons par l’ensemble d’arcs conjonctifs α = {(i1 , i2 ), (i2 , i3 ), ..., (in−1 , in )}. Nous associons
cet ensemble à la permutation Πα = (i1 , i2 , ..., in ) correspondant aux relations induites par
α. Nous utilisons ces permutations pour représenter les solutions, dans la mesure où l’Algo-
rithme de l’Arbitrage Complet [2] permet de déterminer une solution optimale compte tenu
des contraintes exprimées par un arbitrage complet donné. Nous avons montré qu’il est égale-
ment possible, lorsqu’il n’existe aucun arc vij de coût négatif, d’obtenir une solution optimale
en considérant des arbitrages de consommation, c’est-à-dire ne faisant apparaître que des arcs
entre évènements de consommation, avec l’Algorithme de l’Arbitrage de Consommation.
Les deux méthodes proposées ont été testées sur les instances de référence PSPLIB pour
le RCPSP J30, J60 et J90 [7]. Ces instances sont employées par défaut, aucun benchmark
n’existant pour notre modèle et le RCPSP constituant un cas particulier de celui-ci. Notre al-
gorithme mémétique donne de bons résultats selon les critères établis par Kolisch et Hartmann
[5]. L’algorithme de recuit simulé est moins performant.

4 Une méthode exacte

Nous proposons aussi une méthode exacte de type arborescent. Dans la méthode exacte,
afin de calculer une borne inférieure, nous adaptons la borne inférieure de JPPS [3] à notre
problème par relaxation à un problème à ressources renouvelables. Nous utilisons aussi l’al-
gorithme de décalage [1] par relaxation à un problème à ressources consommables. Chaque
noeud dans l’arbre de recherche représente un ensemble d’arcs qui sépare l’espace de recherche.
Nous rapporterons des résultats préliminaires de calcul.

Références
1. J. Carlier, "Problèmes d’Ordonnancements à Contraintes de Ressources : Algorithmes et Com-
plexité". Thèse d’état, Université Pierre et Marie Curie (Paris VI), 1984.
2. J. Carlier, A. Moukrim and H. Xu, "The Project Scheduling Problem with Production and
Consumption of Resources : a list-scheduling based algorithm", soumis à Discrete Applied Math-
matics en révision.
3. J. Carlier, E. Pinson, "Jackson’s pseudo-preemptive schedule and cumulative scheduling problems",
EJOR 145(2004), p80-94.
4. S. Kirkpatrick, C. D. Gelatt and M. P. Vecchi, "Optimization by Simulated Annealing", Science,
1983/220/4598, p671-680.
5. R. Kolisch and S. Hartmann, "Experimental Investigation of Heuristics for Resource-Constrained
Project Scheduling : An Update", EJOR 174(2006), p23-37.
6. R. Ruiz and T. Stützle, "A simple and effective iterated greedy algorithm for the permutation
flowshop scheduling problem", EJOR, 177(2007), p2033-2049.
7. R. Kolisch and A. Sprecher,"PSPLIB–A project scheduling library", EJOR 1996, p205-216.
8. P.Moscato, "On Evolution, Search, Optimization, Genetic Algorithms and Martial Arts : Towards
Memetic Algorithms", Caltech Concurrent Computation Program, Report, 1989, p7904.
 Extension du Contexte de Mise en Oeuvre des
Ordonnancements PFAIR

S. MALO1 , A. GENIET1 , and M. BIKIENGA2

1
1. Av Clément Ader BP 40109-86961 Futuroscope Chasseneuil-France.
sadouanouan.malo@ensma.fr,annie.geniet@univ-poitiers.fr
2
Université Polytechnique de Bobo Dioulasso. 01 BP 1091 Bobo Dioulasso 01
bmoustaph@yahoo.fr

1 Introduction
Dans ce papier nous nous intéressons au problème de l’ordonnançabilité des tâches temps
réel sur des architectures multiprocesseurs centralisées. Nous allons plus particulièrement
étudier l’ordonnançabilité des tâches périodiques asynchrones à échéances contraintes sous
PFAIR. Les algorithmes d’ordonnancement PFAIR sont les seuls algorithmes d’ordonnance-
ment pouvant garantir le respect des échéances tâches indépendantes périodiques synchrones
et à échéances sur requêtes sur une plateforme multiprocesseur suivant une stratégie globale.
Mais la restriction aux tâches synchrones et à échéances sur requêtes limite sévèrement l’uti-
lisation de ses algorithmes. Nous nous intéressons dans ce papier à la possibilité d’étendre ce
résultat d’ordonnançabilité aux tâches asynchrones et à échéances contraintes sur une pla-
teforme multiprocesseur suivant toujours une stratégie globale. Nous montrons à travers des
simulations que le résultat d’ordonnançabilité établi pour les tâches synchrones à échéances
sur requêtes peut s’étendre aux tâches asynchrones et à échéances contraintes.

2 Les ordonnancements PFAIR

Nous utilisons le formalisme de Liu et Layland [3] pour modéliser les tâches. Une tâche
est donc dénotée τi (ri , Ci , Di , Ti ) avec Ci ≤ Di ≤ Ti et une configuration de n tâches τ =
{τ1 , τ2 , ..., τn }. L’hyperpériode d’une configuration de tâches est notée T et T = P P CMi=1..n (Ti ).
L’architecture matérielle est composée de m processeurs identiques partageant une mémoire
commune. Les tâches sont préemptibles mais non parallèlisables. La migration est possible
rendant ainsi l’ordonnancement global. Formellement, un ordonnancement & sur une plateforme
de m processeurs est une fonction S : τ × ℵ → {0, 1} telle que : ∀t ∈ ℵ : τi ∈τ S(τi , t) ≤ m
avec S(τi , t) = 1 si la tâche τi a été ordonnancée sur le slot [t, t + 1) et S(τi , t) = 0 sinon. Lors
d’un ordonnancement idéal, chaque tâche τi doit recevoir exactement Ui .t unités de temps
processeur dans l’intervalle [0, t). Cependant, un tel ordonnancement n’est pas possible dans
le cas discret. En revanche, PFAIR tente à chaque instant de répliquer le plus fidèlement
possible cet ordonnancement idéal. La différence entre l’ordonnancement idéal et l’ordonnan-
cement construit est formalisée par la notion de retard. Formellement, le retard d’une tâche
&j=t−1
τi à l’instant t, dénoté retard(S, τi , t), est défini par : retard(S, τi , t) = Ui .t − j=0 S(τi , j).
Un ordonnancement est alors dit PFAIR si et seulement si ∀τi , t : −1 < retard(S, τi , t) < 1.
Dans [2], Baruah et Al. ont montré la condition d’existence d’un ordonnancement PFAIR
 Extension du Contexte de Mise en Oeuvre des Ordonnancement P-équitables 149

pour une configuration de tâches synchrone à échéances sur requête. Cette condition s’énonce
comme suit :
Theorem 1. Soit τ une configuration de n tâches synchrÙnes à échéance sur requête, il existe
un&ordonnancement PFAIR sur une plateforme de m processeurs identiques si et seulement
i=n i
si i=1 CTi ≤ m.

3 Extension de la propriété d’équité aux configurations de tâches

périodiques indépendantes
Notre objectif dans cette étude est d’étendre la condition d’existence d’ordonnancement
PFAIR à toute configuration de tâches périodiques indépendantes. Pour cela nous avons pro-
cédé dans une première phase à des simulations. Le simulateur met en oeuvre un générateur
aléatoire d’applications temps réel et un d’ordonnancement suivant algorithme d’ordonnance-
ment PFAIR. L’olgorithme utilisé est PF. Nous avons tout d’abord adapté les conditions de
mise en oeuvre de cet algorithme à notre contexte afin que l’équité soit maintenue.Le temps
processeur ωi (t) idéalement reçu par une tâche τi dans un intervalle de temps [0, t) est defini
comme suit :

 0 si t ∈ [0, ri )



Ci
ωi (t) = k.Ci + Di
.(t − k.Ti − ri ) si t ∈ [k.Ti + ri , k.Ti + Di + ri )




(k + 1).Ci si t ∈ [k.Ti + Di + ri , (k + 1).Ti + ri ).
=t>
o˘ k = Ti
. Les résultats des simulations nous ont conduit à énoncer les conjectures suivantes :
Ci
&i=n
Conjecture 1. Pour une configuration de n tâches périodiques indépendantes τ , si i=1 Di
≤ m,
alors il existe pour τ un ordonnancement PFAIR valide sur une plateforme de m processeurs iden-
tiques.
Conjecture 2. L’ordonnancement PF est cyclique et l’entrée dans le cycle se produit au plus tard à
la date max {ri }i=...n + P .
En effet, à notre connaissance aucun résultat sur la cyclicité des ordonnancements temps réel n’existe
dans un contexte d’ordonnancement PFAIR sur une plateforme multiprocesseur hors mis les travaux
de [1] et [4]. D’autre part, une étude plus poussée peut permettre de connaître l’incidence du facteur
d’utilisation U et du facteur de charge CH sur l’ordonnançabilité des configuration tâches à échéance
contrainte.

Références
1. Annie Choquet-Geniet and Emmanuel Grolleau. Minimal schedulability interval for real time
systems of periodic tasks with offsets .Theoretical of Computer Sciences, vol. 310, 2004, pp. 117-
134.
2. BARUAH S., COHEN N., PLAXTON C. G., VARVEL D., Proportionate progress : notion of
fairness in resource allocation , Algorithmica. vol. 15, p. 600-625, 1996.
3. Liu C. and Layland J.W.,Scheduling algorithms for multiprogramming in a hard real-time envi-
ronment. Journal of ACM, vol.20,p.46-61,1973.
4. L. Cucu,J. Goossens, Feasibility Intervals for Fixed-Priority Real-Rime Scheduling on Uniform
Multiprocessors. ETFA. IEEE Conference,20-22 Sep. 2006 Pages :397-404
 Implémentation effective d’un ordonnanceur distribué

M. Pérotin, P. Martineau, and C. Esswein1

LI Tours, 64 avenue Jean Portalis, 37200 Tours

matthieu.perotin,patrick.martineau,carl.esswein@univ-tours.fr

1 Introduction
Un double constat motive ce travail : la demande en calcul haute performance formulée par les
chercheurs et la faible utilisation moyenne de la puissance de calcul des ressources pédagogiques
organisées en salles de travaux pratiques. La problématique a été de répondre à cette demande qui
émane de chercheurs qui ne sont pas spécialistes du parallélisme et de l’ordonnancement, tout en
préservant les ressources pédagogiques pour les enseignements.
Ce résumé présente une solution permettant d’utiliser cette puissance résiduelle en satisfaisant des
contraintes imposées par les utilisateurs du système. Il présentera tout d’abord des éléments de modé-
lisation du système et montrera que le problème clé à résoudre est un problème d’ordonnancement. Un
simulateur sera présenté afin de comparer diverses heuristiques. Enfin des résultats d’implémentation
effective seront donnés.

2 Élements de modélisation
Différents acteurs sont ammenés à interagir autour d’un système permettant l’exécution de calculs
parallèles sur un réseau universitaire :
– L’utilisateur interactif : qui correspond à une personne travaillant physiquement sur un ordinateur,
par exemple un étudiant pendant une scéance de travaux pratiques.
– L’utilisateur de calcul haute performance : il s’agit d’une personne qui souhaite concevoir et exécuter
des processus de calcul intensif.
Ces acteurs ont des attentes différentes vis à vis du système. Typiquement l’utilisateur interactif ne
souhaite pas être pénalisé par l’exécution des processus lourds lancés par l’utilisateur de calcul haute
performance. Ce dernier souhaite que ses processus soient exécutés le plus rapidement possible et
souhaite que leur soumission soit facile.
La plupart des contraintes modélisant les souhaits des utilisateurs peuvent être satisfaites par l’uti-
lisation d’un certain nombre de solutions techniques existantes. D’autres, en revanche, n’admettent
pas de solution toute prête.
Ces contraintes sont relatives à l’encombrement mémoire des processus, l’hétérogénéité des ordina-
teurs et l’utilisation des ordinateurs par les différents acteurs. Un nouveau problème d’ordonnance-
ment a été obtenu en les incorporant à un problème de rééquilibrage de charge ([1]). Dans ce type
de problème, il s’agit, partant d’une affectation initiale des processus sur les processeurs, de déplacer
le moins de tâches possible dans le but d’obtenir une charge similaire sur l’ensemble des processeurs.
Une nouvelle métrique de charge a été définie. Le problème obtenu est en-ligne et bi-critère ([2]). Il
est, dans sa variante décisionnelle NP-Complet ([3]).

3 Simulation et Implémentation
Plusieurs heuristiques ont été étudiées et comparées à l’aide d’un simulateur basé sur SimGrid ([4]).
Le simulateur a permis l’étude de diverses heuristiques et de comparer leurs performances. Cette
 Implémentation effective d’un ordonnanceur distribué 151

première phase a mené au choix de l’une d’entre elle pour une implémentation effective du mécanisme
au sein de Kerrighed. Les résultats obtenus sont très proches de ceux fournis par la simulation. La
figure 1 montre la convergence d’un système réel composé de 14 ordinateurs vers un état équilibré.

Fig. 1. Charges des ordinateurs, situation initiale et finale

4 Conclusion
Une nouvelle solution s’articulant à la fois autour de solutions techniques existantes et de la résolution
d’un problème d’ordonnancement a été proposée afin de permettre la mise en place de calcul haute
performance dans les universités en utilisant les équipements déjà présents.
À cet effet, un nouveau problème d’ordonnancement a été défini et étudié, plusieurs heuristiques ont
été proposées pour le résoudre et comparées à l’aide d’un simulateur. Une plateforme expérimentale
a été déployée afin de vérifier que la solution proposée satisfait l’ensemble des contraintes.

Références
1. Aggarwal (G.), Motwani (R.) et Zhu (A.). – The load rebalancing problem. Proc. ACM SPAA,
2003, 2003.
2. Perotin, M., Martineau P. et Esswein C. : Rééquilibrage de charge en-ligne bi-critère RENPAR
2008, Fribourg.
3. Perotin, M., Martineau P. et Esswein C. : Équilibrage de charge pour la grille. MOSIM 2008,
Paris.
4. Casanova (Henri), Legrand (Arnaud) et Marchal (Loris). – Scheduling distributed applications :
the simgrid simulation framework. Proceedings of the third IEEE International Symposium on
Cluster Computing and the Grid (CCGrid’03), 2003.
 Une heuristique efficace pour l’ordonnancement
périodique de tâches avec contraintes de stockage

K. Deschinkel, and S.A.A Touati

PRiSM, Université de Versailles Saint-Quentin en Yvelines, 45 avenue des Etats-Unis, 78035

Versailles
Karine.Deschinkel@prism.uvsq.fr
Sid.Touati@prism.uvsq.fr

1 Description du problème
Cet article traite du problème d’optimisation du besoin en stockage dans les graphes de tâches pé-
riodiques. En pratique, notre problème tend à minimiser le besoin en registres dans les programmes
embarqués, où les instructions d’une boucle sont représentées par un graphe de dépendances de don-
nées cyclique (GDD). Dans cet article, nous supposons une exécution parallèle des instructions sans
aucun modèle de ressources - la parallélisme étant borné par les contraintes de stockage uniquement.
Notre but est d’analyser le compromis entre le besoin en registres et le parallélisme dans un problème
d’ordonnancement périodique de tâche.
Les techniques existantes d’allocation périodique de registres appliquent généralement un ordonnance-
ment périodique d’instructions sous contraintes de ressources, tout en étant sensible aux contraintes
de registres. Plusieurs travaux proposent des algorithmes d’ordonnancement d’instructions d’une
boucle (sous contraintes de ressources et de période) tel que le code résultant ne crée pas plus de R
variables simultanément en vie. Or, en pratique, de tels algorithmes n’engendrent pas toujours des
codes rapides, car les contraintes de registres sont plus critiques que les contraintes de performances :
ceci car les accès mémoire coûtent plus de 100 unités de temps (cycles processeur) alors que les latences
des instructions sont inférieures à 10 cycles. Dans cet article, nous garantissons les contraintes des
registres avant la phase d’ordonnancement d’instructions sous contraintes de ressources : nous analy-
sons et modifions le GDD afin de garantir que tout ordonnancement d’instructions sous contraintes
de ressources ne crée pas plus de R variables simultanément en vie. Notre modification du GDD
essaie de ne pas altérer l’extraction du parallélisme si possible en prenant comme métrique la valeur
du circuit critique du graphe. Cette idée a déjà été abordée dans [1].

2 Une heuristique en deux phases

Le problème d’ordonnancement périodique de tâches (instructions) cycliques avec minimisation du
nombre de registres, dans sa forme la plus générale, peut se formuler sous forme d’un programme
linéaire en nombre entiers où les variables de décision sont les dates de début de chacune des tâches,
des variables binaires indiquant une réutilisation ou non de registres entre deux tâches (non né-
cessairement distinctes), et les distances de réutilisation. Ce problème étant NP-complet [2], une
résolution exacte s’avère trop coûteuse en pratique. Ici, nous avons exploité le fait que le problème
en question fait apparaître un problème sous-jacent d’affectation pour lequel nous connaissons un
algorithme en temps polynomial (méthode Hongroise) pour proposer une heuristique appropriée ap-
pelée SIRALINA [3]. Cette heuristique, en deux phases, nécessite dans un premier temps la résolution
d’un programme linéaire entier avec une matrice des contraintes totallement unimodulaire, puis la
résolution d’un problème d’affectation linéaire.
 Une heuristique pour l’ordonnancement périodique de tâches avec contraintes de stockage 153

3 Résultats
Nous avons testé SIRALINA sur un ensemble de benchmarks, issus de la communauté d’optimisation
de codes, et correspondants à des codes de calcul haute performance pour l’embarqué (LAO, MEDIA-
BENCH, SPEC2000-CINT, SPEC200-CFP, SPEC2006). Nos expériences montrent que SIRALINA
produit des solutions très satisfaisantes en très peu de temps. Par conséquent, cette méthode est en
train d’être incluse dans un compilateur pour l’embarqué chez STMicroelectronics.

4 Perspectives
Nous devons étudier la manière de prendre en compte dans notre modélisation des spécificités du
problème liées à l’architecture matérielle ou à la réalisabilité de l’ordonnancement sous contraintes
de ressources. Par exemple, l’utilisation de banc de registres rotatifs force l’existence d’un seul cir-
cuit hamiltonien dans le graphe de réutilisation. Le graphe de réutilisation est ordonnançable sous
contraintes de ressources à condition que tout circuit dans ce graphe ait une distance positive. Le
traitement de ces différentes spécificités constitue des pistes de travail supplémentaires.

Références
1. S-A-A Touati et C. Eisenbeis : Early Periodic Register Allocation on ILP Processors. Parallel
Processing Letters, 14(2), Juin 2004. World Scientific.
2. S-A-A Touati : Register Pressure in Instruction Level Parallelisme. Thèse, Université de Versailles,
France, Juin 2002. ftp.inria.fr/INRIA/Projects/a3/touati/thesis.
3. K. Deschinkel et S-A-A Touati : Efficient Method for Periodic Task Scheduling with Storage
Requirement Minimisation, Lecture Notes in Computer Science (COCOA 2008), Canada, Août
2008.
 Complexité de kSTSP, ou TSP multi-containers

S. Toulouse and R. Wolfler Calvo1

LIPN (UMR CNRS 7030) - Institut Galilée, Université Paris 13, France.
sophie.toulouse@lipn.univ-paris13.fr, roberto.wolfler@lipn.univ-paris13.fr

1 Introduction
Le problème du voyageur de commerce multi-containers, kSTSP, considère un nombre constant de
containers dans lesquels n objets sont à empiler lors d’un tour de collecte, puis à dépiler lors d’un tour
de livraison. Outre quelques tentatives de résolution approchée, [2,1], kSTSP fait partie des variantes
les moins explorées du TSP. S’il s’agit d’un problème NP − h (à partir de TSP, considérer deux fonc-
tions distance identiques à l’orientation des arcs près), nous nous intéressons plus particulèrement à
l’impact des containers dans la complexité du problème. Notamment, à l’instar des travaux accom-
plis sur les PQ-arbres, [3], nous proposons un algorithme polynomial de programmation dynamique
permettant de résoudre certains TSP avec contraintes de précédence.

2 Présentation du problème
Une instance I de kSTSP est la donnée d’un nombre n de colis et de deux fonctions distance d1 , d2 :
E(Kn+1 ) → N, où Kn+1 désigne le graphe complet d’ordre n + 1 (orienté ou non). Le sommet 1
représente le dépôt, tandis que les sommets 2, . . . , n + 1 représentent les lieux de chargement et de
livraison. On définit un partionnement ordonné comme un ensemble P = {P 1 , . . . , P k } de qℓ -uplets
P ℓ = (v1ℓ , . . . , vqℓℓ ) formant une partition de {2, . . . , n + 1}. Une solution est un triplet (T 1 , T 2 , P),
où T 1 (collecte) et T 2 (livraison) sont des tours sur [n + 1] ; une solution est réalisable si pour toute
pile P ℓ ∈ P, T 1 collecte ses objets dans l’ordre v1ℓ < . . . < vqℓℓ , tandis que T 2 les livre dans l’ordre
v1ℓ > . . . > vqℓℓ ; une solution est optimale si elle est de moindre coût, oû le coût est donné par la
somme des coûts des deux tournées.

3 Déterminer P (resp., T 2 ) sachant (T 1 , T 2 ) (resp., T 1 )

Lemme 1 Soient deux tours T 1 et T 2 , décider s’il existe P compatible se ramène au problème de la
k-coloration dans un graphe d’ordre n, qui est NP − c pour k ≥ 3.

Lemme 2 Si I2ST SP désigne l’ensemble des instances de 2STSP et opt2ST SP (I) la valeur opti-
male sur I ∈ I2ST SP , alors la valeur opt2ST SP |T 1,∗ (resp. opt2ST SP |T 2,∗ ) de la meilleure solution
(T 1 , T 2 , P) sachant T 1,∗ (resp., sachant T 2,∗ ) vérifie :
inf opt (I)/ opt (I) = inf opt (I)/ opt (I) = +∞
I∈I2ST SP 2ST SP |T 1 2ST SP I∈I2ST SP 2ST SP |T 2 2ST SP

Démonstration. 1. Si G%= (W, E) désigne le graphe défini par W = [n + 1]\{1} et {i, j} ∈ E ssi i
collecté et livré avant j dans T 1 et T 2 , alors il existe P compatible ssi G%= est k-colorable : une
couleur est une pile, et i peut être conjointement collecté et livré avant j ssi i et j appartiennent à
deux piles distinctes. 2. Pour le cas orienté : considérer d1 et d2 tq. d1 (i, i + 1) = d2 (i, i + 1) = 1 ∀i
et d1 (i, j) = 1 + ε, d2 (i, j) = n partout ailleurs.
 Résolution du kSTSP 155

4 Déterminer (T 1 , T 2 ) sachant P
Lemme 3 Pour P fixé, déterminer les tournées optimales est polynomial.

Démonstration. (Tour de collecte.) On propose un algorithme de programmation dynamique dont

les états sont les vecteurs non nuls e = (e1 , . . . , ek ) de ×kℓ=1 [0, q ℓ ] correspondant à l’empilement des eℓ
premiers éléments v1ℓ , . . . , veℓℓ de chaque pile P ℓ ; pour un état e et une pile ℓ, l’étiquette E (e, ℓ) désigne
le coût d’une collecte optimale des objets de e, finissant par veℓℓ . Conditions initiales : E (e, ℓ) = +∞, à
l’exception des ℓèmes vecteurs canoniques eℓ pour lesquels E (eℓ , ℓ) = d1 (1, v1ℓ ). Optimalité : la valeur
optimale opt est donnée par minkℓ=1 {E((q 1 , . . . , q k ), ℓ) + d1 (vqℓℓ , 1)}. Relation de récurrence : pour
réaliser l’état e en finissant par l’objet veℓℓ (si eℓ ≥ 1), le seul état prédécesseur possible est l’état
p(e, ℓ) = (e1 , . . . , eℓ−1 , eℓ − 1, eℓ+1 . . . , ek ) ; l’étiquette E (e, ℓ) est alors donnée par le meilleur coût
ℓ′ ℓ′
parmi E (p(e, ℓ), ℓ′ ) + d1 (vp(e,ℓ) ℓ ′
ℓ′ , veℓ ), pour ℓ tq. p(e, ℓ) ≥ 1. Le calcul de opt par programmation
dynamique s’effectue en complexité temporelle d’ordre k2−k (n + k)k .

Théorème 4 TSP/sp_graph(k)∈ P, où TSP/sp_graph(k) désigne le TSP avec contraintes de pré-

cédence de type graphe couvrant série-parallèle de largeur au plus k. Les problèmes d’ordonnancement
(1/sp_graph(k),p,STsd /Cmax ≡TST) et (1/sp_graph(k),p,SCsd /T SC) sont et lui sont équivalents
(les notations pour la classification α/β/γ, [5] des problèmes d’ordonnancement sont reprises de [4]).

Démonstration. À partir des piles, construire le graphe de source 1, de puits n + 2 (duplication du

dépôt) et de chemins (1, v1ℓ , . . . , vqℓℓ , n + 2). Généralisation à sp_graph(k) : dupliquer les sommets de
sorte à obtenir (au plus) k chemins deux-à-deux disjoints de la source au puits (au pire, kn sommets
ajoutés).

Références
1. Petersen H.L., Madsen O.B.G. : The double travelling salesman problem with multiple stacks -
Formulation and heuristic solution approaches. EJOR (2008, article in press)
2. Felipe A., Ortuño M., Tirado G. : Neighborhood structures to solve the double TSP with multiple
stacks using local search. in Proc. of FLINS 2008 (2008).
3. Burkard R.E., Deineko V.G., Woeginger G.J. : The Travelling Salesman and the PQ-Tree. In Proc.
5th Internat. IPCO Conference, LNCS 1084 :490-504 (1996).
4. Allahverdi A., Gupta J.N.D., Aldowaisan T. : A review of scheduling research involving setup
considerations. Omega 27(2) :219-239 (1999)
5. Graham R.L., Lawler E.L., Lenstra J.K., Rinnooy Kan A.H.G. : Optimization and approximation
in deterministic sequencing and scheduling : a survey. Ann. of Discrete Math. 5 :287-326 (1979).
 Couverture d’un graphe à l’aide d’une forêt contrainte
de poids minimal

C. Bazgan, and B. Couëtoux

Université Paris Dauphine, LAMSADE, Place du Maréchal de Lattre de Tassigny 75775 Paris
Cedex 16
bazgan,couetoux@lamsade.dauphine.fr

Des nombreux problèmes de localisation visent à trouver dans un graphe un sous-ensemble de sous-
graphes satisfaisant certaines contraintes. Nous nous interessons dans la suite au problème Min CF(p)
consistant à trouver une couverture par une forêt du graphe de coût minimal, on appelle couverture
un sous-ensemble d’arête. Plus précisement, étant donné un graphe avec des coûts positifs sur les
arêtes, le problème Min CF(p) consiste à chercher une forêt couvrante de coût minimal telle que
chacune de ses composantes connexes contient au moins p sommets.
Min CF(p) pour p ≥ 4 a été montré NP-difficile par Imielinska et al. [2]. Ces auteurs ont également
établi un algorithme d’approximation à un facteur 2 près en utilisant une méthode gloutonne. Laszlo
and Mukherjee [3] proposent une heuristique plus raffinée que la précédente, qui fournit une solution
au moins aussi bonne que la solution fournie par l’algorithme précédent, mais qui reste cependant une
approximation à 2 près. L’application de la méthode de Goemans et Williamson [1] pour Min CF(p)
donne un algorithme d’approximation à un facteur 2 − 1/n près, où n est le nombre des sommets du
graphe.
Dans la suite nous exposons les résultats que nous avons obtenus sur ce problème. Min CF(p) reste
NP-difficile pour p = 3 ainsi que dans le cas sans coùts. Min CF(p), p ≥ 3, est aussi APX-difficile
dans le cas général, et il le reste aussi dans le cas de graphes bipartis. Si on se restreint aux graphes
de largeur d’arbre bornée, c’est à dire les graphes qui acceptent une représentation sous forme d’arbre
telle que chaque noeud de l’abre contiennent un nombre borné de sommets du graphe, le problème
devient polynomial. Min CF(p) sur les graphes planaires reste NP-difficile mais admet un schéma
d’approximation polynomial efficace.

Références
1. Goemans M. and Williamson D. : A general approximation technique for constrained forest pro-
blems. SIAM Journal on Computing 24 (1995), 296-317.
2. Imielinska. C, Kalantari B., and Khachiyan L. : A greedy heuristic for a minimum-weight forest
problem. Operations Research Letters 14 (1993), 65-71.
3. Laszlo M. and Mukherjee S. : Another greedy heuristic for the constrained forest problem. Ope-
rations Research Letters 33 (2005), 629-633.
Approximation et algorithmes exponentiels : le cas de la
couverture minimum

N. Bourgeois1 , B. Escoffier1 , and V. Th. Paschos1

LAMSADE, Université Paris Dauphie, Place du Maréchal de Lattre de Tassigny, 75775 Paris Cédex
16 France.
{bourgeois,escoffier,paschos}@lamsade.dauphine.fr

Pour faire face à l’existence de problèmes NP-complets, il existe principalement deux approches clas-
siques, à savoir la résolution exacte (au prix d’une complexité élevée) et la recherche d’heuristiques,
autrement dit d’algorithmes plus rapides susceptibles de produire des solutions ‘proches’ de l’optimal.
La branche principale en ce dernier domaine est ce qu’on appelle l’approximation polynomiale, qui
vise à proposer des algorithmes polynomiaux permettant de déterminer des solutions admissibles, et
dont la proximité à l’optimal est garantie par un rapport d’approximation.

Ce sont là deux champs de recherche très actifs tant en optimisation combinatoire qu’en informatique
théorique. En ce qui concerne la résolution exacte, de nombreux et récents travaux se sont consacrés
au développement d’algorithmes garantissant une complexité au pire de cas la plus faible possible.
En considérant par exemple le très classique Max Independent Set, il est facile de voir qu’un
algorithme examinant successivement tous les sous-ensembles de V et conservant chaque fois le plus
grand produira la solution optimale en un temps O∗ (2n ), où n est le cardinal de V - la notation
f = O∗ (g) signifiant que l’on néglige un éventuel facteur polynomial. La question qui se pose alors
est de savoir si l’on peut concevoir un algorithme produisant un stable de cardinal maximal en un
temps n’excédant pas O∗ (γ n ), avec γ < 2. La réponse est oui, et une série d’articles récents s’est
attachée à abaisser toujours davantage la valeur de cette constante (voir [8,7] par exemple).
L’approximation polynomiale, de son côté, s’est considérablement développée depuis les années 70,
établissant à la fois des résultats positifs (c’est à dire des algorithmes garantissant de bons rapports),
mais également des limites structurelles à son action ([1]) : sous certaines hypothèses communément
admises (typiquement, P -= NP), certains problèmes ne peuvent être approximés en-deça d’un cer-
tain ratio. Ainsi pour Max Independent Set ne peut-on espérer obtenir un rapport n1−ǫ , quel que
soit ǫ > 0 ([5]).

Récemment, nous avons proposé une approche mêlant les deux précédentes, en essayant de répondre
à la question suivante : peut-on trouver des algorithmes garantissant un rapport d’approximation qui
ne peut être obtenu en temps polynomial, et ce au prix d’une complexité certes super-polynomiale,
mais très inférieure à celle d’un algorithme exact ? C’est ce que nous avons appelé approximation
efficiente. Nous avons appliqué cette approche aux problèmes Max Independent Set et Min Ver-
tex Cover, obtenant n’importe quel rapport r -= 1 en un temps meilleur que celui de la résolution
exacte ([3]).

Dans cet exposé, nous présenterons de nouveaux résultats obtenus sur cette problématique pour
le problème Min Set Cover. En notant m le nombre d’ensembles et n le nombre d’éléments à
couvrir, il existe bien sûr un algorithme trivial en O∗ (2m ) (consistant à énumérer tous les choix
possibles), et un algorithme en O∗ (2n ) ([2]). Par ailleurs, Min Set Cover est approximable à rapport
logarithmique, mais aucun rapport meilleur (en particulier constant) ne peut être obtenu (à moins que
N P ⊆ DT IM E(nlogn )) [4]. Nous montrerons comment adapter la technique d’élagage de l’arbre de
recherche, puis comment combiner des techniques gloutonnes et de résolution exacte, pour obtenir des
158 Bourgeois, N., Escoffier, B., Paschos, V.

algorithmes approchés pour Min Set Cover garantissant de très bons rapports d’approximation en
des temps faiblement exponentiels. Par exemple, nous pouvons obtenir un rapport d’approximation
5 en un temps O∗ (1.005m ).

Références
1. G. Ausiello, P. Crescenzi, G. Gambosi, V. Kann, A. Marchetti-Spaccamela, and M. Protasi.
Complexity and approximation. Combinatorial optimization problems and their approximability
properties. Springer-Verlag, Berlin, 1999.
2. A. Björklund and T. Husfeldt. Inclusion-exclusion algorithms for counting set partitions. In
Proc. FOCS’06, pages 575–582, 2006.
3. N. Bourgeois, B. Escoffier, and V. Th. Paschos. Efficient approximation by “low-complexity”
exponential algorithms. Cahier du LAMSADE 271, LAMSADE, Université Paris-Dauphine,
2008. Available at http ://www.lamsade.dauphine.fr/cahiers/PDF/cahierLamsade271.pdf
4. U. Feige. A threshold of ln n for approximating set cover. J. Assoc. Comput. Mach., 45 :634–652,
1998.
5. J. Håstad. Clique is hard to approximate within n1−ǫ . Acta Mathematica, 182 :105–142, 1999.
6. D. S. Johnson. Approximation algorithms for combinatorial problems. J. Comput. System Sci.,
9 :256–278, 1974.
7. J. M. Robson. Finding a maximum independent set in time O(2n/4 ). Tecnical Report 1251-01,
LaBRI, Université de Bordeaux I, 2001.
8. G. J. Wœginger. Exact algorithms for NP-hard problems : a survey. In M. Juenger, G. Reinelt,
and G. Rinaldi, editors, Combinatorial Optimization - Eureka ! You shrink !, volume 2570 of
Lecture Notes in Computer Science, pages 185–207. Springer-Verlag, 2003.
Ordonnancement temps réel multiprocesseur partitionné
et programmation par contraintes

Anne-Marie Déplanche1 , and Pierre-Emmanuel Hladik2

1
IRCCyN (UMR CNRS 6597) Université de Nantes, Nantes, France .
2
CNRS ; LAAS ; 7 avenue du colonel Roche, F-31077 Toulouse, France
Université de Toulouse ; UPS, INSA, INP, ISAE ; LAAS ; F-31077 Toulouse, France
anne-marie.deplanche@irccyn.ec-nantes.fr, pehladik@laas.fr

Problématique. En matière d’ordonnancement temps réel dans le contexte de systèmes multipro-

cesseurs, des techniques dites de partitionnement peuvent être mises en oeuvre. Chaque processeur
est alors doté d’un ordonnanceur local qui, de manière indépendante, ordonnance les tâches depuis
sa propre liste de tâches prêtes. L’ordonnancement multiprocesseur se ramène dans ce cas à un pro-
blème d’affectation des tâches aux processeurs (le partitionnement proprement dit) et à un problème
d’ordonnancement monoprocesseur. L’avantage de l’ordonnancement multiprocesseur partitionné est
qu’il aborde ces problèmes de manière découplée et qu’il permet ainsi d’exploiter pleinement les
résultats connus en matière d’ordonnancement et d’analyse d’ordonnançabilité monoprocesseur.
Nos travaux s’intéressent à l’ordonnancement temps réel multiprocesseur partitionné. Ils considèrent
plus particulièrement des tâches indépendantes, périodiques et à échéances inférieures ou égales aux
périodes. Le système multiprocesseur est homogène — les temps de traitement d’une tâche sont iden-
tiques sur tous les processeurs — et l’ordonnancement local est dynamique, préemptif et à priorités
fixes pour les tâches. La figure 1 illustre le principe de cette approche.

Fig. 1. Schéma de partitionnement avec ordonnancement à priorités fixes

La recherche d’un partitionnement, c’est-à-dire d’une application qui associe à chaque tâche un pro-
cesseur pour son exécution, doit être conduite de sorte que pour chaque processeur, l’ordonnançabilité
des tâches qui lui sont allouées, c’est-à-dire le respect de leurs contraintes temporelles, soit assurée.
On doit pour cela se référer aux conditions disponibles en analyse d’ordonnançabilité monoprocesseur.
Le problème est NP-difficile au sens fort.
Nos travaux utilise la programmation par contraintes (ppc) pour la recherche d’un partitionnement.
Dans notre contexte d’ordonnanceurs locaux, nous disposons d’une condition nécessaire et suffisante
160 Déplanche, Hladik

d’ordonnançabilité portant sur les pires temps de réponse des tâches [1], c.-à-d. la plus grande durée
séparant le moment où la tâche demande à s’exécuter et le moment où elle se termine. Son calcul passe
par une évaluation itérative d’une expression analytique combinant durées d’exécution et périodes
des tâches plus prioritaires. La condition vérifie, pour chaque tâche, que son pire temps de réponse
est inférieur à son échéance.
Résolution du problème. La démarche que nous évoquons ici est une extension du travail présenté
dans [2]. Dans un premier temps, nous avons modélisé le problème sous la forme d’un problème de
satisfaction de contraintes pour pouvoir ensuite y appliquer les algorithmes de la ppc. La difficulté
majeure de cette approche a été d’introduire le test d’ordonnançabilité par le calcul du pire temps
de réponse dans le processus de recherche d’une solution.
Pour pallier cette difficulté, deux voies ont été étudiées. La première consiste à utiliser le test d’or-
donnançabilité pour apprendre progressivement un ensemble de contraintes qui traduisent l’existence
d’un ordonnancement valide. Cette approche a pour cadre théorique la décomposition de Benders
[3]. La seconde étude à consister à construire une contrainte globale dédiée embarquant le calcul de
pire temps de réponse.
Chacune de ces méthodes utilise les expressions analytiques du calcul du pire temps de réponse afin
d’optimiser les algorithmes - d’apprentissage pour le cas de la décomposition et de filtrage pour la
contrainte globale -.
L’implémentation, puis l’expérimentation de ces méthodes ont montré leur efficacité en terme de
temps de calcul pour résoudre le problème du partitionnement ; l’approche globale étant plus efficace.
Conclusion. Par ces travaux, nous montrons que la programmation par contraintes est un paradigme
simple et efficace pour résoudre le problème du partitionnement avec une politique d’ordonnancement
à priorités fixes. De plus, l’approche que nous avons développée est optimale dans le sens où, s’il existe
un partitionnement ordonnançable une solution sera produite. En général, les approches utilisées
ne sont pas optimales pour deux raisons : (i) les méthodes de recherche ne sont pas complètes
mais seulement heuristiques ; (ii) l’évaluation de l’ordonnançabilité est uniquement faite à l’aide de
conditions suffisantes. Ici, l’utilisation de la ppc couplée avec un test basé sur le pire temps de réponse
nous assure une recherche complète et une condition nécessaire et suffisante d’ordonnançabilité.
La continuité de ces travaux sera d’étudier l’adaptation de la démarche à des modèles de tâches plus
étendus (partage de ressource, non-préemption, etc.) et d’ordonnanceurs plus évolués (FP-FIFO,
OSEK, EDF, etc.).

Références
1. J. P. Lehoczky : Fixed priority scheduling of periodic task sets with arbitrary deadlines, In proc.
of 11th IEEE Real-Time Systems Symposium, 1990
2. P.-E. Hladik, H. Cambazard, A.-M. Déplanche and N. Jussien : Solving a real-time allocation
problem with constraint programming, Journal of Systems and Software, 81(1), 2008
3. J. F. Benders : Partitionning procedures for solving mixed-variables programming problems, Nu-
merische Mathematik, 4 :238–252, 1962.
 Problème d’acquisition de données par une torpille

G. Simonin, A.-E. Baert, A. Jean-Marie and R. Giroudeau

LIRMM, CNRS, Université Montpellier 2

161, rue Ada, 34392 Montpellier Cedex 5 - France.
Auteur à contacter : gilles.simonin@lirmm.fr

1 Introduction
Ce papier traite du problème d’ordonnancement stochastique de tâche-couplées, introduites par Sha-
piro [1], qui sont soumises à des contraintes de précédence avec des tâches dîtes de traitement sur
un monoprocesseur. Le problème que nous proposons ici est celui de l’acquisition de données par
une torpille autonome sous-marine. Cette torpille a comme objectif d’effectuer différents relevés,
d’analyser la topologie du fond sous-marin, ou encore faire de la cartographie. Une fois la torpille
en immersion, elle va recevoir de manière aléatoire différents groupes de tâches à réaliser dans un
certain ordre sur son monoprocesseur. Ces tâches vont devoir être réalisées de manière périodique
jusqu’à la fin de l’expérience. Afin d’acquérir les données demandées, puis de pouvoir les traiter, la
torpille possède des capteurs qui permettent soit d’envoyer des échos qui reviennent après un certain
temps d’inactivité, soit de faire des relevés en moyenne (moyenne entre deux relevés, ce qui revient
à une tâche-couplée). Le problème, qui sera noté T P, consiste à décider si, pour certain groupes de
tâches à réaliser, la torpille peut exécuter périodiquement toutes les tâches dans le temps imparti, et
ce jusqu’à l’arrivée des dernières tâches à effectuer. La problématique définie ci-dessus etant typique-
ment un problème d’ordonnancement stochastique sur un monoprocesseur, nous allons modéliser ce
problème puis conclure en présentant de manière synthétique l’approche utilisée pour le résoudre.

2 Modélisation du problème
La modélisation du problème d’acquisition de données par une torpille en immersion T P est la
suivante.
Soit S = {S1 , S2 , . . . , Sm } l’ensemble des composantes connexes, chaque composante connexe Si
(1 ≤ i ≤ m) forme un graphe de précédence orienté entre certaines tâches d’acquisition et certaines
tâches de traitement (voir Figure 1(a)). Dans un premier temps et pour simplifier cette première
étude, chaque Si possède une date périodique Pi = P à la fin de laquelle toutes les tâches d’acquisition
doivent être re-exécutées. Enfin, les composantes connexes possèdent chacune une date d’arrivée dans
le système de manière aléatoire en suivant une loi uniforme (voir Figure 1(c)).
Soit A = {A1 , A2 , . . . , An1 } l’ensemble des tâches d’acquisition, semblables aux tâches-couplées in-
troduites par Shapiro [1]. Chaque tâche d’acquisition Aj (1 ≤ j ≤ n1 ) consiste en deux sous-tâches
aj et bj de durée d’exécution respectives paj et pbj . Elles sont séparées par un délai d’inactivité
incompressible Lj , i.e., la sous-tâche bj doit démarrer son exécution exactement Lj unités de temps
après l’exécution de la sous-tâche aj (voir Figure 1(b)). Les tâches d’acquisition seront toujours des
sources dans le graphe de précédence des composantes connexes. Enfin, chaque tâche d’acquisition
Aj possède une date d’arrivée notée rAj constante à chaque période et attribuée aléatoirement selon
une loi uniforme (voir Figure 1(d)).
Soit T = {T1 , T2 , . . . Tn2 } l’ensemble des tâches de traitement. Ces tâches ont la propriété d’être
préemptibles et sont toujours précédées par au moins une tâche dans les graphes de précédence.
Chaque tâche de traitement Tk (1 ≤ k ≤ n2 ) possède une longueur d’exécution variable notée pTk .
162 Simonin, Baert, Jean-Marie, Giroudeau

(S1 , RS1 )
r 1 A1 r 4 A4 T4
T1 T6
r 2 A2 r 5 A5 T5 paj pbj
T3
(S2 , RS2 ) aj Lj bj
r 3 A3 T2 r 6 A6

(a) Graphes de précédence formés par les composantes (b) Tâche d’acquisition
connexes
r1 r2 r3
RS1 RS2 RS3 RS4 RS5

... a1 a2 b1 a3 T1 b2 T2 b3 T3
0 P 2P 3P 4P 5P 6P 7P 0 P
(c) Arrivées aléatoires des compo- (d) Arrivées aléatoires des ri durant une période
santes connexes

Fig. 1. Modélisation du problème T P

3 Résultats
Dans ce résumé, nous présentons un nouveau type de problème d’ordonnancement en temps réel. Dans
[3], nous avons montré que le même problème déterministe était N P-complet. Afin de décider de la
faisabilité du problème, nous cherchons différents ordonnancements utilisant des règles de priorité
proche de celle utilisée dans [2]. L’ordonnancement le plus intéressant est d’utiliser les graphes de
précédence disponibles par la torpille entre deux périodes. En effet, à chaque période, nous appliquons
une règle de priorité en fonction des arrivées aléatoires rj des tâches d’acquisition Aj dans les graphes
de précédence, qui permet de calculer l’ordre d’exécution des tâches contenues dans les composantes
connexes déjà arrivées.

Références
1. R.D. Shapiro : Scheduling coupled tasks, Naval Research Logistics Quarterly, 27, 1980, 477-481.
2. M. Pinedo : Scheduling, Theory, Algorithms, and Systems, Second Edition, Prentice Hall, 2006.
3. G. Simonin : Étude de la complexité de problèmes d’ordonnancement avec tâches-couplées sur
monoprocesseur, Majecstic ’08, 2008.
 T-coloration d’hypergraphe

A. Gondran, A. Caminada and O. Baala

SeT, UTBM, 90010 Belfort Cedex France.

[Alexandre.Gondran,Alexandre.Caminada,Oumaya.Baala]@utbm.fr

1 Introduction
Les problèmes d’affectation de ressources sont souvent modélisés par des problèmes de T -coloration de
graphe. Cependant, la notion de graphe est restrictive car elle correspond à des relations binaires sur
des ensembles. Or les relations entre les ensembles sont souvent multiples ; c’est le cas des interférences
dans les problèmes de planification de fréquences par exemple. Une modélisation par hypergraphe
permet de représenter les influences multiples et donne alors une représentation plus réaliste des
phénomènes étudiés. Nous introduisons donc un nouveau problème, la T -coloration d’hypergraphe
afin de rendre compte de ces influences multiples. Les hyperarêtes de l’hypergraphe auront pour
fonction de représenter les contraintes n-aires qui lient plus de deux variables à la fois.
Nous montrons ensuite l’intérêt d’une telle modélisation pour des problèmes réels issus de la planifi-
cation de fréquences de réseaux locaux sans fil. Différents algorithmes d’optimisation sont testés sur
un benchmark.

2 T-coloration d’hypergraphe
Rappelons d’abord la définition d’une T -coloration du graphe [1]. Une T -coloration du graphe
G(V, E) associée à la matrice symétrique de diagonale nulle T = (tij )i,j∈V , tij ∈ IN, est une co-
loration ci de chaque sommet vi de V qui respecte les contraintes suivantes :

∀(vi , vj ) ∈ E, |ci − cj | ≥ tij

Un hypergraphe H = (V, E) est dit orienté si chaque hyperarête Ek est un couple de deux parties non
vides disjointes de V de la forme Ek = (Ek+ , Ek− ) où Ek+ sont les sommets sortantes de l’hyperarête
et Ek− les sommets entrantes dans l’hyperarête. Si de plus ∀k, |Ek+ | = 1, l’hypergraphe est dit
pointé et on dit que l’hyperarête Ek pointe vers un sommet noté vik , appelé pointe de l’arête
(Ek+ = {vik }). Pour chaque hyperarête Ek d’un hypergraphe pointé, nous adoptons la notation
suivante : Ek = (vik , Γk ) avec Γk = Ek− = {vk1 , ..., vkq }. Nous notons V = {vi1 , ..., vim } l’ensemble
des pointes des arêtes E = {E1 , ..., Em } et H = (V, V, E) l’hypergraphe pointé.
On définit maintenant le problème de T-coloration d’hypergraphe
Soit un hypergraphe pointé H = (V, V, E), avec V = {v1 , ..., vn } les sommets, V = {vi1 , ..., vim }
l’ensemble des pointes des arêtes E = {E1 , ..., Em }.
A chaque arête Ek = (vik , Γk ) de l’hypergraphe on associe une contrainte n-aire linéaire Cknaire =
(c, ik , αk ) avec αk = {αk1 , ..., αkq } et ∀i = 1, ..., q, αki ∈ IR+ :
%
αki |cik − ci | ≥ αkik
∀i%=ik

Soit T = {C1naire = (c, i1 , α1 ), ..., Cm

naire
= (c, im , αm )} la collection de ces contraintes n-aires
linéaires.
164 Gondran, Caminada, Baala

Une T -coloration de l’hypergraphe H associée à la collection de contraintes n-aires linéaires T est

une coloration ci de chaque sommet vi de V qui respecte ces contraintes Cknaire . Un problème de
T -coloration d’hypergraphe est défini par le triplet (H = (V, V, E), F, T ).
La T -coloration d’hypergraphe est bien une généralisation de la T -coloration de graphe dans le cas
où les arêtes relient uniquement 2 sommets.

3 Expérimentations
Lorsque l’ensemble des couleurs disponibles est fixe, le problème est un problème de décision. Il
s’agit de répondre par oui ou non à la question : "Existe-il une coloration qui satisfasse toutes les
contraintes ?" Dans les problèmes réels, il n’existe souvent pas de solutions réalisables. Dans notre
cas nous avons transformé le problème de décision en un problème d’optimisation : une pénalité est
associée à chaque groupe de contraintes non satisfaites et l’objectif est de rechercher une solution qui
minimise la somme des pénalités.
Nous appliquons ce problème à des exemples réels issus de la planification de réseaux radio sans
fils [2]. Les sommets sont des antennes, les couleurs sont des fréquences à attribuer à chaque antenne
et les arêtes représentent les contraintes d’écart de fréquences à respecter. Dans cet article nous
choisissons de minimiser le nombre d’usagers non satisfaits. Un usager u, u ∈ U est satisfait si un
groupe de contraintes gu = {Cu1 , ..., Cun } sont respectées. Soit c = (ci )i∈V une solution du problème
de coloration qui alloue la couleur ci au sommet vi .
La formulation de problème de minimisation du nombre de clients non satisfaits est :
 
% A
trouver c qui minimise 1 − δCj  (1)
u Cj ∈gu

1
1 si la contrainte Cj est respectée par la solution c
avec δCj = . Il suffit qu’une seule contrainte
0 sinon
du groupe gu soit non satisfaite pour que l’usager u soit non satisfait.
Nous avons validé l’approche en testant sur un benchmark de 7 instances le problème d’optimisation
de T -coloration d’hypergraphe. Cette approche donne de meilleurs résultats qu’une approche par T -
coloration de graphe. Différents types d’algorithmes (plusieurs Recherches Tabou et algorithmes évo-
lutionnaires) ont été testés. Les instances du benchmark ont été créées à partir de bâtiments réels en
utilisant le modèle de propagation d’Orange Labs. Il est disponible sur : http ://alexandre.gondran.free.fr/benchmaks/h

Références
1. Dorne, R. and Hao, J.-K. : Tabu Search for graph coloring, T -coloring and Set T -colorings. in
Meta-heuristics : Advances and Trends in Local Search Paradigms for Optimization de S. Voss,
S. Martello, I.H. Osman and C. Roucairol, chap. 3, pp.33-48, Kluwer, 1998.
2. Gondran A., Baala O., Caminada A. and Mabed H : Hypergraph T-Coloring for Automatic
Frequency Planning problem in Wireless LAN. 19th IEEE International Symposium on Personal,
Indoor and Mobile Radio Communications 2008 (PIMRC 2008), Cannes, France, September 15-18,
2008.
 Problème de la somme coloration d’un graphe

Yu Li1 , Corinne Lucet1 , Aziz Moukrim2 , Kaoutar Sghiouer2

1
Laboratoire MIS/Pôle Sciences, 33 rue St Leu, 80000 Amiens
{Yu.Li, Corinne.Lucet}@u-picardie.fr
2
Université de Technologie de Compiègne, Laboratoire HEUDIASYC UMR CNRS 6599,
BP 20529, 60205 Compiègne
{Aziz.Moukrim, Kaoutar.Sghiouer}@hds.utc.fr

1 Introduction

Le problème de la coloration de graphe (GCP) est l’un des problèmes NP-difficiles en optimisation
combinatoire. Il existe plusieurs problèmes dérivés du GCP ou constituant une généralisation du GCP,
nous nous sommes intéressés plus particulièrement au problème de la somme coloration minimale de
graphe (MCS). Les algorithmes gloutons jouent un rôle important dans la pratique : d’une part,
ils peuvent être utilisés pour obtenir une solution dans le cas où l’exigence du temps de calcul est
beaucoup plus importante que celle de la qualité de la solution et d’autre part, ils peuvent également
être intégrés dans des méthodes exactes ou approchées. Nous procédons à l’élaboration d’une nouvelle
famille d’algorithmes gloutons pour MCS.
Dans la section 2, nous rappelons le problème de la coloration de graphe ainsi que le problème de la
somme coloration minimale de graphe, puis nous introduisons dans la section 3 des bornes inférieures
pour MCS. Enfin nous étudions une nouvelle variante des heuristiques DSATUR [2] et RLF [3] pour
traiter ces problèmes.

2 Définition

2.1 Problème de la coloration de graphe

Une coloration valide d’un graphe G = (V, E) est une fonction c : v /→ c(v) associant à tout sommet
v ∈ V une couleur c(v), en s’assurant que c(v) -= c(u) pour toute arête [u, v] ∈ E. Le nombre
chromatique χ(G) d’un graphe G est le nombre minimum de couleurs à utiliser pour colorier G. La
résolution du problème de la coloration de graphe consiste à trouver une coloration valide utilisant
χ(G) couleurs.

2.2 Problème de la somme coloration d’un graphe

Soit G = (V, E) un graphe, le problème & de la somme coloration minimale de G (MCS) consiste à
trouver une coloration valide telle que v∈V c(v) soit minimale. Cette somme coloration minimale est
&
notée (G). Le plus petit nombre de couleurs utilisées pour colorier le graphe G dans une solution
optimale pour MCS est appelé force du graphe, et noté s(G).
166 Yu Li, Corinne Lucet, Aziz Moukrim, Kaoutar Sghiouer

3 Bornes Inférieures
Nous considérons une clique &de taille k, il existe une façon unique de la colorier qui nécessite k couleurs
k
et la somme associée est 1
i = k(k + 1)/2. Nous nous sommes basés sur cette observation pour
fournir une borne inférieure issue de la décomposition du graphe G en cliques. Dans un premier temps,
nous avons utilisé un algorithme glouton qui fournit une clique Xi , la supprime du graphe initial G
et recherche une autre clique dans le nouveau graphe G \ Xi et ainsi de suite jusqu’à l’élimination
de tous les sommets de G. Cet algorithme simple est basé sur un ordre de traitement des sommets
dans la construction des cliques (degrés croissants, degrés décroissants, etc.) Nous avons amélioré
cette approche en considérant le graphe plus globalement : en construisant le graphe complémentaire
G′ du graphe d’origine G, puis en le coloriant par un algorithme glouton qui fournit des stables de
G′ , on obtient alors une décomposition du graphe G en cliques. Le problème de coloration associé
ne consiste &
plus alors à minimiser le nombre chromatique, ni à minimiser la somme associée, mais à
maximiser ki (ki + 1)/2, avec ki la taille du stable de couleur i, fourni par la coloration de G′ .

4 Nouvelle variante de DSATUR et RLF

Le problème MCS a été introduit par Kubicka et Schwenk [1]. Depuis, plusieurs travaux théoriques
ont été réalisés. Le seul travail à notre connaissance qui présente des résultats numériques date de
2007 [4]. Nous proposons une nouvelle variante de DSATUR et RLF. Ces algorithmes gloutons sont
les plus cités dans la littérature, ils ont été élaborés par Brélaz [2] et Leighton [3] en 1979.
Le principe de cette variante est similaire à celui de DSATUR ou RLF au sens où à chaque itération,
on affecte la plus petite couleur disponible au sommet vérifiant un certain critère. Cette variante
prend en compte l’influence de la coloration d’un sommet sur son voisinage avant une coloration
définitive.
Les résultats numériques montrent que cette nouvelle variante est plus efficace à la fois pour la borne
supérieure et la borne inférieure de MCS. La complexité de cette variante est en O(n3 ).

Références
1. Kubicka, E. and Schwenk, A. : An introduction to chromatics sum. Proc.17th Annual ACM
Computer Science Conf (1989)
2. Brélaz, D. : New methods to color the vertices of a graph. ACM, Volume 22, Number 4 (1979)
3. Leighton, FT. : A graph Coloring Algorithm for Large Scheduling Problems. Journal of research
of the national institute of standards and technology, Volume 84, Number 6 (1979)
4. Kokosinski, Z. and Kwarciany, K. : On Sum Coloring of Graphs with Parallel Genetic Algorithms.
ICANNGA 2007, Part I, LNCS 4431, pp. 211-219 (2007)
Tentative de caractérisation des colorations valides d’un
graphe

J.N. Martin, and A. Caminada

Laboratoire SET, UTBM, 90010 Belfort Cedex

Jean-noel.martin,Alexandre.caminada@utbm.fr

1 Introduction

Nous annonçons, dans ces deux pages de résumé, une communication destinée à proposer les grandes
lignes d’analyse d’un graphe menant à une caractérisation de ses colorations valides. Les résultats
déjà obtenus, encore partiels, les difficultés rencontrées puis solutionnées, mettent en évidence la
pertinence d’une approche globale du problème à résoudre : il ne s’agit pas seulement de traiter
le graphe particulier étudié mais aussi ses ’composantes’ comme le laissent nettement entendre les
théorèmes du No Free Lunch. Voir [1].

2 Une démarche de caractérisation des colorations valides

Etant donné un graphe simple, non orienté G comportant n sommets, on considère l’ensemble F de
toutes les colorations à k couleurs, valides pour G, s’il en existe ; le nombre k des couleurs disponibles
doit bien sûr être suffisant pour assurer cette existence. Grâce à l’outil central de clique maximale,
on analyse le graphe G donné quelconque dans l’optique de sa coloration. Voir [4]. La méthode
développée permet de caractériser relativement simplement ce qu’est une coloration valide de G.
On échappe réellement, mais hélas pas totalement ..., à une part inutile d’explosion combinatoire
en isolant au plus juste les responsabilités des défauts de coloration. On comprend en particulier
comment le nombre n des sommets, s’il est en pratique lié à la probabilité de difficulté d’obtenir une
coloration valide, n’en est pas un véritable critère tout comme le concept de degré ; ils représentent
seulement des accompagnateurs ordinaires de la résistance à l’obtention facile de colorations licites.
Voir [7]. En découle la nécessité de faire le deuil de l’espoir de trouver un algorithme capable de traiter
avec le même bonheur, toutes les instances d’un problème donné ! Par suite, on met en évidence aussi
les colorations qui présentent un, deux ou plusieurs défauts ; cette question confronte à des problèmes
sérieux de combinatoire, comme on peut s’y attendre. Par contre il est possible de définir des classes
de colorations aboutissant aux mêmes types de défauts. En ce sens, est confirmée l’inutilité de visiter
des colorations de même classe dans une heuristique, par exemple. Sont ainsi mises en évidence des
parties des espaces de recherche, invariantes sous certaines permutations, véritables trous noirs des
algorithmes de recherche. Voir [2] et [3]. On en pressent la cause, en plus de constater le phénomène.
Il est alors possible d’établir un lien entre le graphe initial donné, mais aussi certaines de ses com-
posantes, avec des ensembles de k-colorations d’un ensemble de n sommets. Ce lien fait apparaître
des zones de stabilité troublantes dans la présence des propriétés de coloration ; il est trop tôt pour-
tant pour affirmer qu’il s’agirait d’une véritable détermination de leur cause. Voir [5]. L’ensemble
des outils mis en place, des méthodes développées, permet d’associer au graphe G un polynôme de
coloration qui décompte et fournit des renseignements sur la nature des k-colorations valides pour le
graphe étudié. Un certain nombre de résultats abstraits se voient confirmés expérimentalement ; bien
sûr, ces expérimentations sont menées dans le cadre d’étude de graphes dont le nombre de sommets
168 J.N. Martin, A. Caminada

n est réduit. La portée de cette étude est dans le principe même limitée, en termes de taille ; pourtant
l’enjeu est d’importance puisqu’il apparaît que des lois semblent décrire des comportements qui se
reproduisent dans divers types de graphes. En particulier, l’existence du polynôme de coloration, et
la possibilité de son évaluation pour un entier k donné , fournit le nombre minimal de couleurs né-
cessaires à la coloration d’un graphe G donné, respectant toutefois les contraintes de taille précitées.
L’étude de la confrontation des outils développés avec le comportement de diverses heuristiques sur
un certain nombre d’instances de tailles convenables (donc réduites par principe même), devrait per-
mettre d’obtenir des enseignements sur le pourquoi de leur excellence ou celui des difficultés qu’elles
rencontrent. Inversement, la compréhension encore partielle des phénomènes, doit permettre de piéger
déjà certaines heuristiques, dès lors qu’on sait comment elles travaillent. Voir [6]. Des prolongements
multiples se présentent, dont spécialement celui d’études locales de sous-parties de graphes donnés
ou de leurs partitionnements sous quelques hypothèses limitatives.

Références
1. D.H. Wolpert and W.G. Macready. : No Free Lunch Theorems for Optimization. IEEE Transac-
tions on Evolutionary Computation, 67-82. (1997)
2. C. Schumacher, M.D. Vose, and D. Whitley. : The No Free Lunch and Problem Description
Length. In L. Spector, and alter, editors, Proceedings of the Genetic and Evolutionary Computa-
tion Conference (GECCO 2001), 565-570, San Francisco, California, USA, 7-11. Morgan Kaufmann
Publishers. (2001)
3. C. Igel, and M. Toussaint. : On Classes of Functions for which No Free Lunch Results Hold.
Technical Report, Institut für Neuroinformatik, Ruhr-Universität Bochum, ND 04 44780 Bochum
Germany. (2001)
4. C. Berge : Graphes Gauthiers-Villars (1971)
5. B. Weinberg. : Analyse et résolution approchée de problèmes d’optimisation combinatoire : appli-
cation au problème de coloration de graphe. Thèse, UST de Lille, 42-50. (2004).
6. S. Droste, T. Jansen, and I. Wegener. : Optimization with Randomized Search Heuristics - The
(A)NFL Theorem, Realistic Scenarios, and Difficult Functions. Theoritical Computer Science,
287(1) : 131-144, september 2002. (2002).
7. J.N. Martin, and A. Caminada. : Champs de validité du No Free Lunch : quelques pistes d’utili-
sation en coloration. Roadef’08, 311-312, Clermont-Ferrand. (2008).
 Les algorithmes évolutionnaires pour l’exploration de
données par projections révélatrices

Souad Larabi Marie-Sainte1 , Alain Berro1 et Anne Ruiz-Gazen2

1
IRIT-UT1, UMR 5505, CNRS , Université de Toulouse, 2 rue du doyen Gabriel Marty 31042
Toulouse Cedex 9, France.
souad.larabi@irit.fr, berro@irit.fr
2
Toulouse school of economics (Gremaq et IMT), Université de Toulouse, 2, rue du
Doyen-Gabriel-Marty, 31042 Toulouse Cedex 9 France.
ruiz@cict.fr

1 Introduction

Nous présentons dans cet article des travaux de recherche qui consistent à analyser l’apport des
algorithmes évolutionnaires pour aider le statisticien dans sa recherche de structures telles que la
présence d’observations atypiques ou de groupes homogènes dans des ensembles de données volumi-
neux et multidimensionnels, à l’aide de projections révélatrices.
Parmi les techniques de vie artificielle, nous avons considéré les algorithmes génétiques (AG) ainsi
que l’optimisation par essaim particulaire (l’OEP).
Les méthodes de projections révélatrices sont des méthodes d’analyse exploratoire qui permettent de
détecter et d’analyser d’éventuelles structures d’intêret présentes mais cachées au sein des données.
La détection de telles structures dans des ensembles de données multidimensionnels passe générale-
ment par l’analyse de représentations graphiques obtenues par projection des données. Ces méthodes
sont basées sur la définition et l’optimisation d’un indice associé à chaque direction ou espace de
projection. Les directions ou espaces de projection associés à des optima locaux d’un indice corres-
pondent potentiellement à des représentations graphiques intéressantes dans des espaces de faibles
dimensions. De nombreux indices de projection ont été proposés dans la littérature mais le problème
d’optimisation de ces indices est toujours complexe et couteux en temps de calcul et les solutions pro-
posées pour maximiser ces indices ne sont pas toujours convaincantes. Par conséquent, ces méthodes
de projection sont peu utilisées et absentes dans les principaux logiciels de statistique.

2 Indices de projection et Méthodes d’optimisation

Nous avons choisi 4 indices de projection : l’indice de Friedman-Tukey (Friedman et Tukey, 1974),
l’indice de Friedman (Friedman, 1987), l’indice du Kurtosis (Penã et Prieto, 2001) et l’indice dit dis-
criminant que nous introduisons dans un article (Berro, Larabi Marie-Sainte et Ruiz-Gazen, 2008).
Les deux premiers indices sont définis à partir d’un estimateur de la densité des données proje-
tées et cherchent des projections qui s’éloignent d’une distribution spécifiée comme la loi Normale
pour l’indice de Friedman. Les deux autres indices sont basés sur des notions de moment d’ordre 4.
Chaque indice a un comportement spécifique (indices dédiés à la détection des groupes et d’autres
à la recherche d’observations atypiques). L’objectif est d’appliquer l’OEP et les AG pour maximiser
ces indices. L’OEP est facile à programmer mais possède beaucoup de paramètres à régler avec no-
tamment le voisinage que nous avons développé en 3 versions ; une version où nous avons considéré
l’OEP sans voisinage, une deuxième avec un voisinage global (chaque particule est voisine de toutes
170 Souâd Larabi Marie-Sainte, Alain Berro, Anne Ruiz-Gazen

les autres) et la dernière que nous appelons voisinage limité (une particule étant représentée par un
vecteur appelé "vecteur de projection", on choisit 3 voisins qui forment un angle ne dépassant pas 60
degrés).
Ainsi, nous proposons de comparer deux méthodes d’optimisation, dont une possède trois versions,
et d’utiliser quatre indices de projection uni et bidimensionnels.

3 Resultats et conclusion
Les AG et l’OEP, en version voisinage limité, donnent des résultats satisfaisants atestés par le com-
portement de chaque indice sur des exemples simulés ou réels où la structure d’intérêt est connue.
Notre conclusion est qu’il est intéressant d’utiliser plusieurs indices de projection et d’examiner les
différents résultats obtenus par application de diverses méthodes d’optimisation afin de guider le
statisticien dans sa recherche et son analyse de structures. Nous pouvons dire aussi que la méthode
des AG, grâce à sa propriété d’évolution, est meilleure que la méthode d’OEP classique, un résultat
qui nous incite à diriger notre étude vers l’OEP évolutionnaire (Clerc, 2005).

Références
1. Berro. A, Larabi Marie-Sainte. S, Ruiz-Gazen. A : Particle Swarm Optimization for Exploratory
Projection Pursuit, in revision in Journal of Machine Learning, (2008).
2. Clerc, M. : L’optimisation par essaims particulaires, Lavoisier ISBN 2-7462-0991-8, Frane (2005).
3. Friedman. J.H. : Exploratory Projection Pursuit. Journal of the American Statistical Association,
82(1), 249-266, (1987).
4. Friedman. J.H., and Tukey. J. W. : A Projection Pursuit Algorithm for Exploratory Data Analysis,
IEEE Trans. Comput., C-23, 881-889., (1974).
5. Pena. D., and Prieto. F.J. : Cluster Identification Using Projections, Journal of American Statis-
tical Association, Vol. 96, No. 456, (2001).
 Solving the Single Straddle Carrier Routing Problem
using Genetic Algorithm

Khaled MILI and Khaled MELLOULI

Institute of the High Commercial Studies, LARODEC, Tunisia

The success of a seaport container terminal resides in a fast transhipment process with reduced
costs and it is measured by many performance indicators such as the productivity and the customer
satisfaction. Because containerships are highly capitalized and their operating costs are very high,
it is very important that their turn-around time in container terminals is as short as possible. The
turn-around time of a containership implies the sum of the queue time and service time which is the
sum of time for berthing, unloading, loading and departing.
Since inbound containers are usually unloaded into a designated open space, the yard handling
equipment (i.e. Straddle Carrier) does not have to travel much during the unloading operation.
However, the time for loading depends on the loading sequence of containers as well as the number
of loaded containers. The Straddle Carrier Routing Problem (SCRP) has a great effect on the time
service and the performance of the container terminal. In this paper our objective is to minimize the
total travel time of the Straddle Carrier (SC) for loading outbound containers.
Operational decision problems on seaport terminals have received increasing attention by researchers.
Some of them evoked the SCRP as Kim and Kim in 1999 ; they present in their paper a mathematical
formulation for the single SCRP where their objective is to minimize the distance between yard-bays
in the storage area during the SC tour. They propose a solution procedure based on beam search
heuristic method that its principle is to select the nearest yard-bay to visit by a SC.
However, they suggest that the times spend by the SC inside yard bays are constant. In reality we
note that these times vary and significantly affect the SC routing tour. It can happen that the time
spent inside the selected yard bay in the solution of Kim and Kim is bigger than the time spent
by SC to visit other yard bay. Hence, we will estimate the time spent between initial position and
all destinations yard bays in addition to the time cost inside each one and we select the least of
them. Therefore, in our paper we solve the Single SCRP by considering this time (intra-yard bay)
as variable. In fact, we judge that the reshuffling and the unproductive movements inside a yard bay
depend on the positions of required containers into stacks and levels.
To solve this problem, we reformulate it by adding two variables : one for the position of the required
container inside the stack and other between stacks.
Similar problem to the SCRP is Traveling Salesman Problem (TSP). We know that TSP is a NP-
complete problem. If we consider the yard-bays (SCRP) as cities (TSP) and the distances between
blocks or yard-bays (SCRP) as the distances between the cities (TSP), we can visualize a TSP to
SCRP conversion. Therefore a solution for the SCRP is also a solution for TSP what means that, if
a polynomial solution could be found for SCRP, a polynomial solution for TSP could be found as
well. As no polynomial solution has ever been found for TSP, the same is true for SCRP. Since no
polynomial-time solution for SCPR can found, heuristics are a good alternative.
The most of our model’s constraints are as equality form and, therefore, obtaining feasible solutions
is a hard task. In this case, the probability of reaching infeasible solutions is more than feasible
solutions and therefore we need a population-based approach such as Genetic Algorithm (GA) to
better exploration of the solution routing. GA is a well-known meta-heuristic that its efficiency is
verified for many problems in the literature.
They are general search and numerical optimization algorithms inspired by natural selection pro-
cesses. For our problem, individuals represent candidate solutions. A candidate solution to an ins-
172 MILI, MELLOULI

tance of the SCRP specify the number of required containers, the possible visited yard bays, the
partition of the demands and also the delivery order for each route. Each chromosome represents a
feasible solution defining a possible route. It is composed by a set of genes. Each gene represents a
container that can be picked up by a SC to perform a Quay Crane (QC) work schedule.
For example a QC demands r containers type A to load them into a containership, SC has to move
toward the yard bays that include this type of containers, and transports them to the QC. Each
container is characterized by its position and its type. It has a transportation cost depends on its
position inside the storage yard (yard bay, stack and level) and especially in its chromosome’s order
and the cost of the SC’s tour will be the sum of transportation costs of the picked up containers.
We use a GA which starts with initializing population with chromosomes composed of rt genes chosen
from n available required containers. For each individual at this initial generation, a fitness value is
determined. As a result of many previous tests in the literature, many researchers suggest that sigmoid
and exponential functions are found to be better. So we adopt this type of fitness function. Since the
SCRP is a minimization problem ; thus, the smaller the objective function is, the higher the fitness
value must be.
We obtain a population of feasible solutions in which the reproduction loops then takes place through
randomized exchange. It is a process in which chromosomes with a higher fitness value would have
more of their copies at the next generation. After reproduced chromosomes constitute a new popu-
lation, crossover is performed to introduce new chromosomes (or children) by recombining current
genes. In our algorithm, we use the 2-point crossover to give rise to better individuals. Diversity is ad-
ded to the population by changing randomly some genes from the resulting children through mutation
operators applying (insertion, swap, or inversion) operators to each chromosome with equal proba-
bilities. These genetic operators are repeated until the population converges. And the final solution
will be the route having the least cost among all feasible solutions from the generated chromosomes.
We propose GA as a solution approach and we develop a heuristic procedure representing different
cases that can be found in real QC work schedule such as single tour where containers of the same
type are required, select one container from particular set, select more than one container from a
specific set, and sub-tours where more groups are required. Each case is solved by a GA procedure.
To prove the efficiency of our solution and its improvement, we run it with real instances where a
number of containers in the storage yard will be picked up. For example, comparing with previous
work, we found that our method gives a path reaching a gain equal to 354.08 seconds to pick up 7
containers of the same type and 651.92s to pick up 3 containers type B and 4 containers type A. The
gain will increase with the number of the required containers.
In a container terminal there is more than one quay crane, with their respective work schedules,
and many SCs. Several SCs must complete their routing, by sharing the same yard-map. This new
scenario introduces a few complications to the single SCRP, increasing significantly its complexity.
Our future work aims to solve the multiple straddle carrier routing problem in a container terminal.
 Routage et affectation de longueurs d’onde dans les
réseaux optiques WDM

L. Belgacem1 , I. Charon2 , O. Hudry2

1
Orange Labs FT R&D, 38-40, rue du Général Leclerc, 92794 Issy-les-Moulineaux Cedex 9.
Lucile.Belgacem@orange-ftgroup.com
2
École nationale supérieure des télécommunications, 46, rue Barrault, 75634 Paris Cedex 13.
Irène.Charon@enst.fr, Olivier.Hudry@enst.fr

1 Introduction
Nous considérons ici deux problèmes relatifs au routage et à l’affectation de longueurs d’onde (pro-
blème appelé RWA dans la littérature anglo-saxonne, pour Routing and Wavelength Assignment) dans
les réseaux optiques à multiplexage en longueurs d’onde (WDM dans la littérature anglo-saxonne,
pour Wavelength Division Multiplexing).
Plus précisément, on dispose d’un réseau WDM, représenté par un graphe non orienté G, et on
souhaite établir un certain nombre de connexions dans ce réseau. Une demande de connexion d
est caractérisée par un quadruplet de la forme d = (x, y, α, β), où x et y sont des sommets de G
(les sommets entre lesquels on doit établir la connexion) et où [α, β] désigne l’intervalle de temps
pendant lequel la connexion doit être établie. Le routage de d = (x, y, α, β) consiste à déterminer un
chemin optique, représenté par une chaîne C de G d’extrémités x et y, grâce auquel la connexion est
établie pendant la fenêtre horaire [α, β]. Il faut par ailleurs attribuer une longueur d’onde à C pour
satisfaire la demande d. On cherche donc à déterminer simultanément comment router les demandes
dans le réseau optique et comment attribuer les longueurs d’onde. Les contraintes techniques liées à
l’utilisation d’un réseau optique sont les suivantes :
– une même longueur d’onde doit être utilisée le long des arêtes consituant un chemin optique donné ;
– à tout instant donné et pour toute arête a de G, une longueur d’onde ne peut être utilisée que
pour sastisfaire une seule demande passant par a ; autrement dit, si deux demandes ont des fenêtres
horaires non disjointes, on ne peut les router à l’aide d’une même longueur d’onde que si les chemins
optiques qui leur sont associés n’ont aucune arête en commun.
Le premier problème que nous considérons consiste à déterminer le nombre minimum de longueurs
d’onde nécessaires pour satisfaire toutes les demandes, tout en respectant les contraintes précédentes.
Dans le second problème, le nombre de longueurs d’onde est fixé et on cherche à maximiser le nombre
de demandes que l’on peut satisfaire sans dépasser le nombre de longueurs d’onde disponibles tout en
respectant, là encore, les contraintes précédentes. Ces deux problèmes sont NP-difficiles (voir [2]) et
ont fait l’objet de nombreuses études, ainsi que certaines de leurs variantes (voir par exemple [1], [3] et
les références qui se trouvent dans ces deux articles). On notera en particulier la méthode développée
par N. Skorin-Kapov dans [3], qui fournit habituellement d’excellents résultats et qui nous sert de
référence dans notre étude.

2 Modélisation et méthodes de résolution

Pour résoudre ces problèmes, on construit un graphe de conflit H défini de la façon suivante. Pour
chaque demande d = (x, y, α, β), on calcule un certain nombre k fixé (par exemple, k = 5) de chaînes
174 Belgacem, Charon, Hudry

entre x et y dans G : Cd1 , Cd2 , ..., Cdk . On associe un sommet de H à chacune de ces chaînes. Ainsi,
si δ désigne le nombre de demandes à satisfaire, le nombre de sommets de H vaut kδ. Les arêtes de
H sont de deux natures :
– d’une part, on met toutes les arêtes reliant deux sommets issus d’une même demande, c’est-à-dire,
pour chaque demande d, les k(k − 1)/2 arêtes de la forme {Cdi , Cdj } pour 1 ≤ i < j ≤ k ; ces arêtes
définissent donc, pour chaque demande d, une clique sur l’ensemble des sommets de la forme Cdi
pour 1 ≤ i ≤ k ;
– d’autre part, on met une arête de la forme {Cdi , Cej } (avec 1 ≤ i ≤ k et 1 ≤ j ≤ k), où d =
(x, y, α, β) et e = (z, t, γ, ǫ) sont deux demandes, si les fenêtres horaires de d et e se chevauchent
([α, β] ∩ [γ, ǫ] -= ∅) et si les chaînes Cdi et Cej ont en commun au moins une arête. Ces arêtes
{Cdi , Cej } représentent un conflit entre d et e au sens où on ne pourra pas attribuer une même
longueur d’onde à d et à e si on décide de router d à l’aide du chemin optique Cdi et e à l’aide du
chemin optique Cej .
Un ensemble stable de H définit alors un ensemble de demandes que l’on peut router à l’aide d’une
même longueur d’onde, en indiquant de plus quels chemins optiques on peut adopter pour router
ces demandes. La méthode de résolution que nous adoptons consiste alors à chercher, à l’aide d’une
méthode de descente, un stable S de cardinal maximum dans H : ce stable permettra de satisfaire |S|
demandes à l’aide de la première longueur d’onde. Si l’on dispose d’autres longueurs d’onde, on retire
de H toutes les cliques associées aux demandes satisfaites, et on recommence à chercher un stable
maximum dans le graphe restant. On obtient ainsi une suite de stables S1 , S2 , S3 ... Si un sommet
Cdi de H appartient au stable Sq , on route d à l’aide du chemin optique Cdi auquel on attribue la
q e longueur d’onde. On procède ainsi jusqu’à avoir satisfait toutes les demandes pour le premier
problème, ou tant qu’il existe encore une longueur d’onde disponible et une demande non satisfaite
pour le second problème.
On étudie ici, d’une part, l’apport de la modélisation du problème sous la forme de la recherche
d’une suite de stables de cardinal maximum dans le graphe de conflit, d’autre part, l’apport d’une
méthode de post-optimisation permettant d’améliorer les résultats obtenus par la descente ou par
la méthode développée par N. Skorin-Kapov. Les résultats expérimentaux montrent que, à temps
de calcul identique, la modélisation par le graphe de conflit pour le problème 2 et la méthode de
post-optimisation pour les deux problèmes fournissent des solutions significativement meilleures que
celles obtenues par la méthode de N. Skorin-Kapov.

Références
1. Belgacem, L., Puech, N. : Solving Large Size Instances of the RWA Problem Using Graph Parti-
tioning. Proceedings of 12th Conference on Optical Network Design and Modelling, Vilanova i la
Geltrú, Espagne, 2008.
2. Chlamtac I., Ganz, A., Karmi, G. : Lightpath communications : an approach to high-bandwidth
optical WANs. IEEE Trans. Commun. 40, 1171–1182, 1992.
3. Skorin-Kapov, N. : Heuristic Algorithms for the Routing and Wavelength Assignment of Scheduled
Lightpath Demands in Optical Networks. IEEE J. of Selected Areas in Com. 24 (8), 2–15, 2006.
Génération d’emplois du temps pour les établissements à
formation à "la carte"

H. Mabed,1 , H. Manier2 , M-A. Manier2 , O. Baala2 , S. Lamrous2 , C. Renaud2

1
UFC, LIFC, 25200 Montbéliard.
hakim.mabed@pu-pm.univ-fcomte.fr
2
UTBM, Laboratoire SET, 90000 Belfort.
marie-ange.manier, herve.manier, oumaya.baala, claude.renaud, sid.lamous@utbm.fr

Cette proposition traite de la conception d’un outil d’aide à la décision pour l’élaboration des emplois
du temps dans le cadre d’une formation dans l’enseignement supérieur. Ce travail s’inscrit dans le
cadre d’un projet pédagogique réalisé au sein de l’Université de Technologie de Belfort-Montbéliard,
avec pour objectif le remplacement et l’amélioration des outils existants. Ce projet, baptisé Chronos,
est actuellement en cours.
Par rapport à d’autres écoles d’ingénieurs, l’Université de Technologie de Belfort-Montbéliard se
distingue par une formation à « à la carte » compliquant ainsi la problématique de l’élaboration
des emplois du temps des étudiants et des enseignants. En effet, chaque étudiant a la possibilité de
construire sa formation en choisissant chaque semestre les modules (UVs) qu’il souhaiterait suivre,
parmi un ensemble de modules possibles. Dans les différentes matières enseignées, on ne retrouve
donc pas le même groupe d’étudiants pour une même promotion. Ceci augmente évidemment la
complexité de ce type de problème, qui comporte par ailleurs des contraintes de différents types :
capacité des ressources (salles, enseignants), calendrier, contraintes pédagogiques d’enchaînements des
enseignements, nombre limité d’étudiants par groupe, . A ces contraintes classiques viennent encore
s’ajouter des contraintes molles telles que les souhaits des enseignants (1/2 journée de disponibilité
peut être demandée), ou le souhait de lisser la répartition des étudiants sur les groupes. De plus,
la répartition sur trois sites géographiques des enseignements rend nécessaire la prise en compte de
contraintes sur les déplacements des étudiants et des enseignant entre les sites (regrouper tous les
enseignements d’une demi-journée d’un étudiant ou d’un enseignant sur un même site).
La première phase du travail effectué a été d’élaborer un modèle par programmation linéaire à partir
des données et contraintes recensées pour ce problème. Toutefois, compte tenu de la taille des données
et des contraintes du modèle (2000 étudiants, 1800 séances à programmer, 1200 groupes à constituer),
une approche heuristique a été adoptée pour la résolution.
L’algorithme de recherche fait évoluer une solution unique générée à partir d’une heuristique construc-
tive moyennant trois opérateurs de mouvement simples : (a) changement de groupe à un étudiant,
(b) changement de créneau à une séance et (c) changement de salle à une séance. Après chaque
mouvement, la qualité de la nouvelle solution est réévaluée en utilisant une procédure d’évaluation
incrémentale ou delta-évaluation. La procédure de réévaluation dépend du type de mouvement réa-
lisé. Pour éviter des dégradations conséquentes de la solution courante difficilement récupérables, un
mécanisme de contrôle de la dégradation est implémenté. Sont rôle est de réguler la fréquence et
l’amplitude des dégradations produites après chaque mouvement en rejetant certains mouvements
dégradants. A ce mécanisme s’ajoute une procédure de liste tabou utilisée pour empêcher les cycles
de recherche faisant rétablir précipitamment un choix précédent récemment modifié. Ce cycle est
réitéré jusqu’à ce qu’un nombre limite d’itérations paramétrable soit atteint ou qu’un flag (valeur
dans un fichier) soit activé par l’utilisateur de l’interface graphique.
La génération de la solution initiale est réalisée en trois étapes chacune a pour objectif de répondre à
l’une des dimensions du problème : l’affectation des créneaux, l’affectation des salles et la constitution
des groupes. La procédure d’affectation des créneaux commence par les séances se rapportant aux
176 Mabed, Manier, Baala, Lamrou, Renaud

UVs les plus demandées en terme d’effectif. Pour chaque UV prise dans cet ordre, on balaye l’ensemble
de tous les créneaux possibles à la recherche de celui qui cause le moins de conflits avec les UVs déjà
planifiées. A ce niveau uniquement le potentiel de conflits entre UVs est considéré. Ce potentiel est
évalué à partir du nombre d’effectifs en commun entre les UVs (UV à planifier et UVs déjà planifiées)
et le nombre de groupes de chaque UV. Deuxièmement, pour chaque inscription d’un étudiant à une
UV, nous recherchons le meilleur groupe de cours, de TD et de TP pour l’étudiant. La notion de
« meilleure » est déterminée à partir de la planification horaire de chacun des groupes possibles.
Rappelons que cette planification est réalisée lors de l’étape précédente d’affectation des créneaux.
La troisième étape de la constitution de la solution initiale consiste à l’affectation des salles aux
séances. A chaque séance nous choisissons la salle dont la capacité, le site et le type conviennent et
qui provoque le moins de conflits. Rappelons que les différentes séances sont déjà planifiées dans le
temps et les groupes déjà constitués.
Les premiers résultats obtenus par la méthode sur les données issues du semestre d’automne 2006
montrent que le nombre de conflits résiduels est très faible. Au bout de 2 heures de calcul sur un PC
Intel 2.20GHz avec 2Go de RAM, l’algorithme de recherche obtient une solution avec 3 conflits sur
les étudiants, 3 conflits sur les salles, 0 violation de l’indisponibilité des enseignants. Ces résultats
restent améliorables avec des temps d’exécution plus conséquent.
L’un des points centraux de l’étude porte sur l’impact de la non-périodicité sur les performances
de l’emploi du temps. En effet l’analyse faite, montre que le système de périodicité sur 2 semaines
adoptée par l’UTBM limite la qualité des solutions trouvées.

Références
1. Abdullah S., Burke K.E., McCollum B. : A hybrid evolutionary approach to the university course
timetabling problem. Congress on Evolutionary Computation, 1764-1768 (2007)
2. Rahoual M., Mabed M. : Hybridation des algorithmes génétiques et recherche taboue pour les
problèmes d’emploi du temps. Procedings of Evolutionary Algorithms Conference EA99 (1999)
3. A survey of metaheuristic-based techniques for University Timetabling problems. Revue OR Spec-
trum, Springer, pp 167-190 (2007)
 Optimisation de la planification de bourses d’échanges
de technologies

C. Guéret1 , O. Morineau1 , C. Pavageau1 , O. Péton1 , and D. Poncelet2

1
IRCCyN - École des Mines de Nantes, La Chantrerie, BP 20722 F-44307 Nantes, cedex 3 - France,
{Christelle.Gueret,Odile.Morineau,Claire.Pavageau,Olivier.Peton}@emn.fr
2
GEPEA - École Nationale d’Ingénieurs des Techniques des Industries Agricoles et Alimentaires,
Route de la Géraudière, BP 82225, F-44322 Nantes CEDEX 03 - France.
Poncelet@enitiaa-nantes.fr

1 Description du problème
Lors de certaines conférences scientifiques ou congrès professionnels sont organisées des bourses
d’échanges de technologies, c’est à dire des réunions entre participants ayant émis le souhait de
se rencontrer. En pratique, nous considérons une conférence qui rassemble 100 à 200 personnes (aca-
démiques et industriels) durant trois jours. Chacun dispose de la liste des participants et exprime des
voeux sur les individus qu’il souhaite rencontrer, classés par ordre de préférence. Environ cinq sessions
sont organisées pendant la durée de la conférence pour permettre ces rencontres. Une session com-
porte cinq ou six rencontres de 30 minutes. Une rencontre ne regroupe que deux interlocuteurs autour
d’une table. Plusieurs salles peuvent être réservées pour l’organisation de ces bourses d’échange.
Les difficultés d’une telle organisation sont multiples : il faut satisfaire au mieux l’ensemble des
voeux exprimés par les participants, chercher à minimiser le coût de location des salles, limiter les
déplacements des personnes entre salles, et si possible entre tables d’une même salle. Le planning de
rencontres doit respecter un ensemble de contraintes plus ou moins fortes, par exemple :
1. On ne peut pas planifier plus d’une rencontre par participant dans une même plage horaire.
2. Une rencontre n’est planifiée que sur une seule plage horaire.
3. Il faut que chaque participant ait un nombre minimal donné de rencontres assurées sur la totalité
des rencontres dans lesquelles il est impliqué.
4. Il est souhaité de laisser des plages libres pour des pauses et des discussions informelles. Il est
donc préférable que chaque participant n’ait pas plus de deux rencontres à la suite au sein de
chaque session.
5. Les rencontres de chaque participant doivent être planifiées de manière équilibrée sur la durée
de la manifestation.
6. Il faut autant que possible planifier au moins 66% des 6 premiers choix de chaque participant.
Des premiers travaux sur ce problème ont été présentés lors de la conférence ROADEF’06 [1], mais
ils ne tiennent pas compte de l’ensemble des contraintes, le problème ayant évolué entre-temps.

2 Méthode de résolution proposée

Nous proposons de résoudre le problème en trois temps : dans un premier temps nous définissons les
rencontres et les affectons à une période de façon à maximiser le nombre de rencontres planifiées. Le
nombre de rencontres étant conséquent, ce problème est résolu en deux étapes : dans une première
étape, un programme linéaire en nombres entiers est utilisé pour planifier les rencontres correspondant
178 Guéret C., Morineau O., Pavageau C., Péton O., D. Poncelet

aux 6 premiers choix de chaque participant. Le planning obtenu est ensuite complété en résolvant
un autre programme linéaire en nombres entiers dont l’objectif est de planifier les autres rencontres.
Ces deux problèmes sont résolus à l’aide d’un logiciel libre de Programmation Linéaire en Nombres
Entiers (GLPK).
La deuxième étape a pour objectif de déterminer les salles nécessaires pour réaliser le planning
de rencontres calculé à l’étape précédente, de façon à minimiser le coût de location des salles. Le
coût des salles étant supposé proportionnel à leur capacité, le problème à résoudre est un problème
d’empilement de capacité maximale B égale au nombre maximal de rencontres ayant lieu en même
temps, et composé de n objets (salles) ayant une taille donnée (capacité). Ce problème est résolu par
un algorithme de programmation dynamique en O(nB).
Enfin la dernière étape consiste à affecter à chaque rencontre une salle parmi celles sélectionnées à
l’étape précédente, et une table dans cette salle. L’objectif est de minimiser le nombre de déplacements
des participants entre salles et entre tables à l’intérieur d’une même salle. La méthode utilisée pour
résoudre ce dernier problème est une recherche tabou. Le voisinage utilisé consiste à permuter les
tables de deux rencontres.
Cette approche considère donc que l’objectif prioritaire est de planifier un maximum de rencontres.
Nous considérons ensuite qu’il est plus important de minimiser le nombre de salles utilisées que le
nombre de déplacements des participants entre tables.

3 Résultats
Lors des éditions précédentes de la conférence, auxquelles ont assisté une centaine de participants, la
planification des sessions avait occupé deux personnes pendant une journée complète. Notre approche
résout en quelques minutes seulement des instances générées aléatoirement de 200 participants. Les
jeux de données des éditions précédentes n’étant pas disponibles, nous ne pouvons comparer les solu-
tions obtenues avec notre approche aux solutions manuelles. Nous présentons cependant les résultats
obtenus sur les données réelles d’une conférence ayant lieu en février 2009 [2].
Cette première approche est rapide et satisfaisante. Nous explorons actuellement d’autres approches
basées sur la programmation par contraintes.

Références
1. X. Gandibleux, B. Pajot et D. Poncelet, Modèle en variables 01 et système d’aide pour l’optimi-
sation de l’organisation de bourses d’échanges de technologies, ROADEF’06, Lille, France
2. Industrial Symposium and Trade Fair on Applied Microencapsulation Brussels, Belgium, February
3-5, 2009
 Conception des horaires de bus (graphicage) et
conception des horaires des chauffeurs de bus (habillage)

T.Dereu, F.Lamer, D.Montaut, and A.Schweitzer

EURODECISION, 9A, rue de la porte de BUC, 78000 Versailles.

timothee.dereu@eurodecision.com florence.lamer@eurodecision.com
denis.montaut@eurodecision.com aurelie.schweitzer@eurodecision.com

1 Problématique

La construction d’une offre de transport dans le domaine du bus comprend :

– La conception des horaires des bus (graphicage)
– puis la conception des horaires des chauffeurs (habillage)

Dans un premier temps nous présentons un module d’optimisation de l’habillage urbain. Ce module
d’habillage construit les horaires des chauffeurs de bus qui couvrent l’ensemble des tâches des
véhicules (graphique), respectent les conditions de travail et minimisent le nombre de chauffeurs. Ce
module est basé sur de la génération de colonnes.

Dans un deuxième temps nous nous intéressons à la problématique d’habillage interurbain. Cette
problématique a plusieurs spécificités par rapport à l’urbain :
– Les courses commerciales sont très dispersées géographiquement et les enchaînements possibles
entre ces courses sont nombreux.
– Les planificateurs construisent manuellement le graphique et l’habillage ensemble car ces deux
problèmes sont très liés. La qualité de l’habillage dépend beaucoup de celle du graphique.
– En automatique, il faut donc construire un graphique et un habillage.

C’est pour ces raisons que nous avons développé deux modules pour résoudre la problématique du
transport interurbain :
– Un module de graphicage :
– construisant les horaires des bus
– minimisant le nombre de véhicules.
– intégrant plusieurs contraintes d’habillage.
Ce module est basé sur de la génération de colonnes.
– Un module d’habillage automatique très proche du module d’habillage urbain.

2 Formulation mathématique du problème

Voici brièvement les principaux éléments du modèle mathématique du problème de graphicage puis
du problème d’habillage.
180 T.Dereu, F.Lamer, D.Montaut, A.Schweitzer

2.1 Graphicage
Fonction objectif : minimiser le nombre de services voiture et leur durée totale.
Variables de décision : variables binaires de choix ou non des services voiture.
Contraintes :
Principales contraintes voiture :
Toutes les tâches doivent Ítre couvertes une et une seule fois par les services voiture
Le nombre de véhicules disponibles par type de véhicule et par dépÙt doit Ítre respecté

Principales contraintes agent anticipées pour le module d’habillage :

Respecter le temps de travail maximum d’un agent
Respecter le temps de conduite continue maximum d’un agent

2.2 Habillage
Fonction objectif : minimiser le nombre de services agent et le temps total de travail.
Variables de décision : variables binaires de choix ou non des services agent.
Contraintes :
Toutes les tâches doivent Ítre couvertes une et une seule fois par les services agent
Tout service agent doit respecter les conditions de travail (temps de travail maximum, nombre mini-
mum de pauses . . . )

3 Résolution
3.1 Graphicage
La méthode choisie est une méthode de génération de colonnes basée sur un problème de plus court
chemin contraint. Le problème maître est un problème de partitionnement : chaque tâche doit Ítre
couverte une et une seule fois par les services voiture. Le problème esclave est un problème de plus
court chemin avec ressources.

3.2 Habillage
A partir du planning des bus et compte tenu de la complexité du sous-problème, un ensemble ex-
plicite de services agent candidats est généré. Cet ensemble est susceptible d’évoluer au cours de la
résolution. Chaque service agent correspond à une colonne dans la modélisation. Le problème maître
est un problème de partitionnement : chaque tâche doit Ítre couverte une et une seule fois par les
services agent. Le problème esclave met à jour le coût réduit de chaque colonne à partir d’informa-
tions (les duales) fournies par le problème maître et envoie un ensemble de colonnes intéressantes au
problème maître.
 Comment deviner le prix de réservation de son
adversaire pour maximiser son revenu ?

H. Le Cadre and M. Bouhtou

Orange Labs, rue du Général Leclerc, 92794 Issy-les-Moulineaux Cedex 9 France.

{helene.lecadre ;mustapha.bouhtou}@orange-ftgroup.com

Les stratégies dites de reinforcement learning visent à trouver un compromis entre une stratégie d’ex-
ploration et une stratégie d’exploitation, i.e. elles déterminent un équilibre entre explorer l’environ-
ment afin de déterminer les actions optimales et sélectionner l’action la meilleure empiriquement aussi
souvent que possible. L’un des exemples les plus simples du dilemne entre exploration/exploitation
est le problème des bandits à plusieurs bras. Dans ce problème orginellement proposé par Robbins
(cf Auer et al. [2]), un joueur dans un casino doit choisir de joueur sur une des K machines à sous
présentes dans la salle. A chaque pas de temps, il actionne le bras de l’une des machines dite bandit
manchot, et reçoit une récompense. Le but du joueur est de maximiser son gain total en actionnant
à chaque instant un bandit. Puisque chaque bandit génère une récompense distribuée suivant une
certaine distribution, le but du joueur est de déterminer le plus rapidement possible, le bandit gé-
nérant la meilleure récompense espérée, puis de continuer à actionner cette machine. La nécessité
de trouver un compromis entre exploration et exploitation résulte de l’observation suivante. D’un
côté, si le joueur choisit exclusivement la machine qu’il pense être la meilleure (exploitation), il peut
passer à côté d’une machine qui lui aurait rapporté plus encore. D’un autre côté, s’il passe trop de
temps à tester toutes les machines et à collectionner des statistiques, il ne peut pas se concentrer sur
le bandit qui lui aurait rapporté le plus. Il a été démontré que la statégie optimale est de choisir à
chaque instant le bandit ayant l’indice de Gittins le plus élevé (cf Ross [4]). Dans le passé, le pro-
blème des bandits avait presque toujours été étudié sous des hypothèses statistiques sur le processus
générant les revenus associés à chaque bandit. Or, dans nombre de problème concrets d’allocation de
ressource, il est impossible de déterminer les bonnes hypothèses statistiques. Cesa-Bianchi et Lugosi
[1], Auer et al. [2] considèrent une variante du problème où aucune hypothèse statistique n’est faite
sur la génération des revenus. On parle alors de suite individuelle, car le gain associé à chaque ban-
dit est déterminé à chaque étape par un adversaire suceptible d’anticiper les actions du joueur. La
performance du joueur est mesurée par son regret, i.e. la différence entre le revenu total perçu par
le joueur et le revenu total généré par le meilleur bandit. Piccolboni et Schindelhauer [3] étendent le
problème de prédiction de suite individuelle à un cas d’allocation séquentielle de bande passante où le
feedback est partiel et dépend des actions choisies. Cesa-Bianchi et Lugosi [1] introduisent la notion
d’experts qui proposent diverses stratégies prédisant la suite individuelle, au joueur, sous information
incomplète (feedback partiel).
Nous considérons trois opérateurs mobile ; deux d’entre eux disposent de capacités limitées. Nous les
noterons MNO 1 et MNO 2 (MNO signifie Mobile Network Operator). Le troisième est un opérateur
virtuel (dit MVNO, pour Mobile Virtual Network Operator), i.e. il ne possède pas de réseau en propre
et doit négocier l’accès aux réseaux des autres opérateurs. Les MNOs contrôlent le partage de leurs
ressources avec l’opérateur virtuel ainsi que la charge d’accès unitaire. Le MVNO est initialement
inconnu sur le marché. Pour séduire les clients, il investit dans la publicité. Les MNOs peuvent
partager une partie de ses investissement, i.e. faire de la publicité coopérative.
Le problème est que les MNOs disposent d’une information incomplète ; en effet, le MVNO définit
un prix maximum qu’il est prêt à payer à chaque instant ; en-dessus de cette valeur il refuse toute
interconnexion. Les MNOs veulent déterminer les coûts de partage de la publicité minimisant leurs
pertes, i.e. la différence entre ce qu’ils auraient pu gagner s’ils avaient connu le prix de réservation
182 H. Le Cadre, M. Bouhtou

du MVNO et ce qu’ils reçoivent. En effet si les coût de partage de la publicité sont trop faibles le
MVNO risque de ne pas s’interconnecter. Donc de la bande passante sera inutilisée sur les réseaux des
MNOs ; ce qui représente une perte financière. Par contre, si les coûts de partage de la publicité sont
trop élevés, les MNOs perdent de l’argent car le MVNO était prêt à s’interconnecter pour moins cher.
Chaque MNO va donc chercher à apprendre la stratégie du MVNO. Notre objectif est de comprendre
ce qui influence la vitesse d’apprentissage et comment cela se traduit dans l’évolution des revenus
des MNOs.
Description du jeu dynamique avec feedback
– Premier niveau : partage des coûts de la publicité
(1) Le MVNO choisit secrètement son prix de réservation.
(2) Chaque MNO détermine son coefficient de partage des coûts de la publicité du MVNO.
– Second niveau : jeux sur les capacités
(3) Les MNOs partagent leurs bande passante et définissent leurs charges d’accès.
– Troisième niveau : jeux sur les prix
(4) Les opérateurs (MNOs, MVNO) fixent leurs prix de vente et niveaux d’investissement dans la
publicité. Les clients choisissent leurs fournisseurs.
(5) Les MNOs reçoivent des feedbacks partiels qui correspondent à leurs revenus.
Plusieurs types de stratégies sont évaluées (fictitious play, minimisation du regret externe, minimisa-
tion du regret interne [1]). On démontre l’existence d’un équilibre corrélé à notre modèle seulement
dans le cas de la minimisation du regret interne [1]. Ce qui signifie qu’aucun des MNO n’a inérêt à
dévier en moyenne des coûts de partage recommandés par cet équilibre. Par simulation nous mettons
en évidence deux phases au cours du jeu dynamique : d’abord le MNO fait varier ses prix pour deviner
la stratégie du MVNO (exploration) puis il maximse son revenu une fois qu’il a appris la stratégie
de l’opérateur virtuel (exploitation). En fait, c’est le MNO qui accepte de perdre le plus au début
qui apprend le plus vite et maximise son revenu au final. Donc pour apprendre le plus vite, il faut
accepter de perdre de l’argent au départ.

Références
1. Cesa-Bianchi N., Lugosi G. : Predicition, Learning, And Games. Cambridge University Press
(2006)
2. Auer P., Cesa-Bianchi N., Freund Y., Schapire R. : Gambling in a rigged casino : The adversial
multi-armed bandit problem. 36th Annual Symposium on Foundations of Computer Science (1995)
3. Piccolboni A., Schindelhauer C. : Discrete Predicition Games with Arbitrary Feedback and Loss.
14th Annual Conference on Computational Learning Theory (2001)
4. Ross S. : Introduction to Stochastic Dynamic Programming. Academic Press (1995)
 Résolution d’enchères sur réseau par décomposition de
Benders

S. Lannez,1 T. Crainic2 and M. Gendreau1

1
Université de Montréal, C.P. 6128, succursale Centre-Ville Montréal (Québec) H3C 3J7, Canada.
sebastien.lannez@gmail.com,michel.gendreau@cirrelt.ca
2
UQAM, 315 Ste-Catherine est, Montréal (Québec) H2X 3X2 Canada.
crainic.teodor@uqam.ca

1 Introduction

L’enchère de Vickrey[1] différencie l’allocation du bien du calcul des paiements. L’allocation est
réalisée en satisfaisant la meilleure offre. Ensuite, le calcul du paiement du gagnant est réalisé de
façon à prendre en compte le manque à gagner imposé aux perdants. Cette enchère, initialement
proposée pour l’allocation d’un unique bien non divisible, a été généralisée par les mécanismes de
Vickrey-Clarke-Groves[2,3] à l’allocation de plusieurs biens.
L’enchère que nous proposons est une enchère à enveloppe scellée mettant en relation un vendeur et
plusieurs acheteurs. Le vendeur possède un réseau dont les arcs ont une capacité finie. Ce sera un plan
de transport si le vendeur est un transporteur, un ensemble de sillons pour un gérant d’infrastructure
ferroviaire ou un réseau de télécommunication pour un opérateur de télécommunication. Les ache-
teurs veulent acquérir un chemin de capacité donnée entre deux nœuds du réseau du vendeur. Ce
chemin peut représenter le transport d’une quantité de marchandise, la circulation d’un train ou la
transmission d’une quantité d’information.
Nous verrons que la recherche des gagnants de l’enchère et le calcule des paiements nécessitent la
résolution répétitive de problèmes en nombres entiers qui sont numériquement très proches. Pour
accélérer la résolution de l’enchère, nous avons utilisé la décomposition de Benders et réutilisons
les coupes générées. Nous montrerons par l’analyse de tests numériques que cette approche devient
intéressante dès que le problème de routage dans le réseau devient non trivial et que le nombre de
conflits entre les mises augmentent.

2 Mécanismes VCG

Enchères de Vickrey : Chaque participant propose dans une « enveloppe scellée » le prix maximum
qu’il est prêt à payer pour le bien. Le commissaire-priseur ouvre toutes les « enveloppes » et alloue
le bien au plus offrant. Le paiement de ce dernier sera équivalent à la deuxième meilleure offre. Ce
principe simple assure que s’il n’y a pas collusion entre les participants, personne n’a intérêt à sur ou
sous évaluer sa mise.
Mécanisme de Clarke : L’idée du mécanisme de Clarke[2] est de généraliser l’enchère de Vickrey à
plusieurs biens. Soit M (I, K, c) un mécanisme qui alloue les objets k ∈ K aux participants i ∈ I en
fonction de la valeur cik de chaque objet pour chaque participant. Soit z(I, K, c) la valeur totale de
l’allocation M (I, K, c). πi est le prix que paiera le participant i si sa mise est acceptée. Il est défini
par : πi = M (I, K, c) − M (I \ i, K, c).
184 S. Lannez, T. Crainic, M. Gendreau

3 Modèle mathématique
La détermination des gagnants est réalisée à l’aide d’un programme en nombres entiers. Ce programme
mathématique est un modèle de multiflot avec des variables additionnelles.
Détermination des gagnants : Soit G = (V, A) le graphe sur lequel à lieu l’enchère. V est l’ensemble
des nœuds et A l’ensemble des arcs. I est l’ensemble des participants de l’enchère. Le paramètre pi
est la valeur de la mise du participant i. Le paramètre di est la capacité demandée par i entre les
nœuds origi et desti . cia est le coût supporté par le vendeur pour une unité de flot traversant l’arc
a. bvi vaut di (resp. −di ) si v est le nœud origi (resp. desti ) de la mise du participant i. La variable
yi vaut 1 si la mise du participant i est acceptée, 0 sinon. xia est la quantité de flot du participant i
qui traverse l’arc a.

% %%
(M ) : max p i yi − cia xia (1)
i∈I i∈I a∈Ai
% %
s.c. xia − xia − bvi yi = 0, ∀i ∈ I, ∀v ∈ V (2)
a∈Ai+ (v) a∈Ai− (v)
%
xia ≤ ua , ∀a ∈ A (3)
i∈I

xia ≥ 0, ∀i ∈ I, a ∈ A (4)
yi ∈ {0, 1}, ∀i ∈ I. (5)
∗
Détermination des paiements : Soit I l’ensemble des gagnants élus pendant la résolution de M (I).
Pour calculer le paiement de chaque gagnant i ∈ I ∗ , il faut résoudre M (I \ i). Ces problèmes peuvent
être obtenus en retirant de M (I) la colonne correspondant à la variable yi .

4 Décomposition de Benders
Nous montrerons ensuite la validité des coupes générées pendant la résolution de M (I) pour les sous
problèmes. Les jeux de tests ont été réalisés en faisant varier la densité d’un graphe de 40 nœuds
et 400 arcs, le nombre de participants, le nombre de mises conflictuelles et la taille des sous réseaux
admissibles de chaque participant.

Références
1. Vickrey, W. : Counterspeculation, auctions, and competitive sealed tenders. Journal of Finance,
16(1) :8-37, 1961
2. Clarke, E. H. : Multipart pricing of public goods. Public Choice, 2 :19-33, 1971
3. Groves, T. : Incentives in teams. Econometrica, 413 :617-31, 1973
4. Lannez, S. : Mise en oeuvre des mécanismes de Vickrey-Clarke-Groves sur des réseaux. Université
de Montréal, M. Sc. Thesis, 2007
 Partage de ressources informatiques :
Enchères combinatoires dans les grilles#

L. Belgacem, E. Gourdin, R. Krishnaswamy, and A. Ouorou1

Orange Labs, 38-40 rue du Général Leclerc, 92794 Issy les Moulineaux Cedex 9, France.
[lucile.belgacem, eric.gourdin, ruby.krishnaswamy, adam.ouorou]@orange-ftgroup.com

1 Introduction
Initialement réservées à la communauté académique ou à certaines entreprises dans le cadre de projets
scientifiques de grande ampleur, les grilles sont des infrastructures virtuelles constituées d’un ensemble
de ressources informatiques (tout élément qui permet l’exécution d’une tâche ou le stockage d’une
donnée numérique) potentiellement partagées, distribuées, hétérogénes, et autonomes (voir [2]). Le
partage de ces ressources permet de résoudre d’importants problèmes de calcul nécessitant des temps
d’exécution trés longs en environnement classique, mais aussi d’optimiser l’utilisation des ressources.
La prochaine étape consiste naturellement à démocratiser cette technologie pour permettre à toute
organisation virtuelle (utilisateurs domestiques, écoles ou universités, administrations, associations,
entreprises...) d’obtenir des ressources informatiques sur l’Internet sans devoir investir individuelle-
ment dans l’achat et l’administration de telles ressources. La majeur partie des protocoles proposés
dans la littérature pour l’allocation de ressources dans les grilles est fondée sur des négociations bila-
térales séquentielles ou simultanées entre un consommateur et plusieurs fournisseurs éventuels, qu’il
faut donc ensuite coordonner. Ces protocoles ne permettent pas d’exprimer la complémentarité des
ressources, or l’exécution d’une tâche peut souvent nécessiter plusieurs types de ressources différents
(par exemple du CPU et de l’espace mémoire). Le participant doit donc dans ce cas tenter d’évaluer
et d’acquérir ces deux ressources séparément, en prenant le risque de n’en obtenir qu’une.
Afin de contourner ces difficultés, des travaux plus récents (voir par exemple [4], [5] et [6]) proposent
d’utiliser les enchères combinatoires dont la spécificité est de permettre aux participants d’enchérir
sur des ensembles d’objets plutÙt que sur des objets individuels (voir [1]). En outre il est possible
de traiter globalement des négociations faisant intervenir plusieurs vendeurs et plusieurs acheteurs.
Notre contribution s’inscrit dans la continuité de ces travaux.

2 Spécifications du mécanisme d’enchères combinatoires

Nous proposons tout d’abord un langage de description riche et adapté qui permet aux participants
de formuler précisément les requêtes qu’ils soumettent au marché. De façon trés simplifiée, les besoins
des consommateurs peuvent être représentés par les quantités aq des ressources q souhaitées (q ∈ Q),
un intervalle de temps [e, l] durant lequel les ressources sont demandées, et une valuation v . De
même, les offres des fournisseurs sont caractérisées par des quantités dq , (q ∈ Q), par un intervalle
de temps [c, f ] de disponibilité des ressources, et par un prix de réserve r (la somme minimum
que l’agent est prêt à accepter : le coût de revient des ressources). Dans le modéle proposé, un
consommateur peut soumettre au marché un ensemble de tâches exclusives, elles-mêmes subdivisées
en un ensemble de tâches complémentaires, alors que chaque fournisseur peut soumettre un ensemble
d’offres indépendantes.
⋆
Ce travail de recherche est en partie financé par le projet européen Grid4All [3].
186 L. Belgacem et al.

Comme tout mécanisme de marché, les enchères combinatoires consistent en deux phases. Il s’agit
d’abord de déterminer le plan d’allocation des ressources, et donc de décider quelles enchères sont
gagnantes. Ce problème d’optimisation combinatoire NP-difficile est appelé Winner Determination
Problem. De façon classique, l’objectif de ce problème est de maximiser le social welfare, défini comme
le surplus global généré par l’allocation :
% %
v− r.
cons. gagnants fourn. gagnants

Les contraintes du problème doivent naturellement décrire les différentes requêtes des négociateurs
(caractéristiques des ressources recherchées, intervalle de disponibilité des ressources, valuations et
prix de réserve, etc). Nous spécifions de plus quelques régles d’allocation spécifiques au modéle, comme
l’exclusivité des tâches soumises par un consommateur, ou leur parallélisation, et des contraintes
portant sur l’éclatement possible des ressources d’un fournisseur entre plusieurs tâches.
Aprés avoir établi l’allocation optimale des ressources, il faut déterminer les prix à payer pour les
enchères gagnantes. Nous nous plaçons dans une optique de tarification par commodité : des prix sont
établis pour chaque commodité échangée sur le marché (ex : 1 unité de CPU par unité de temps). Les
prix obtenus doivent aboutir à un marché équilibré (budget-balance), et respecter les contraintes de
valuations et prix de réserve des agents (individual rationality). De plus on souhaite obtenir des prix
vérifiant la propriété de market clearing : les consommateurs perdants constatent que leur valuation
est trop faible et les fournisseurs perdants que leur prix de réserve est trop élevé. Malheureusement,
dans le cas d’enchères combinatoires, cette propriété est rarement réalisable. Nous proposons donc
une variante de la méthode décrite dans [4] qui consiste en la résolution d’une série de problèmes de
programmation linéaire dont l’objectif est de se rapprocher le plus possible de la propriété de market
clearing.

Références
1. Cramton P., Shoham Y. and Steinberg R. Combinatorial Auctions, MIT Press, 2006.
2. Foster I. « The Grid : A New Infrastructure for 21st Century Science », Physics Today, 2002.
3. Krishnaswamy R., Navarro L., Brunner R., LeÛn X. and Vilajosana X., Grid4All : Open Mar-
ket Places for Democratic Grids. Proceedings of the 5th Int. Workshop on Grid Economics and
Business Models (GECON 2008), Spain, August 2008, LNCS 5206, pp. 197-207, Springer, 2008.
4. Kwasnica A., Ledyard J., Porter D. and DeMartini C. « A new and improved Design for Multi-
Object Iterative Auctions », Management Science, 51, 3, pp. 419-434, 2005.
5. Schnizler B., Neumann, D., Veit D., and Weinhardt C. « Trading Grid Services - A Multi-attribute
Combinatorial Approach », European Journal of Operation Research, 187, pp. 943-961, 2006.
6. Stoesser J., Neumann D. « GREEDEX - A Scalable Clearing Mechanism for Utility Computing »,
Networking and Electronic Commerce Research Conference (NAEC), Riva Del Garda, Italy, 2007.
 Application de MO-TRIBES au dimensionnement de
circuits électroniques

Y. Cooren1 , M. Fakhfakh2 , P. Siarry1

1
Laboratoire Images, Signaux et Systèmes Intelligents, LiSSi (E.A. 3956)
61 avenue du Général de Gaulle, 94010, Créteil.
{cooren,siarry}@univ-paris12.fr
2
Université de Sfax, Tunisie.
mourad.fakhfakh@ieee.org

1 Introduction
La conception des circuits intégrés analogiques a toujours été entravée par le procédé technologique,
principalement parce que la technologie a été optimisée pour les circuits numériques. En effet, la partie
analogique des circuits intégrés mixtes requiert plus de temps pour sa conception. La conception
assistée par ordinateur est devenue une étape indispensable pour réduire le coût et le temps de
conception d’un circuit analogique.
Le processus de conception repose en grande partie sur l’expérience du concepteur. Cependant,
vu la complexité de l’opération, les concepteurs ont tendance à se satisfaire d’une approximation
grossière [1]. En effet, un système, même d’apparence simple, peut être très complexe à optimiser,
principalement du fait que les variables de décision sont liées à des objectifs antagonistes.
Si l’on aborde la conception du point de vue, non de l’électronique, mais de la recherche opérationnelle,
le dimensionnement peut être considéré comme un problème d’optimisation à variables continues,
soumis à des contraintes. Les variables de décision sont alors les valeurs des composants du circuit
(dimensions des transistors MOS, etc.), les contraintes étant imposées aussi bien par le fonctionnement
du circuit (régime de fonctionnement des transistors) que par le cahier des charges du circuit (gain,
slewrate, etc.). Les convoyeurs de courant (CCII) forment les circuits de base dans le domaine de
fonctionnement en mode courant.
Dans ce travail, on cherche à optimiser les performances d’un convoyeur de courant de seconde
génération (CCII) en fonction des dimensions des transistors MOS qui le constituent. La figure 1(a)
représente le CCII réalisé en technologie CMOS. Le but est de minimiser la résistance parasite (RX )
du port X du CCII, et de maximiser la fréquence de coupure haute (fchi ) du transfert en courant
entre les ports X et Z du CCII. Le problème a été résolu à l’aide de MO-TRIBES, un algorithme
d’optimisation par essaim particulaire multiobjectif, sans paramètre de contrôle.

2 MO-TRIBES
MO-TRIBES est un algorithme d’optimisation par essaim particulaire multiobjectif sans paramètre
de contrôle. Il reprend les principaux éléments de TRIBES [2], auxquels sont ajoutés de nouveaux
mécanismes destinés à traiter des problèmes multiobjectif.
Notre objectif est de trouver des solutions non-dominées. On considère qu’un essaim a atteint un
état de quasi-équilibre s’il n’arrive plus à trouver de nouvelles solutions non-dominées. L’essaim sera
donc réinitialisé si, entre deux itérations successives de MO-TRIBES, l’algorithme n’a pas trouvé de
nouvelles solutions non-dominées.
188 Y. Cooren, M. Fakhfakh, P. Siarry

Comme MO-TRIBES se veut un algorithme sans paramètre de contrôle, il est imposé d’adapter
la taille de l’archive en fonction du comportement de l’algorithme. Tout d’abord, on admet que la
taille de l’archive dépend du nombre d’objectifs. Plus le nombre d’objectifs est important, plus il est
nécessaire de disposer de beaucoup de solutions non-dominées pour approcher le front de Pareto.
Ensuite, à chaque nouvelle adaptation, la taille de l’archive est mise à jour, en fonction du nombre
de solutions non-dominées trouvées depuis l’adaptation précédente.

3 Exemple de résultat
La figure 1(b) montre les fronts de Pareto (RX = f (−fchi )) obtenus pour différentes valeurs du
courant de polarisation I0 du CCII.

(a) (b)

Fig. 1. (a) Convoyeur de courant de seconde génération à boucle translinéaire, (b) Front de Pareto
en fonction du courant de polarisation I0 .

Le CCII ainsi optimisé a été simulé à l’aide du logiciel SPICE en utilisant la technologie AMS 0.35 µm.
Les résultats de la simulation concordent avec ceux obtenus en appliquant l’algorithme proposé.

Références
[1] R. Conn et al.. (1996). ”Optimization of custom MOS circuits by transistor sizing”, Proceedings
of the International Conference on Computer-Aided Design ICCAD’96, pp. 174-190, 1996, IEEE
Press.
[2] Y. Cooren. (2008). ”Perfectionnement d’un algorithme adaptatif d’Optimisation par Essaim Par-
ticulaire. Applications en génie médical et en électronique”, Thèse de doctorat, Université de Paris
12, Créteil.
 Multiobjective dynamic optimization of a fed-batch
copolymerization reactor

B. Benyahia1,2 , A. Latifi1 , C. Fonteix1 , F. Pla1 , S. Nacef3

1
Laboratoire des Sciences du GÈnie Chimique, CNRS-ENSIC
1 rue Grandville, BP 451, 54001 Nancy Cedex, France
brahim.benyahia@ensic.inpl-nancy.fr
2
DÈpartement de Chimie, FacultÈ des Sciences et Sciences de l’IngÈnieur, UniversitÈ Mohamed
Boudiaf , M’sila, Algerie
3
DÈpartement de GÈnie des ProcÈdÈs, UniversitÈ Ferhat Abbas, SÈtif, Algerie

1 Introduction
Multiobjective optimization problems are encountered in most real-world applications and more re-
cently in chemical processes ([1], [2], [3], [4]). Since such problems involve several objective functions
with conflicting nature, the final optimum is not unique but a set of non dominated solutions (the
Pareto front) which show a trade-off among the whole objectives. A decision support approach is
then used to rank the Pareto solutions according to the decision maker’s preferences.

Emulsion polymerization is an important industrial process used to produce a great variety of po-
lymers of multiple uses (e.g. paints, adhesives, coatings, varnishes). More over, it has significant
advantages over bulk and solution polymerization processes such as heat removal capacity and vis-
cosity control. These advantages result mostly from the multiphase and compartmentalized nature
of the emulsion polymerization which allows the production of polymers of high molecular weight at
high polymerization rates, delivering a high versatility to product qualities. However, the complexity
of emulsion polymerization systems arising from factors such as the multiphase nature, nonlinear
behaviour and sensitivity to disturbances induce more intense difficulties on modelling and make
the development of optimization procedures of emulsion polymerization reactions a very challenging
task.
Molecular weight distribution (MWD), polymer microstructure, glass transition temperature (Tg )
and particle size distribution (PSD) and morphology are the main parameters witch strongly govern
the end-use properties of the products (latex and polymer).
The present paper deals with a multiobjective dynamic optimization of an emulsion copolymeriza-
tion fed-batch reactor. The aim is to produce core-shell particles with specific end-use properties by
using two criteria subject to a set of tight operational constraints and the mathematical model of
the system. The nondominated zone (Pareto’s domain) is obtained by using evolutionary algorithm.
The ranking is therefore obtained by decision making support.

2 Formulation and results

The process model was developed and validated for the batch and fed-batch emulsion copolymeriza-
tion of styrene and butyl acrylate in the presence of n-C12 mercaptan as chain transfer agent ([5]).
The objective of the model is to predict different variables including overall monomers conversion,
number and weight average molecular weights, particle size distribution and residual monomer frac-
tions. The objective of the process is to produce core-shell particles with a specific end-use properties
190 Benyahia, B., Latifi, A.

depending on the glass transition temperature profile (Fig.1). The monomers used (styrene and bu-
tyl acrylate) in the copolymerization process have different reactivity ratios and there polymers have
very different glass transition temperature (-54 ◦ C for butyl acrylate and 100 ◦ C for styrene). The
key feature of the optimisation problem is to determine optimal feed rate profiles necessary to control
polymerization reactions in order to produce particle with a designed morphology and glass transition
temperature. Two objective functions have been selected for the optimization of this process. The
first one is to minimize the error between the glass transition temperature and the desired profile.
The second objective is to maximize conversion at the end of the process.

M inf = [f1 , f2 ]
D tf c D tf s
1 1
f1 = |Tg − Tg1 | dt + |Tg − Tg2 | dt
tf c − t0 t0
tf s − tf c tf c

f2 = −X(tf ) (1)
s.t. ẋ = f (x(t), u(t), p, t)
D tf c
1
(0.9 − X(t))2 dt ≤ ǫ2
tf c − t0 t0
u inf ≤ u(t) ≤ u sup

where Tg is the glass transition temperature at an instant t, Tg1 the desired glass transition tempe-
rature for the core, Tg2 the desired glass transition temperature for the shell, tf c and tf s the times
necessary to feed the core and the shell production respectively, X(tf ) are conversion and the end of
the process and u the control vector (feeds and time periods).

Tg (K) designed profile

primary Core stage Shell stage Core stage Shell stage
particles real profile
Feed (m3.s-1)

Tg2

Tg1

particles
t0 tfc tfs tf Time (s) d0 dfc dfs diameter (nm)

Fig. 1. optimal feed rates and glass transition temperature profiles

The set of the non dominated solutions (the Pareto front) was obtained by an evolutionary algorithm.
A decision support approach (MAUT : Multiple Attribute Utility Theory) is then used to rank the
Pareto solutions according to the decision maker’s preferences. Finally, the resulting optimal solution
is implemented to the real system (Fig.2)

3 Conclusions
In this work, multiobjective dynamic optimization problem has been addressed to determine optimal
feed profiles necessary to produce core-shell latex particles with specific end use properties. This has
been achieved with a designed glass temperature profile and maximum final conversion. The non
 Papier soumis à ROADEF 09 191

dominated solutions were obtained and ranked by using MAUT strategy. The simulations of the best
solution showed a good agreement with the desired profiles.

0,0E+00 1,0E+01 2,0E+01 3,0E+01 4,0E+01

-9,3E-01 1,4E+01

9,0E+00
-9,3E-01

4,0E+00

-9,4E-01
Critiria 2

Tg(°C)

Pareto’s front -1,0E+00

-9,4E-01
-6,0E+00

-9,5E-01
-1,1E+01

-9,5E-01 -1,6E+01
2,0E-08 4,0E-08 6,0E-08 dp(nm) 8,0E-08 1,0E-07
Critiria 1

1,0E+00 1,2E-07

1,0E-07
8,0E-01 Average diameter (m)

8,0E-08
6,0E-01
Conversion

6,0E-08

4,0E-01
4,0E-08

2,0E-01
2,0E-08

0,0E+00 0,0E+00
0,0E+00 3,0E+03 6,0E+03 9,0E+03 1,2E+04 1,5E+04 0,0E+00 3,0E+03 6,0E+03 9,0E+03 1,2E+04 1,5E+04
Time [s]
Time [s]

Fig. 2. Pareto’s front and the main results related to the optimum solution (glass temperature profile,
the overall conversion and the average particles diameter)

Références
1. Fonteix C., Massebeuf S., Pla F., Nandor Kiss L, Multicriteria optimization of an emsulsion
polymerization process, Eur. J. Oper. Res., 153, 350-359 (2004)
2. Garg S., Gupta S. K., Multiobjective optimization of a free radical bulk polymerization reactor
using gentic algorithm, Macromol. The. Simul. 8, 46-53 (1999)
3. Mitra K., Majundar S., Raha S., Multiobjective optimization of a semibatch epoxy polymerization
process usinbg the eliptic gentic algorithm, Ind. Eng. Chem., 43, 6055-6063(2004)
4. Sakar D., Rohani S., Jutan A., Multiobjective optimization of semibatch reactive crystallization
processes, AIChE J., 53, 5, 1164-1174 (2007)
5. Benyahia B., Latifi A., Fonteix, C., Pla, F., Nacef, S., Elaboration of a tendency model and
determination of optimal feed rate profiles for styrene/butyl acrylate semi-batch emulsion copo-
lymerization reactor, CHISA 2008, Praha (2008)
Optimiser sur les ensembles d’arêtes des graphes bipartis
induits

D. Cornaz,1 and R. Mahjoub2

1
LIMOS, Complexe scientifique des Cézeaux, 63173 AUBIERE cedex, FRANCE.
cornaz@isima.fr
2
Laboratoire LAMSADE Université Paris Dauphine Place du Maréchal de Lattre de Tassigny
75775 Paris CEDEX 16.
mahjoub@lamsade.dauphine.fr

Soit G = (V, E) un graphe simple non-orienté avec un poids we pour chaque arête e de G. Le
sous-graphe de G induit par un sous-ensemble de sommets W ⊆ V est le graphe H = (W, F ) avec
F = {e ∈ E : e = uv, u, v ∈ W }. Le sous-graphe induit H est biparti si il existe une bipartition
{W1 , W2 } de W telle que F = {e ∈ E : e = uv, u ∈ W1 , v ∈ W2 } ; ou de manière équivalente si H
n’a pas de cycle impair.
Dans ce travail, un sous-ensemble d’arête F ⊆ E sera dit réalisable si il existe un sous-ensemble de
sommets W ⊆ V induisant un graphe & biparti (W, F ). Nous considérerons le problème d’optimisation
combinatoire consistant à maximiser e∈F
we sur les F ⊆ E réalisables. Le vecteur caractéristique
d’un sous-ensemble d’arête F ⊆ E est le vecteur x ∈ {0, 1}E tel que xe = 1 si et seulement si e ∈ F .
Soit R = {x ∈ {0, 1}E : x est le vecteur caractéristique d’un F ⊆ E réalisable}.
& Le problème
d’optimisation combinatoire est équivalent à optimiser sur R, i.e. maximiser w x sur les
e∈E e e
x ∈ R. Une formulation pour R est un polyèdre P tel que R = P ∩ {0, 1}E . Optimiser sur R est
NP-difficile, toutefois,
& lorsque que l’on peut optimiser sur P en temps polynomial (i.e. résoudre
rapidement max{ e∈E we xe : x ∈ P }), la méthode Branch-and-bound permet de restreindre l’arbre
d’exploration. Dans ce contexte on s’intéresse aux formulations (polyèdres) P les plus proches de
conv.hull(R). Nous proposons une formulation de R (décrite ci-dessous) dont nous montrerons qu’elle
est plus proche de conv.hull(R) que (la projection) d’une formulation utlisant des variables sur les
sommets et les arêtes. Cette formulation est

xe ≥ 0 pour toute arête e, (1)

%
xe ≤ |C| − 2 pour tout cycle impair C, (2)
e∈C

xsu − xuv + xvt ≤ 1 pour tout triplet d’arêtes su, uv, vt ∈ E (3)

(avec éventuellement s = t) que l’on renforcera par

%
xe ≤ |D| − 1 pour tout D ∈ D (4)
e∈D

où D est l’ensemble des D ⊆ E qui ne sont pas contenus dans un F ⊆ E réalisable, mais dont tous
les sous-ensembles stricts sont contenus dans un F ⊆ E réalisable.
 Arêtes des bipartis induits 193

4 5

6 3
2

Fig. 1. Un graphe G = (V, E) avec E = {1, 2, 3, 4, 5, 6}

Par-exemple, si G est le graphe de la figure 1, (1)-(3) est :

x1 , x2 , x3 , x4 , x5 , x6 ≥ 0
x4 +x5 +x6 ≤ 1
x1 +x2 −x4 ≤1
x1 +x3 −x5 ≤1
x2 +x3 −x6 ≤ 1
x1 −x4 +x6 ≤ 1
x1 −x5 +x6 ≤ 1
x2 −x4 +x5 ≤1
x2 +x5 −x6 ≤ 1
x3 +x4 −x6 ≤ 1
x3 +x4 −x5 ≤1

Ici (1, 0, 0, 31 , 31 , 13 ) ∈(1)-(3)\conv.hull(R) mais ne satisfait pas la contrainte x1 + x6 ≤ 1 du type (4).

Nous décrirons complètement D et donnerons un algorithme polynomial pour optimiser sur (1)-(4).

Références
1. Cornaz, D. et Fonlupt J. : Chromatic characterization of biclique covers. Discrete Mathematics
306(5) : 495-507 (2006)
2. Cornaz, D. et Mahjoub, A.R. : The Maximum Induced Bipartite Subgraph Problem with Edge
Weights. SIAM J. Discrete Math. 21(3) : 662-675 (2007)
3. Fouilhoux P. et Mahjoub, A.R. : Polyhedral results for the bipartite induced subgraph problem.
Discrete Applied Mathematics (DAM) 154(15) :2128-2149 (2006)
 Le problème de la grue préemptif asymétrique

H.L.M. Kerivin,1 M. Lacroix2 et A.R. Mahjoub2

1
Department of Mathematical Sciences, Clemson University, O-326 Martin Hall, Clemson, SC
29634, USA.
kerivin@clemson.edu
2
Laboratoire LAMSADE, Université Paris Dauphine, Place du Maréchal de Lattre de Tassigny,
75775 Paris cedex 16 France.
lacroix@lamsade.dauphine.fr,mahjoub@lamsade.dauphine.fr

Dans ce travail, nous nous intéressons au problème de la grue préemptif asymétrique, introduit par
Atallah et Kosaraju [1] (pour le cas symétrique). Ce problème peut être défini de la manière suivante.
Soit D = (V, A) un graphe orienté et v0 un sommet particulier de V appelé dépôt. Les autres sommets
du graphe sont appelés arrêts. À chaque arc a du graphe est associé un coût positif ca . Un ensemble
P de demandes de transport est également donné. Chaque demande p de P est définie par un arrêt
origine op et un arrêt destination dp et peut donc être représentée par l’arc (op , dp ). Nous notons
par Φ le graphe induit par l’ensemble des arcs associés aux demandes de P . Pour transporter ces
demandes, nous disposons d’un véhicule (ou grue) qui commence et termine sa tournée au dépôt et
ne peut transporter qu’une seule demande à la fois. Le coût de la tournée du véhicule correspond à
la somme des coûts des arcs de cette tournée. Le terme préemptif indique que durant son transport,
une demande peut être déchargée à n’importe quel arrêt différent de sa destination et être rechargée
par la suite. Dans ce travail, nous ne considérons aucune contrainte ni aucun coût additionnel sur
le nombre de rechargements. Le problème de la grue préemptif asymétrique consiste à déterminer
la tournée du véhicule et les chemins des demandes tel que les demandes sont transportées de leur
origine à leur destination à l’aide du véhicule et le coût de la tournée du véhicule est minimum.
Kerivin et al. [2] ont montré que si le graphe D est complet, les coûts c vérifient les inégalités
triangulaires et chaque arrêt est l’origine ou la destination d’au plus une demande, alors il existe
une solution optimale telle que chaque arc est traversé au maximum une fois par le véhicule, et
chaque demande est transportée sur un chemin élémentaire. Nous définissons alors les solutions par
l’ensemble des arcs traversés par le véhicule et les demandes respectivement. Nous utilisons ainsi les
variables x ∈ R(|A|−2|V |+3)×|P | telles que

1
1 si la demande p est transportée sur l’arc a,
xpa =
0 sinon,

pour tout arc a ∈ A \ {δ in (op ) ∪ δ out (dp )} et pour toute demande p ∈ P , et les variables y ∈ R|A|
telles que
1
1 si le véhicule traverse l’arc a,
ya =
0 sinon,

pour tout arc a ∈ A. Ici, δ in (v) (respectivement δ out (v)) pour un sommet v ∈ V désigne l’ensemble
des arcs entrant dans v (respectivement sortant de v). Tout vecteur (x, y) associé à une solution
 Le problème de la grue préemptif asymétrique 195

réalisable du problème satisfait les contraintes

% %
ya − ya = 0 ∀ v ∈ V, (1)
a∈δ out (v) a∈δ in (v)
% %
xpa − xpa = bpv ∀ p ∈ P, ∀ v ∈ V, (2)
a∈δ out (v) a∈δ in (v)
%
xpa ≤ 1 ∀ p ∈ P, ∀ v ∈ V, (3)
a∈δ out (v)
%
ya − xpa ≥ 0 ∀ a ∈ A, (4)
p∈P

où le nombre bpv représente la production/demande associée au sommet v ∈ V par rapport à la

demande p ∈ P . En effet, les contraintes (1) sont les contraintes de conservation de flot associées aux
arcs traversés par le véhicule. Les contraintes (2) et (3) imposent que les arcs traversés par chaque
demande correspondent à un chemin élémentaire. Les contraintes (4) sont les contraintes de capacité.
Elles imposent qu’au maximum une demande soit transportée en même temps sur un arc traversé
par le véhicule. Bien que ces contraintes soient valides, tout vecteur (x, y) satisfaisant les contraintes
(1)-(4) ne correspond pas obligatoirement à une solution réalisable. Pour restreindre les vecteurs à
ceux correspondant à une solution réalisable, il faut également que chaque vecteur (x, y) vérifient
les contraintes valides suivantes, appelées contraintes de vulnérabilité relaxées et définies pour tout
sous-ensemble non vide W de V tel que v0 ∈ W , AΦ (W ) -= ∅ et δΦ (W ) = ∅,
% % % % %
ya − xpa + M xpa ≥ 1, (5)
a∈δ out (W ) p∈AΦ (W ) a∈δ out (W ) p∈AΦ (W ) a∈δ out (W )

où M est une constante suffisamment grande et AΦ (W ) correspond à l’ensemble des demandes de P

dont les arrêts origine et destination appartiennent à l’ensemble V \ W .
Kerivin et al. [3] ont montré que le polytope défini par les variables (x, y) et les contraintes (1)-(5) est
équivalent à l’ensemble des solutions du problème de la grue préemptif asymétrique et ont montré que
toutes les contraintes sont séparables en temps polynomial. Nous prolongeons ce travail en donnant
des conditions nécessaires et suffisantes pour que les inégalités triviales et les contraintes (3)-(5)
définissent des facettes. Nous développons par la suite un algorithme de coupes et branchements
pour résoudre le problème et donnons quelques résultats expérimentaux.

Références
1. Atallah, M.J. and Kosaraju, S.R. : Efficient Solutions to Some Transportation Problems with
Applications to Minimizing Robot Arm Travel. SIAM Journal on Computing, vol 17, pp. 849-869
(1988)
2. Kerivin, H.L.M., Lacroix, M., Mahjoub, A.R. : The Eulerian closed walk with precedence path
constraints problem. Rapport technique LIMOS/RR-08-03 (soumis pour publication) (2007)
3. Kerivin, H.L.M., Lacroix, M., Mahjoub, A.R. : Models for the single-vehicle preemptive pickup
and delivery problem. (Soumis pour publication) (2007)
Le problème du voyageur de commerce asymétrique avec
contraintes de saut

Laurent Alfandari1 , Sylvie Borne2 et Lucas Létocart2

1
ESSEC, Av. Bernard Hirsch, B.P. 50105 95105 Cergy, France
et LIPN - UMR CNRS 7030, Université Paris 13.
alfandari@essec.fr
2
LIPN - UMR CNRS 7030,
Institut Galilée, Université Paris 13
99 Avenue J-B. Clément 93430 Villetaneuse.
{sylvie.borne,lucas.letocart}@lipn.fr

1 Introduction
Le problème du voyageur de commerce asymétrique (AT SP ) est un problème classique de l’optimi-
sation combinatoire. Il consiste à trouver le circuit hamiltonien de coût minimal contenu dans un
graphe orienté sans boucle G = (V, A) où V = {1, . . . n} et les coûts cij sont associés à chaque
arc (i, j) ∈ A. Dans le cas asymétrique, les coûts cij et cji peuvent être différents pour tout couple
{i ∈ V, j ∈ V }. Ce problème est connu pour être NP-difficile et a été trés étudié dans la littérature
[2,7,3,4,5,1,9,8,6].
Mais qu’en est-il si certaines villes doivent être éloignées d’au moins s liens dans le tour ? Soit S
l’ensemble des villes soumises à la condition de saut (i.e., dont la distance en nombre d’arêtes entre
chacune de ces villes est d’au moins s). Le problème du voyageur de commerce asymétrique avec
contraintes de saut ((hop-ATSP), hop Asymmetric Traveling Salesman Problem) consiste alors à
trouver un circuit hamiltonien de coût minimal qui respecte l’éloignement entre les villes de S.

2 Formulations et résolution
Nous présentons deux formulations originales pour ce problème sous la forme de programmes linéaires
en nombres entiers. Nous utilisons notamment des variables de décision indiquant la position de
chaque ville dans le tour ou des variables permettant de prendre en compte le nombre de sauts entre
les villes dans le tour.
Nous discutons de résultats théoriques intéressants concernant ces formulations. Nous adaptons éga-
lement des contraintes valides pour le problème (ATSP) présentes dans la littérature [8,2]. Nous
discutons de la qualité des bornes inférieures obtenues par la résolution des relaxations linéaires.
Nous étudions également la structure faciale des polytopes associés au problème. En particulier, nous
identifions de nouvelles inégalités valides. En utilisant ces résultats, nous présentons un algorithme
de coupes et branchements pour le problème. Nous discutons de certains résultats expérimentaux.

Références
1. R.D. Carr et G. Lancia : Compact vs. exponential-size LP relaxations. Operations Research Let-
ters, 30 :57-65 (2002)
 Le problème hop-ATSP 197

2. G. Dantzig, D. Fulkerson et S. Johnson : Solution of a large scale traveling salesman problem.

Operations Research, 2 : 393-410 (1954)
3. M. Desrochers et G. Laporte : Improvements and extensions to the Miller-Tucker-Zemlin subtour
elimination constraints. Operations Research Letters, 10 : 27-36 (1991)
4. L. Gouveia et J. Pires : The asymmetric traveling salesman problem and a reformulation of the
Miller-Tucker-Zemlin constraints. European Journal of Operational Research, 112 : 134-146 (1999)
5. L. Gouveia et J. Pires : The asymmetric traveling salesman problem : on generalizations of disag-
gregated Miller-Tucker-Zemlin constraints. Discrete Applied Mathematics, 112 : 129-145 (2001)
6. L. Létocart, L. Alfandari et S. Borne : Modéles linéaires et quadratiques pour le problème du
voyageur de commerce asymétrique. 9éme congrés de la Société FranÁaise de Recherche Opéra-
tionnelle et d’Aide à la Décision (ROADEF2008), Clermont-Ferrand, France : pp. 295-296 (Février
2008)
7. C. Miller, A. Tucker et R. Zemlin : Integer programming formulation of traveling salesman pro-
blems. Journal of ACM, 7 : 326-329 (1960)
8. S.C. Sarin, H.D. Sherali et A. Bhootra : New tighter polynomial length formulations for the asym-
metric traveling salesman problem with and without precedence constraints. Operations Research
Letters, 33 : 62-70 (2005)
9. H.D. Sherali et P.J. Driscoll : On tightening the relaxations of Miller-Tucker-Zemlin formulations
for asymmetric traveling salesman problems. Operations Research, 4 : 134-146 (2002)
 Problème de tournée du personnel de soins pour
l’hospitalisation à domicile

Y. Kergosien, Ch. Lenté, et J-C. Billaut

Université François Rabelais Tours,

Laboratoire Informatique, 64, av. Jean Portalis, 37200 Tours.
{yannick.kergosien|christophe.lente|jean-charles.billaut}@univ-tours.fr

1 Introduction
L’hospitalisation à domicile (HAD) se développe un peu partout. Elle consiste à amener les soins aux
patients à domicile. Ce développement est essentiellement dû à des facteurs économiques, d’engorge-
ment des hôpitaux, de vieillissement de la population... L’HAD a pour objectif d’améliorer la qualité
des soins et de diminuer les coûts. De nombreux articles traitent de l’HAD et de ses avantages. Un
nouveau problème d’organisation dans le domaine de la santé apparaît, celui de la coordination et
de la qualité des soins hors des murs de l’hôpital. Nous nous intéresserons ici au problème de pla-
nification des tournées du personnel de soins, et à leur coordination au domicile des patients. Nous
ramenons ce problème à une extension du problème du voyageur de commerce (PVC) et proposons
un programme linéaire en nombre entier (PLNE) pour le résoudre. De nombreux travaux ont été
réalisés au niveau de la planification des tournées d’infirmières ([2,3,1]).L’approche proposée tente de
prendre en compte le plus de contraintes possibles.

2 Présentation du problème
Etant donné un ensemble d’intervenants, chaque intervenant k ayant un ensemble de compétences Ck
(médecin, infirmière, aide soignante,...), nous devons affecter à chaque intervenant une liste ordonnée
de soins à dispenser à des patients. Chaque intervenant k doit partir et revenir à son propre ’dépôt’ Dk .
Les horaires de travail d’un intervenant sont définis par une fenêtre de temps [eDk , ℓDk ]. Un ensemble
de patients doit recevoir des soins à domicile par un ou plusieurs intervenants. Un service est un soin
à apporter à un patient par un intervenant, et un service i est caractérisé par une compétence requise
Qi , une fenêtre de temps [ei , ℓi ] durant laquelle le service doit commencer et une durée de service
pi . Certains services doivent être réalisés simultanément, d’autres au contraire ne le doivent surtout
pas, certains services doivent être réalisés par un même intervenant, et d’autres peuvent déjà être
pré affectés à un intervenant. Pour les ensembles de services à effectuer simultanément, un décalage
temporel est toutefois possible, un service j peut débuter ϕi,j unités de temps après i.
Ce problème est similaire à un m-PVC avec fenêtres de temps et quelques contraintes spécifiques. [8]
étudie ce problème avec des extensions (fenêtres de temps, nombre non fixé de voyageurs, nombre
maximal ou minimal de sommets à visiter,...), ses applications pratiques, certaines formulations en
programmation linéaire, et certaines heuristiques ou méthodes exactes pour résoudre ces problèmes.
Notons que vérifier si un m-PVC avec fenêtre de temps est réalisable est NP-complet [6].

3 Modèle de programmation linéaire

L’une des premières modélisations en PLNE pour le PVC a été formulée par [5]. Cette formulation
a été étendue par [7] à plusieurs voyageurs. Dans [4], les auteurs proposent d’étendre ces modèles en
 Problème de tournée du personnel de soins pour l’HAD 199

intégrant un nombre minimum et maximum de sommets à visiter pour chaque voyageur aussi bien
dans le cas d’un seul dépôt que de dépôts multiples.
Les variables du PLNE sont xki,j qui vaut 1 si l’intervenant k effectue le service i puis le service j ;
yi,j qui vaut 1 si le service i est effectué avant j ; et ti la date de début du service i.
Les contraintes expriment le fait que tous les sommets j doivent être traversés exactement une fois (un
service est traité par un seul intervenant) ; la continuité des circuits ; une seule sortie d’un intervenant
k de son dépôt Dk ; respect des horaires de travail ; temps de trajets entre deux sommets ; retour
au dépôt avant la date de fin de travail ; services effectués en même temps ou avec un décalage ;
services non effectués en même temps ou par le même intervenant ; pré-affectation des services à un
intervenant ; compétences entre services et intervenants.
La fonction objectif consiste à minimiser le coût total des trajets des intervenants

4 Conlusion et perspectives
Nous avons proposé un PLNE pour résoudre le problème qui peut s’étendre à la plupart des problèmes
HAD. Ce PLNE obtient de bons résultats avec CPLEX, mais malgré des techniques de pré-processing
et des coupes, le temps de résolution pour des instances réelles reste trop important. Nous envisa-
geons d’essayer d’autres méthodes (génération de colonnes), ou des méthodes approchées comme la
recherche Tabou ou les algorithmes génétiques.

Références
1. Akjiratikarl C., Yenradee P., Drake P.R. : PSO-based algorithm for home care worker scheduling
in the UK. Computers & Industrial Engineering 53, 559-583, (2007).
2. Bertels S., Fahle T. : A hybrid setup for a hybrid scenario : combining heuristics for the home
health care problem Computers & Operations Research 33, 2866-2890, (2006).
3. Eveborn P., Flisberg P., Ronnqvist M. : LAPS CARE-an operational system for staff planning of
home care European Journal of Operational Research 171, 962-976, (2006).
4. Kara I., Tolga B. : Integer linear programming formulations of multiple salesman problems and
its variations. European Journal of Operational Research, 174, 1449-1458, (2006).
5. Miller C.E., Tucker A.W., Zemlin R.A. : Integer programming formulation of travelling salesman
problems. J. Assoc. Comput. Mach., 7, 326-329, (1960).
6. Savelsbergh M.W.P. : Local search in routing problems with time windows. Ann. Oper. Res., 4,
285-305, (1985).
7. Svetska J.A., Huckfeldt V.E. : Computational experience with an m-salesman travelling salesman
algorithm. Management Sci., 19, 790-799, (1973).
8. Tolga B. : The multiple traveling salesman problem : an overview of formulations and solution
procedures. Omega, 34, 209-219, (2006).
Algorithme mémétique pour l’ordonnancement des blocs
opératoire

M. SOUKI et A. REBAI,

FSEGS, route de l’aéroport km 4, Sfax 3018 Tunisie.

mejdi.souki@fsegs.rnu.tn
mejdisouki@gmail.com

La versatilité et les incertitudes qui règnent sur les hôpitaux, rendent leurs gestionnaires soucieux
de la réduction de leurs coûts et de la recherche d’une meilleure optimisation de leurs ressources.
Le bloc opératoire constitue la ressource la plus critique dans l’hôpital et constitue le centre de la
plupart des cas hospitalisés. Ces dernières années, un certain nombre de travaux [1] [2] [3] [5] [7] [8]
ont été effectués sur la planification des blocs opératoires, mais, les travaux sur la planification et
l’ordonnancement avec la stratégie "Block Scheduling" restent limités.
Dans un autre travail, nous avons proposé une approche pour la planification et l’ordonnancement
des blocs opératoires avec la stratégie "Block Scheduling". Notre approche est décomposée de deux
niveaux de planification : La planification des admissions et l’ordonnancement des plages horaires. Le
problème de planification des admissions consiste à affecter les interventions des patients aux plages
horaires. L’affectation doit permettre de maximiser le nombre d’interventions affectées en minimisant
les temps inexploités dans les plages horaires avec respect de la disponibilité des lits d’hospitalisation
et de la date limite des interventions.
Le modèle de planification des admissions ne précise pas l’ordre d’exécution des interventions ni des
plages horaires. Par ailleurs, l’ordonnancement des plages horaires consiste à préciser pour chaque
plage horaire et pour chaque intervention une date de début et une date de fin. En effet, ce problème
peut être identifié par un problème de Flow-Shop Hybride à deux étages avec la contrainte no-idle
dans la salle d’opération pour les interventions d’une même plage horaire et la contrainte no-wait
entre la salle d’opération et le lit de réveil pour chaque patient.
Nous avons proposé une formulation mathématique du problème. Le problème d’ordonnancement des
plages horaires est modélisé par un programme linéaire mixte ayant pour objectif la minimisation
des horaires d’ouvertures du bloc et de minimisation de la valeur de la fonction pénalisante sur la
détérioration de la contrainte no-idle.
Le problème du Flow-Shop Hybride à deux étages est réputé NP-difficile [4]. Par conséquent, nous
avons proposé dans un premier temps, treize heuristiques qui se décomposent deux étapes. La pre-
mière étape qui consiste à trier les interventions en se basant sur les règles de priorité (SPT, LPT,
MWR et LWR) appliquées sur les plages horaires et sur les interventions dans les plages horaires et
l’algorithme de Johnson. La deuxième étape consiste à affecter les interventions aux salles d’opéra-
tions et aux lits de réveil suivant l’ordre pré-établi dans la première étape. L’affectation prend en
considération la contrainte no-wait entre la salle d’opération et la salle de réveil et une affectation
successive des interventions d’une même plage horaire dans une même salle d’opération minimisant
ainsi, la valeur de la fonction pénalisante sur la détérioration de la contrainte no-idle.
Dans un deuxième lieu, nous avons proposé un algorithme mémétique (MA) pour l’ordonnancement
des plages horaires. Suivant Moscato [10], MA constitue un mariage entre une recherche globale à
base de population et une heuristique de recherche locale appelée pour chaque solution initiale et pour
chaque individu obtenu par application des opérateurs génétiques. L’algorithme mémétique proposé
constitue une combinaison de l’algorithme génétique (GA) avec VNS (Variable Neighborhood Search)
[9] pour améliorer la qualité de la solution.
 MA pour l’ordonnancement des blocs opératoires 201

Dans l’algorithme mémétique, chaque solution est encodée par un chromosome qui représente ses
propriétés. Chaque solution est évaluée par la valeur de sa force fitness. La recherche locale est
appelée pour améliorer la population initiale. Les opérateurs génétiques sont appelés aléatoirement
pour générer des nouvelles solutions. Une évaluation est effectuée sur les solutions obtenues. La
recherche locale est appelée pour améliorer les bonnes solutions. Ce processus est répété jusqu’à la
satisfaction des conditions d’arrêt. Les conditions d’arrêt sont décrites généralement par l’atteinte du
nombre maximal d’itération et/ou du temps maximal d’exécution qui sont en relation avec la taille
du problème.
L’heuristique proposée MAORS se décompose de trois étapes. La première étape consiste à générer
la population initiale en appliquant treize heuristiques basées sur des règles de priorité qui sont dé-
crites précédemment. La deuxième phase consiste à appliquer aléatoirement six types d’opérateurs
génétiques que nous avons adoptés aux plages horaires et aux interventions : le croisement à un point
normal et inversé, le croisement à deux points normal et inversé et le croisement à de carte normal
et inversé.

La troisième étape se résume à la recherche locale. Nous avons utilisé VND (Variable Neighborhood
Descent) une variante de VNS [9]. Deux structures de voisinage sont appelées. Le voisinage par
permutation (swap-moves) qui consiste à sélectionner deux positions aléatoirement et modifier les
interventions correspondantes. Le voisinage par insertion (insert-moves) qui consiste à sélectionner
aléatoirement une position et le réinsérer dans une autre position aléatoire, les interventions entre le
deux position seront déplacées. Ce processus est répété jusqu’à la satisfaction d’une condition d’arrêt
(amélioration de la solution ou arriver au nombre maximal d’itération).
Nous adoptons le concept d’Agenda pour conserver les bonnes solutions dans un ordre croissant de
leur fitness. La sélection (Le même principe utilisé par Reeves [11]) se fait d’une part, sur le calcule de
la force fitness de l’individus (en fonction du Cmax et de la fonction pénalisante sur la détérioration
de la contrainte no-idle). Et d’autre part, sur le calcule de la probabilité de distribution dans l’Agenda.

Enfin, pour évaluer la performance de notre algorithme, nous avons utilisé quinze problèmes de
grande taille avec des données générées aléatoirement suivant des distributions statistiques Log-
Normale [12]. L’implémentation des heuristiques et de l’algorithme génétique a été effectuée avec
Visual C++ utilisant un PC Pentium 4, 3.2 GHz avec 512MB de RAM. L’algorithme a donné des
résultats encourageants au niveau du temps de calcul et par une comparaison avec les solutions
données par les heuristiques et avec la borne inferieure donnée dans [6] et avec la solution trouvée
par ILOG/Cplex.

Références

1. F. Dexter, A. Macario, R. D. Traub, M. Hopwood, D. A. Lubarsky, An operating room scheduling

strategy to maximize the use of operating room bloc time : computer simulation of patient
scheduling and survey of patients preferences for surgical waiting time, Anesthesia & Analgesia,
89, 7-20, 1999.
2. H. Fei, C. Chu, N. Meskens, A. Artiba, Solving surgical cases assignment problem by a branch-
and-prise approach, International Journal of Production Economics, 2007.
3. A. Guinet, S. Chaabane, Operating theatre planning, International Journal of Production Eco-
nomics, 85, 69-81, 2003.
4. J. N. D. Gupta, E. A. Tunc, Scheduling a two-stage Hybrid Flow-Shop with separable setup and
removal time, European Journal of Operation Research, 77, 415-428, 1994.
202 M. SOUKI et A. REBAI

5. S. Hammami, Thèse Aide à la décision dans le pilotage des flux matériels et patients d’un plateau
médico-technique, Institute national polytechnique de Grenoble, 2006.
6. M. Haouari, R. M’Hallah, Heuristic algorithms for the two-Stage hybrid flowshop problem, Ope-
rations Research Letters, 21, 43-53, 1997.
7. A. Jebali, A. Hadj Alouane, P. Ladet, Operating room scheduling, International Journal of Pro-
ductions Economics, 99, 52-62, 2006.
8. S. Kharraja, Thèse Outils d’aide à la planification et l’ordonnancement des plateaux-médico-
techniques, Université Jean-Monnet, Saint-Etienne, 2003.
9. N. Mladenovic, P. Hansen, Variable neighbourhood search. Computers and Operations Research,
24,1097-1100, 1997.
10. P. Moscato, Memetic algorithms : a short introduction, In : D. Corne, M. Dorigo and F. Glover,
Editors, New Ideas in Optimization, McGraw-Hill, 219-234, 1999.
11. C. R. Reeves, A genetic algorithm for flowshop sequencing, Computers and Operations Research,
22, 5-13, 1995.
12. J. Zhou, F. Dexter, Method to assist in the scheduling of add-on surgical case : Upper prediction
bounds for surgical case durations based on the log-normal distribution, Anesthesiology, 89, 5,
1228-1232, 1998.
 Planification des blocs opératoires

M. Souki, S. Ben Youcef et A. Rebai

FSEGS, route de l’aéroport km 4, Sfax 3018 Tunisie.

mejdi.souki@fsegs.rnu.tn
mejdisouki@gmail.com

Ces dernières années, un certain nombre de travaux [1] [2] [3] [4] [6] [7] ont été effectués sur la
planification des blocs opératoires, mais, les travaux sur la planification et l’ordonnancement avec la
stratégie "Block Scheduling" restent limités. Dans ce travail, nous allons proposer une approche pour
la planification et l’ordonnancement des blocs opératoires avec la stratégie "Block Scheduling".
La planification des blocs opératoires doit répondre à un double objectif. En fait, elle doit permettre
aussi bien l’optimisation de l’utilisation des ressources critiques à capacité finie que la satisfaction
d’une demande des interventions des patients. Ce double objectif nous impose d’adopter une planifi-
cation à deux niveaux.
Le premier niveau qui se résume à la planification des admissions qui consiste à affecter les inter-
ventions des patients dans les plages horaires d’une même spécialité avec objectif la minimisation de
temps inexploités des plages par la minimisation du nombre des plages horaires utilisées et le respect
de la date limite des interventions. Ce niveau prend en considération la disponibilité des lits d’hos-
pitalisation et des plages horaires. Le modèle de planification des admissions ne précise pas l’ordre
d’exécution des interventions des patients ni des plages horaires des chirurgiens. Ceci fera l’objet du
deuxième niveau de l’ordonnancement des plages horaires.
Le deuxième niveau qui se résume à l’ordonnancement des plages horaires. Il permet d’affecter les
plages horaires des chirurgiens aux salles d’opérations ainsi que l’affectation d’une date de début et
d’une date de fin dont l’objectif est la minimisation des durées d’ouvertures des salles d’opérations.
Ce niveau prend en considération la disponibilité des salles d’opération et des lits de réveil.
Dans un premier temps, nous avons utilisé la modélisation mathématique pour donner une description
formelle à ces deux problèmes. La planification des admissions est modélisée par un programme
linéaire en nombres entiers et ayant pour objectif la minimisation du nombre des plages horaires
utilisées et la minimisation de la valeur de la fonction pénalisante sur la détérioration du non respect
de la date limite des interventions.
L’ordonnancement des plages horaires est modélisé par un programme non linéaire en nombres entiers
mixtes et ayant pour objectif la minimisation du durée d’ouvertures des salles d’opération et la
minimisation de la valeur de la fonction pénalisante sur la détérioration du non respect de la contrainte
no-idle. Les deux modèles ont été implémentés avec ILOG/Cplex.
Dans un deuxième temps, nous avons proposé quatre heuristiques à deux niveaux pour le problème
de planification des admissions qui se basent sur des règles de gestion. Le premier niveau consiste
à ordonner les interventions des patients dans un premier temps, suivant la date limite de l’inter-
vention et dans un deuxième temps, suivant les règles de gestions SPT (Shortest Processing Time)
et LPT (Longest Processing Time) appliquées sur les durées d’interventions et sur les durées d’hos-
pitalisation. Le deuxième niveau, consiste à affecter les interventions dans les plages horaires par
ordre chronologique avec respect de la disponibilité de la plage choisie et de la disponibilité des lits
d’hospitalisation durant le séjour des patients (voir algorithme 1 : Affectation). L’implémentation des
heuristiques nous a permit d’obtenir quatre solutions. L’évaluation de chaque solution a été effectuée
sur la fitness de la solution qui est égale au nombre de plages utilisées avec la valeur de la fonction
pénalisante sur la détérioration du non respect de la date limite de l’intervention.
Algorithme 1 Affectation
Début
204 Souki, Ben Youcef et Rebai

Initialisation du nombre des interventions affectées

Initialisation du nombre de plages utilisées et de la valeur de la fonction pénalisante
Exist← faux
Tant que (Existe des interventions dans le problème)
Début
Tant que ((Existe des plages horaires) && (exist ! =vrai))
Début
Chercher la plage horaire la plus adéquate par ordre chronologique
Test la disponibilité des lits d’hospitalisation durant le séjour du patient
Si (trouve == vrai)
Alors
Affecter l’intervention dans la plage horaire choisie
MAJ de la disponibilité de la plage horaire et des lits d’hospitalisation
MAJ de la fonction pénalisante
Exist← vrai
Sinon
Exist←faux
Aller à la plage suivante
Fin tant que
Fin tant que
Calcule de la fitness de la solution
Fin

Dans un troisième temps, nous avons proposé treize heuristiques à deux niveaux pour le problème
d’ordonnancement des plages horaires. Le premier niveau consiste à ordonner les interventions des
patients suivant les règles de gestions SPT (Shortest Processing Time), LPT (Longest Processing
Time), MWR (Most Work Remaining) et la règle de Johnson appliquées sur les durées d’interven-
tions et sur les durées de réveil des interventions et des plages horaires. Le deuxième niveau, consiste
à mettre les interventions d’une même plage horaire dans une liste d’attente pour S (nombre de salle
d’opération) plages horaires. L’affectation sera à partir de la liste d’attente avec l’intervention qui
minimise le temps du blocage. Si le nombre de plages dans la liste d’attente diminue, on ajoute les
interventions de la plage suivante jusqu’à l’affectation de toutes les interventions (voir algorithme 2 :
ORDPH). L’implémentation des heuristiques, nous a permit d’obtenir treize solutions. L’évaluation
de chaque solution a été effectuée sur la fitness de la solution qui est égale à la durée d’ouverture des
salles d’opération avec la valeur de la fonction pénalisante sur la détérioration du non respect de la
contrainte no-idle.

Algorithme 2 : ORDPH
Début
Initialisation de la liste des interventions affectées et de la liste d’attente
Initialisation de la valeur de la fonction pénalisante
Tant que (existe des interventions dans le problème ou dans la liste d’attente)
Début
Si (Nombre des plages horaire dans la liste d’attente < nombre de salle d’opération)
Alors
Chercher une salle d’opération vide
Insérer les interventions de la plage horaire dans la liste d’attente et
conserver la salle d’opération sélectionnée
Sinon
Chercher dans les premières interventions des plages horaires dans la liste
 Planification des blocs opératoires 205

d’attente l’intervention qui minimise le blocage de la salle d’opération

Chercher un lit de réveil libre
Calculer la date début de l’intervention choisie
Dstart = Max (datelibsalleopération , dateliblitréveil - durée intervention)
Affecter l’intervention choisie dans la salle d’opération
Affecter l’intervention choisie dans le lit de réveil
Supprimer l’intervention affectée de la liste d’attente
MAJ de la disponibilité de la salle d’opération et du lit de réveil
MAJ de la valeur de la fonction pénalisante
Fin tant que
Calculer la fitness de la solution
Fin

Enfin, pour valider nos modèles et pour évaluer la performance des heuristiques, nous avons utilisé
vingt problèmes de taille différente avec des données générées aléatoirement suivant des distribu-
tions statistiques Log-Normale [8]. L’implémentation des modèles linéaire mixte a été effectuée sur
ILOG/Cplex 10.0. L’implémentation des heuristiques a été effectuée avec Visual C++ utilisant un
PC Pentium 4, 3.2 GHz avec 512MB de RAM, une comparaison a été effectuée avec les solutions
données par les heuristiques et avec la transformation de la borne inferieure donnée dans [5] et avec
la solution trouvée par ILOG/Cplex.

Références
1. F. Dexter, A. Macario, R. D. Traub, M. Hopwood, D. A. Lubarsky, An operating room scheduling
strategy to maximize the use of operating room bloc time : computer simulation of patient
scheduling and survey of patients preferences for surgical waiting time, Anesthesia & Analgesia,
89, 1999, 7-20.
2. H. Fei, C. Chu, N. Meskens, A. Artiba, Solving surgical cases assignment problem by a branch-
and-prise approach, International Journal of Production Economics, 2007.
3. A. Guinet, S. Chaabane, Operating theatre planning, International Journal of Production Eco-
nomics, 85, 2003, 69-81.
4. S. Hammami, Thèse Aide à la décision dans le pilotage des flux matériels et patients d’un plateau
médico-technique, Institute national polytechnique de Grenoble, 2006.
5. M. Haouari, R. M’Hallah, Heuristic algorithms for the two-Stage hybrid flowshop problem, Ope-
rations Research Letters, 21, 1997, 43-53.
6. A. Jebali, A. Hadj Alouane, P. Ladet, Operating room scheduling, International Journal of Pro-
ductions Economics, 99, 2006, 52-62.
7. S. Kharraja, Thèse Outils d’aide à la planification et l’ordonnancement des plateaux-médico-
techniques, UniversitéJean-Monnet, Saint-Etienne, 2003.
8. J. Zhou, F. Dexter, Method to assist in the scheduling of add-on surgical case : Upper prediction
bounds for surgical case durations based on the log-normal distribution, Anesthesiology, 89 (5),
1228-1232.
 Modélisation orientée objet avec OptimJ

Denis Debarbieux et Patrick Viry

Ateji - BL 14 - 14/16 rue Soleillet - 75020 Paris - France

http ://www.ateji.com/
{prenom.nom}@ateji.com

La modélisation de données est un aspect souvent sous-estimé de la modélisation mathématique. Elle

a pourtant un impact essentiel sur le temps de mise au point, la qualité du résultat et l’intégration
à des applications.
Plusieurs études [1,3] montrent que sur un projet typique de consultants en recherche opérationnelle,
l’effort consacré à la modélisation mathématique représente seulement 10% à 20% du temps de
développement. L’intégration concerne quant à elle 50% de ce temps, le reste étant consacré à des
aspects tels que interfaces graphiques ou entrées/sorties.
Nous présentons ici un langage de modélisation prenant en compte ces aspects de modélisation de
données et d’intégration. OptimJTM est une extension de JavaTM permettant l’écriture de modèles
d’optimisation sous une forme algébrique intuitive et concise. Un modèle OptimJ est une classe Java
pouvant contenir, en plus des champs et des méthodes, des variables de décision, des contraintes et
une fonction objectif.
Considérons le modèle diet qui vise à concevoir un menu équilibré à un coût minimal. Dans un
premier temps, comparons deux modélisations possibles de la notion de vitamine :
- Dans l’expression traditionnelle de diet, le concept de vitamine n’est pas explicité et les propriétés
d’une vitamine sont réparties dans différents tableaux sans relation entre eux.
set VTM ;
param minAmount { VTM } ;
param maxAmount { VTM } ;
- Dans une approche orientée objet, le concept de vitamine est identifié de façon explicite et défini
par ses propriétés. En Java, cela s’exprime par une interface :
interface Vitamin {
String name() ;
float minAmount() ; // Quantité minimum recomandée par repas
float maxAmount() ; // Quantité maximum recomandée par repas
}
Le modèle OptimJ s’écrit alors tout naturellement en fonction de ses interfaces :
// variables de décisions : quelle quantité d’aliments faut-il acheter ?
var double[Food] Buy[Food f : foods] in f.minQuantity() .. f.maxQuantity() ;
// fonction objectif : minimiser le coût
minimize
sum {Food f : foods} {f.cost() * Buy[f ] } ;
// contrainte : concevoir un menu équilibré
constraints {
forall(Vitamin v : vitamins) {
v.minAmount() <= sum {Food f : foods} {f.amount(v) * Buy[f]} ;
sum {Food f : foods} {f.amount(v) * Buy[f]} <= v.maxAmount() ;
}
}
 Modélisation orientée objet avec OptimJ 207

Comme pour une classe Java, les paramètres du modèle sont passés via un constructeur :

public DietModel(Set<Food> foods, Set<Vitamin> vitamins){. . . }

Les paramètres peuvent être construits par des API standards telles que JDBC pour accéder à une
base de données SQL, HSSF pour une feuille Excel, SAX pour un document XML, ou toute autre
API maison [4]. Il est possible de changer la source des données sans modifier le modèle.
En comparaison, les approches disponibles précédemment sont de deux types :
- API Java d’un solver : l’intégration est immédiate, mais l’expression du modèle est verbeuse et peu
intuitive.
- langage spécialisé tel que AMPLTM , GAMSTM , OPLTM : le modèle s’écrit de façon concise et
intuitive, mais l’intégration nécessite un travail de programmation lourd, ennuyeux et source de
bugs.
Par ailleurs la modélisation orientée-objet basée sur un langage répandu rend accessibles à l’expert en
optimisation les outils de développement, de productivité et de qualité du langage de base. L’expert
peut alors bénéficier par exemple de supports à l’édition (Eclipse), de documentations automatiques
(JavaDoc) ou de tests unitaires (JUnit).
Les autres langages de modélisation conçus et réalisés avec des techniques d’extension de langage
sont MSF pour les langages de la famille .NET [5] et CoJava [2].

En conclusion, écrire un modèle en OptimJ permet de réduire la part de travail liée à l’intégration
et de se concentrer sur le code à haute valeur ajoutée.

Références
1. Application Development with the CHIP System. Cosytec whitepaper (1997)
2. CoJava : a unified language for simulation and optimization. Alex Brodsky et Hadon Nash,
OOPSLA (2005)
3. Is there a future for modeling systems ? Jan J. Bisschop, GAMS Workshop (2003)
4. Object-Oriented Modeling with OptimJ. Ateji whitepaper. http ://www.ateji.com/optimj.html
(2007)
5. Microsoft Solver Foundation, http ://code.msdn.microsoft.com/solverfoundation (2008)
ParadisEO-MO : une plate-forme pour le développement
de métaheuristiques à base de solution unique

J-C. Boisson, S. Mesmoudi, L. Jourdan et E-G. Talbi

LIFL-Equipe projet INRIA DOLPHIN, INRIA Lille-Nord Europe

40 Avenue Halley - 59650 Villeneuve d’Ascq Cedex
{jean-charles.boisson, laetitia.jourdan, el-ghazali.talbi}@lifl.fr,
salma.mesmoudi@inria.fr

Mots-Clefs. Métaheuristiques, recherches locales, ParadisEO-MO, hybridation

1 Historique de ParadisEO
ParadisEO est à l’origine une plate-forme pour la conception et le déploiement de métaheuristiques
parallèles hybrides sur clusters et grilles ; fruit du travail de thèse de Sébastien Cahon [1,2]. En effet,
elle permettait la parallélisation des méthodes développées sur la plate-forme Evolving Objects (EO).
EO était une plate-forme C++ sous licence GPL (General Public Licence) dédiée à la conception
d’applications à base d’algorithmes évolutionnaires. Elle était définie comme libre de tout paradigme
et couvrant les différentes familles d’algorithmes à base de population de solutions : les algorithmes
génétiques, les stratégies évolutionnistes, la programmation évolutionnaire et génétique. La plate-
forme EO fournissait la plupart des représentations classiques ainsi que les mécanismes de variations
associés. Le but de cette plate-forme était de fournir un environnement de développement générique et
modulaire pour faire évoluer des objets pouvant avoir un indicateur de qualité. Sur ce même principe
de modularité et dans le but de faciliter le travail de l’utilisateur, ParadisEO est devenue aujourd’hui
une plate-forme dédiée au développement de métaheuristiques au sens large. Cette plate-forme est
constituée de : ParadisEO-EO qui représente la plate-forme EO originelle dédiée aux algorithmes
à base de population de solution, ParadisEO-MO dédiée aux métaheuristiques à base de solution
unique, ParadisEO-MOEO dédiée aux métaheuristiques multi-objectif et ParadisEO-PEO qui permet
de paralléliser de manière invisible pour l’utilisateur tous les algorithmes développés avec les autres
parties de ParadisEO.

2 ParadisEO-MO
Cette partie de la plate-forme ParadisEO est dédiée au développement de métaheuristiques à base
de solution unique plus communément appelées recherches locales. Appliquer une recherche locale
sur une solution donnée correspond à lui appliquer des modifications successives afin d’améliorer sa
qualité. Au sein de ParadisEO-MO, ces modifications sont vu comme des mouvements d’où les lettres
MO pour Moving Object. Quelque soit la recherche locale développée, il est toujours nécessaire de
parcourir un (ou plusieurs) voisinage(s) donné(s). Par conséquent, un ensemble de questions géné-
riques est lié à cette génération de voisinage : comment générer un voisin à partir d’une solution
courante, comment l’évaluer, comment parcourir le voisinage, quand doit-on arrêter de générer des
voisins, quel voisin doit-on choisir, . . .. ParadisEO-MO propose de construire des recherches locales en
donnant des réponses à chacune de ces questions de manière indépendante. Dans cette construction,
le travail de l’utilisateur se limite aux détails que sont dépendants du problème comme la repré-
sentation d’une solution, son évaluation, . . .. Pour tout le reste, ParadisEO-MO propose des objets
 ParadisEO-MO 209

utilisables directement. Ainsi, la version actuelle (1.1) propose quatre algorithmes qui sont : la mé-
thode par descente (Hill Climbing, objet moHC ), la Recherche Tabou (Tabu search, objet moTS),
le recuit simulé (Simulated Annealing, objet moSA) et la recherche locale itérative (Iterative Local
Search, objet moILS). Pour chacun de ces algorithmes, le tableau 1 détaille le nombre d’objet que
l’utilisateur doit implémenter quand il part de zéro ou quand il a déjà utilisé la méthode par descente
de ParadisEO-MO ainsi que le nombre d’objets génériques nécessaires à chaque algorithme.

Tab. 1. Nombre d’objets dédiés que l’utilisateur doit implémenter quand il part de zéro (NOI) ou
quand il a déjà utilisé un objet moHC (NOIHC) pour utiliser les algorithmes de ParadisEO-MO.
NOG correspond au nombre d’objets génériques utilisés.

moHC moTS moSA moILS

NOI 4 4 3 1
NOIHC 0 0 1 0
NOG 1 3 2 3

Celui-ci montre qu’après un effort de la part de l’utilisateur pour la mise en place d’une première
recherche locale, la plate-forme permet d’accéder de manière quasi-instantanée à tous les autres
recherches locales. De plus, il est possible d’utiliser une recherche locale de ParadisEO-MO dans les
algorithmes de ParadisEO-EO pour obtenir des schémas d’hybridation méta/méta dont l’hybridation
algorithmes génétiques/méthode par descente est un exemple classique. Enfin ParadisEO-MO est déjà
utilisé aussi bien sur des problèmes classiques comme le TSP que réels [3].
La version 1.1 de la plate-forme ainsi que des tutoriels pour chacun des algorithmes proposés par
celle-ci sont disponibles sur le site officiel de ParadisEO à l’adresse suivante :

http : //paradiseo.gf orge.inria.f r

La version 1.2 proposera en plus la recherche à voisinage variable (Variable Neighborhood Search) et
le Threshold accepting qui est un dérivé du recuit simulé.

Références
1. S. Cahon. ParadisEO : Une plate-forme pour la conception et le déploiement de métaheuristiques
parallèles hybrides sur clusters et grilles, PhD thesis, Université des Sciences et Technologie de
Lille, 2005.
2. S. Cahon, N. Melab and E-G. Talbi. ParadisEO : A Framework for the Reusable Design of Parallel
and Distributed Metaheuristics, Journal of Heuristics, 10(3) :357-380,2004.
3. J-C. Boisson. Modélisation et résolution par métaheuristiques coopératives : de l’atome à la sé-
quence protéique, PhD thesis, Université des Sciences et Technologie de Lille, 2008.
 Outil de visualisation d’ordonnancements

David Savourey

Lix, École Polytechnique, 91128 Palaiseau.

savourey@lix.polytechnique.fr

1 Présentation
Cet exposé aura pour but de présenter brièvement le projet “ScheViz”, initié en janvier 2008, et
développé au sein du laboratoire Lix. Il vise à fournir un outil de visualisation graphique d’ordon-
nancements divers et variés. Le public ciblé est celui de la recherche académique qui travaille souvent
sur des traces textuelles.
ScheViz est capable de modéliser un grand nombre de problèmes d’ordonnancement (pas tous quand
même). Pour citer quelques exemples, les problèmes à une machine, à machines parallèles, les pro-
blèmes d’atelier, les ressources cumulatives, les relations de précédence, les compatibilités machines/opérations,
les opérations multi-modes, etc. sont modélisables. Un problème est défini par une fonction objectif
(pas de multi-objectifs pour l’instant) et un ensemble de contraintes. Un ordonnancement est associé
à une instance, elle-même associée à un problème. Un ordonnancement est simplement défini comme
un ensemble d’exécutions. Cela permet de représenter des ordonnancements partiels ou complets,
violant ou non les contraintes du problème associé. Comme un problème est défini à partir d’une
fonction objectif et d’un ensemble de contrainte, ScheViz est capable de calculer le coût d’un or-
donnancement, et de vérifier les contraintes du problème associé à un ordonnancement. Le modèle,
agrémenté d’exemples, sera présenté plus en détail lors de la présentation.

2 Utilisabilité et fonctionnalité
Nous souhaitons que cet outil soit rapide à appréhender et qu’il puisse être utilisé sur les principaux
systèmes d’exploitation. ScheViz est développé en Java, il est documenté et sera open-source. Par
ailleurs, une interface graphique permettra une utilisation stand-alone, tandis que des appels externes
depuis un code appartenant à l’utilisateur sont également possibles.
La principale fonction de ScheViz est la visualisation graphique d’ordonnancement. Nous souhaitons
également que ScheViz soit en mesure d’exporter une visualisation dans un format utilisable dans un
document (article, présentation, poster, page web, etc.).

3 Cas d’usage envisageables

– visualisation simple d’un ordonnancement ;
– création de figures réutilisables ;
– débuggage ;
– déroulement visuel d’un algortihme ;
– etc.
On peut envisager plusieurs “aides graphiques” : faire apparaitre les violations de contraintes, faire
apparaitres les opérations en retard, faire apparaitre les différences entre deux ordonnancements, etc.
Un problème semble relativement facile à définir, une fois les fonctions objectif et les contraintes
classiques intégrées au moteur. En revanche, l’importation de données, en particulier les instances,
 Visualisation d’ordos 211

nous semble plus délicate. Nous n’avons pas fait le choix d’imposer un format aux utilisateurs. Des
primitives de lecture sont intégrées à ScheViz. Elles permettent de créer, facilement nous l’espérons,
un lecteur ad hoc aux instances à importer. Cela permet à chacun de conserver les instances sur
lesquelles il travaille.

4 Objectifs
Nous souhaitons sortir une première version le plus rapidement possible. Nous aurons ensuite besoin
de retours d’expérience afin de faire évoluer le projet. Toutes les idées sont déjà les bienvenues ! Notons
pour terminer que lors de la construction de la couche graphique de ScheViz, nous envisageons dès
maintenant la possibilité future de modifier un ordonnancement “à la souris”, ce qui soulèvera des
problèmes de réordonnancement.
 Une procédure de séparation pour le meilleur des cas
dans un ordonnancement de groupes

Guillaume Pinot

IRCCyN, 1 rue de la Noé, BP 92101, 44321 Nantes Cedex 3, France.

guillaume.pinot@irccyn.ec-nantes.fr

1 Introduction
L’ordonnancement de groupes permet d’introduire une flexibilité séquentielle importante tout en
garantissant une certaine qualité dans le pire des cas. Une évaluation du meilleur des cas d’un
ordonnancement de groupes pourrait également être utile.
[1] expose une méthode exacte pour trouver le meilleur des cas dans un ordonnancement de groupes
basée sur l’énumération des ordonnancements actifs. Cet article propose une nouvelle procédure de
séparation pour ce problème.

2 Ordonnancement de groupes
L’ordonnancement de groupes fut créé au LAAS il y a plus de 30 ans ([2,3,4]). Il est également connu
sous le nom ORABAID (ORdonnancement d’Atelier Basé sur l’AIde à la Décision) et est implémenté
dans le progiciel ORDO 1 . Cette méthode est décrite dans [5].
Un groupe d’opérations permutables est un ensemble d’opérations qui seront exécutées successive-
ment sur une même machine, dans un ordre qui n’est pas fixé à l’avance. Un ordonnancement de
groupes est défini par une séquence de groupes (d’opérations permutables) sur chaque machine. Il est
dit réalisable si toute permutation des opérations au sein de chaque groupe conduit à un ordonnance-
ment qui satisfait les contraintes du problème. Un ordonnancement de groupes définit ainsi plusieurs
ordonnancements réalisables de manière implicite.

3 Méthode exacte existante

[1] présente une borne inférieure pour la date de début (θi ) et la date de fin (χi ) d’une opération
dans un ordonnancement de groupes. Ces outils sont utilisés pour générer des bornes inférieures pour
tout objectif régulier, et plus particulièrement pour le makespan.
La méthode exacte exposée dans [1] se base sur l’énumération des ordonnancements actifs. Pour
réduire l’espace de recherche, elle utilise une condition suffisante permettant de séquencer un groupe.
La date de fin d’une opération interfère avec tout objectif régulier de deux manières :
– la date en elle-même, car la fonction objectif est une fonction des dates de fin des opérations ;
– en interférant avec les dates de fin des autres opérations, à cause des contraintes de précédences
ou de ressources.
Partant de cette constatation, une condition suffisante au séquencement d’un groupe courant complet
tout en conservant la solution optimale est proposée. Lorsque cette condition est validée, elle permet
de séquencer un groupe sans énumérer les ordonnancements actifs correspondant.
1
http://www.ordosoftware.com/
 Une procédure de séparation pour l’ordonnancement de groupes 213

4 Nouvelle procédure de séparation

Pour diminuer encore l’espace de recherche, nous proposons d’utiliser cette constatation de façon plus
efficace en l’intégrant à la procédure de séparation.
La procédure de séparation se présente alors comme un problème à une machine multiobjectif sur les
opérations du groupe à séquencer. Les solutions Pareto optimales de ce problème correspondent aux
nouveaux nœuds. Le problème est composé de n + 1 objectifs, n étant le nombre d’opérations dans
le groupe. Le premier objectif correspond à la fonction objectif sur le problème à une machine. Pour
chaque opération, un objectif est généré, correspondant à son influence sur les autres opérations.
Cette procédure de séparation est utilisable pour tout objectif régulier. Dans le pire des cas, cette pro-
cédure de séparation revient à énumérer les ordonnancements actifs. Cette procédure inclut également
la condition suffisante proposée par [1]. Ainsi, par définition, l’espace de recherche correspondant à
cette procédure de séparation sera plus petit que celui de la méthode exacte exposée dans [1].

5 Conclusion
Dans cet article, nous proposons une nouvelle méthode de séparation pour le meilleur des cas dans
un ordonnancement de groupes. Cette méthode de séparation est adaptée à tout objectif régulier.
Par définition, elle permet de diminuer l’espace de recherche par rapport à la méthode exposée dans
[1].
Pour évaluer l’efficacité de cette procédure de séparation, des expérimentations comparant la méthode
exacte de [1] et cette nouvelle procédure de séparation devront être réalisées.

Références
1. Pinot (G.), Coopération homme-machine pour l’ordonnancement sous incertitudes. Thèse de
doctorat, Université de Nantes, 2008.
2. Erschler (J.), Analyse sous contraintes et aide à la décision pour certains problèmes d’ordon-
nancement. Thèse de doctorat, Université Paul Sabatier, Toulouse, 1976.
3. Demmou (R.), Étude de familles remarquables d’ordonnancements en vue d’une aide à la décision.
Thèse de doctorat, Université Paul Sabatier, Toulouse, 1977.
4. Thomas (V.), Aide à la décision pour l’ordonnancement d’atelier en temps réel. Thèse de doctorat,
Université Paul Sabatier, Toulouse, 1980.
5. Artigues (C.), Billaut (J.-C.) et Esswein (C.), « Maximization of solution flexibility for robust
shop scheduling », European Journal of Operational Research, vol. 165, no 2, septembre 2005,
p. 314–328.
 Politique de service optimal dans une file d’attente en
temps discret avec impatiences

E. Hyon,12 and A. Jean-Marie3

1
LIP6, UPMC 4 place Jussieu, F-75252 Paris Cedex
2
Université Paris Ouest Nanterre la Défense
Emmanuel.Hyon@u-paris10.fr
3
INRIA et LIRMM, CNRS/Université Montpellier 2, 161 Rue Ada, F-34392 Montpellier
ajm@lirmm.fr

Mots-clés : Ordonnancement Optimal, Processus de Décision Markovien, Politique à seuil.

1 Introduction

On s’intéresse ici à l’ordonnancement (scheduling) optimal de clients dans une unité de traitement,
dans le cas où les clients qui attendent sont impatients (l’impatience modélise aussi des clients soumis à
des échéances). Le démarrage d’un service (set-up) aussi bien que le départ de clients avant leur service
(que nous nommerons pertes) impliquent des coûts, et il s’agit de décider quand servir les clients pour
minimiser ces coûts. Nous nous plaçons dans le cas où l’évolution du système est déterminée par des
paramètres stochastiques.
De tels modèles, aussi bien déterministes que stochastiques, ont été largement étudiés dans la litté-
rature de par leur large champ d’applications qui va des réseaux à des problèmes tels que l’allocation
de ressources ou les politiques de réservations (voir [1,4] et références incluses). Néanmoins la plupart
de ces travaux ne considère pas que les clients sont impatients, alors que c’est un phénomène non
négligeable dans certaines situations. Ainsi, le problème incluant coûts de type holding et set-up, avec
traitement par lots mais sans pertes, est résolu dans la littérature grâce à des techniques de contrôle
optimal [2]. La politique optimale est une politique à seuil. Pour ce même modèle de coûts, [3] utilise
des Processus de Décisions Markoviens (MDP) et s’attache à montrer des propriétés structurelles
de la fonction de valeur et de l’opérateur de programmation dynamique qui permettent de déduire
certaines propriétés de la politique optimale.
Dans cet article, nous reprenons le problème et la méthode pour un modèle à une seule machine et
à temps discret et nous utilisons un MDP à horizon infini et à coûts actualisés. Nous établissons les
propriétés structurelles de l’opérateur de programmation dynamique stochastique, et nous déduisons
que la politique optimale est à seuil. Par ailleurs, grâce à une analyse trajectorielle comparative de
deux politiques à seuil, nous calculons la valeur de ce seuil en fonction des paramètres du problème.

2 Le modèle de MDP

Nous considérons un modèle à temps discret dans lequel durant un intervalle de temps (slot), un
certain nombre d’arrivées aléatoires se produisent. Une fois arrivés les clients sont stockés dans une
file d’attente de taille infinie en attendant d’être admis pour traitement. La décision d’admission est
prise par un contrôleur et un seul client peut être traité à la fois. On suppose le traitement a une
durée de un slot et occasionne un coût cB . Les clients dans la file sont soumis à des impatiences
et peuvent quitter la file avec probabilité α dans chaque slot, ce qui signifie que le temps passé par
 Papier soumis à ROADEF 09 215

un client dans la file suit une loi géométrique. Une perte occasionne alors un coût cL . L’équation
d’évolution du système est donc

xn+1 = [xn − qn ]+ − Ln ([xn − qn ]+ ) + An+1 ,

où xn , qn sont respectivement le nombre de clients et la décision (dans {0, 1}) au slot n, An+1 le
nombre d’arrivées, et L(y) le nombre de pertes sachant qu’il y a y clients. Le coût instantané vaut
alors c(xn , qn ) = qn cB + α[xn − qn ]+ cL .
On cherche à calculer π ∗ définie, pour une actualisation θ ∈ [0, 1[, par
E ∞
F
∗ %
vθπ (x) = min Ex n
θ c(xn , qn ) .
{q0 ,q1 ,...}
n=0

∗
De [5], on sait que vθπ est la solution de l’équation de point fixe v(x) = minq T v(x, q) où
%
T v (x, q) = c(x, q) + θ p (y|(x, q)) v(y) ,
y∈

avec p (y|(x, q)) la probabilité d’une transition en y sachant que l’état est x et que la décision est q.

3 Propriétés structurelles et politiques à seuil

Nous montrons que la fonction T v(x, q) est sous-modulaire sur ×{0, 1} (voir définition de la sous-
modularité dans [5]) si v(x) est croissante convexe. De plus si v est croissante convexe alors la fonction
v1 définie par v1 (x) = minq T v(x, q) est aussi croissante convexe. Nous en déduisons que la politique
optimale est une politique à seuil (il est optimal de servir un client si et seulement si x dépasse une
certaine valeur). Nous comparons ensuite les trajectoires du système opérant sous deux seuils différant
d’une unité. Nous déduisons que le seuil optimal vaut 1 ou +∞, selon que le nombre cB (1 − (1 − α)θ)
est inférieur ou supérieur à cL α.

Références
1. E. Altman. Handbook of Markov Decision Processes Methods and Applications, chapter Applica-
tions of Markov Decision Processes in Communication Networks : a survey. Kluwer, 2001.
2. R.K. Deb and R.F. Serfozo. Optimal control of batch service queues. Advances in Applied Proba-
bility, 5(2) :340–361, 1973.
3. K. P. Papadaki and W.B. Powell. Exploiting structure in adaptative dynamic programming
algorithms for a stochastic batch service problem. European Journal of Operational Research,
142 :108–127, 2002.
4. J. D. Papastavrou, S. Rajagopalan, and A. J. Kleywegt. The dynamic and stochastic knapsack
problem with deadlines. Management Science, 42(12) :1706–1718, 1996.
5. M. Puterman. Markov Decision Processes Discrete Stochastic Dynamic Programming. Wiley,
2005.
 Problèmes de couverture généralisée en transport :
combinaisons d’une heuristique gloutonne et de la
génération de colonnes

J. Sadki1 , L. Alfandari1,2 , A. Plateau3 , and A. Nagih4

1
LIPN, UMR-CNRS 7030, Université Paris 13, 99 Av. J-B Clément 93430 Villetaneuse
jalila.sadki@lipn.univ-paris13.fr
2
ESSEC, Av. Bernard Hirsch B.P. 50105 95105 Cergy
alfandari@essec.fr
3
CEDRIC, CNAM, 292 Rue Saint-Martin 75141 Paris Cedex 03
aplateau@cnam.fr
4
LITA, Université Paul Verlaine-Metz, Ile du Saulcy 57045 Metz Cedex 1
anass.nagih@univ-metz.fr

1 Introduction
Le problème classique de couverture généralisée (CIP pour Covering Integer Programming) modélise
de nombreux problèmes d’optimisation industriels. Il apparaît également comme problème maître
dans d’autres problèmes plus complexes qui se prêtent à une décomposition de type Dantzig-Wolfe.
Nous nous intéressons au problème dit de couverture généralisée en transport où le problème (CIP)
est le problème maître. Nous proposons pour ce problème NP-difficile, une approche de résolution
combinant heuristique gloutonne et méthode de génération de colonnes.

2 Problème de couverture généralisée en transport (PCGT)

Le problème (PCGT) consiste à construire des plannings pour des ressources de transport (eg. lo-
comotives, avions, équipages) afin de couvrir un certain nombre de tâches (eg. trains, vols). Ces
ressources sont soumises à des contraintes de parcours de type chemin et peuvent être distinguées
par type selon leurs caractéristiques techniques. L’objectif du problème est de minimiser une fonction
de coût liée à l’utilisation des ressources. Notons K l’ensemble des types de ressources, P k l’ensemble
des plannings réalisables pour le type k ∈ K, ckp le coût associé au planning p ∈ P k et N l’ensemble
des tâches à couvrir. Nous considérons une généralisation de la notion de couverture où plusieurs
ressources peuvent être nécessaires pour couvrir une tâche. Ainsi, on munit chaque tâche i d’un poids
bi représentant le nombre d’unités requises pour sa couverture, et chaque couple formé d’une tâche
i et d’un planning p, d’un poids akip désignant le nombre d’unités de couverture de la tâche i par le
planning p.
Dans une approche de décomposition de type Dantzig-Wolfe, le problème maître obtenu est donné
par le programme linéaire en nombres entiers suivant :
& &
min ck y k
&k∈K &p∈P k pk pk
s.c k∈K
a y ≥ bi ∀i ∈ N
p∈P k ip p
ypk ∈ N ∀p ∈ P k , ∀k ∈ K
L’énumération complète des plannings réalisables (ie. l’énumération de P k ) est non envisa-
geable vu leur nombre exponentiel. Nous utilisons à cet effet la méthode de génération de
colonnes, qui consiste à résoudre ce problème maître avec un ensemble restreint de plan-
nings dont la génération est assurée par un problème auxiliaire de type plus court chemin
contraint ou non. Notre objectif est de combiner la méthode de génération de colonnes avec
une heuristique gloutonne décrite dans la section suivante.
 Combinaison d’une heuristique gloutonne et de la génération de colonnes pour (PCGT) 217

3 Notre approche de résolution

L’heuristique gloutonne de Dobson [1] à rapport d’approximation logarithmique pour le (CIP),
ck
consiste à sélectionner à chaque itération une colonne p de ratio & p k minimal, de mettre à
aip
i∈N
jour les données du problème en fonction de la colonne sélectionnée et de réitérer ce processus
jusqu’à ce que l’ensemble des colonnes sélectionnées forme une solution réalisable.
Cette heuristique est adaptée au (PCGT) au niveau de la procédure de sélection des colonnes
en choisissant des plannings de meilleurs ratios coût/couverture. Ceci revient à résoudre, pour
chaque type k ∈ K, des problèmes de plus court chemin (dans notre cas non contraints) à
objectif fractionnaire, dans des graphes Gk = (N k ∪ {sk } ∪{ tk }, Ak ) où N k est l’ensemble des
tâches associées au type k avec sk et tk respectivement la source et le puits, et Ak l’ensemble
des arcs tel que chacun d’eux modélise un enchaînement de deux tâches par le même type.
Ces problèmes sont définis comme suit :
&
ck xk
& (i,j)∈Ak ij ij
min min(ak ,bi )xk
& (i,j)∈Ak :i∈N k k ij & ij
s.c x = (j,l)∈Ak :l∈N k xkjl ∀j ∈ N k
&(i,j)∈Akk:i∈N k &ij
j∈N k xsk j = i∈N k xitk = 1
k

xij ∈ {0, 1}
k
∀(i, j) ∈ Ak
où la variable xkij vaut 1 si l’arc (i, j) ∈ Ak est sélectionné dans le planning et 0 sinon. La
résolution de ce problème fractionnaire revient à celle d’une suite de programmes linéaires
paramétrés en variables & 0-1 définis sur le même& ensemble de contraintes et dont la fonction
objectif est : z(λ) : min (i,j)∈Ak ckij xkij − λ (i,j)∈Ak :i∈N k min(akij , bi )xkij
où λ est un paramètre réel que l’on fait varier par la méthode dite de Dinkelbach [3] jusqu’à
trouver un paramètre λ0 vérifiant l’équation z(λ0 ) = 0. La solution optimale x0 = (xij )(i,j)∈Ak
ainsi obtenue est aussi solution optimale du problème fractionnaire associé [2].
Des résultats préliminaires de notre approche, basée sur l’heuristique gloutonne, montrent
qu’on obtient un bon compromis entre le temps de résolution et la qualité des solutions
obtenues. En effet, la méthode de Dinkelbach pour la résolution des problèmes fractionnaires
converge très rapidement, et les solutions engendrées sont souvent de bonne qualité comparées
à celles obtenues par une résolution exacte du modèle explicite du problème de transport
traité. Un atout supplémentaire de cette approche est la diversité des chemins composant
les solutions obtenues. Pour tirer profit des avantages de cette heuristique gloutonne et de
la méthode de génération de colonnes, deux types de combinaisons sont mises en oeuvre.
D’une part, nous adaptons cette heuristique pour la construction d’un ensemble de colonnes
diversifiées afin d’alimenter le problème maître restreint de la génération de colonnes, et
d’autre part, nous exploitons la solution continue obtenue par la génération de colonnes pour
initialiser une procédure de type multistart sur l’heuristique gloutonne. Ces deux coopérations
tendent à guider la résolution vers des solutions entières de meilleure qualité.
Références
1. G. Dobson, Worst-case analysis of greedy heuristics for integer programming with non-negative
data. Mathematics for Operations Research 7 :4 (1982) 515-531.
2. A. Nagih, G. Plateau, Problèmes fractionnaires : Tour d’horizon sur les applications et méthodes
de résolutions. RAIRO Operations Research. 33 (1999) 383-419.
3. W. Dinkelbach, On Nonlinear Fractional Programming. Management Science 13 (1967) 392-400.
 Un outil d’aide à la décision pour l’optimisation du
cantonnement de voie ferrée

J. Damay1 et H. Djellab1

SNCF I&R/GDA, 45 rue de Londres, 75008 Paris, France.

{jean.damay, housni.djellab}@sncf.fr

1 Problématique métier

Le cantonnement d’une ligne de chemin de fer est le processus qui consiste à définir la position
des signaux régulant la circulation sur les différentes voies composant la ligne. Des distances de
sécurité entre tous couples de signaux consécutifs doivent être respectées. Elles correspondent,
pour un schéma de signalisation classique, à la distance minimale d’arrêt des trains circulant
sur la voie considérée à leur vitesse maximale imposée – ces vitesses-limites, ainsi que le profil
(déclivités), varient naturellement le long de la voie. En effet, la présence d’un train sur un
canton (délimité par deux signaux) agit sur les indications portées par le signal d’entrée du
canton et le signal amont précédent, de sorte que le conducteur d’un éventuel train circulant
derrière le premier soit averti et ne pénètre pas ce canton. Si ces distances de sécurité ne
sont pas respectées, un autre type de circulation spécifique est mis en place, de manière
ponctuelle ou sur des zones spécifiques, mais ceci n’est pas à prioriser. En outre, des contraintes
d’infrastructure viennent d’une part interdire l’implantation de signaux dans des zones bien
précises (autour d’appareils de voie, dans des tunnels...) et d’autre part imposer la présence
de signaux sur d’autres zones (en amont de postes d’aiguillage, de passages à niveau...) à des
distances spécifiées par la réglementation en vigueur.
Une fois toutes ces contraintes prises en compte, il s’agit de positionner les signaux sur la voie
de manière à optimiser certains critères, tels que l’« ergonomie de conduite » ou le débit d’un
type de train circulant. Un critère unique est spécifié pour une étude donnée. Le premier de
ces deux critères est lié à l’homogénisation des temps de parcours du train sur les différents
cantons. Le second dépend de la fréquence maximale à laquelle on peut faire circuler des
trains identiques, et donc du temps de parcours sur chaque canton et du temps d’espacement
nécessaire entre deux trains. L’appel à un module de calcul de « marche » du train rend plus
précises les estimations des valeurs de ces critères.

2 Composantes Recherche

Les calculs de distance d’arrêt et les calculs de marche des trains ont fait l’objet d’activités de
recherche à part entière. Nous nous concentrons ici sur la partie optimisation de cantonnement,
à savoir le modèle mathématique et l’algorithme retenus et implémentés dans un outil logiciel
d’aide au cantonnement optimisé, déployé dans les groupes « programmes et consignes » en
signalisation des plateformes régionales d’ingénierie de la SNCF. Cet outil propose trois modes
de cantonnement : manuel, semi-automatique et automatique.
 Un outil d’aide à l’optimisation du cantonnement 219

Dans notre description du problème, les vitesses imposées aux trains sont des données d’en-
trée d’une étude. Certaines approches de la littérature ([3] [4]) tentent de les modifier pour
optimiser le débit des trains. Le choix ici a été de laisser cette possibilité à l’expert via l’in-
terface de l’outil, mais de n’intervenir dans le cadre de l’optimisation d’une étude que sur
le positionnement des signaux. Il existe quelques approches pour ce problème, citons celles
utilisant les algorithmes génétiques ([1] [2]).
Nous avons fourni une modélisation qui met clairement en évidence son caractère non li-
néaire, ce qui la rend difficilement exploitable. Des approches basées sur la programmation
par contraintes ou sur la programmation dynamique ont été proposées, mais nous avons opté
pour l’adaptation de la métaheuristique de voisinage appelée « recuit simulé », qui consiste à
parcourir l’espace des solutions de notre problème :
– en partant d’une solution initiale correspondant à un cantonnement « serré » construit de
manière itérative gloutonne ;
– grâce à un opérateur de voisinage qui consiste à répartir un pourcentage de la longueur
excédentaire du canton péjorant le plus le critère d’optimisation, sur un ou plusieurs cantons
voisins ;
– en paramétrant cet opérateur et l’acceptation de solution dégradante par un ensemble de
paramètres évoluant au fur et à mesure des itérations (la « température »).

Références
1. Mao, B., Liu, H., Liu, J., Ho, T., and Ding, Y. : Signalling Layout for Fixed-block Railway Lines
with Real-Coded Genetic Algorithms. HKIE Transactions, Vol. 13 No. 12 (2006)
2. Chang, C.S. and Du, D. : Improved optimisation method using genetic algorithms for mass transit
signalling block-layout design. IEE Proc-Electr. Power Appl., Vol. 145 No. 3 (1998)
3. Gill, D.C. and Goodman C.J. : Computer-based optimisation techniques for mass transit railway
signalling design. IEE Proc-B, Vol. 139, No. 3 (1992)
4. Landex, A. and Kaas, A.H. : Planning the most suitable travel speed for high frequency railway
lines. Proc. of the 1st International Seminar on Railway Operations Modelling and Analysis,
ISBN : 90-9019596-3, TU Delft (2005)
 Restauration d’images par coupes minimales

N. Lermé1 , L. Létocart2 et F. Malgouyres3

1
LAGA UMR CNRS 7539 et LIPN UMR CNRS 7030, Université Paris 13, 99 avenue J.B.
Clément, 93430 Villetaneuse, France.
nicolas.lerme@lipn.univ-paris13.fr,
2
LIPN UMR CNRS 7030, Université Paris 13, 99 avenue J.B. Clément, 93430 Villetaneuse, France.
lucas.letocart@lipn.univ-paris13.fr,
3
LAGA UMR CNRS 7539 et L2TI, Université Paris 13, 99 avenue J.B. Clément, 93430
Villetaneuse, France.
malgouy@math.univ-paris13.fr

1 Présentation du problème
On considère le problème de restauration d’images appliqué à des images discrètes de RN
définies sur un ensemble Ω borné où N représente la taille de l’image. La restauration d’une
image est définie comme l’estimation d’un objet u∗ à partir d’une version dégradée de l’objet
u. La dégradation est modélisée par

vk = uk + bk , ∀k ∈ {0, . . . , N − 1} (1)

où v ∈ RN est l’image dégradée, u ∈ RN est l’image idéale et b correspond à un bruit

impulsionnel de densité db indépendant et identiquement distribué (i.i.d.) ou bien à un bruit
gaussien i.i.d. de loi normale N (0, σb2 ).
L’approche par minimisation d’énergie est un cadre abstrait élégant qui se prête bien à la
modélisation du problème de restauration. À l’instar des autres problèmes de Vision par
Ordinateur (VO), ce problème est dit mal-posé (au sens de Hadamard) et est source d’insta-
bilités numériques face au bruit. L’introduction d’une connaissance a priori sur la solution
est une astuce classique qui se caractérise par l’ajout d’une contrainte supplémentaire dans la
formulation de l’énergie. La résolution de (1) consiste alors à minimiser la fonction d’énergie
% %
E(u, v) = Ep (up , vp ) + β Ep,q (up , uq ) avec β ∈ R+∗, (2)
p∈Ω {p,q}∈N
G HI J G HI J
Terme d’attache aux données Terme de régularisation

où N est un système de voisinage (4, 8 ou 16 connexités). Le premier terme mesure l’écart

entre les étiquettes up et vp au pixel p et force la solution à être proche des données initiales.
L’écart augmente avec la distance entre up et vp . Le second terme mesure le coût lorsque l’on
affecte respectivement les étiquettes up et uq aux pixels p et q voisins dans l’image u. Ce coût
augmente avec la distance entre up et uq .
La minimisation de (2) est un problème d’optimisation combinatoire NP-Difficile. Les mé-
thodes de minimisation globales classiques (recuit simulé, descente de gradient, etc.) ont
l’avantage de pouvoir minimiser n’importe quelle fonction de la forme (2) mais offrent cepen-
dant peu de garanties de convergence et d’optimalité sur la solution. En pratique, les fonctions
 Restauration d’images par coupes minimales 221

d’énergie non-convexes sont plus courantes en VO mais plus difficilement minimisables de par
l’existence de plusieurs minima locaux. Néanmoins, l’obtention d’une solution optimale en
temps polynomial est envisageable pour des classes d’énergies plus restreintes pour lesquelles
il existe d’autres techniques plus adaptées comme les graph-cuts.

2 Minimisation d’énergie par graph-cuts

Les graph-cuts sont une technique de minimisation d’énergie basée sur le calcul de coupes
minimales dans des graphes peu denses à la topologie régulière. Leur efficacité et leur poly-
valence en font un outil de choix qui a déjà fait ses preuves dans de nombreuses applications
de VO comme la reconstruction 3D ou la segmentation.
Considérons un graphe G = (V, E) orienté et pondéré où V = {1, . . . , n} ∪{ s} ∪{ t} désigne
les sommets (pixels de l’image) et E = {1, . . . , m} désigne les arcs. On désigne V − {s, t} par
V + et l’on distingue deux sommets particuliers de V où s est la source et t le puit. On scinde
l’ensemble E en deux tel que E = En ∪ Et et Et ∩ En = ∅
– Les n-links : En = {(i, j) | i, j ∈ V + et (i, j) ∈ E}
– Les t-links : Et = {(s, i) | i ∈ V + et (s, i) ∈ E} ∪ {(i, t) | i ∈ V + et (i, t) ∈ E}
Initialement décrits dans [5] en 1989, Greig et al. établissent un résultat important : ils
montrent que les graph-cuts sont capables de résoudre exactement un problème d’étiquetage
binaire en temps polynomial, en calculant une coupe minimale dans un graphe. La valeur de
la coupe correspond alors à une énergie minimum modélisée par une fonction d’énergie (2), à
une constante près. On obtient ensuite une partition du graphe en deux ensembles S, T ⊂ V
correspondant à un étiquettage optimal tel que V = S ∪ T et S ∩ T = ∅.
Oubliés pendant une dizaine d’années, les graph-cuts ont connu un essor considérable depuis
1999 avec l’apport de résultats importants dans le cas multi-étiquettes [2], [6], [7], [10] et
l’avènement d’un nouvel algorithme de flot maximum mieux adapté aux graphes à « grille » [1].
Ces nouveaux résultats ont notamment permis de caractériser plus précisément les classes
d’énergie minimisables par graph-cuts. Par exemple, Kolmogorov et al. ont montré dans le
cas binaire que ces énergies doivent respecter une condition de sous-modularité sur le terme
de régularisation [7].
Dans le cas multi-étiquettes, Ishikawa montre que la convexité de ce terme est une condition
nécessaire et suffisante pour qu’une fonction d’énergie soit minimisable par graph-cuts [6].
Dans le cas contraire, plusieurs heuristiques ont été proposées lorsque le terme Ep,q est une
métrique (α-expansion) ou une semi-métrique (α-β swap) [10], [2].

3 Schémas de minimisation des modèles T V

Récemment, [3] et [4] ont proposé de nouveaux schémas de minimisation exacts pour des
classes de fonctions d’énergies restreintes où les termes Ep et Ep,q sont des fonctions convexes.
Plus précisément, les auteurs proposent de résoudre les deux modèles
%
u∗ = minu wp,q |up − uq | +β'u − v'αLα avec α ∈ {1, 2}, (3)
p∈Ω
G HI J
V ariation T otale
222 N. Lermé, L. Létocart, F. Malgouyres

où wp,q représente le poids selon la connexité du voisinage et '.' la norme euclidienne sur RN .
L’utilisation de la variation totale (TV) comme mesure permet de lisser les zones homogènes
tout en préservant les bords nets dans la solution. Le modèle ROF ou T V + L2 (α = 2),
introduit par Rudin Osher et Fatemi en 1992 [9] est strictement convexe et entraîne une
perte de contraste dans la reconstruction. À l’opposé, le modèle T V + L1 (α = 1) proposé
par Nikolova [8], n’est pas strictement convexe mais n’entraîne pas de perte de contraste.
On dédie généralement le modèle T V + L1 au traitement du bruit impulsionnel et le modèle
T V + L2 au traitement du bruit gaussien.
Le principe décrit dans [3] et [4] est de reformuler l’énergie totale (3) en une somme d’énergies
binaires. L’objectif est alors de résoudre exactement une succession de problèmes d’optimisa-
tion en variables 0-1 par coupes minimales dont les solutions sont des ensembles de niveaux
de u∗ , le minimiseur de (3). Les auteurs proposent plusieurs algorithmes qui battent assez
largement les algorithmes existants à la fois en terme de garantie de convergence et de temps
de calcul.
Dans ce travail, un algorithme dyadique de complexité O(log2 (2d )) (où d est la profondeur
de l’image) est étudié pour la restauration d’images 2D et 3D. Dans le cas d’images 3D, la
taille des graphes générés augmente rapidement. Nous proposons donc un moyen exact de
réduire ces graphes pour réduire le temps de résolution de la coupe minimale. Le principe
est de construire partiellement le graphe en supprimant les noeuds qui constituent des zones
« homogènes » dans v. Nous présenterons les temps de calcul ainsi que quelques résultats
numériques pertinents pour des images 2D et 3D.

Références
1. Y. Boykov and V. Kolmogorov : An experimental comparison of min-cut/max-flow algorithms
for energy minimization in vision. In EMMCVPR’01, pages 359–374, Ithaca, NY, USA, 2001.
Cornell University.
2. Y. Boykov, O. Veksler, and R. Zabih : Markov random fields with efficient approximations. In
CVPR’98, page 648, Ithaca, NY, USA, 1998. Cornell University.
3. A. Chambolle : Total variation minimization and a class of binary mrf models. In EMMCVPR05,
pages 136–152, 2005.
4. J. Darbon and M. Sigelle : A fast and exact algorithm for total variation minimization. In
IbPRIA05, page I :351, 2005.
5. D. M. Greig, B. T. Porteous, and A. H. Seheult : Exact maximum a posteriori estimation for
binary images. In J. Royal Statistical Soc., 51 :271–279, 1989.
6. H. Ishikawa : Exact optimization for markov random fields with convex priors. In PAMI,
25(10) :1333–1336, Octobre 2003.
7. V. Kolmogorov and R. Zabih : What energy functions can be minimized via graph cuts ? pages
65–81, 2002.
8. M. Nikolova : Minimizers of cost-functions involving nonsmooth data-fidelity terms. Application
to the processing of outliers. In SIAM J. Numer. Anal., 40(3) :965–994, 2002.
9. L. I. Rudin, S. Osher, and E. Fatemi : Nonlinear total variation based noise removal algorithms.
In Phys. D, 60(1-4) :259–268, 1992.
10. O. Veksler : Efficient Graph-Based Energy Minimization Methods in Computer Vision. In PhD
thesis, 2005.
 Un algorithme bi-objectif pour les systèmes
d’assemblages bi-niveau avec incertitude de délais
d’approvisionnement

F. Hnaien1 X. Delorme and A.Dolgui2

1
LIMOS, UMR CNRS 6158, Institut Français de Mécanique Avancée, Campus de Clermont
Ferrand, Complexe scientifique des Cézeaux, 63173 Aubière Cedex France.
Faicel.Hnaien@ifma.fr
2
Centre Génie Industriel et Informatique (G2I), École Nationale Supérieure des Mines de Saint-
Étienne, 158, cours Fauriel, 42023 Saint-Étienne cedex 2, France.
{delorme,dolgui}@emse.fr

1 Problématique

Nous nous intéressons ici à la gestion des stocks en présence d’aléas qui est un problème
classique pour les entreprises industrielles. Différentes sources d’aléas existent le long de la
chaîne logistique notamment la demande en produit fini et les délais d’approvisionnement en
composants. Les modèles qui prennent en compte la variabilité des délais d’approvisionnement
sont rares. Pourtant, ces délais sont rarement constants, différents évenements plus au moins
prévisibles le long de la chaîne logistique peuvent causer des perturbations (panne de machine,
problème de transport, qualité,...). Les études se limitent soit au problème de planification des
systèmes d’assemblage à un seul niveau (en ne tenant pas compte de l’interdépendance entre
les niveaux), soit au problème de planification des chaînes logistiques dont la nomenclature
des produits finis est à structure linéaire à plusieurs niveaux (en ne tenant pas compte de
l’interdépendance entre les délais des composants nécessaires pour l’assemblage d’un même
type de produit). Sur ces problèmes, nous pouvons citer respectivement les travaux de [1], [2],
et ceux de [3] et [4].

Dans nos récents travaux [5], nous nous sommes intéressés à la planification des réapprovi-
sionnements d’un système d’assemblage bi-niveaux en prenant en compte les aléas des délais
d’approvisionnements. Notre objectif était de minimiser les coûts de stockage des composants
et les coûts de rupture en produits finis par un algorithme génétique mono-objectif. Cepen-
dant, il est souvent, en pratique, difficile de mesurer le coût de rupture unitaire. Ainsi, nous
considérons ici un niveau de service. Notre étude porte sur l’assemblage d’un seul type de
produit fini et nous supposons que sa demande et sa date de livraison sont connues. Nous
supposons aussi que le délai d’approvisionnement de chaque type de composants à chaque
niveau est une variable aléatoire discrète qui suit une loi quelconque, cette loi étant supposée
connue d’avance. L’objectif est donc de trouver un compromis entre les coûts de stockage des
composants et le niveau de service.
224 Hnaien, F., Délorme, X., Dolgui, A.

2 Optimisation multi-objectif par un algorithme NSGA-II

Le but de notre étude est donc la résolution d’un problème d’optimisation bi-objectif (mi-
nimiser le coût de stockage et maximiser le niveau de service). Nous proposons ici un algo-
rithme génétique multi-objectif pour obtenir une approximation de l’ensemble des compromis
efficaces. Cet algorithme reprend le schéma de base de NSGA-II (A Fast and Elitist Muti-
objective Gentic Algorithm, proposé par [6]).

L’algorithme NSGA-II proposé commence par la création d’une population initiale. Ensuite,
à partir des parents Pi de la génération i, il utilise les opérateurs de reproduction (croisement
et mutation) pour créer les descendants Di . Ensuite les populations Pi et Di sont réunies dans
le même ensemble Ui . La population suivante Pi+1 est crée à partir des n premiers fronts de
telle sorte que le nombre d’individus contenus dans ces n premiers fronts soit inférieur ou égal
a N . Cette population Pi+1 est alors complétée par les meilleurs individus du front n + 1 au
sens de la distance de Crowding.

Les premiers tests effectués montrent l’éfficacité de l’algorithme proposé pour différentes tailles
de problèmes et l’algorithme converge dans un temps de calcul raisonnable. Les résultats sont
comparés à ceux obtenus en utilisant un algorithme mono-objectif et permettent d’identifier
un ensemble des compromis d’un point de vue théorique. Enfin, nous comptons de comparer
notre algorithme avec une autre méthode d’optimisation multi-objectif telle que l’algorithme
SPEA2 (Improving the Strength Pareto Evolutionary Algorithm, proposée par [7]), et aussi
étendre l’étude pour le cas des systèmes d’assemblage á plus de deux niveaux.

Références
1. Chu, C., Proth, J.M., Xie, X. : Supply management in assembly systems. Naval Research Logistics,
40, 933-949 (1993)
2. Ould Louly, M.-A., Dolgui, A., Hnaien, F. : Optimal Supply Planning in MRP Environments
for Assembly Systems with Random Component Procurement Times. International Journal of
Production Research, 46(19), 5441-5467 (2008)
3. Hnaien, F., Dolgui, A., Marian, H., Ould Louly M.-A. : Planning order release dates for multilevel
linear supply chain with random lead times, Systems Science, 31, 19-25 (2007)
4. Yano, C.A. : Setting planned leadtimes in serial production systems with tardiness costs. Mana-
gement Science, 33, 95-106 (1987)
5. Hnaien, F., Delorme, X., Dolgui, A. : Genetic algorithm for supply planning in two-level assembly
systems with random lead times, Engineering Applications of Artificial Intelligence, (accepted)
(2008)
6. Deb, K., Pratap A., Agarwal S., Meyarivan T. : A fast and elitist multi-objective genetic algorithm :
NSGA-II. IEEE Transactions on Evolutionary Computation, 6(2), 182-197 (2002)
7. Zitzler, E., Laumanns,M. Thiele,L. : SPEA2 : Improving the Strength Pareto Evolutionary Al-
gorithm for Multiobjective Optimization in Evolutionary Methods for Design, Optimisation, and
Control, pp. 19-26 (2002)
 Planification stratégique d’un réseau logistique
international

M. Suon1,2 , N. Grangeon,1, S. Norre,1 , and O. Gourguechon,2

1
LIMOS, CNRS UMR 6158, IUT de Montluçon
Av. Aristide Briand, 03100 Montluçon
grangeon@isima.fr, norre@moniut.univ-bpclermont.fr
2
PSA Peugeot Citroën, 57 avenue du Général Leclerc, 25600 Sochaux
mederic.suon@mpsa.com, olivier.gourguechon@mpsa.com

1 Présentation du problème

Dans cet article, nous nous intéressons à un problème de planification stratégique d’un ré-
seau logistique dans le cas de l’industrie automobile. Nous considérons un réseau logistique
constitué de zones de commercialisation (ZC) où sont vendus différents types de véhicules (re-
groupés en familles de véhicules), de zones de production (ZP) où les véhicules sont assemblés
à partir de différents types de pièces (regroupés en familles de pièces) et de zone d’approvi-
sionnement (ZA) où sont achetées les pièces. Ces zones peuvent être reliées entre elles par
des routes d’approvisionnement (entre une ZA et une ZP) et par des routes de distribution
(entre une ZP et une ZC). Sur les ZP, différentes technologies de production peuvent être
disponibles pour réaliser les activités de production nécessaires à la fabrication des familles
de véhicules.
L’objectif est de définir, pour une période donnée, les quantités de familles de véhicules pro-
duites sur chaque ZP et les quantités de familles de pièces achetées sur chaque ZA - ce qui
revient à définir les quantités de familles de pièces transportées sur les routes d’approvision-
nement et les quantités de familles de véhicules transportées sur les routes de distribution -
en minimisant le coût d’exploitation du réseau logistique tout en respectant les contraintes
suivantes :
– Pour chaque ZA et chaque famille de pièces, les capacités minimum et maximum d’appro-
visionnement doivent être respectées,
– Pour chaque technologie de production et chaque ZP, les capacités minimum et maximum
de production doivent être respectées,
– Pour chaque ZC et chaque famille de véhicules, la demande prévisionnelle doit être satisfaite,
– Pour chaque ZP et chaque famille de véhicule, les quantités de familles de pièces appro-
visionnées et les quantités de familles de véhicules produites doivent respecter les liens de
nomenclature.
Le coût d’exploitation du réseau logistique intègre :
– les coûts d’achat des familles de pièces auprès des ZA,
– les coûts de transport d’approvisionnement,
– les coûts de production qui englobent à la fois les coûts liés à la main d’oeuvre et ceux liés
à l’amortissement de l’installation des technologies de production,
– les coûts de transport de distribution.
226 Gourguechon, Grangeon, Norre, Suon

Le cadre de l’étude étant international, une spécificité du problème est l’intégration de la

douane dans le coût de transport. Ce coût de douane, qui est généralement modélisé comme
fixe pour un produit (famille de pièces ou famille de véhicules) dans la littérature, est calculé,
dans notre cas, à partir de la valeur en douane des produits à la frontière et du taux de douane.
De plus, cette valeur en douane est fonction du prix de revient de fabrication intégrant les
frais d’amortissement qui dépendent des quantités de production.
Le problème de planification étudié est donc un problème monopériode, multi-niveau, multi-
produit avec nomenclature, dans un contexte international et intégrant une économie d’échelle
en production.

2 Approche proposée
Dans un premier temps, nous nous sommes attachés à construire le modèle de connaissance
du système étudié. Une part importante de ce travail a concerné la définition du coût d’exploi-
tation du réseau logistique qui, en raison des spécificités expliquées ci-dessus, est non-linéaire.
Nous nous sommes ensuite intéressés à la résolution du problème de planification. La première
partie de ce travail a concerné l’étude du problème en considérant que le prix de revient de
fabrication est estimé a priori. Cette hypothèse simplificatrice permet de se ramener à un
modèle linéaire, proche de ceux rencontrés dans la littérature [1], [3]. Ce modèle a permis de
proposer une borne inférieure.
L’étude du problème dans son intégralité a conduit à la proposition de plusieurs systèmes de
voisinage implantés dans des metaheuristiques à base de recuit simulé [2]
Enfin, des tests sont en cours sur une instance industrielle et sur différentes instances générées
en accord avec les spécificités du problème industriel.

Références
1. Arntzen B. C., Brown G. G., Harrison T. P., Trafton L. L., "Global supply chain management at
Digital Equipment Corporation". Interfaces, 25, pp. 69 - 93, 1995.
2. Jayaraman V.,Ross A. "A simulated annealing methodology to distribution network design and
management”, European Journal Of Operational Research, 144, 629-645, 2003
3. Fleischmann B., Feber S., Henrich, P., "Strategic Planning of BMW’s Global Production Network",
Interfaces, 36, pp. 194- 208, 2006.
 Comparaison de trois heuristiques pour la planification
stratégique de réseaux logistiques

P.N. Thanh1 , N. Bostel2 , and O. Péton1

1
IRCCyN, Ecole des Mines de Nantes, 4, rue Alfred Kastler, 44307 Nantes, France.
Phuong-Nga.Thanh@emn.fr, olivier.peton@emn.fr
2
IRCCyN, IUT de Saint-Nazaire, 58 rue Michel Ange, 44606 Saint-Nazaire, France.
Nathalie.Bostel@univ-nantes.fr

Nous présentons trois méthodes heuristiques de résolution d’un problème de conception et

de planification stratégique de la chaîne logistique. L’objectif est de planifier l’évolution phy-
sique de la chaîne logistique et des flux sur un horizon stratégique de plusieurs années. Nous
décrivons un modèle mathématique de programmation linéaire en variables mixtes (MILP).
Les variables de décision concernent la localisation de sites, l’ouverture, la fermeture ou l’ex-
tension de ces sites ainsi que les flux physiques le long de la chaîne logistique. L’objectif est
de définir une structure optimale du réseau logistique sur la globalité de l’horizon considéré.
Notre travail porte essentiellement sur les aspects stratégiques. Quelques aspects tactiques,
comme les stocks saisonniers et cycliques, sont pris en compte [1].
Les trois méthodes heuristiques présentées visent à obtenir des résultats quasi-optimaux en
un temps de calcul acceptable. Pour évaluer ces méthodes, nous avons généré un ensemble de
450 instances de test, divisées en 15 familles. Les résultats sont comparés à ceux obtenus par
le solveur Xpress-MP.
L’heuristique 1 est basée sur la relaxation linéaire et des règles d’arrondi pour recouvrer une
solution réalisable. Elle repose sur les résolutions successives de la relaxation continue du
MILP d’origine, en fixant 0 ou 1 les variables de décision proche de 0 ou 1 dans la solution du
problème relaxé. La mise en œuvre de cette heuristique nécessite quelques règles pour arrondir
les valeurs à 0 ou 1, et également pour corriger les solutions non réalisables engendrées par
la relaxation. L’heuristique s’arrête lorsque plus aucun arrondi n’est réalisable, il ne reste
qu’à résoudre par un solveur le MILP résiduel. Cette méthode permet en moyenne un gain
de temps appréciable par rapport au solveur. Néanmoins, quelques instances de grande taille
ne peuvent être résolues dans le temps imparti car le MILP résiduel reste intrinsèquement
difficile.
L’heuristique 2 utilise la programmation D.C. (Difference of Convex functions) et l’algorithme
D.C.A [2] comme une méthode de recherche locale efficace pour fournir de bonnes bornes
supérieures. Cette méthode apporte des progrès notables par rapport à la précédente. Tout
d’abord, une solution est obtenue pour l’ensemble des instances. Le gain de temps par rapport
au solveur est impressionnant (jusqu’à 20 fois plus rapide). Les solutions obtenues sont en
moyenne très proches de celles obtenues avec le solveur, parfois mêmes meilleures dans le cas où
le solveur a été arrêté après trois heures de calcul. Malheureusement, pour certaines instances
nous obtenons un saut d’optimalité jugé trop important, ce qui nous amène à rechercher une
méthode plus robuste.
Dans l’heuristique 3, la relaxation linéaire est remplacée par une relaxation Lagrangienne.
Cette méthode s’inspire des travaux de Hinojosa et al. pour un problème voisin [3]. Nous
relaxons 4 groupes de contraintes sur les 26 que comporte le modèle mathématique. Nous
228 Thanh, Bostel, Péton

procédons à une décomposition par niveau de nomenclature, puis par site, puis par période.
À chaque étape, une borne inférieure peut être calculée par inspection, une borne supérieure
est fournie par l’algorithme D.C.A. Cette heuristique permet d’obtenir à coup sûr une solution
de très bonne qualité pour l’ensemble des instances. Le seul bémol vient du temps de calcul,
plus long que pour l’heuristique 2.
Nous présenterons une comparaison détaillée des résultats numériques, qui montrent que
chaque méthode convient à un certain type d’instances [4]. Nous énonçons finalement les
pistes d’améliorations et les perspectives de recherche à l’issue de ce travail.

Références
1. Thanh P.N., N. Bostel and O. Péton, A dynamic model for facility location in the design of
complex supply chains, International Journal of Production Economics, 113(2) 678–693. (2008)
2. Le Thi H.A. and T. Pham Dinh, A continuous approach for the concave cost supply problem via
DC programming and DCA, Discrete Applied Mathematics, 156(3), 325–338. (2008)
3. Hinojosa Y., J. Kalcsics, S. Nickel, J. Puerto and S. Velten, Dynamic supply chain design with
inventory, Computers and Operations Research, 35, 373–391. (2008)
4. Thanh P.N., Conception et planification stratégique des réseaux logistiques, Thèse de doctorat
de l’Université de Nantes (2008).
 Une généralisation du problème du cycle Hamiltonien.

V. Jost,1 and G. Naves2

1
LIX, École Polytechnique, 91128 Palaiseau France.
vincent.jost@lix.polytechnique.fr
2
G-SCOP, 46, avenue Félix Viallet, 38031 Grenoble Cedex France.
guyslain.naves@g-scop.fr

1 Hamiltonicité

Soit G un graphe non-orienté connexe. Un tour de G est une marche fermée de G passant
par chaque sommet. On appelle cycle Hamiltonien ou tour Hamiltonien un tour de G passant
par chaque sommet une et une seule fois. Un graphe possèdant un cycle hamiltonien est dit
Hamiltonien.
Un ensemble éclatant d’un graphe G est un ensemble U ⊆ V (G) de sommets tels que le
nombre de composantes de G − U est supérieur à la cardinalité de U . Autrement dit, si c
est la fonction qui à un ensemble de sommets associe le nombre de composantes connexes
de son complémentaire, c(U ) − |U | > 0. Remarquons qu’un graphe admettant un ensemble
|U|
éclatant ne peut pas être Hamiltonien. Un graphe est dit k-tough si min∅)=U⊂V c(U) ≥ k. Les
graphes sans ensemble éclatant sont exactement les graphes 1-tough. La Figure 1 présente
deux graphes non-Hamiltoniens et sans ensemble éclatant. Notons que calculer la toughness
d’un graphe ou décider l’existence d’un ensemble éclatant sont des problèmes NP-difficiles.

Fig. 1. Deux graphes non-Hamiltonien et ne possédant pas d’ensemble éclatant.

La question de trouver des classes de graphes qui vérifient que tout graphe k-tough dans la
classe est Hamiltonien est un problème classique de théorie des graphes, en particulier dans le
cas k = 1. L’un des principaux résultats dans ce sens est que les graphes de co-comparabilité
1-tough sont Hamiltoniens (Deogun, Kratsch, Steiner)[1].
230 Jost, Naves

2 Plus court tour visitant chaque sommet

La version graphique du problème du voyageur de commerce consiste à trouver un plus petit
tour dans un graphe quelconque. Une solution peut passer plusieurs fois par le même sommet,
contrairement au problème du cycle Hamiltonien. On appelle tour graphique un tel tour. De
nouveau se pose la question de savoir si les ensembles éclatants peuvent certifier la non-
existence de bonnes solutions.
On considère le problème avec une fonction de poids sur les sommets, qui est une restriction
du cas général, dans lequel les poids sont sur les arêtes. La longueur d’un tour est alors la
somme sur tous les sommets du poids multiplié par le nombre de passages par le sommet.
Pour tout ensemble éclatant U , on sait que n’importe quel tour doit passer c(U ) fois par U
au minimum. On pose donc le programme linéaire suivant, et % son dual :
min wx s.t. (P) max yU c(U ) s.t. (D)
x(U ) ≥ c(U ) (U ⊆ V ) %
U⊆V

yU = wv (x ∈ V )
U∋v

Il n’y a pas nécessairement égalité entre l’optimum de ce polyèdre et le tour graphique mi-
nimum, par exemple les graphes présenté Figure 1 ne sont pas Hamiltoniens, et acceptent
pourtant le vecteur constamment égal à 1 comme solution minimale de (P) (puisqu’ils n’ont
pas d’ensemble éclatant).
La version duale est en fait packing d’ensembles éclatants. On s’intéresse au problème consis-
tant à trouver des classes de graphes pour lesquelles les optima des deux programmes précé-
dents ont même valeur que la longueur minimum d’un tour graphique. En particulier, si w
est constamment égal à 1, on démontre le résulat suivant :

Theorem 1. Soit G un graphe d’intervalle connexe. La&longueur du plus court tour passant
au moins une fois par chaque sommet est égale à maxP U∈P c(U ), où P décrit les partitions
de V (G).

Et dans le cas d’une fonction de poids plus générale :

Theorem 2. Soit G un cographe, et soit w : V (G) → N une fonction de poids. Alors la

longueur du plus court tour passant par chaque sommet est égale au maximum de (D).

Enfin, on appelle chaise le graphe à 5 sommets obtenu en ajoutant un sommet de degré 1

adjacent à un sommet de degré 1 de la griffe K1,3 .

Theorem 3. Si G est un graphe sans chaise induite, alors le systême d’inéquations (P) est
TDI.

3 Perspectives
On espère pouvoir généraliser le résultat des graphes d’intervalles pour le cas pondéré. D’autres
classes de graphes plus générales pourraient aussi avoir ces propriétés, en particulier les
graphes de co-comparabilité. La classe des graphes sans triplet astéroïdal généralise la classe
des graphes de co-comparabilité. Un triplet astéroïdal est un triplet (u, v, w) de sommets d’un
 Une généralisation du problème du cycle Hamiltonien. 231

graphe, tel que pour toute paire de sommets parmi ces trois, il existe un chemin joignant cette
paire qui n’intersecte pas le voisinage du troisième sommet. On ose entre autres la conjecture
suivante :
Conjecture 1. Tout graphe sans triplet astéroïdal 1-tough est Hamiltonien.

Références
1. Deogun, J.S., Kratsch, D., Steiner, G. : 1-tough cocmoparability graphs are hamiltonian. Discrete
Mathematics, Vol. 170, No. 1-3, pp.99-106, (1997)
 Détermination des k arêtes les plus vitales pour le
problème de l’arbre couvrant minimal

C. Bazgan, S. Toubaline, and D. Vanderpooten

Université Paris-Dauphine, LAMSADE, Place du Maréchal de Lattre de Tassigny,

75775 Paris Cedex 16, France.
Cristina.Bazgan, Sonia.Toubaline, Daniel.Vanderpooten@dauphine.fr

Dans de nombreux contextes, il est parfois utile d’appréhender la vulnérabilité d’un réseau de
communication en identifiant les infrastructures critiques. Nous entendons par infrastructure
critique, un ensemble de liens dont la défaillance engendre la plus grande augmentation du
coût associé à ce réseau. En modélisant ce réseau par un graphe pondéré, l’identification des
infrastructures critiques revient à déterminer un ensemble d’arêtes dont la suppression per-
turbe le plus possible une propriété particulière du graphe. Ce type de problème est référencé
dans la littérature sous le nom de k Most Vital Edges. Nous nous intéressons à ce pro-
blème dans le cas particulier de l’arbre couvrant de valeur minimale (MST), problème appelé
dans la suite k Most Vital Edges MST. Il s’agit alors de déterminer un sous ensemble
de k arêtes dont la suppression engendre la plus grande augmentation de valeur d’un arbre
couvrant minimal dans le graphe partiel correspondant.
Soit G = (V, E) un graphe pondéré, non orienté, connexe où |V | = n et |E| = m. Le problème
k Most Vital Edges MST consiste à trouver un sous ensemble d’arêtes S ∗ ⊆ E avec
|S ∗ | = k qui maximise la valeur de l’arbre couvrant minimal dans le graphe G(V, E − S ∗ ).
Frederickson et al. [1] montrent que ce problème est NP-difficile et proposent une log k-
approximation. Shen [5] présente un algorithme approché aléatoire à 2 près. Pour k fixé, le
problème est évidemment polynomial. Le problème de l’arête la plus vitale (k = 1) a été
largement étudié dans la littérature. Le meilleur algorithme déterministe connu à ce jour
est en O(m log α(m, n)) [2,4], où α est l’inverse de la fonction d’Ackermann. Pour k ≥ 2,
plusieurs algorithmes exacts fondés sur l’énumération explicite de toutes les solutions pos-
sibles ont été proposés. Le meilleur est celui proposé par Liang [3], dont la complexité est en
O(nk α((k + 1)(n − 1), n)). En utilisant le résultat plus récent de Pettie [4], cette borne devient
O(nk log α((k + 1)(n − 1), n)).
Nous proposons, pour résoudre le problème k Most Vital Edges MST, un nouvel al-
gorithme exact, également fondé sur une énumération explicite des solutions possibles. Sa
complexité, en O(nk log α(2(n − 1), n)), est théoriquement légèrement inférieure à celle de
l’algorithme proposé par Liang [3]. Néanmoins, compte tenu du fait que α(m, n) est toujours
en pratique inférieur à 4, la complexité des deux algorithmes peut être considérée comme
équivalente. En revanche, le grand intérêt de notre algorithme est que, à la différence des al-
gorithmes précédemment proposés, il peut facilement être adapté pour établir un algorithme
exact d’énumération implicite selon le schéma d’une procédure par séparation et évaluation.
Pour ce faire, nous utilisons une borne supérieure fondée sur la résolution approchée d’un
problème de sac à dos. Nous exploitons également une borne inférieure construite en éten-
dant la forêt, correspondant au noeud d’exploration considéré, en un arbre couvrant minimal
particulier.
 k Most Vital Edges(Nodes) 233

Nous avons implémenté et testé ces deux algorithmes en utilisant, pour l’algorithme d’énu-
mération implicite, différentes stratégies de séparation et évaluation. Les résultats montrent
que ce dernier est beaucoup plus rapide que l’algorithme d’énumération explicite et que son
utilisation de l’espace mémoire permet de traiter des instances de taille sensiblement plus
grande.
En conclusion, nous discutons quelques variantes et extensions du problème k Most Vital
Edges MST notamment la variante où les éléments vitaux sont les sommets et non pas les
arêtes.

Références
1. Frederickson, G.N. and Solis-Oba, R. : Increasing the weight of minimum spanning trees, Procee-
dings of the seventh Annual ACM-SIAM Symposium on Discrete Algorithms, 539-546, (1996).
2. Iwano, K. and Katoh, N. : Efficient algorithms for finding the most vital edge of a minimum
spanning tree, Information Processing Letters, 48 : 211-213, (1993).
3. Liang, W. : Finding the k most vital edges with respect to minimum spanning trees for fixed k,
Discrete Applied Mathematics, 113 : 319-327, (2001).
4. Pettie, S. : Sensitivity Analysis of Minimum Spanning Tree in Sub-Inverse-Ackermann Time,
Proceeding of 16th international symposium, ISAAC 2005, Sanya, Hainan, China , 964-973, (2005).
5. Shen, H. : Finding the k most vital edges with respect to minimum spanning tree, Acta Informatica,
36 : 405-424, (1999).
ACPMArbre Couvrant de Poids Minimum
 Un algorithme générique pour le calcul d’arbres
couvrants sous contraintes

J. Brongniart, C. Dhaenens, and El.G Talbi

INRIA Lille-Nord Europe, 59650 Villeneuve d’Ascq - France

jerome.brongniart@lifl.fr

1 Problématique
Soit un graphe G = {E, V, C}, où C associe un coût à chaque arête de G. Un arbre couvrant
de G est un sous-graphe acyclique et connexe. Parmi l’ensemble des arbres couvrants
& de G, l’
ACPM est un arbre couvrant minimisant la somme des coûts de ses arêtes ( e∈T C(e)). Le
calcul d’un tel arbre couvrant est très facilement résoluble par un algorithme glouton tel que
celui de Kruskal [3].
Mais les problèmes réels se traduisent souvent par des problèmes d’ACPM contraints, où
des restrictions supplémentaires doivent être considérées. La plupart de ces contraintes ad-
ditionnelles transforment les problèmes résultants en problèmes -difficiles et rendent délicate
l’évaluation de la faisabilité d’une solution. Ce travail présente un algorithme dynamique per-
mettant de calculer un voisinage générique prenant en compte les contraintes additionnelles.

2 Échange d’arête et arbre couvrant

La figure 1(a) donne un exemple d’arbre couvrant T de G, où les arêtes épaisses sont les
arêtes de l’arbre et les arêtes fines les arêtes du reste du graphe. Une restriction possible,
utilisée pour les problèmes de réseaux d’accès, peut être la mesure du diamètre de l’arbre,
correspondant au plus long chemin dans T (l’un de ces plus long chemins est représenté par
des arêtes hachurées).

(a) Un arbre couvrant (b) Arêtes de remplace-

ment pour {2, 4}

Fig. 1. Échange d’arêtes et arbre couvrant sous contraintes

La figure 1(b) illustre le voisinage étudié. Le retrait de l’arête {2, 4} déconnecte l’arbre en
deux composantes {1, 2, 3, 5} et {4, 6, 7, 8}. Seules les arêtes appartenant à la coupe formée par
 Un algorithme générique pour le calcul d’arbres couvrants sous contraintes 235

ces deux composantes peuvent reconstruire un arbre valide, et définissent donc un voisinage
valide pour {2, 4}. Ces arêtes sont représentées sur la figure par des hachures et sont appelées
arêtes de remplacement. Si une contrainte est ajoutée au problème, seule une petite partie
de ces arêtes de remplacement peuvent conduire à une solution réalisable. En supposant une
contrainte de diamètre de 4, les seules arêtes de remplacement possible pour l’arête {2, 4}
sont les arêtes {2, 7} et {5, 7}.
Calculer la valeur des contraintes (par exemple, le diamètre) de l’arbre formé par l’échange
de deux arêtes peut nécessiter un calcul très lourd (O(|V |) pour le diamètre), rendant l’ex-
ploration des voisinages extrêmement coûteux (O(|V |2 |E|) dans le cas du diamètre [1]).

3 Calcul des arêtes de remplacement

Ce voisinage par remplacement est le plus simple et le plus générique pour les problèmes
d’ACPM sous contraintes. Cependant, les méthodes actuelles doivent explorer l’ensemble E
pour distinguer les arêtes d’une coupe, ce qui entraîne un parcours du voisinage en O(|E||V |),
en plus de la vérification des contraintes.
Nous proposons d’employer une nouvelle méthode dynamique pour le calcul de ce voisinage.
Nous avons conçu cet algorithme pour le problème dynamique de l’ACPM, où l’ACPM doit
être mis à jour pendant des changements au niveau du graphe (càd. ajout, retrait ou chan-
gement du coût d’une arête). Cet algorithme permet de trouver le meilleur échange pour
le cas sans contrainte en O(|V | ∗ log(|V |)) chaque fois que le ACPM change. De plus, cette
méthode s’appuie sur une structure originalement employée [2] pour mettre à jour sur des
arbres des mesures telles que d’excentricité en O(log(|V |)). Grâce au cela, l’ensemble des
arêtes de la coupe et les informations nécessaires pour la vérifications des contraintes peuvent
être trouvées en O(|V | log(|V |)).

4 Applications

Dans ce travail, nous présenterons des applications de cet algorithme aux contraintes de flot
et de diamètre, classiques dans le domaines des télécommunications, pour mettre en valeur
la généricité de cette méthodes par rapport aux contraintes qu’elle permet de prendre en
compte. Ainsi, nous étudierons plusieurs méthodes de résolutions, exactes ou heuristiques,
montrant la généricité du voisinage choisi.

Références
1. Ayman Abdalla and Narsingh Deo. Random-tree diameter and the diameter-constrained mst.
International Journal of Computer Mathematics, 79 :651–663, 2002.
2. Stephen Alstrup, Jacob Holm, Kristian De Lichtenberg, and Mikkel Thorup. Maintaining diame-
ter, center, and median of fully-dynamic trees with top trees. Unpublished, 2003.
3. Joseph B Kruskal. On the shortest spanning subtree of a graph and the traveling salesman
problem. Proceedings of the American Mathematical Society, 7 :48–50, 1956.
 Heuristique pour la résolution des problèmes
d’ordonnancement de type FlowShop avec blocage RCb

C. Sauvey,1 and N. Sauer2

1
LGIPM, Université Paul Verlaine-Metz, Ile du Saulcy, 57045 Metz Cedex France.
sauvey@univ-metz.fr
2
LGIPM, Université Paul Verlaine-Metz, INRIA Nancy-Grand Est Metz, France.
sauer@univ-metz.fr

1 Introduction
Dans ce travail, nous étudions des problèmes d’ordonnancement de type flow-shop, caracté-
risés par un ensemble de jobs comportant un enchaînement identique d’opérations sur diffé-
rentes machines. Ces problèmes sont largement répandus dans l’industrie et leur résolution
rapide représente un enjeu stratégique de taille en vue de la réduction des coûts de produc-
tion. Même s’il est possible et utile de donner des solutions de bonne qualité à ces problèmes
avec des méta-heuristiques [1][2], leur résolution avec des heuristiques présente un intérêt im-
médiat, car elles sont obtenues avec des temps de calcul très courts et servent de point de
départ à une résolution plus complexe [3].
Nous nous intéressons à la minimisation du makespan d’un flowshop avec un blocage parti-
culier que l’on rencontre dans certaines situations industrielles [4]. Lors d’un blocage de type
RCb [5], le job bloque une machine jusqu’à ce que son traitement sur la machine suivante soit
terminé et qu’il quitte cette machine (Fig.1). La complexité du problème d’ordonnancement
d’un flowshop avec blocage RCb a été prouvée polynomiale pour 3 machines et NP-Difficile à
partir de 5 machines [6]. Il a été résolu avec un recuit simulé [4] et une métaheuristique basée
sur "Electromagnétism-like method" [7].

temps
M1 Ji Jj Jk Temps de blocage

M2 Ji Jj Jk Temps mort

M3 Ji Jj Jk Temps de blocage
différentiel « avant »
M4 Ji Jj Jk Temps de blocage
différentiel « après »

Fig. 1. Problème à 4 machines avec blocage particulier RC.

Par rapport aux problèmes d’ordonnancement de flowshop classiques, le blocage RCb implique
un temps de blocage supplémentaire, que nous avons défini comme temps de blocage diffé-
rentiel. En fonction du fait que ce temps de blocage apparaisse avant ou après la réalisation
du job sur une machine, nous parlerons de temps de blocage différentiel "avant" ou "après".
 Heuristique pour les problèmes de type FlowShop avec blocage RCb. 237

Ainsi, sur l’exemple de la figure 1, le job Jj sur M2 induit un temps de blocage différentiel
"avant" sur M1 dû à une durée de Jj sur M1 inférieure à celle de Ji sur M3 . De même, le job
Jj sur M2 induit un temps de blocage différentiel "après" sur M3 dû à une durée de Jj sur
M2 supérieure à celle de Ji sur M4 .
L’heuristique proposée construit une solution en plaçant, parmi les jobs non encore placés,
celui qui présente le moins de temps de blocage différentiel avec la solution partielle existante.
Une séquence débutant par chacun des jobs est construite et la meilleure des séquences est
choisie pour l’étape suivante. Ensuite, on procède à une amélioration locale. Le job qui, dans
cette séquence, présente le temps de blocage différentiel le plus élevé, est permuté avec tous
les autres jobs de la séquence et la meilleure solution est retenue. On continue tant que les
permutations améliorent le makespan.
Le tableau 1 compare les résultats de cette heuristique (HCS2) à ceux donnés par MNEH
[4]. Les résultats obtenus sont du même ordre de grandeur. HCS2 devient plus performante à
mesure que le nombre de jobs à ordonnancer augmente.

Tab. 1. Comparaison des résultats des heuristiques MNEH et HCS2

Jobs 5 5 5 10 10 10 20 20 20 50 50 50
Machines 5 10 20 5 10 20 5 10 20 5 10 20
MNEH 0.99 0.69 0.38 2.64 2.38 2.61 9.19 14.73 16.29 9.48 19.45 24.71
HCS2 0.66 0.77 0.61 1.64 2.7 2.95 7.47 16.17 21.17 6.82 16.82 23.51

2 Conclusion

En nous appuyant sur la définition du blocage différentiel, nous avons proposé une heuris-
tique efficace dédiée aux problèmes d’ordonnancement de flowshop avec blocage RCb. Dans
la suite, nous allons considérer cette heuristique comme point de départ d’une optimisation
plus poussée avec des méta-heuristiques du type algorithmes génétiques, par exemple. Nous
travaillerons également au développement d’autres heuristiques pour résoudre les mêmes pro-
blèmes et ainsi profiter de temps de calcul quasi-immédiats.

Références
1. Fink, A., et Voss, S. : Solving the continuous flow-shop scheduling problem by metaheuristics,
European Journal of Operational Research, 151, pp. 400-414 (2003).
2. Framinan, J.M., Gupta, J.N.D. et Leisten, R. : A review and classification of heuristics for per-
mutation flow-shop scheduling with makespan objective, JORS, 55(12), pp. 1243-55 (2004).
3. Nawaz,M. and Enscore,E. et Ham,I. : A heuristic algorithm for the m-machine, n-job flowshop
sequencing problem, OMEGA, The International Journal of Management Science, 11(1), pp. 91-95
(1983).
4. Martinez., S. : Ordonnancement de systèmes de production avec contraintes de blocage, Thèse de
Doctorat de l’Université de Nantes (2005).
238 Sauvey, Sauer

5. Dauzère-Pérès, S., Pavageau, C. et Sauer, N. : Modélisation et résolution par PLNE d’un problème
réel d’ordonnancement avec contraintes de blocage, ROADEF’2000, pp. 216-217, Nantes (2000).
6. Martinez, S., Dauzère-Pérès, S., Guéret, C., Mati, Y. et Sauer, N. : Complexity of flowshop sche-
duling problems with a new blocking constraint. EJOR, 169(3), pp.855-864 (2006).
7. Yuan, K. et Sauer, N. : Application of EM algorithm to flowshop sheduling problems with a special
blocking, IESM’07, Chine (2007).
 Flow shop à deux machines et moyen de transport
intermédiaire

N. Chikhi, et M. Boudhar

Faculté de Mathématiques, USTHB, BP 32, 16111 El Alia, Bab-Ezzouar, Algiers, Algeria.

nacishell@hotmail.com
mboudhar@yahoo.fr

1 Introduction
Ce travail traite du problème de l’ordonnancement de type flow shop à deux machines en in-
troduisant un système de transport de tâches (robot ou convoyeur) entre les deux machines.
Ce système de transport de tâches semi-finies est également impliqué dans le chargement
et le déchargement des machines. Ce modèle peut être illustré par l’exemple d’un atelier de
traitement de surface de galvanoplastie dont le procédé consiste à déposer une fine couche de
métal sur des pièces. Le déplacement des pièces est principalement effectué par un chariot
de manutention circulant le long d’un axe. Il peut être illustré aussi dans le cas des ateliers
à cellules robotiques qui se trouvent, typiquement, dans les usines de fabrication des semi-
conducteurs ou de textiles, dans lesquels un véhicule auto-guidé est chargé de déplacer les
tâches. Les tâches venant d’être exécutées sur la première machine attendent le convoyeur
pour être transportées vers la deuxième machine. L’objectif est de construire un ordonnance-
ment minimisant la date de fin de traitement de l’ensemble des tâches. Le problème général
est NP-difficile. Nous donnons une formulation mathématique, nous montrons que deux cas
particuliers de ce problème sont polynomiaux et nous donnons deux algorithmes optimaux
pour les résoudre. Nous présentons également des heuristiques pour la résolution du problème
général avec des expérimentations numériques.

2 Principaux résultats
Soit le problème qui consiste à ordonnacer n tâches indépendantes T1 , ...Tn sur deux machines
M1 et M2 dans un atelier de type flow shop. Chaque tâche Ti (i = 1, ..., n) est composée de
deux opérations, la première està exécuter sur la machine M1 et la deuxième sur la machine
M2 et est caractérisée par des temps de traitement pi1 et pi2 , respectivement sur les deux
machines et ne possède pas de dates de disponibilité ni de dates échues. Le transport d’une
tâche de la machine M1 à la machine M2 s’effectue grâce à un véhicule autoguidé ou un
chariot et nécessite un temps de transport égal à t (l’aller-retour nécessite 2t). La capacité
du chariot peut être limitée (au maximum c pièces ) ou illimitée. Le problème ainsi défini est
noté T F 2/υ = 1, c ≥ 1/Cmax ( υ est le nombre de convoyeurs).
Nous proposons une modélisation mathématique du problème sous forme d’un programme
linéaire en variables entières et bivalentes. Ce modèle mathématique a été testé en utilisant
les solveurs LINGO et CPLEX. Nous avons obtenu de bons résultats pour des instances de
taille réduite.
240 Chikhi, Boudhar

Nous proposons aussi des bornes inférieures pour la fonction objectif. Nous étudions quelques
sous problèmes du problème général. On cite essentiellement les cas : T F 2/pi1 = p, υ = 1, c ≥
1/Cmax et T F 2/pi2 = p, υ = 1, c ≥ 1/Cmax .
Etant montré que le problème général T F 2/υ = 1, c ≥ 1/Cmax est NP-difficile, nous propo-
sons des heuristiques pour le résoudre. Ces heuristiques sont basées sur la règle de Johnson
ou sur de nouvelles règles de priorité que nous avons défini et sur d’autres règles de prio-
rité connues, ainsi que sur une procédure que nous avons réalisé qui permet la construction
des différents batchs. Ces heuristiques sont testées en utilisant plusieurs instances générées
aléatoirement.
Les résultats obtenus sur les différents tests ont révélé que les heuristiques basées sur le
rangement des tâches selon la règle LPT (Longuest Processing Time) par rapport aux temps
d’exécution sur la deuxième machine et sur la procédure de construction des batchs conduisent
généralement à de très bonnes solutions qui sont optimales dans la majorité des cas.

Références
1. Brucker, P., and Knust, S. (2004) : Complexity results for flow-shop and open-shop scheduling
problems with transportation delays, Annals of Operations Research, vol. 129, pp. 81–106.
2. Chen, ZL., and Lee, CY. (2001) : Machine scheduling with transportation considerations. Journal
of scheduling, vol. 4, pp. 3–24.
3. Hurink, J., and Kunst, S. (1998) : Flow-shop problems with transportation times and a single
robot. Université Osnabrack.
4. Kise, H. (1991) : On an automated two-machine flowshop scheduling problem with infinite buffer.
Journal of the Operations Research Society of Japan, vol. 34, pp. 354–361.
5. Panwalker, S.S. (1991) : Scheduling of a two machine flow shop with travel time between machines.
J. Opl. Res. Soc, vol. 42, No 7, pp. 609–613.
6. Soukhal, A., Oulamara, A., and Martineau, P. (2005) : Complexity of flow shop scheduling pro-
blems with transportation constraints. European Journal of Operational Research, vol. 161, pp.
32–41.
 An integrated approach for lot streaming and just in
time scheduling

O.Hazir1 and S. Kedad Sidhoum1

Laboratoire d’Informatique de Paris 6, 104 Avenue du President Kennedy, 75016 Paris, France.
{oncu.hazir,safia.kedad-sidhoum}@lip6.fr

1 Introduction
Production planning and control decisions are traditionally categorized into three : the strate-
gic level, the tactical level and the operational level. In this research, we focus on the tactical
and operational levels, and concentrate on lot sizing, lot streaming and scheduling problems.
Lot sizing decision, which is at tactical level, identifies when and how much to produce so that
total cost is minimized. On the other hand, lot streaming decisions deal with splitting the
production into batches with respect to the quantities planned. By the use of lot streaming,
lead times and work in process (WIP) inventories - control of which is crucial in just in time
(JIT) production- could be reduced. Furthermore, integration of a pegging and a scheduling
module that assigns lots to demands and sets the starting time of the lots minimizing time
or cost based criterion is valuable to generate globally optimal plans.
Integrated lot sizing and scheduling problems has been a research topic with practical im-
plications [1]. In scheduling, models with both earliness and tardiness penalties cope with
the JIT requirement of lower lead times and WIP. These models have been investigated by
various researchers (see [5] for non-preemptive models and [2] for preemptive case). In ma-
chine scheduling models, either job processing times are usually assumed to be fixed ; or in
some cases they are assumed to be controllable [3]. When lot streaming is incorporated, early
completion of the lots is possible. Recently [4] combined lot-streaming and pegging, which
addresses transfer of materials between stocks and users, and used linear programming soft-
ware to solve their model. In addition, she proposed a dynamic programming model that
minimizes the sum of production costs and weighted tardiness cost. But, early release of the
batches have not been penalized in this study. Addressing the just in time scheduling systems,
we incorporate the earliness costs as well.

2 Problem Definition
We consider a single production system which can handle at most one customer order at
a time. Each customer order k has a distinct due date dk . Demand is deterministic and all
orders are ready to be processed at time zero. For each order, individual earliness and tardiness
completion time penalties, αk and βk , are given. There exits upper and lower bounds, b and
B, on the size of batch i, and two pegging conditions are considered : in mono-pegging it is
required that each customer order is met from a single batch, on the contrary in multi-pegging
orders could be satisfied from different batches. Batch availability is assumed, meaning that
products could not be released before its batch is completely processed. The goal is to split
242 O.Hazir, S. Kedad Sidhoum

the production into batches and schedule them so that the sum of earliness and tardiness
costs is minimized. These costs are computed per unit time and per unit material. Therefore,
we minimize the absolute deviation between the completion time of a batch and the due date
of the order satisfied by the batch multiplied with the quantity delivered by the batch. To
define formally, let qik represent the quantity of order k processed in batch i and Ci be the
completion time of batch i. A production schedule S could be defined with the set of these
decision variables. We can formulate the total cost of the optimal schedule as follows :
' (
%%7 8 %
∗ + +
f (q, C) = M in k k
αk qi (dk − Ci ) + βk qi (Ci − dk ) : b ≤ k
qi ≤ B ∀i
k i k

3 Structural Properties
Robert [2007] investigated the total tardiness problem and defined the following dominance
criteria :
1. Processing the batches in a left justified single block without idle times is dominant.
2. When b = 1, creating batches of size 1 in multi-pegging and a batch for each order in
mono pegging is dominant.
3. In multi-pegging, with unitary weights, i.e. βk = 1 ∀k, earliest due date (EDD) schedules
are dominant.
4. In multi-pegging, the batches with sizes in between b and 2b − 1 are dominant.
When earliness costs are incorporated, we can list some of the properties for multi-pegging
case with demand independent weights, i.e. αk = α, βk = β ∀k as follows :
1. Earliest due date (EDD) schedules are dominant.
2. When b = 1, there exists an optimal schedule in which each order is processed within a
single block, which is a group of batches that contains no idle time.
3. The batches with sizes in between b and 2b − 1 are dominant for the tardy batches, which
consist of only tardy orders.
We will present some other structural properties of the optimal solution and develop an
efficient dynamic programming algorithm that uses these properties.

Références
1. Dauzère-Pérès S. and Lasserre J.B. On the importance of sequencing decisions in production plan-
ning and scheduling. International Transactions in Operational Research, 9(6) : 779-793,(2002).
2. Hendel Y, Runge N., Sourd F. : The one-machine just-in-time scheduling problem with preemp-
tions Discrete Optimization (article in press)
3. Jozefowska J. Just-in-Time Scheduling Models and Algorithms for Computer and Manufacturing
Systems 1st ed. Springer. New York,U.S. (2007)
4. Robert A. Optimization des batches de production. PhD thesis, Université Pierre et Marie Curie
(Paris 6)(2007).
5. Sourd F., Kedad-Sidhoum S. A faster branch-and-bound algorithm for the earliness-tardiness
scheduling problem. Journal of Scheduling 11(1) : 49-58 (2008).
 A hybrid genetic algorithm for the vehicle routing
problem with private fleet and common carriers

J. Euchi, and H. Chabchoub,

FSEGS, route de l’aÈroport km 4, Sfax 3018 Tunisie.

Jalel.Euchi@fsegs.rnu.tn
Habib.chabchoub@fsegs.rnu.tn

1 Introduction
Despite its wealth and abundance of work that are devoted to it, the Vehicle Routing Problem
with Private fleet and common Carrier (VRPPC) represent only a subset of a larger family
known as "Vehicle Routing problem- VRP". The VRP is one of the optimization problems
most studied.
This problem holds the attention of several researchers for many years, and everywhere in
the world. Several authors have made a literature review that deal with vehicle routing these
include those of Bodin et al. [2], Laporte [8,], and Toth and Vigo [11]. More specifically,
two types of problems have been addressed in literature : the vehicle routing problem with
limited fleet and the vehicle routing problem with private fleet and common carrier. Some
authors have studied the problem of vehicle routing with limited fleet include Gendreau et
al. [7], Taillard [10] and Li et al. [9]. All these items using a mixed fleet limited but sufficient
capacity to serve all customers.
At the level of routing problem with external carrier are Volgenant and Jonker [12], which
demonstrated that the problem involving a fleet of one single vehicle and external carriers
can be rewritten as Traveling Salesman Problem - TSP. This problem also have been studied
by Diaby and Ramesh [6] whose objective was to decide that customers visited with external
carrier and optimize the tour of remaining customers.
Several approaches have been used to solve the classical VRP, exact methods, heuristics
and metaheuristics solution principally are proposed. To our knowledge, the VRPPC was
introduced by Ball et al. [1], Chu [5] and Bolduc et al. [3, 4].
Under this extended abstract, we are studying the vehicle Routing Problem with Private fleet
and Common carrier- VRPPC. The network studied consists of a depot and several customers.
One or more products are distributed. Each customer must be served one and only once by the
private fleet either by a common carrier. The internal fleet is composed of a limited number
of vehicles. The capacity of vehicles is determined in terms of units produced. The vehicles
have both a fixed cost of use and a variable cost depending on the distance travelled. The
costs of external transport are set for each customer depending on its geographical location
and quantities required.

2 Problem definition
One of the most general version of the vehicle routing problem is the vehicle routing problem
with private fleet and common carrier (VRPPC), which can be formally described in the
244 Euchi, Chabchoub

following way. Let G = (V, A) be a graph where V = {0, 1, ..., n} is the vertex set and
A = {(i, j) : i, j ∈ V, i 9= j} is the arc set. Vertex 0 is a depot, while the remaining vertices
represent customers. A private fleet of m vehicles is available at the depot. The fixed cost of
vehicle k is denoted by fk , its capacity by Qk , and the demand of customer i is denoted by
qi . A travel cost matrix (cij ) is defined on A . If travel costs are vehicle dependent, then cij
can be replaced with cijk , where k ∈ 1, ..., m . Each customer i can be served by a vehicle of
the private fleet, in which case it is called an internal customer or by a common carrier at a
cost equal to ei , in which case it is called an external customer.

3 A hybrid genetic algorithm to solve the VRPPC

We propose a hybrid genetic algorithm to solve the VRPPC. To improve the solution genera-
ted with a genetic algorithm, it is recommended to hybridize it with a variable neighbourhood
search. In this section we discuss the step of our proposal algorithm to solve the vehicle routing
with limited fleet and common carrier.
Genetic algorithm in the initialization phase may be started from heuristic created solution.
In the first step we consider that all vehicles are at the depot. Second, for every step we select
randomly a customer and we insert it in the best position that minimizes the total cost and
that satisfy the capacity constraint.
A selection mechanism is necessary when selecting individuals for both reproducing and sur-
viving. We select at randomly 2 solutions from 25% of the best solutions. Then we apply the
crossover, a simple crossover starts with two parent solution and chooses a random cut, which
is used to divide both parents into two parts. It generates one offspring’s that is obtained by
putting together customers in first vector in front of the cut and we choose the customers in
order of position in second vector.
After the selection and crossover, we use the tournament replacement. A subset of individuals
is selected at random, and the worst one is selected for replacement.
Finally to improve the solution generated with genetic algorithm, we propose to apply the
VNS algorithm. The VNS algorithm start with the initial solution obtained with the genetic
algorithm, and then shaking is performed. We use a permutation move, it consists of replacing
all possible swaps of pairs of different positions. If the swap moves improve the solution, we
apply the insertion local search.
We use a maximum number of iteration as a stopping criterion.

4 Computational results

In order to evaluate and to compare the performance of the our proposed algorithm we
compare it with the results presented in the literature.
A hybrid genetic algorithm were tested on a set of benchmark problems of Bolduc et al.[3].
The results shows the proposed genetic algorithm framework with variable neighbourhood
search could provide reasonably good solutions. Also the computational time for all instances
is reasonable.
 A hybrid genetic algorithm for the VRPPC 245

Références
1. Ball MO, Golden A, Assad A, Bodin LD. : Planning for truck fleet size in the presence of a
common-carrier option. Decision Sciences 14, 103-120 (1983)
2. Bodin, L. D., B. L. Golden, A. A. Assad, and M. O. Ball. : Routing and scheduling of Vehicles
and crews. The state of the Art, Computers and operations research, 10, 69-211 (1983)
3. Bolduc M.-C., Renaud J., Boctor F.F. : A heuristic for the routing and carrier selection problem.
Short communication. European Journal of Operational Research 183, 926-932(2007)
4. Bolduc M.-C., Renaud J. Boctor F.F., Laporte G. : A perturbation metaheuristic for the vehicle
routing problem with private fleet and common carriers. Journal of the Operational Research
Society (200) 59, 776-787.
5. Chu C-W. : A heuristic algorithm for the truckload and less-than-truckload problem. European
Journal of Operational Research 165, 657-667(2005)
6. Diaby M, Ramesh R. : The Distribution Problem with Carrier Service : A Dual Based Penalty
Approach. ORSA Journal on Computing 7, 24-35(1995)
7. Gendreau M., Laporte G., Musaraganyi C., Taillard . . ..D. : A tabu search heuristic for the hetero-
geneous fleet vehicle routing problem. Computers and Operations Research 26, 1153-1173(1999)
8. Laporte, G. : The Vehicle Routing Problem : An overview of exact and approximate algorithms.
European Journal of Operational Research, 59 (3), 345-358 (1992)
9. Li F., Golden B.L., Wasil E.A. : A record-to-record travel algorithm for solving the heterogeneous
fleet vehicle routing problem. Computers and Operations Research, 34 2734-2742(2007)
10. Taillard ED. : A heuristic column generation method for the heterogeneous fleet VRP. RAIRO
33 (1), 1-14 (1999)
11. Toth P., Vigo D. : Models, relaxations and exact approaches for the capacitated vehicle routing
problem. Discrete Applied Mathematics, 123, 487-512 (2002)
12. Volgenant T., Jonker R. : On some generalizations of the travelling-salesman problem. Journal
of the Operational Research Society 38,1073-1079(1987)
 Un algorithme exact bi-objectif pour le problème du
voyageur de commerce multi-modal

Nicolas Jozefowiez1,2 , Gilbert Laporte3 , and Frédéric Semet4

1
CNRS ; LAAS ; 7 avenue du colonel Roche, F-31077 Toulouse, France.
nicolas.jozefowiez@laas.fr
2
Université de Toulouse ; UPS, INSA, INP, ISAE ; LAAS ; F-31077 Toulouse, France.
3
CIRRELT, HEC-Montréal, 3000 Chemin de la Côte-Sainte-Catherine, Montréal, QC, Canada
H3T 2A7.
gilbert@crt.umontreal.ca
4
LAGIS, Ecole Centrale de Lille - Cité Scientifique - BP48 - 59651 Villeneuve d’Ascq Cedex,
France.
frederic.semet@ec-lille.fr

1 Problème
Dans cet article, nous nous intéressons à la résolution d’un problème de tournées bi-objectif :
le problème du voyageur de commerce multi-modal. Les données du problème consistent en
un graphe non orienté valué G = (V, E) et d’un ensemble de couleurs C. Chaque arête e ∈ E
a une couleur δ(e) ∈ C. Les couleurs peuvent être vues comme des moyens de transport, des
moyens de production ... Le but du problème est de générer une tournée en minimisant sa
longueur et le nombre de couleurs qu’elle utilise. Une couleur k ∈ C est dite utilisée si une
arête e ∈ ζ(k) est empruntée pendant la tournée avec ζ(k) = {e ∈ E|δ(e) = k}. Le problème
peut être modélisé de la manière suivante :

% %
min ( ce xe , uk ) (1)
e∈E k∈C
%
xe = 2 ∀i ∈ V (2)
e∈ω({i})
%
xe ≥ 2 ∀S ⊂ V, 3 ≤ |S| ≤ |V | − 3 (3)
e∈ω(S)

xe ≤ uδ(e) ∀e ∈ E (4)
xe ∈ {0, 1} ∀e ∈ E (5)
uk ∈ {0, 1} ∀k ∈ C (6)

où ω(S) = {e = (i, j) ∈ E|i ∈ S et j ∈ V \ S}, ce est le coût de l’arête e ∈ E, xe vaut 1 si e

est utilisée, 0 sinon, uk vaut 1 si k ∈ C est utilisée, 0 sinon. On peut ajouter au modèle les
contraintes valides suivantes :
%
uk ≤ xe ∀k ∈ C (7)
e∈ζ(k)
 Le problème du voyageur de commerce multi-modal 247

2 Méthode
La méthode de résolution est un algorithme de branch-and-cut. Nous suivons le schéma général
classique de l’algorithme. Cependant les notions suivantes ont besoin d’être modifiées pour
prendre en compte l’aspect multi-objectif du problème.
Borne supérieure Il s’agit d’une archive contenant les solutions réalisables non dominées
trouvées durant la recherche.
Borne inférieure Il s’agit d’un ensemble de points dans l’espace des objectifs tel que toute
solution réalisable est dominée par cet ensemble. Ce principe est expliqué dans [1].
Elagage Un nœud de l’arbre est déclaré exploré si le problème est non réalisable ou si tous
les points de la borne inférieure sont dominés par la borne supérieure ou correspondent à
une solution entière réalisable.
La borne inférieure est obtenue à l’aide d’une méthode ǫ-contrainte. On prend & comme sous-
problème de base le programme linéaire composé de la fonction objectif min e∈E ce xe , des
contraintes
& (2)(4)(7), ainsi que des contraintes 0 ≤ xe ≤ 1, ∀e ∈ E, 0 ≤ uk ≤ 1, ∀k ∈ C et
k∈C uk ≤ ǫ. L’idée est de générer des points dans l’espace des objectifs (qui ne correspondent
pas nécessairement à une solution réalisable) en faisant varier le paramètre ǫ. Si on ne peut
pas élaguer la branche à l’aide de la borne inférieure ainsi générée, on génère des contraintes
violées pour les points non dominés par la borne supérieure et on recommence. Les contraintes
envisagées sont les contraintes de connectivité (3). Si aucune contrainte ne peut être générée,
on effectue un branchement sur la variable non entière qui apparaît dans le plus grand nombre
de points non-dominés de la borne inférieure. On branche de préférence sur les variables uk
avant de prendre en compte les variables xe .
Des expérimentations ont été effectuées sur des instances générées aléatoirement avec |V | ∈
{20, 30, 40, 50} et |C| ∈{ 10, 15, 20, 25, 30}. Le tableau ci-dessous rapporte, pour certaines
valeurs de |V | et |C|, les informations suivantes : nombre d’instances résolues sur lesquelles
les moyennes ont été faites (×), nombre de nœuds dans l’arbre de recherche (#nodes), le
nombre de solutions dans l’ensemble Pareto optimal (#Pareto) ainsi que le temps de calcul
en secondes (time).
|C| |V | × #nodes #Pareto time
25 20 25 466 11 17
25 30 25 1564 15 392
25 40 25 3244 17 3362
25 50 15 3756 20 8243
30 20 25 814 12 35
30 30 25 2274 16 749
30 40 25 4875 18 5212
30 50 6 7752 20 35001

Références
1. F. Sourd et O. Spanjaard (2008) "A multi-objective branch-and-bound framework. Application
to the bi-objective spanning tree problem". INFORMS Journal of Computing, Vol 20, N3, pp.
472–484.
 Utilisation de la moyenne de Hölder dans une
optimisation multi-critères du transport à la demande

Rémy CHEVRIER

LIFL (UMR USTL/CNRS 8022) / INRIA Projet DOLPHIN,

40 avenue Halley, 59650 Villeneuve d’Ascq Cedex France.
remy.chevrier@lifl.fr

1 Introduction

Le Transport à la Demande (TAD) est une forme de transport public collectif terrestre à mi-
chemin entre le taxi et le bus. Ce type de service offre aux usagers une haute qualité de service
qui se traduit notamment par la possiblité de choisir les points de départ et de destination
ainsi que les horaires. Le TAD est un service flexible activé seulement à la demande et il
n’est pas, dans sa forme idéale [2], sujet à une ligne fixe qu’il devrait suivre en respectant des
horaires prédéfinis.
Face au transport en commun classique, le TAD offre un ensemble d’avantages comme la
rationalisation des coûts du service et nécessite donc un ensemble d’optimisations. En cela, il
est en lien direct avec les problèmes de tournées de véhicules tels que le Dial-a-Ride Problem
(DARP) pour lequel un ensemble de travaux ont déjà été consacrés [4]. Cependant, les solu-
tions proposées s’intéressent aux instances de la littérature et ne sont pas forcément adaptées
à des situations concrètes de demandes de service. À cette fin, nous exploitons des jeux d’ins-
tances de TAD basés sur des données réalistes relatives au territoire du Pays de Montbéliard.
L’optimisation des tournées est réalisée à l’aide d’un algorithme génétique multi-objectifs :
NSGA-II [5]. Nous proposons ici d’analyser les effets de la moyenne de Hölder sur le calcul du
temps de parcours dans l’optimisation multi-critères d’un service de TAD. Nous souhaitons
montrer les différences qualitatives des fronts de solutions obtenus selon la moyenne appliquée
à la réduction des temps de parcours.

2 Modèle d’optimisation

La rationalisation des coûts peut être vue sous plusieurs angles. Dans notre modèle, nous
minimisons :
– le nombre de véhicules (ensemble V ), i.e. coût économique : min |V | ;
– les retards (qualité de service aux clients) en utilisant la distance de Minkowski (cf. [3]) ;
– les temps de parcours en utilisant la moyenne de Hölder (minimisation du coût environne-
mental en réduisant les émissions de polluants), objectif ϕ.
La moyenne de Hölder (power mean) généralise les moyennes [1] et se définit ainsi :
) & *1
X q = n1 ni=1 xqi q , i, n ∈ N, q ∈ R.
Dans le cas du DARP, la réduction des temps de parcours consiste généralement à minimiser
la somme des temps de chaque véhicule [4], ce qui correspond à une moyenne arithmétique des
 Une approche multi-critères dans le TAD 249

temps de parcours à un coefficient n1 près. Nous proposons donc de comparer trois moyennes,
chacune étant un cas particulier de la moyenne de Hölder, appliquées à l’objectif ϕ sur une
distribution de temps T = (t
&0 n, ..., tn ) :
– arithmétique : T q=1 = n1 i=1 ti ;
– harmonique : T q=−1 = &nn 1 ;
i=1 t
) Kn i * n1
– géométrique : T q→0 = i=1 ti .

3 Résultats

Les figures 1(a,b) représentent des distributions de solutions obtenues avec trois configurations
d’optimisation (moy. géométrique, harmonique et arithmétique) pour une même instance à
100 requêtes et sont représentatives des comportements différents des trois moyennes. Nous
disposons d’une trentaine d’instances générées à partir de données géographiques du Pays
de Montbéliard [3]. Nous remarquons d’emblée les formes différentes des distributions, ce
qui montre clairement les différences de comportement de ces moyennes et leurs aptitudes
à optimiser certains objectifs au détriment d’autres. La moyenne harmonique se révèle plus
efficace pour réduire les retards que la moyenne arithmétique, qui elle-même semble meilleure
dans la diminution des temps de parcours.

65000 10000
P,G,L1 P,G,L1
P,H,L1 P,H,L1
P,M1,L1 9000 P,M1,L1

60000 8000
Cumul des temps de parcours (s)

7000
Cumul des retards (s)

55000 6000

5000

50000 4000

3000

45000 2000

1000

40000 0
20 30 40 50 60 70 80 90 100 20 30 40 50 60 70 80 90 100
Nombre de vehicules Nombre de vehicules

Fig. 1. Fronts des solutions (a. gauche : véhicules/temps V/T, b. droite : véhicules/retards V/R)
issues de trois configurations d’optimisation : G moy. géométrique, H moy. harmonique , M1 moy.
arithmétique. Les flèches représentent les meilleurs compromis V/T et V/R.

Références

1. Bullen, P. : Handbook of Means and their Inequalities. 2nd edn. Springer (2003)
2. Castex, É. : Le Transport à la Demande en France : de l’état des lieux à l’anticipation. Thèse de
Doctorat. Université d’Avignon et des Pays de Vaucluse (2007)
3. Chevrier, R. : Optimisation de transport à la demande dans des territoires polarisés. ThËse de
Doctorat. Université d’Avignon et des Pays de Vaucluse (2008)
250 Rémy CHEVRIER

4. Cordeau, J.-F. et Laporte, G. : The Dial-a-Ride Problem : models and algorithms in Annals of
Operations Research, 153(1) 29–46 (2007)
5. Deb, K. : Multi-Objective Optimization using Evolutionary Algorithms. Wiley (2001)
 Composition de services Web
et équité vis-à-vis des utilisateurs finaux

J. El Haddad1 and O. Spanjaard2

1
LAMSADE, Université Paris Dauphine, Place du Maréchal de Lattre de Tassigny, 75775 Paris
Cedex 16 France.
elhaddad@lamsade.dauphine.fr
2
LIP6, Université Pierre et Marie Curie, 104 avenue du Président Kennedy, 75016 Paris France.
olivier.spanjaard@lip6.fr

1 Composition de services Web

La migration des systèmes d’information des entreprises vers un schéma orienté Business to
Business (i.e., des entreprises mettant leurs services à disposition d’autres entreprises sous
forme de composants logiciels) a favorisé l’émergence des services Web depuis le début des
années 2000 [1]. Par exemple, une compagnie aérienne peut mettre en ligne à disposition des
agences de voyage un service logiciel de réservation de vols. Pour fournir une valeur ajoutée
à l’utilisateur final, une agence de voyage peut décider de composer plusieurs services Web
afin de faciliter l’organisation d’un séjour. Par exemple, une agence peut proposer un pack
"déplacement" comportant d’une part la réservation d’un billet pour un événement sportif,
d’autre part une réservation de billet de train ou d’avion. On parle alors de composition de
services Web [3]. Ce type de composition peut être représentée à l’aide d’un graphe de tâches,
comme celui indiqué sur la Figure 1. Les tâches t1 , t2 et t3 représentent respectivement une
réservation de place, une réservation de train ou de vol. Dans ce graphe, certains utilisateurs
emprunteront le chemin d’exécution $t1 , t2 % (ceux réservant un billet de train) et d’autres le
chemin d’exécution $t1 , t3 % (ceux réservant un billet d’avion). Il arrive très fréquemment que
plusieurs services répondent à un même ensemble de besoins fonctionnels. Par exemple, pour
réaliser la réservation d’une place au stade, un utilisateur peut mettre en concurrence plusieurs
services de billeterie. Une sélection de services Web consiste alors à assigner un service Web à
chaque tâche. Cette affectation est appelée plan d’exécution. L’ensemble des plans d’exécution
possibles est combinatoire : pour n tâches avec un choix parmi m services pour chacune, il
y a mn compositions possibles. Afin de discriminer parmi ces plans d’exécution, on utilise la
notion de qualité de service. En effet, les services Web simples asurant les mêmes propriétés
fonctionnelles se distinguent les uns des autres par des critères de qualité de service, tels que
réputation, coût, durée d’exécution etc. Etant donné un chemin d’exécution, la qualité de
service assurée par un service Web composite (résultant d’un plan d’exécution) sur un critère
peut être calculée selon une règle d’agrégation propre à chaque critère. Le vecteur de qualités
de service ainsi obtenu est ensuite lui-même scalarisé en un indicateur unique de qualité via
une fonction d’agrégation. Le problème combinatoire qui se pose alors est de déterminer un
plan d’exécution optimisant cet indicateur. Néanmoins, pour un même plan d’exécution, la
qualité de service diffère selon le chemin d’exécution emprunté par l’utilisateur final.
252 El Haddad, Spanjaard

Fig. 1. Organisation d’un déplacement par composition de services Web

2 Equité vis-à-vis des utilisateurs finaux

Dans le contexte de la composition de services Web, l’équité [5] va désigner le soucis de ne
pas léser un utilisateur final vis-à-vis d’un autre dans le plan d’exécution utilisé pour assurer
les différentes tâches. La méthode proposée par Zeng et al. [2] pour prendre en compte la
multiplicité des scénarios possibles d’utilisation (i.e., des chemins d’exécution) consiste à :
1) déterminer indépendamment la sélection optimale pour chacun des chemins d’exécution,
puis 2) “fusionner” ces sélections en un plan d’exécution unique. Pour ce faire, les auteurs as-
signent à chaque tâche le service choisi dans le chemin d’exécution correspondant au hot path
de cette tâche. Le hot path d’une tâche désigne le chemin d’exécution le plus souvent emprunté
lors des exécutions de cette tâche. Cette manière de procéder peut néanmoins conduire à des
sélections globalement peu satisfaisantes, comme nous l’illustrerons dans notre exposé. Pour
palier cet inconvénient, nous chercherons ici à prendre en compte explicitement les différents
scénarios possibles d’utilisation. Nous nous inspirerons pour cela des travaux menés en opti-
misation robuste [4], cette dernière notion étant proche formellement de la notion d’équité.
Nous viserons en particulier à minimiser le critère de regret maximum, classiquement utilisé
pour mesurer la robustesse d’une solution. Dans notre contexte, nous qualifierons d’équitable
une solution optimale au sens de ce critère. Nous proposerons une formulation du problème de
recherche d’un tel plan d’exécution équitable avec un programme linéaire en nombres entiers.
Enfin, nous présenterons les résultats d’expérimentations numériques menées sur le sujet.

Références
1. Austin, D., and Barbir, A., Ferris, C. and Garg, S. : Web Services Architecture Requirements.
W3C Working Draft, http ://www.w3c.org/TR/2002/WD-wsa-reqs-20020819 (2002).
2. Zeng, L., Benatallah, B., Ngu, A.H.H., Dumas, M., Kalagnanam, J. and Chang, H. : QoS-Aware
Middleware for Web Services Composition. IEEE Transactions on Sofware Engineering, Vol. 30,
No. 5, p. 311–327 (2004).
3. Dustdar, S. and Schreiner, W. : A survey on web services composition. International Journal of
Web and Grid Services, Vol. 1, No. 1, p. 1–30 (2005).
4. Kouvelis, P. and Yu, G. : Robust discrete optimization and its applications. Kluwer Academic
Publisher (1997).
5. Moulin, H. : Axioms of Cooperative Decision Making. Monograph of the Econometric Society,
Cambridge University Press (1988).
 Introduction au choix social computationnel

J. Lang

LAMSADE, Université Paris-Dauphine, France. lang@lamsade.dauphine.fr

La théorie du choix social s’intéresse à la construction et à l’analyse de méthodes pour la

décision collective. Or, les informaticiens s’intéressent de plus en plus au choix social. Il y
a deux raisons à cela, qui correspondent à deux lignes de recherche différentes. La première
consiste à importer des notions et des méthodes issues du choix social pour résoudre des
problèmes apparaissant dans des domaines d’applications relevant de l’informatique : c’est le
cas, en particulier, pour la gestion de sociétés d’agents logiciels autonomes, qui nécessite la
mise en oeuvre de procédures de vote et de négociation ; un autre exemple est l’application
de techniques venant du choix social pour développer des systèmes de classement de pages
pour les moteurs de recherche sur Internet. La seconde, qui est celle qui nous intéresse plus
particulièrement ici, consiste à importer des notions et des méthodes venant de l’informa-
tique (en particulier la recherche opérationnelle et l’intellige ! nce artificielle) pour résoudre
des questions venant à l’origine du choix social. Le point de départ de cette ligne de recherche
est le fait que l’essentiel des travaux existants en théorie du choix social s’est focalisée sur
l’obtention de résultats abstraits concernant l’existence (ou, plus souvent, la non-existence)
de procédures vérifiant un certain ensemble de propriétés, mais ont jusqu’ici négligé les as-
pects algorithmiques. C’est justement sur ce point que l’informatique (et en particulier la
RO) a beaucoup à apporter. Il s’agit avant tout d’identifier la complexité des procédures de
choix social, en particulier les procédures de vote et de partage équitable de ressources, et
de proposer des algorithmes pour leur calcul exact ou approché. Ce domaine de recherche,
à la croisée de la theorie du choix social et de l’informatique, souvent appelé choix social
computationnel, est en pleine effervescence – en témoigne le nombre croissant d’articles sur
ce sujet, sur ! tout depuis le début des années 2000, ainsi que la tenue, en 2 ! 006 puis en
2008, du workshop international “Computational Social Choice”. Le but de cet exposé est de
donner un bref aperçu de quelques-uns des principaux thèmes de recherche en choix social
computationnel :
– étude de règles de vote computationnellement difficiles ;
– procédures de vote sur des domaines combinatoires ;
– la complexité algorithmique comme barrage aux comportements stratégiques ;
– protocoles d’élicitation de préférences et décision collective avec préférences incomplètes ;
– algorithmique du partage équitable de ressources.

Références
1. Y. Chevaleyre, U. Endriss, J. Lang and N. Maudet, An introduction to computational social
choice, Proceedings of SOFSEM-07, Lecture Notes in Artificial Intelligence 4362, Springer Verlag,
2007,
 Dominance de Lorenz itérée et recherche de solutions
équitables en optimisation combinatoire multi-agents

B. Golden and P. Perny

LIP6 - UPMC, 104 avenue du président Kennedy, 75016 Paris, France.

boris.golden@polytechnique.edu, patrice.perny@lip6.fr

La recherche de solutions équitables dans les problèmes d’optimisation combinatoires multi-

agents est un sujet qui se situe au carrefour de la modélisation des préférences et de l’optimi-
sation combinatoire multi-objectifs. On considère des problèmes combinatoires multi-agents
(typiquement des problèmes d’optimisation dans les graphes) où chaque agent exprime son
point de vue sur les solutions à l’aide d’une fonction coût additive, à minimiser. Chaque solu-
tion est donc caractérisée par un vecteur coût dont la ième composante représente le coût de la
solution selon l’agent i. On s’intéresse alors à déterminer, parmi les solutions Pareto-optimales,
celles qui sont les plus équitables en un certain sens. Le nombre de solutions Pareto-optimales
pouvant croître exponentiellement avec la taille du problème, on ne cherche généralement pas
à réaliser une énumération préalable et exhaustive des solutions Pareto-optimales mais plutôt
à déterminer directement les solutions jugées les plus équitables. Il s’agit donc d’abord, en
s’appuyant sur les travaux menés en théorie de de la décision et en économie, de proposer des
modèles décisionnels facilement manipulables, suffisament discriminants, et permettant de
rendre compte de la notion d’équité dans la comparaison de solutions, afin de promouvoir des
solutions qui répartissent équitablement les coûts entre les agents. Il s’agit ensuite d’aborder
les aspects algorithmiques et complexité de ces problèmes et de proposer des algorithmes de
résolution efficaces.
Dans ce contexte de travail, l’objet de la présentation est de s’intéresser plus particulièrement
à l’utilisation de la dominance de Lorenz d’ordre infini pour discriminer finement entre les
solutions et à son utilisation pour la résolution de problèmes d’optimisation équitable dans les
graphes. La dominance de Lorenz est un modèle classique développé en économie qui permet
de raffiner la dominance de Pareto en incluant une idée d’équité modélisée par le principe
de transfert de Pigou-Dalton (schématiquement ce principe dit qu’on améliore une solution
si l’on transfert une masse de satisfaction d’un agent plus satisfait vers un moins satisfait).
Au lieu de comparer directement deux vecteurs x et y à l’aide de la dominance de Pareto, on
choisit de comparer leur transformées de Lorenz L(x) et L(y). La dominance résultante dite
dominance de Lorenz est compatible avec la dominance de Pareto qu’elle raffine mais reste
parfois assez peu discriminante. C’est pourquoi on peut s’intéresser à itérer la transformée
de Lorenz pour considérer des dominances d’ordre supérieur et, à la limite, la dominance de
Lorenz d’ordre infini qui raffine toute dominance de Lorenz d’ordre k.
Dans l’exposé, nous présentons et étudions la dominance de Lorenz d’ordre infini et la struc-
ture de préférences qu’elle induit sur les solutions. Nous établissons un résultat de représen-
tation à l’aide d’une moyenne pondérée ordonnée. Nous montrons alors comment déterminer
des solutions équitables (optimales au sens de la dominance de Lorenz d’ordre infini) dans
des problèmes combinatoires mutliagents (affectation, chemins, arbres).
 Allocation de ressources distribuée dans un contexte
topologique

S. Estivie1

LAMIH, Le Mont Houy, 59313 Valenciennes Cedex 9 France.

sylvia.estivie@univ-valenciennes.fr

1 Résumé
1.1 Le problème de l’allocation de ressources
Le problème de l’allocation de ressources au sens large est un cadre très général qui recouvre
un grand nombre d’applications (commerce, répartition et partage de ressources, etc..)[4]. Un
ensemble d’agents dispose de ressources réparties entre eux et chacun de ces agents va chercher
à augmenter son bien-être individuel en échangeant ses ressources propres avec d’autres agents.

1.2 Négociation et Bien-être social

Les agents vont contracter ou non des transactions selon leurs propres critères et donc selon
leur propre bien-être sans se soucier du bien-être de la société, menant le système d’une
allocation initiale à une allocation finale. Cependant, il arrive bien souvent que le bien-être
général du système aille à l’encontre des préférences des agents qui le composent lorsque ceux-
ci agissent de manière autonome. Or dans ces sociétés où chaque agent cherche à maximiser son
bien-être individuel sans se soucier du bien-être de la société, il apparaît nécessaire d’étudier
d’une part, l’évolution du bien-être social au cours de ces négociations et d’autre part l’issue
de ces négociations. Dans ce dernier point, il s’agit de déterminer si à la fin de la négociation,
le bien-être social atteint sa valeur optimale. Dans le cas où l’optimalité n’est pas atteinte, il
est alors judicieux de s’intéresser à la distance entre l’allocation finale et l’allocation optimale.

1.3 Topologie
Les travaux existants sur le sujet [5,3] ont majoritairement fait abstraction de la topologie en
supposant que les agents avaient la possibilité de communiquer avec tous les autres agents sans
aucune restriction ni préférence. Cependant, dans les domaines d’applications il arrive souvent
que les agents ne puissent communiquer qu’avec certains agents, et cela pour des raisons
très diverses [9] . Par conséquent, dans ces cas, l’hypotèse d’un graphe de communication
totalement connecté n’est plus possible.
Dans un contexte présentant des restrictions sur les intéractions potentielles entre les agents,
la question est de savoir quelles seront les conséquences de ces dernières sur le processus de
négociation (atteinte de l’allocation optimale : convergence et complexité) puis de proposer
des solutions permettant d’optimiser l’issue de ces négociations contraintes.
Pour celà, nous utiliserons le modèle de topologie pour la négociation proposé dans [2]. Dans
celui-ci, la topologie et les restrictions qui en découlent sont modélisées sous forme de graphe
256 Estivie

dans lequel chaque noeud représente un agent et chaque arrête représente une communication
possible entre deux agents. Afin de se rapprocher le plus possible des domaines d’applica-
tion, nous raffinerons ce modèle de topologie en utilisant plus particulièrement trois types de
graphes : les graphes aléatoires [6,7], les scale-free [1] et les small-world[8].

Références
1. Caldarelli G. : Scale-free networks : complex webs in nature and technology. Oxford Univ. Press,
Oxford (2007)
2. Chevaleyre Y., Endriss U.,Maudet N. : Allocating Goods on a Graph to Eliminate Envy. Procee-
dings of the 22nd AAAI Conference on Artificial Intelligence (AAAI-2007), AAAI Press, 700–705,
(2007)
3. Chevaleyre Y., Endriss U., Estivie S., Maudet N. : Multiagent Resource Allocation in k-additive
Domains : Preference Representation and Complexity. Annals of Operations Research, 163(1) :49–
62, (2008)
4. Chevaleyre Y., Dunne P., Endriss U., Lang J., Lemaître M., Maudet N., Padget J., Phelps S.,
Rodríguez-Aguilar J., Sousa P. : Issues in Multiagent Resource Allocation. Informatica, 30 :3–31,
(2006)
5. Endriss U., Maudet N., Sadri F., Toni F. : Negotiating Socially Optimal Allocations of Resources.
Journal of Artificial Intelligence Research, 25 :315–348, (2006)
6. Erdös P., Rényi A. : On random graphs. Publicationes Mathematicae Debrecen, 6 :290–297, (1959)
7. Newman M. E. J. : The structure and function of complex networks. SIAM Review, 45 :167–256,
(2003)
8. Watts D. J. : Networks, dynamics, and the small world phenomenon. Amer. J. Sociol., 105 :493–
592, (1999)
9. Wilhite, A. : Bilateral trade and Ôsmall-worldÕ net- works. Computational Economics 18(1) :4964,
(2001).
Détermination du vainqueur d’une élection : complexité
des procédures de Slater et de Condorcet-Kemeny

O. Hudry

École nationale supérieure des télécommunications, 46, rue Barrault, 75634 Paris Cedex 13.
Olivier.Hudry@enst.fr

1 Introduction

On considère le problème de vote suivant : étant donnés un ensemble X de n candidats à

une élection et un ensemble de m votants dont on connaît les préférences sur X, comment
déterminer le vainqueur de l’élection ?
Plusieurs procédures ont été proposées pour résoudre ce problème (voir par exemple [?]). À
la fin du 18e siècle, Condorcet [2] proposait une méthode reposant sur des comparaisons par
paires. Dans une telle méthode, on suppose que les préférences des votants s’expriment sous la
forme d’ordres totaux définis sur X. Cette collection d’ordres totaux constitue le profil associé
à l’élection. Pour chaque couple (x, y) de candidats avec x 9= y, on calcule le nombre mxy de
votants préférant x à y. On dit que x est majoritairement préféré à y si on a mxy ≥ myx
(ou mxy > myx si on considère des préférences strictes). S’il n’y a pas d’ex æquo, ce que
l’on supposera dans la suite, on peut alors définir le tournoi majoritaire T = (X, A) associé
à l’élection de la façon suivante. Un tournoi est un graphe orienté complet antisymétrique :
entre deux sommets distincts x et y, il existe un et un seul des deux arcs (x, y) ou (y, x).
Ici, l’ensemble des sommets de T est l’ensemble X des candidats ; pour toute paire {x, y} de
sommets avec x 9= y, l’arc (x, y) appartient à A si on a mxy > myx . Si on veut tenir compte
de l’intensité des préférences, on peut aussi pondérer l’arc (x, y) par mxy − myx (voir par
exemple [?] pour une justification de ces poids).
Il se peut que le tournoi obtenu T soit transitif. Dans ce cas, il représente un ordre total O
que l’on peut adopter comme préférence collective. On appellera vainqueur de O le candidat
préféré aux autres dans O. Mais il se peut aussi que T ne soit pas transitif, même si les
préférences individuelles sont des ordres totaux. Dans ce cas, la détermination d’une préférence
collective, ou même seulement d’un vainqueur, peut être délicate. Nous considérons deux des
nombreuses procédures proposées pour résoudre ce problème (voir [4] pour des références sur
ces deux procédures) : la procédure de Slater [11] et celle de Condorcet-Kemeny [10].

2 Description et complexité des deux procédures de vote

La méthode proposée par P. Slater consiste à déterminer un ordre à distance minimum de

T , la distance entre T et un ordre total O étant donnée par le nombre d’arcs n’ayant pas
la même orientation dans T et dans O. Le minimum de cette distance, noté i(T ), est appelé
indice de Slater de T. Un ordre à distance de T égale à i(T ) est appelé ordre de Slater de T .
Un vainqueur de Slater de T est le vainqueur d’un ordre de Slater de T .
258 Hudry

La méthode proposée vraisemblablement par Condorcet lui-même et retrouvée par d’autres

chercheurs, dont J.G. Kemeny, consiste aussi à déterminer un ordre à distance minimum de
T , mais la distance entre T et un ordre total O est ici donnée par la somme des poids des arcs
n’ayant pas la même orientation dans T et dans O. On appellera indice de Condorcet-Kemeny
le minimum de cette distance, minimum que l’on notera k(T ). Un ordre à distance de T égale
à k(T ) est appelé ordre de Condorcet-Kemeny de T . Un vainqueur de Condorcet-Kemeny de
T est le vainqueur d’un ordre de Condorcet-Kemeny de T .
Pour chacune de ces méthodes, on s’intéresse à la complexité des problèmes suivants, où T
désigne le tournoi majoritaire (pondéré ou non) de l’élection :
– déterminer un vainqueur de T selon la méthode considérée ;
– déterminer tous les vainqueurs de T selon la méthode considérée ;
– étant donné un élément x de X, déterminer si x est un vainqueur de T selon la méthode
considérée ;
– calculer i(T ) et k(T ) ;
– déterminer un ordre de Slater ou de Condorcet-Kemeny de T ;
– étant donné un ordre total O défini sur X, déterminer si O est un ordre de Slater ou de
Condorcet-Kemeny de T .
Des résultats récents ([1], [3], [5]) concernant le problème appelé Feedback Arc Set problem
appliqué aux tournois permettent d’établir des transformations de Turing montrant que les
variantes envisagées des problèmes de Slater et de Condorcet-Kemeny sont la plupart NP-
difficiles (voir [6] et [8]). On s’intéressera aussi à la localisation de ces problèmes dans la
hiérarchie polynomiale et au rôle joué par le codage du profil dans la complexité de ces
problèmes.

Références
1. Alon N. : Ranking tournaments. SIAM Journal on Discrete Mathematics 20 (1), 137–142, 2006.
2. Caritat, M.J.A.N., marquis de Condorcet : Essai sur l’application de l’analyse à la probabilité des
décisions rendues à la pluralité des voix. Imprimerie royale, Paris, 1785.
3. Charbit P., Thomassé, S., Yeo A. : The minimum feedback arc set problem is NP-hard for tour-
naments. Combinatorics, Probability and Computing 16 (1), 1–4, 2007.
4. Charon, I., Hudry, O. : A survey on the linear ordering problem for weighted or unweighted
tournaments. 4OR 5 (1), 5–60, 2007.
5. Conitzer V. : Computing Slater Rankings Using Similarities Among Candidates. In Proc. of the
21st National Conference on Artificial Intelligence (AAAI-06), Boston, MA, USA, 613–619, 2006.
6. Hemaspaandra E., Spakowski H., Vogel J. : The complexity of Kemeny elections. Theor. Comput.
Sci. 349(3), 382–391, 2005.
7. Hudry, O. : Complexity of voting procedures. In Encyclopedia of Complexity and Systems Science,
R. Meyers (éd.), Springer, New York, 2009.
8. Hudry, O. : On the complexity of Slater’s problems. Soumis pour publication.
9. Hudry, O., Leclerc, B., Monjardet, B., Barthélemy, J.-P. : Médianes métriques et laticielles. In
Concepts et méthodes pour l’aide à la décision, vol. 3 : analyse multicritère, sous la direction de
D. Dubois, M. Pirlot, D. Bouyssou et H. Prade, Hermès, 271–316, 2006.
10. Kemeny J.G. : Mathematics without numbers. Daedalus 88, 577–591, 1959.
11. Slater P. : Inconsistencies in a schedule of paired comparisons. Biometrika 48, 303–312, 1961.
 Apprentissage distribué d’états stables pour le routage

D. Barth1 , O. Bournez2 , O. Boussaton3, and J. Cohen1

1
Laboratoire PRiSM, Université de Versailles. 45, avenue des Etats-Unis, 78000 Versailles, France
dominique.barth | johanne.cohen@prism.uvsq.fr
2
Ecole Polytechnique - Laboratoire d’informatique. 91128 Palaiseau cedex, France
bournez@lix.polytechnique.fr
3
LORIA, 615, rue du Jardin Botanique, 54602 Villers les Nancy. France
octave.boussaton@loria.fr

Nous étudions un problème d’apprentissage d’équilibres dans un jeu de routage. Le jeu se

compose d’un réseau dont la représentation comporte classiquement des noeuds et des arêtes.
Les joueurs veulent transmettre de l’information entre deux noeuds du réseau tout en mini-
misant le coût de la route utilisée. Ce jeu s’inspire des réseaux de Wardrop et des jeux de
congestion (voir [2]). Le but de chacun est de minimiser son propre coût. Nous proposons ici
un algorithme distribué d’apprentissage des équilibres.

1 Modèle
Chaque joueur i a pour objectif d’envoyer une quantité d’informations wi du sommet si vers
le sommet ti . Pour cela, il dispose un ensemble Si de chemins (actions) allant de si à ti .
Le coût d’une route est la somme des coûts de toutes les arêtes qui la composent. Chaque
arête e du réseau a une fonction de coût de la forme ℓe (fe ) = ae fe + be avec ae et be ≥ 0 qui
fixe un coût, lors de chaque partie, en fonction de sa fréquentation, ou charge, fe .
Les joueurs veulent minimiser leur coût. La notion d’équilibre de Nash capture cette notion :
un équilibre de Nash correspond à un état où tout changement unilatéral de stratégie pour
un seul joueur provoque une augmentation de son propre coût. Une stratégie est un vecteur
de probabilité sur l’ensemble des chemins.
Dans notre contexte, il existe toujours un équilibre de Nash pur [4] (dans le sens où la stra-
tégie du joueur correspond à une action). Il est montré dans [2] que des systèmes centralisés
peuvent apprendre des états d’équilibres de Nash. Dans ce travail, nous considérons que les
joueurs connaissent uniquement des informations les concernant (leurs propres stratégies et
& Pari la suite, nous notons q le vecteur de stratégie du joueur i, q est tel que ∀ joueur
coûts). i i

i, s∈Si qs = 1.

Nous décrivons maintenant le mécanisme d’apprentissage

1. A chaque partie, chaque joueur i choisit un chemin (action) ai (t) en fonction de qi (t),
ci (t)
2. Tous les joueurs connaissent leur coût ci (t) et lui associent une utilité ri (t) = 1 − X ,
avec X suffisament grand pour que ri (t) soit toujours compris entre 0 et 1.
3. Chaque joueur met à jour son vecteur de stratégies de la façon suivante :
∀i, q i (t + 1) = q i (t) + b × ri (t) × (eai (t) − q i (t)) i = 1, ..., N (1)
où 0 < b < 1 est un paramètre de précision et eai (t) est un vecteur unitaire de dimension
eme
card(Si ) avec la ai (t) composante qui vaut 1.
260 D. Barth, O. Bournez, O. Boussaton, J. Cohen

2 Raisonnement
L’état du jeu à la partie t est Q(t) = (q1 (t), q2 (t), ..., qN (t)) et l’évolution du jeu décrit ici est
de la forme
Q[k + 1] = Q[k] + b · G(Q[k], a[k], c[k]), (2)
où a[k] et c[k] sont respectivement les actions et les coûts de tout le monde.
On note hi,ℓ (Q) l’espérance d’utilité du joueur i sachant
& lorsqu’il décide de jouer la stratégie
ℓ et hi (Q) son espérance moyenne. On a hi (Q) = ℓ′ qi,ℓ′ (Q)hi,ℓ′ (Q). En exprimant les
espérances d’utilité pour les joueurs, on peut déterminer une équation de réplication selon
laquelle évolue le jeu en moyenne (plus b est petit, plus cette moyenne est fiable, on donne
également en [1] des bornes sur l’erreur d’approximation).
dqi,l
= qi,l (hi,l (Q) − hi (Q)) (3)
dt
A partir de là, on utilise la notion de fonction de potentiel.
Theorem 1 (Extension of Theorem 3.3 from [3]). S’il existe une fonction non-négative
F telle que ∀l, i, Q, il existe un certain ci positif tq. ∂q
∂F
i
(Q) = ci × hi (Q) alors l’algorithme
d’apprentissage converge toujours vers un équilibre de Nash (EN).
L’idée est de montrer que la fonction de potentiel est alors strictement croissante, ce qui
implique qu’elle ait une limite puisqu’elle est également bornée. On montre que la constante
ci du théorème correspond au poids du joueur i, c’est à dire wi .
On propose ensuite la fonction de potentiel suivante qui convient pour ce jeu.
% L ae % % % ) Eprob(e)i *
M
F = ( Eprob(e)i wi )2 + be Eprob(e)i wi + ae wi2 Eprob(e)i × 1 −
2 i i i
2
e∈E
(4)
où Eprob(e)i est la probabilité pour le joueur i d’utiliser l’arête e.
Nous avons introduit quelques aspects dynamiques dans un jeu de routage. Nous avons repris
et adapté un algorithme d’apprentissage proposé par [3] et nous avons montré que le jeu
convergeait vers des équilibres de Nash si les joueurs l’utilisaient. Nous avons montré que cet
agorithme est asymptotiquement équivalent à une équation différentielle qui tendra vers un
équilibre de Nash. Voir pour plus de détail [1].

Références
1. Dominique Barth, Olivier Bournez, Octave Boussaton and Johanne Cohen. Distributed Learning
of Wardrop Equilibria Springer-Verlag - UC2008 - Vienna, Austria
2. N. Nisan, T. Roughgarden, E. Tardos and Vijay V. Vazirani. Algorithmic Game Theory. Cam-
bridge University Press, 2007.
3. P.S. Sastry, V.V. Phansalkar and M.A.L. Thathachar. Decentralized Learning of Nash Equilibria
in Multi-Person Stochastic Games With Incomplete information. IEEE transactions on system,
man, and cybernetics - 1994.
4. J. Wardrop. Proceedings of the Institution of Civil Engineers, Part II - Some Theoretical Aspects
of Road Traffic Research. 1952.
 Analyse de fiabilité des systèmes semicohérents et
description par des polynômes latticiels

Alexander Dukhovny1 and Jean-Luc Marichal2

1
Mathematics Department, San Francisco State University, San Francisco, CA 94132, USA.
dukhovny[at]math.sfsu.edu
2
Mathematics Research Unit, University of Luxembourg, L-1511 Luxembourg, Luxembourg.
jean-luc.marichal[at]uni.lu

Résumé

Considérons un système semicohérent consistant en un certain nombre de composants inter-

connectés. Un tel système peut être décrit par sa fonction de structure qui exprime, à chaque
instant, l’état du système en termes des états de ses composants. De manière équivalente, le
système peut aussi être décrit au moyen d’un polynôme latticiel qui exprime la durée de vie
du système en termes des durées de vie des composants. Par exemple, lorsque des composants
sont connectés en série, la durée de vie du segment ainsi constitué est le minimum de durées
de vie des composants.
Dans notre présentation, nous mettons en évidence le parallélisme formel entre ces deux
descriptions et nous montrons que les langages correspondants sont équivalents sur plusieurs
aspects. Nous montrons aussi que le langage des polynômes latticiels offre des avantages
significatifs. Par exemple, en exploitant la propriété de distributivité de la fonction indicatrice
par rapport aux opérations latticielles, nous montrons que la description par les polynômes
latticiels constitue un outil très naturel pour mettre en relation la structure du système avec
le treillis des événements typiques de fiabilité de la forme T ≤ t, où T est une durée de vie
aléatoire. Cet outil met donc en relation l’objectif du système, qui est encodé dans le polynôme
latticiel, avec l’équipement du système, qui est exprimé dans la distribution des durées de vie
des composants.
Ensuite, nous établissons une liste de formules exactes pour le calcul de la fiabilité du système,
aussi bien dans le cas où les durées de vie des composants sont indépendantes que dans le
cas général dépendant. Ces formules permettent alors de fournir des expressions exactes de
certains paramètres de fiabilité tels que la durée de vie moyenne du système.
Un autre avantage du langage des polynômes latticiels est qu’il nous permet d’étendre notre
étude au cas plus général où nous considérons des bornes supérieures collectives sur la durée
de vie de certains sous-ensembles de composants imposées par des conditions externes (telles
que des propriétés physiques de l’assemblage) ou même des bornes inférieures imposées par
exemple par des dispositifs de sécurité ayant une durée de vie constante. En termes de durées
de vie, de tels systèmes peuvent être décrits par des polynômes latticiels pondérés. En termes
de variables d’état, nous verrons qu’une “version pondérée” des fonctions de structure est
alors requise. Nous en déduisons alors des formules exactes généralisées pour le calcul de la
262 Dukhovny, Marichal

fiabilité et de la durée de vie moyenne de ces systèmes ainsi dotés de bornes supérieures et
inférieures.
Finalement, nous montrons comment nos résultats peuvent fournir des formules exactes pour
exprimer la fonction de répartition et les moments des polynômes latticiels pondérés de va-
riables aléatoires.

Références
1. G. Birkhoff. Lattice theory. Third edition. American Mathematical Society Colloquium Publica-
tions, Vol. XXV. American Mathematical Society, Providence, R.I., 1967.
2. A. Dukhovny. Lattice polynomials of random variables. Statistics & Probability Letters,
77(10) :989–994, 2007.
3. A. Dukhovny and J.-L. Marichal. System reliability and weighted lattice polynomials. Probability
in the Engineering and Informational Sciences, 22(3) :373–388, 2008.
4. A. Dukhovny and J.-L. Marichal. Reliability analysis of semicoherent systems through their
lattice polynomial descriptions. Submitted. (http://arxiv.org/abs/0809.1332).
5. R. L. Goodstein. The solution of equations in a lattice. Proc. Roy. Soc. Edinburgh Sect. A,
67 :231–242, 1965/1967.
6. M. Grabisch, J.-L. Marichal, and M. Roubens. Equivalent representations of set functions. Math.
Oper. Res., 25(2) :157–178, 2000.
7. G. Grätzer. General lattice theory. Birkhäuser Verlag, Berlin, 2003. Second edition.
8. P. Hammer and S. Rudeanu. Boolean methods in operations research and related areas. Berlin-
Heidelberg-New York : Springer-Verlag, 1968.
9. J.-L. Marichal. Weighted lattice polynomials. Discrete Mathematics, to appear.
(http://arxiv.org/abs/0706.0570).
10. J.-L. Marichal. On Sugeno integral as an aggregation function. Fuzzy Sets and Systems,
114(3) :347–365, 2000.
11. J.-L. Marichal. Cumulative distribution functions and moments of lattice polynomials. Statistics
& Probability Letters, 76(12) :1273–1279, 2006.
12. J.-L. Marichal. Weighted lattice polynomials of independent random variables. Discrete Applied
Mathematics, 156(5) :685–694, 2008.
13. S. Ovchinnikov. Means on ordered sets. Math. Social Sci., 32(1) :39–56, 1996.
14. G. Owen. Multilinear extensions of games. Management Sci., 18 :P64–P79, 1972.
15. K. G. Ramamurthy. Coherent structures and simple games, volume 6 of Theory and Decision
Library. Series C : Game Theory, Mathematical Programming and Operations Research. Kluwer
Academic Publishers Group, Dordrecht, 1990.
16. M. Rausand and A. Høyland. System reliability theory. Wiley Series in Probability and Statistics.
Wiley-Interscience [John Wiley & Sons], Hoboken, NJ, second edition, 2004.
17. S. Rudeanu. Lattice functions and equations. Springer Series in Discrete Mathematics and
Theoretical Computer Science. Springer-Verlag London Ltd., London, 2001.
 Allocation de fréquences dans un système de
communication satellitaire utilisant le SDMA

Laurent Houssin1,2 , Christian Artigues1 , Erwan Corbel3

1
LAAS-CNRS ; Université de Toulouse ; 7, avenue du Colonel Roche, 31077 Toulouse, France.
2
Université de Toulouse ; UPS, France.
{houssin,artigues}@laas.fr
3
Thales Alenia Space, Advanced Telecom & Navigation Systems Research, 26 av. J.F.
Champollion, 31037 Toulouse, France.
erwan.corbel@thalesaleniaspace.com

L’évolution des systèmes de télécommunication satellitaires tend vers une plus grande capacité
des utilisateurs, une plus grand flexibilité (par rapport à la position des utilisateurs) et une
meilleure qualité. Plusieurs techniques permettent d’atteindre ces objectifs, notamment le
multiplexage fréquentiel et le multiplexage temporel. La plus récente et la plus prometteuse
de ces techniques est le SDMA (Spatial Division Multiple Access). Cette technique, qui peut
être combinée avec les deux précédentes, consiste à dépointer les faisceaux formés par le
satellite et leur donner une forme qui va permettre de diminuer les interférences pour un
utilisateur donné.
Le système de télécommunication bidirectionnel que l’on étudie ici est constitué d’une passe-
relle connectée au réseau terrestre, d’un satellite et d’une zone de service où des terminaux
disposés aléatoirement (distribution uniforme) demandent une fréquence. Dans le cadre de
cette étude, nous nous intéressons à la liaison retour, c’est-à-dire la liaison "utilisateurs à
passerelle" (voir figure 1).
Les faisceaux formés par le satellite ont deux caractéristiques principales qui sont
• la position du centre du faisceau sur la zone de service,
• le diagramme de rayonnement de l’antenne.
Une représentation analytique du diagramme de gain permet de calculer le niveau de gain
reçu par un utilisateur donné. Cette valeur est une fonction non linéaire de la position de
l’utilisateur par rapport au centre du faisceau et de la position de l’utilisateur par rapport au
satellite.
Le rapport signal sur bruit plus interférences NC+I (qui met en jeu la fonction analytique
)C *
décrivant le gain) d’un utilisateur doit être supérieur à un seuil N RsModCod
(dépendant du
schéma de modulation) pour permettre la communication :
N O
C C
≥ (1)
N +I N RsModCod

Ce rapport NC+I est calculé à travers un bilan de liaison qui met en jeu la fonction analytique
décrivant le gain, la position des interférants (i.e. les utilisateurs possédant la même fréquence)
et la position de l’utilisateur.
L’objectif est donc de maximiser le nombre d’utilisateurs servis sous la contrainte (1) pour
chaque utilisateur et avec un nombre de fréquences limité.
Afin de démontrer l’interêt du système SDMA, nous considérons deux scénarios représentatifs
des conditions réelles de fonctionnement. Un premier scénario où l’on considère que chaque
264 L. Houssin, C. Artigues, E. Corbel

utilisateur possède un faisceau centré sur lui (ce qui est rendu possible grâce au système
SDMA). Le second scénario est composé d’une allocation fixe et régulière des faisceaux,
qui forment ainsi des "spots" sur la zone de service. Pour les deux scénarios, le nombre de
fréquences disponibles est limité à 8.
Bien que le problème original mettent en jeu des contraintes non linéaires (notamment (1)) ,
nous obtenons une formulation linéaire en nombres entiers du problème (pour une réalisation
donnée de la distribution des utilisateurs). En effet, en tenant compte de l’effet cumulatif
des interférences sur un utilisateur, nous ramenons le problème sous une forme linéaire. Plus
précisément, pour ces deux scénarios, on peut obtenir la contrainte suivante pour un utilisateur
i: %
δij ≤ αi , (2)
j∈Interf (i)

où αi représente le niveau maximum d’interférences que peut recevoir l’utilisateur i et δij le

niveau d’interférence de l’utilisateur j sur l’utilisateur i si j a la même fréquence.
En considérant l’aspect cumulatif des contraintes, nous présentons un programme linéaire en
nombres entiers modélisant chaque scénario. Des algorithmes gloutons basés sur la représen-
tation cumulative des contraintes sont également proposés pour résoudre chaque scénario.
Enfin, nous concluons que l’analyse des performances des deux scénarios démontre tout l’in-
térêt du système SDMA, à la fois pour les formulations de programme linéaire en nombres
entiers où le temps d’exécution est limité à 1 minute et pour les algorithmes gloutons.

Fig. 1. communication utilisateurs à passerelle.

Références
1. M. Palpant, C. Oliva, C. Artigues, P. Michelon and M. Didi Biha. Models and methods for
frequency allocation with cumulative interference constraints. Vol. 15, No. 3., pp. 307-324 Inter-
national Transactions in Operational Research (2008).
2. J.C. Liberti and T.S. Rappaport. Smart Antennas for Wireless Communications (1999). Prentice
Hall.
 Optimisation de la collecte de données dans un champ
de capteurs par VNS/VND

M. Sylla1 , B. Meden1 , and C. Duhamel2

1
ISIMA, campus des Cézeaux, 63173 Aubière Cedex France.
sylla,meden@poste.isima.fr
2
LIMOS, Université Clermont-Ferrand II, campus des Cézeaux, 63177 Aubière Cedex France.
christophe.duhamel@isima.fr

1 Introduction

Les réseaux de capteurs sans fil (WSN) sont composés d’un grand nombre de capteurs dissé-
minés sur le terrain à étudier. Chaque capteur est une entité autonome possédant un senseur,
une unité de traitement, une unité de communication et une batterie. Ainsi, un LiveNode est
équipé d’un ARM7TDMI à 55 MHz et de 64 Kb de SRAM [4]. Dans les WSN classiques,
les capteurs sont capables de construire ex nihilo le réseau de communication de manière à
acheminer leurs mesures vers un ou plusieurs points spéciaux : les puits. À la différence des
capteurs, les puits ont davantage d’autonomie, de capacité de traitement et de stockage. Ils
sont généralement plus volumineux.
Au niveau énergétique, la part de consommation dédiée à la réception et à la transmission
des données est prépondérante. Elle impacte fortement sur la durée de vie des senseurs et des
protocoles spécifiques sont mis en œuvre pour maximiser la durée de vie du réseau.
Nous étudions ici un scénario alternatif dans lequel les capteurs n’établissent explicitement pas
un réseau de communication vers les puits. Les informations sont stockées dans les capteurs
jusqu’au passage à proximité d’un agent chargé de la collecte. De ce fait, l’essentiel de l’énergie
du capteur est dédiée à la surveillance de son environnement proche augmentant d’autant la
durée de vie du système.
Dans ce travail, nous proposons de modéliser le problème de la collecte des données stockées
dans les capteurs comme une variante du TSP puis nous présentons une métaheuritique
de type VNS/VND [1] permettant de trouver des solutions de bonne qualité en un temps
raisonnable.

1.1 Modélisation

On considère G = (N, A) le graphe orienté dans lequel N est l’ensemble des sommets (cap-
teurs) et A est l’ensemble des arcs. Un arc (i, j) ∈ A représente la possibilité pour le capteur
i de transmettre directement ses données au capteur j. On suppose que l’agent chargé de
la collecte se situe initialement sur le sommet 0. Il doit effectuer une tournée permettant de
collecter les données de chaque capteur. Pour simplifier, on suppose qu’il effectue ses collectes
au-dessus des capteurs visités. Ainsi, s’il est sur le sommet i, il est capable de collecter ses
données, mais aussi les données des capteurs j tels que (j, i) ∈ A. Il n’est donc pas nécessaire
de passer par tous les capteurs et l’on recherche la tournée la plus courte.
266 Sylla, Meden, Duhamel

Ce problème est donc une variante du TSP : on ne doit pas passer par tous les sommets
mais tous les sommets doivent être couverts par la tournée. Il peut également être perçu
comme la combinaison du TSP et du problème de p-médianes. Il est NP-difficile. On notera
également des connexions avec le problème d’Orienteering [3] dans lequel on doit sélectionner
les sommets sur lesquels réaliser la tournée. À la différence de l’Orienteering, nous devons
couvrir tous les sommets. Récemment, Gulczynski et al. [2] ont proposé plusieurs heuristiques
pour une variante du problème : des puces RFID sont disséminées dans un espace donné et
il s’agit de déterminer la tournée minimale permettant de lire chaque puce. La tournée ne
passe pas nécessairemnt par les sommets (les puces). Shuttleworth et al. [6] se sont également
intéressés à ce problème dans un réseau urb ! ain.

1.2 VNS/VND
Nous proposons une métaheuristique VNS utilisant une VND pour la recherche locale. Pour
la VND, quatre voisinages sont considérés : le 2-opt et le 3-opt [5], le transfert de sommet
couvert et la suppression de sommet visité. Les trois premiers voisinages travaillent à nombre
de sommets visités fixe alors que le dernier voisinage vise à réduire de nombre de sommets
visités. La solution initiale est générée par un algorithme glouton. À chaque itération, il insère
dans la tournée partielle le sommet non lu qui permet de couvrir le plus de sommets non lus.
La méthode de shaking de la VNS consiste à insérer aléatoirement dans la tournée un certain
nombre de sommets non visités.
Les résultats expérimentaux sur de petites instances permettent de comparer la qualité de
la solution fournie par la VNS/VND par rapport à la solution optimale. Ils montrent que
la méthode fournit des résultats de bonne qualité. Lorsque la taille des instances augmente,
le temps de calcul augmente sensiblement et des stratégies de réduction de voisinage sont
actuellement en cours d’étude.

Références
1. N. Mladenović, N. Hansen, P. : Variable neighborhood search. Computers and Operations Re-
search, Vol. 24(11), pp. 1097–1100 (1997)
2. Gulczynski, D.J. Heath, J.W. Price, C.C. : The Close Enough TravelingSalesman Problem : A
Discussion of Several Heuristics. In Perspectives in Operations Research : Papers in Honor of Saul
Gass‚Äô 80th Birthday, F. Alt, M. Fu and B. Golden, eds, Springer Verlag, pp. 271–283 (2006)
3. Golden, B. Levy, L. Vohra, R. : The Orienteering Problem. Naval Research Logistocs, Vol. 34, pp.
307–318 (1987)
4. Hou, K.-M. De Souza, J. Channet, J.-P. Zhou, H.-Y. Kara, M. Amamra, A. Diao, X. de Vaulx, C.
Li, J.-J. Jacquot, A. : LiveNode : Limos versatile embedded wireless sensor node. In Proceedings
of 1st International Workshop on Wireless Sensor Networks, Marrakesh (2007)
5. S. Lin, S. Kernighan, B.W. : An Effective Heuristic Algorithm for the Traveling-Salesman Problem.
Operations Research, Vol. 21, pp. 498–516 (1973)
6. Shuttleworth, R. Golden, B.L. Smith, S. Wasil, E. : Advances in Meter Reading : Heuristic Solution
of the Close Enough Traveling Salesman Problem over a Street Network. In The Vehicle Routing
Problem : Latest Advances and New Challenges, B. Golden, S. Raghavan and E. Wasil, eds,
Springer Verlag, pp. 487–501 (2008)
 Scalabilité pour le contrôle réparti :
un problème d’agrégation d’informations

T. Bernard1 , A. Bui2 , and C. Rabat1

1
SYSCOM CReSTIC, Université de Reims Champagne-Ardenne.
{thibault.bernard , cyril.rabat}@univ-reims.fr
2
PRiSM, Université de Versailles Saint-Quentin-en-Yvelines.
alain.bui@prism.uvsq.fr

Le cadre de notre étude concerne le développement d’outils et de méthodes pour permettre le

calcul réparti sur un ensemble d’entités de calculs autonomes interconnectées par un réseau
de communication. Nous nous intéressons à la gestion des mécanismes permettant de mettre
en œuvre ce type de système par l’étude de problèmes de contrôle et en particulier l’étude
de problèmes de structuration au travers de la construction de structures topologiques cou-
vrantes pour des systèmes répartis dynamiques sujet à des pannes transitoires. Nous avons
introduit et utilisé la combinaison des concepts de mot circulant (jeton collecteur et diffuseur
d’informations) et de marche aléatoire comme outil de circulation des mots circulants. Par
ce biais, nous avons pu proposer des solutions pour construire des arbres couvrants adapta-
tifs pour des systèmes dynamiques, même avec l’occurrence de pannes transitoires dans le
système. Nous proposons ici une solution pour le passage à l’échelle de tels systèmes.

Un système réparti est constitué d’un ensemble d’entités autonomes qui effectuent un calcul
par le biais d’échange de messages. Nous considérons des systèmes dynamiques : des entités
peuvent s’y connecter ou s’en déconnecter de manière arbitraire. Pour gérer un tel système,
il est nécessaire de construire une structure de contrôle sur l’ensemble des entités. Cette
structure doit en outre gérer le dynamisme du système. La gestion de cette structure implique
l’échange d’informations entre les entités du système : le volume d’informations échangées
augmente lorsque le dynamisme du système augmente.
Nous avons proposé dans [2], une solution à base de marche aléatoire pour gérer le dynamisme
d’un tel système. Nous exploitons les déplacements aléatoires d’un message particulier entre
les entités du système (nous appelons ce message jeton). Ce jeton récolte les identifiants des
entités rencontrées à l’aide d’un mot circulant (particule du jeton qui collecte de l’information,
ici la liste des identifiants). Nous appliquons à cette liste un algorithme qui permet de main-
tenir une arborescence couvrante capable de gérer la volatilité du système. Suivant le type de
contexte, nous avons réussi à borner la taille du jeton à 2n − 1 pour des canaux symétriques
et à n2 /4 pour des canaux asymétriques, où n est le nombre d’entités du système. La gestion
à l’aide d’un mot circulant nous apporte l’adaptativité de la structure de contrôle : celle-ci
est modifiée perpétuellement au fur et à mesure des déplacements du jeton et s’adaptant aux
reconfigurations du système.
Ce type de solutions fondées sur les marches aléatoires présente plusieurs avantages. A tout
moment, un seul message transite dans tout le système quel que soit le nombre de connexions
ou déconnexions. Cela réduit le volume d’informations échangées entre les entités du système.
De plus, les marches aléatoires n’utilisent que des informations locales, elles sont naturellement
adaptatives au dynamisme des systèmes.
268 Bernard, Bui, Rabat

Par contre, le temps moyen de circulation (de l’ordre de O(n3 ) [3]) de ces marches peut s’avé-
rer rédhibitoire lorsque le nombre de composants du système augmente, et constitue donc un
facteur limitatif pour concevoir des applications réparties à grande échelle. L’augmentation du
nombre d’entités entraîne une baisse d’efficacité de la maintenance de la structure de contrôle.
Le temps de mise-à-jour nécessaire entre des pannes devient de plus en plus important, im-
pliquant une latence de plus en plus importante. Suivant le temps de réponse souhaité par
l’application exploitant le système, la taille peut atteindre une borne critique.
De nombreuses solutions sont proposées dans la littérature pour gérer le passage à l’échelle.
Le partitionnement est une solution envisagée. On décompose alors l’ensemble des entités
en partitions. Chaque partition s’auto-gère de manière indépendante et un protocole permet
l’échange d’informations entre les partitions.
A partir d’algorithmes de construction et de maintenance d’arbres couvrants fondés sur le
mot circulant [2,1], nous utilisons cette structure pour décomposer le système de manière
totalement décentralisée. Cette solution conserve les propriétés d’adaptativité, de décentrali-
sation et de tolérance aux pannes. Notre algorithme fonctionne en utilisant la maintenance de
la structure de contrôle. Lorsque la taille de la structure devient trop importante (supérieure
à M ), nous divisons la structure en deux partitions. Afin de limiter le nombre de partitions,
chacune a une taille bornée inférieurement par m. Lors de la division, une vague est envoyée le
long des deux structures de contrôle afin de mettre a jour les informations de partitionnement.
Chacune des structures possède alors son propre jeton pour s’auto-gérer.
Lors du déplacement du jeton, notre algorithme fonctionne en utilisant trois principes :
Annexion Le jeton atteint une entité contenue dans aucune structure de contrôle. Celle-ci
est alors annexée à la structure du jeton en mettant à jour ses informations locales.
Fusion Le jeton atteint une entité contenue dans une autre structure que celle que maintient
le jeton. Si la partition maintenue par le jeton est de taille insuffisante (i.e. inférieure à m)
, les deux structures sont fusionnées.
Division Le jeton annexe une nouvelle entité mais la taille de la structure est trop importante
(i.e. supérieure à M ). La structure est alors divisée en deux et chaque entité met à jour ses
informations locales de partitionnement.
Le choix de m et M dépend du dynamisme que l’on souhaite supporter. Le rapport M > 2m
est impératif pour assurer le bon fonctionnement de l’algorithme. Plus le ratio M/m est
important, plus le dynamisme accepté est grand, par contre la taille des structures de contrôle
peut être disparate et alors engendrer une variabilité dans la mise-à-jour de ces structures.
Nos travaux futurs s’orientent donc dans une étude expérimentale de ces deux paramètres.

Références
1. T. Bernard, A. Bui, and O. Flauzac. Random distributed self-stabilizing structures maintenance.
In ISADS’04, IEEE Internationnal Symposium on Advanced Distributed Systems Proccedings,
volume 3061, pages 231–240. Springer Verlag, january 2004.
2. T. Bernard, A. Bui, O. Flauzac, and C. Rabat. Decentralized resources management for grid.
In RDDS’06 International Workshop on Reliability in Decentralized Distributed systems, volume
LNCS 4278, pages 1530–1539. Springer, 2006.
3. L.Lovász. Random walks on graphs : A survey. In Combinatorics : Paul Erdos is Eighty (vol. 2),
pages 353–398. János Bolyai Mathematical Society, 1993.
 Présentation d’une méthode de résolution pour les
problèmes de placement 2D et 3D

G. Jacquenot1,2 , F. Bennis1 , J.-J. Maisonneuve2 , P. Wenger1

1
Ecole Centrale de Nantes, IRCCyN, UMR CNRS 6597, Nantes, France
2
SIREHNA, Nantes, France
guillaume.jacquenot@irccyn.ec-nantes.fr

1 Introduction
Dans la littérature, les problèmes de découpe et de conditionnement (Cutting & Packing
problems) et les problèmes d’agencement (Layout problems) ont souvent été traités de manières
distinctes. Toutefois, ils présentent de nombreuses similarités, qui nous permettent de les
traiter comme des problèmes, que nous appelons, problèmes de placement. Le problème de
découpe de formes irrégulières et le problème d’agencement des composants d’un satellite font
partie de cette famille.
Etant donné un ensemble de composants et un contenant, un problème de placement consiste
à trouver l’ensemble des variables de positionnement des composants afin de minimiser un
ensemble d’objectifs, tout en respectant certaines contraintes. Les problèmes de placement
peuvent alors être formulés comme des problèmes d’optimisation sous contraintes. Les contraintes
de non chevauchement entre composants et les contraintes d’appartenance des composants
au contenant sont regroupées dans les contraintes de placement.
Le développement d’une méthode de résolution adaptée de nombreux problèmes de placement
repose principalement sur deux constats :
– Deux types de modélisation sont utilisables pour résoudre les problèmes de placement : les
méthodes de placement légal et les méthodes de placement relaxé. Bien que ne garantissant
pas le respect des contraintes de placement, les méthodes de placement relaxé sont plus
souples d’utilisation et adaptées à tout type de problème. Un algorithme de séparation peut
alors utilisé pour faire respecter ces contraintes.
– La majorité des problèmes d’agencement ne sont pas réellement traités comme des pro-
blèmes multi-objectifs : objectifs et contraintes sont agrégés dans une seule et même fonction
objectif, qu’un optimiseur cherche à minimiser [1].
Notre objectif est de proposer une méthode de placement relaxé capable de traiter des com-
posants de géométries complexes (polygones en 2D et polyèdres en 3D) pour la résolution de
problèmes de placement mono-objectifs et multi-objectifs.

2 Méthode proposée
La méthode proposée consiste en l’hybridation d’un algorithme d’optimisation global et d’un
algorithme de séparation. L’algorithme d’optimisation global génère des solutions en explorant
de manière efficace l’espace de recherche. L’algorithme de séparation a pour mission de rendre
admissibles autant que possible les solutions proposées par l’optimiseur global.
270 Jacquenot, Bennis, Maisonneuve, Wenger

L’algorithme génétique OmniOptimizer [2] est utilisé comme optimiseur global. Il est basé
sur la méthode NSGA-2 et est adapté à la résolution de problèmes mono-objectifs et multi-
objectifs. Nous avons adapté les opérateurs de croisement et de mutation aux spécificités
des problèmes de placement. Avant d’évaluer chaque solution, les contraintes de placement
sont évaluées et si elles ne sont pas respectées, la solution est modifiée par l’algorithme de
séparation afin de la rendre admissible.
L’algorithme de séparation est chargé, à partir d’une solution initiale ne respectant pas
les contraintes de placement, de déplacer localement les composants afin de minimiser une
fonction traduisant le non-respect de ces contraintes. Cette fonction est choisie comme la
somme des profondeurs de pénétration entre composants. Un programme d’optimisation non-
linéaire, pour lequel le gradient analytique de la fonction peut être facilement obtenu, est
ainsi construit. La méthode quasi-Newton BFGS est utilisée pour trouver le minimum de
cette fonction.
En 2D, l’algorithme de séparation est basé sur l’utilisation de polygones de non recouvre-
ment (No-fit polygon) et de polygones d’appartenance (Inner-fit polygon) [3]. En 3D, le calcul
des polyèdres de non-recouvrement et d’appartenance est plus complexe, même dans le cas
de composants convexes (polytopes). Une méthode proposée consiste à transformer les com-
posants en assemblages de sphères [4]. L’utilisation de tels assemblages présente plusieurs
avantages : simplicité de détection de collisions, invariance en rotation. De plus, cette modéli-
sation permet de futures extensions, comme la modélisation de composants articulés ou encore
l’introduction de composants déformables. Enfin, l’algorithme de séparation peut prendre en
compte les cas spécifiques, où tous les composants ont une géométrie similaire et simple (rec-
tangles, cercles en 2D, parallélépipèdes, ou sphères en 3D). Pour ces cas là, les méthodes de
résolution ad-hoc seront toujours plus rapides que la méthode proposée, mais ne pourront pas
traiter d’autres problèmes.

3 Conclusion
La méthode proposée se veut générique et adaptée à une large palette de problèmes de place-
ment. Les simulations réalisées sur des exemples de la littérature permettent de s’approcher
des résultats de référence dans plusieurs disciplines. La modélisation actuelle est flexible et
permet de nombreuses extensions futures.

Références
1. C. Aladahalli, J. Cagan, et K. Shimada, “Objective function effect based pattern search - an
implementation for 3D component layout,” Journal of Mechanical Design, vol. 129, pp. 255–265,
2007.
2. K. Deb et S. Tiwari, “Omni-Optimizer : A generic Evolutionary Algorithm for single and multi-
objective optimization,” European Journal of Operational Research, vol. 185, pp. 1062–1087, 2008.
3. T. Imamichi, M. Yagiura, et H. Nagamochi, “An iterated local search algorithm based on nonlinear
programming for the irregular strip packing problem,” in Proceedings of the Third International
Symposium on Scheduling, Tokyo, Japan, no. 9, pp. 132–137, 2007.
4. T. Imamichi et H. Nagamochi, “A multi-sphere scheme for 2D and 3D packing problems,” in SLS,
pp. 207–211, 2007.
 Le problème de placement/chargement en
trois-dimensions : calcul de bornes et méthodes
approchées

N.Cherfi1 , M.Hifi2 , and I. Kacem3

1
MSE, Université Paris 1, 106-112, Bd de l’Hôpital, 75013 Paris, France.
Nawal.Cherfi@malix.univ-paris1.fr
2
MIS, UFR des Sciences, Université de Picardie Jules Verne, 33 rue Saint Leu, 80000 Amiens,
France.
hifi@u-picardie.fr
3
LOSI, Université de Technologie de Troyes, 12 rue Marie Curie B.P 2060 Troyes 10010, France.
Imed.kacem@utt.fr

1 Introduction

Le problème de placement/chargement (bin-packing) en trois-dimensions est un problème

d’optimisation combinatoire. Ce problème apparaît dans plusieurs domaines d’application,
comme le génie industriel, la logistique, la manutention ainsi que la production. Il consiste
en général à placer/charger un ensemble de n objets dans un minimum de conteneurs (bins)
identiques.
À notre connaissance, peu d’articles concernant le problème de placement/chargement en
trois-dimensions ont été publiés. En particulier, ce problème a été étudié par Martello et
al. [3] qui ont proposé des bornes inférieures intéressantes et une méthode de résolution
exacte basée sur une procédure de branch-and-bound. Les auteurs ont montré, expérimenta-
lement, que cette dernière méthode était efficace pour des instances de petite taille. Dans un
autre article, Lodi et al. [1] ont proposé une méthode approchée basée sur une recherche ta-
bou employant une nouvelle heuristique constructive pour évaluer les voisinages. Finalement,
Hifi [2] a proposé une autre méthode approchée qui s’appuie principalement sur la résolution
d’une série de problèmes de sac-à-dos unidimensionnels combinés ‡ une recherche tronquée.
Cette dernière reste intéressante dans le sens où elle traite le cas guillotine et non-guillotine
du problème.

2 Le problème étudié

Dans cet article, nous étudions le problème de placement/chargement en trois dimensions qui
fait partie de la famille de "Découpe et Placement" (Cutting and Packing [6]). Une instance
de ce problème est caractérisée par un ensemble de n objets (petits parallélépipèdes) et
un ensemble de m support (grands parallélépipèdes ou des conteneurs). Chaque objet j ∈
{1, . . . , n} est caractérisé par ses dimensions (lj , wj , hj ) où lj représente sa longueur, wj sa
largeur et hj sa profondeur. De plus, comme il s’agit d’un problème lié au problème de
chargement, des contraintes supplémentaires sont imposées sur chaque chargement : (i) éviter
272 Cherfi, Hifi, Kacem

le débordement et (ii) respecter le tonnage du support. Le problème revient alors à placer

tous les objets de sorte que :
1. les objets ne se chevauchent pas ;
2. le nombre de supports utilisé soit minimum.
Dans cet exposé, nous proposons trois méthodes de résolution approchée pour le problème
du placement/chargement en trois-dimensions. La première méthode est caractérisée par de
nouvelles bornes obtenues en généralisant la procédure de Lodi et al. [1]. Les deux autres
méthodes s’appuient principalement sur certaines techniques d’arrondi ainsi que la recherche
locale.

3 Méthodes de résolution
Nous nous intéressons à la résolution approchée du problème de placement/chargement en
trois-dimensions en exploitant, d’un côté, une procédure proposée par Lodi et al. [1] et d’un
autre côté les caractéristiques de la recherche locale et les techniques d’arrondi.
Dans un premier temps, nous proposons une généralisation de l’approche proposée par Lodi
et al. [1] par application de l’idée de la décomposition des objets j, j ∈ {1, . . . , n}. Par la
suite, en s’appuyant sur cette décomposition, nous proposons différentes bornes inférieures,
selon l’axe choisi. Dans un deuxième temps, nous proposons deux nouvelles formulations du
problème sous forme de programmes linéaires mixtes (MIP).
Vu l’importance des variables utilisées dans les deux modèles, nous nous sommes limités à
la résolution exacte des instances de petite taille. Cependant, afin d’accroître l’intérêt des
deux modèles, nous avons étendu la résolution exacte vers une résolution heuristique, en
particulier pour des instances de taille plus importante. Pour ce faire, nous proposons une
nouvelle méthode de résolution qui s’appuie sur les techniques d’arrondi. Cette dernière a pour
but d’approcher des solutions admissibles à partir de la relaxation en continue du problème
original. Cette approche peut se résumer comme suit :
1. Résoudre la relaxation en continue du problème original, fixer et arrondir ensuite une
partie des variables binaires à leurs valeurs entières.
2. Réitérer le procéssus jusqu’ à obtention d’une solution admissible.
Par la suite, cette méthode a été couplée avec une recherche locale, du type tabou, pour tenter
l’amélioration des solutions obtenues. D’une façon générale, cette méthode consiste à appli-
quer iterativement des modifications locales à la solution courante, tant qu’elles permettent
d’améliorer la valeur de l’objectif.
Ces différentes approches sont en cours de validation. Les premiers résultats expérimentaux
sont encourageants.

Références
1. A. Lodi, S. Martello, D. Vigo, “Heuristic algorithms for the three-dimensional bin packing pro-
blem" European Journal of Operational Research, vol. 141, pp.410–420, 2002.
2. M. Hifi, “Approximate algorithms for the container loading problem" International Transactions
in Operational Research, vol. 9, pp. 747–774, 2002.
 Le problème de placement/chargement en trois-dimensions 273

3. S.Martello, D. Pisinger, D.Vigo, “The three-dimensional bin packing problem” Operations Re-
search, vol. 48, pp.256–267, 2000.
4. G. Wäscher, H. Haussner and H. Schumann, “An improved typology of cutting and packing
problems" European Journal of Operational Research, vol. 183, pp. 1109–1130, 2007.
 Algorithme coopératif parallèle pour le problème de
découpe contraint à deux dimensions

Mhand Hifi1,3 , Rym M’Hallah2 , and Toufik Saadi3

1
LaRIA, Université de Picardie Jules Verne, 5 rue du Moulin Neuf, 80000 Amiens, France.
2
Département de Statistique et de recherche opérationnelle, Kuwait University, P.O. Box 5969,
Safat 13060, Kuwait.
3
CES, Equipe CERMSEM, MSE, Université Paris 1, 106-112, bd de l’Hôpital, 75647 Paris cedex
13, France.hifi@laria.u-picardie.fr ; mhallah@kuc01.kuniv.edu.kw ;
Toufik.Saadi@malix.univ-paris1.fr

1 Introduction
Nous proposons une application parallèle de la recherche par faisceaux pour résoudre le problème
de découpe contraint à deux dimensions et à deux niveaux. L’algorithme proposé exploite plusieurs
processeurs pour élargir l’espace de recherche et permet d’augmenter la largeur du faisceau. Par
ailleurs, L’algorithme fonctionne selon le paradigme maître/esclave et chaque type de processeur
utilise une stratégie du meilleur d’abord dans ces développements. L’algorithme utilise le processeur
maître pour gérer les synchronisations et la diversification des chemins de recherche. Le caractère
irrégulier du problème traité, nous a poussé à définir une politique dynamique de régulation de
charge. Les résultats obtenus sur deux groupes d’instante, réputés dans la littérature comme étant,
très difficiles, a donné des résultats encourageants et montre l’intérêt de l’utilisation du parallélisme
dans les méthodes approchées.

2 Analyse de l’algorithme séquentiel CGBS

L’algorithme séquentiel combine l’algorithme GBS et la procédure de remplissage BFP. Le principe
de BFP est le suivant : Soit w, w ≤ W , la hauteur du sous rectangle courant (L, w), r, r ≤ n le
nombre de bandes optimales de hauteur wj ≤ w, Swj l’ensemble de pièces de la bande (L, wj ), où
wj ≤ w et fwj (L) la valeur de la solution associée à la bande (L, wj ). Le plan de découpe associé au
sous rectangle (L, w) de profit hL (w) est la solution optimale du programme linéaire suivant :
 %r


 h L (W ) = max fw (L)yi



 j=1

 r
 s.c. % w y ≤ w

j j
(IPL,w ) =

 j=1

 %r

 xij yj ≤ bi , i ∈ I




 j=1
yj ≤ aj , yj ∈ N, j = 1, ..., r,

où xij représente le nombre d’occurrences de la i ème pièce dans la j ème bande de dimension (L, wj )
et PQ R Q R S
wp bi
aj = min wj
, mini∈f w xij
avec x ij > 0
j
 Algorithme coopératif parallèle pour FCTDC 275

Dans l’algorithme séquentiel SCGBS, un nœud u est représenté par deux sous rectangles ; (i) ((L, W −
y), (L, y)), où (L, W − y) est la solution réalisable locale et (ii) (L, y) le sous rectangle à com-
pléter. L’algorithme utilise une fonction d’évaluation qui combine trois solutions : Soit w une dé-
coupe horizontale sur le sous rectangle complémentaire (L, y), avec w ≤ Y et w ∈ w1 , ..., wn . Soit
v = ((L, W − y + w), (L, Y − w)) un des nœuds résultat de cette découpe. L’algorithme coopératif
combine les trois points suivants sur le nœud v :
1. ẐvLocal la valeur de la solution réalisable du sous rectangle (L, W − y + w).
2. BF P(L,Y −w) une solution réalisable complémentaire du rectangle initial S.
3. U (L,y) une borne supérieure du sous rectangle complémentaire (L, y − w).
L’examen de ces trois points permet de remarquer l’indépendance entre le calcul de la borne supérieure
et l’obtention de la solution réalisable complémentaire. Le calcul en parallèle de ces deux points
présente un axe d’amélioration des performances de l’algorithme séquentiel.

3 L’algorithme coopératif parallèle

Les principales phases du traitement effectuées par le processeur maître sont les suivantes : Dans
phase d’initialisation, l’algorithme calcul la borne supérieure complémentaire U K(L,W ) ; pour le couple
(wj , fwhor
j
), j ∈ J. Cette borne supérieure est calculée par programmation dynamique. La program-
mation dynamique permet d’avoir toutes les bornes supérieures U(L,Y ) , Y = 0, . . . , W,. Le calcul de
la borne inférieure complémentaire LB(L,W ) ; est réalisé par la procédure MFP qui est lancée paral-
lèlement au calcul de la borne supérieure. Les deux bornes sont utilisées par la suite dans la phase
de filtrage. Le filtrage est appliqué sur l’ensemble s. Cette T phaseUconsiste à mettre à jour la meilleure
solution réalisable courante z ⋆ par la résolution de max ẑjLocal .
j∈J
Les phases principales de la procédure utilisée par les processeurs esclaves k, k = 1, . . . , η, où η
présente le nombre de processeurs esclaves disponibles sont les suivantes :

La phase d’initialisation, est identique à la phase d’initialisation de l’algorithme SCGBS. En effet, la

procédure MFP (voir Hifi et al[2]) est inutile dans cette phase. L’évaluation des nœuds et le calcul
de la solution complémentaire seront effectués dans la phase suivante.

La phase itérative commence par sélectionner le meilleur nœud, noté µ = ((L, W − Y ), (L, Y )), de
la premier liste interne Bk et le supprime de celle-ci. Dans l’étape suivante,P r (r ≤ s ≤ n) bandes
g
générales sont crées par la résolution du problème BKL,wr
, où r = max wr | wr ≥ wj , wj ≤
S
Wµ , j ∈ J . L’algorithme calcul pour chaque bande (nœud) ν les bornes inférieure (ẑνLocal ) et
supérieure complémentaire (Uν ). Ces deux bornes sont calculées en parallèle. L’algorithme continu
par évaluer les nœuds pour les futures développements (ẑνGlobal ;). La borne inférieure complémentaire
ẑνLocal ) est obtenue par l’application de la procédure MFP décrite dans Hifi et al [2]. Dans l’étape
suivante, l’algorithme réalise une sélection sur les nœuds crées et les transfert à la deuxième liste
interne B k et le filtrage est effectué sur B k et retourne les meilleurs min{δ, |B k |} nœuds qui réalisent
la meilleure évaluation globale. L’algorithme vérifie le nombre de nœuds dans la première liste interne
(Bk ∪B k ), cette étape concerne la régulation de charge entre les processeurs esclaves. La phase d’arrêt
est composée de deux parties. Dans la première partie, le processeur esclave arrête la résolution, si la
liste Bk est vide ou si la période de synchronisation T a écoulée. Dans le premier cas (liste Bk vide),
le processeur esclave envoie la valeur de la solution réalisable locale courante au processeur maître.
Si la période T a écoulée, le processeur esclave envoi, en plus de la valeur de la solution réalisable
local courante, tous les nœuds des listes internes.
276 M.Hifi, Rym M’Hallah, Toufik Saadi

Références
1. M.Hifi, R.MHallah and T.Saadi, Algorithms for the Constrained Two−Staged Two−Dimensional
Cutting Problem, Informs Journal On Computing, Vol.20,pp.212 to 221,2008
2. M.Hifi and T.Saadi, A Cooperative Algorithm for Constrained Two−Staged Two−Dimensional
Cutting Problems, International Journal of Operational Research, à paraitre
 Nouvelles Bornes Inférieures pour le Problème de Bin
Packing avec Conflits

Ali Khanafer, François Clautiaux and El-Ghazali Talbi

Université des Sciences et Technologies de Lille, LIFL CNRS UMR 8022, Inria Lille - Nord Europe
Bâtiment INRIA, Parc De La Haute Borne, Villeneuve-D’ascq, France.
Ali.Khanafer@inria.fr,Francois.Clautiaux@univ-lille1.Fr,El-Ghazali.Talbi@lifl.fr

1 Introduction
Notre présentation traite du problème de bin packing avec conflits en une et deux dimensions. Il
consiste à déterminer le nombre minimum de containers (bins) à utiliser pour ranger un ensemble
donné d’objets, tout en prenant en compte des contraintes de compatibilité interdisant de placer
ensemble certaines paires d’objets.
Une instance de bin packing avec conflits est composée d’un ensemble I fini d’articles, d’un nombre
infini de bins de type B et d’un graphe G = (I, E) de conflits, dans lequel l’arête [i, j] existe si i et j
sont en conflit.
Nous proposons des bornes inférieures basées sur le concept de fonctions dual-réalisables (DFF) et le
nouveau concept de fonctions dual-réalisables dépendantes de la donnée généralisées (GDDFF) que
nous proposons ici. Ce nouveau concept permet de prendre en considération le graphe de conflits en
utilisant des techniques de triangulation de graphe et de décomposition arborescente.
Nous proposons aussi une adaptation de prétraitements de la littérature, qui permettent de réduire
la taille de l’instance initiale, ainsi que l’amélioration d’une méthode de calcule de bornes inférieures
basé sur la résolution d’un problème de transport. Les résultats expérimentaux montrent l’efficacité
de nos méthodes, et l’amélioration des résultats en comparaison avec la littérature.

2 Fonctions dual-réalisables dépendantes de la donnée généralisées

Les fonctions dual-réalisables ont été initialement proposées pour aider à la résolution du problème
de bin-packing en une dimension [1]. Les DFF ont la particularité suivante : si l’on applique une telle
fonction aux tailles des articles et à la taille du bin d’une instance donnée de bin-packing, le problème
obtenu est une relaxation du problème initial. L’objectif est d’obtenir une instance pour laquelle les
bornes simples vont être efficaces.
Les DFF sont définies indépendamment de l’instance. La classe des DFF dépendantes de la donnée
(DDFF), qui dépendent de la taille des objets dans l’instance considérée a été proposée par Carlier et
al. [2]. Dans ce papier, nous généralisons ce concept au problème avec conflit, en prenant en compte
l’information donnée par le graphe de conflits.
Nous proposons deux fonctions de ce type, basées sur l’utilisation conjointe de techniques de trian-
gulation de graphes et de décomposition arborescente, et de programmation dynamique.

3 Amélioration de la borne inférieure de Gendreau et al. [3]

Pour le problème de bin packing non contraint, lorsque des DFF sont appliquées au problème, il suffit
en général d’appliquer une borne simple reposant sur la somme des longueurs des articles. Pour le cas
avec conflits, même après application de GDDFF, des bornes plus complexes doivent être utilisées.
278 Ali Khanafer et al.

En pratique, nous avons utilisé une amélioration de la borne de [3], qui repose sur la résolution
d’un problème de transport entre des petits articles d’un côté, et des grands articles de l’autre. Notre
amélioration consiste en l’ajout de sommets intermédiaires dans le réseau de transport afin de prendre
en compte de manière partielle les conflits entre petits articles, qui ne sont pas considérés dans [3].

4 Résultats numériques

Tab. 1.Rśultats pour les instances de Berkey and Wang [4], Martello and Vigo [5]. Pour chaque classe d’instances,
chaque ligne montre la densité d du graphe de conflit, le nombre d’instances sur 50 où la borne correspondante (notre
borne KCT et celle de Gendreau et al. [3]) a strictement dépassé l’autre.

Classe
d% 1 3 5 7 8 9 10
KCT [3] KCT [3] KCT [3] KCT [3] KCT [3] KCT [3] KCT [3]
0 24 0 29 0 41 0 43 0 44 0 43 0 9 0
10 24 0 29 0 41 0 43 0 44 0 43 0 7 0
20 26 0 5 10 38 0 43 0 44 0 43 0 3 13
30 16 0 4 3 23 0 33 0 23 4 42 0 1 11
40 14 7 11 0 28 0 12 3 3 4 42 0 6 3
50 26 0 15 0 40 0 21 0 14 0 42 0 8 1
60 26 0 19 0 15 0 14 0 10 0 42 0 4 2
70 20 0 15 0 24 0 2 2 5 0 41 0 11 0
80 18 0 11 0 9 0 6 0 7 0 39 0 13 0
90 24 0 5 0 14 0 3 0 13 0 34 0 4 0

Références
1. G. S. Lueker, Bin packing with items uniformly distributed over intervals [a,b], Proc. of the 24th
Annual Symposium on Foundations of Computer Science (FOCS 83), pp. 289-297 (1983)
2. J. Carlier and F. Clautiaux and A. Moukrim, New reduction procedures and lower bounds for the
two-dimensional bin-packing problem with fixed orientation, Computers and Operations Research,
34 (8), pp. 2223-2250, 2007
3. M. Gendreau, G. Laporte et F. Semet, Heuristics and lower bounds for the bin packing problem
with conflicts, Computers and Operations Research 31 (3) pp. 347-358 (2004)
4. J. O. Berkey and P. Y. Wang, Two dimensional finite bin packing algorithms, Journal of Opera-
tional Research 38 pp. 423-429 (1987)
5. S. Martello and D. Vigo, Exact Solution of the Two-Dimensional Finite Bon Packing Problem,
Manage. Sci. 44 (3) pp. 388-399 (1998)
 Un algorithme coopératif pour le problème de découpe
circulaire non-contraint

H. Akeb1,2 M. Hifi1 and S. Nègre1

1
UPJV Amiens, MIS, Axe Optimisation Discrète et Réoptimisation,
33 rue Sait-Leu, 80039 Amiens Cedex 1, France
hakim.akeb@u-picardie.fr, mhand.hifi@u-picardie.fr, stephane.negre@u-picardie.fr
2
ISC Paris, 22 bd du Fort de Vaux, 75017 Paris, France.

Mots clés : découpe et placement, beam search, algorithme coopératif, recherche en avant, distance
minimum.

1 Introduction
Aujourd’hui, le gain de temps, de l’espace et la réduction des coûts de production sont devenus une
nécessité pour les entreprises. Dans ce contexte, les problèmes de découpe et de placement peuvent
jouer un rôle important. Ces problèmes ont en effet plusieurs domaines d’application comme le
génie industriel, la logistique, la manutention ainsi que la production. Ils consistent généralement à
placer/découper un ensemble d’objets de dimensions connues dans un ou plusieurs supports dans le
but de minimiser l’espace inutilisé dans ces derniers.
La plupart des travaux de la littérature, concernant le problème de la découpe circulaire, se sont
focalisés sur les cercles identiques. Ces méthodes sont alors influencées par cette caractéristique [4].
À notre connaissance, peu d’articles concernant le problème de la découpe/placement de cercles non-
identiques ont été publiés. Parmi ces méthodes de résolutions, un algorithme génétique a été utilisé
par George et al. [3] ainsi que par Hifi et M’Hallah [2]. Stoyan et Yaskov ont proposé dans [5] un
modèle mathématique pour le problème. Enfin, plus récemment, Birgin et al. [1] se sont basés sur un
modèle non-linéaire pour la résolution du problème.

2 Le problème étudié
Dans ce travail, nous étudions le problème de la découpe circulaire qui fait partie de la famille de
“Découpe et Placement" (Cutting and Packing [6]). Une instance de ce problème peut être décrite
comme suit. Soit R un support (bande) de largeur W fixée et de longueur infinie et S un ensemble
fini de n pièces circulaires Ci de rayons connus ri , i ∈ N = {1, ..., n}. Le problème revient alors à
placer toutes les pièces dans R de sorte que :
1. une pièce circulaire ne doit pas chevaucher une autre pièce et ne doit pas dépasser la limite de
la bande W .
2. la largeur, que l’on notera L, de la bande soit minimum.
Ce problème est résolu par application d’un algorithme coopératif combinant une procédure construc-
tive, une recherche par faisceaux (beam search) ainsi qu’une recherche en avant (looking-ahead) afin
d’améliorer les solutions obtenues. Une méthode de diversification est aussi utilisée, visant à s’échap-
per des extema locaux.
La recherche par faisceaux est une heuristique utilisant une recherche arborescente mais elle per-
met d’éviter la recherche exhaustive. Pour cette dernière, à chaque niveau de l’arbre développé, un
sous-ensemble de noeuds est sélectionné pour une exploration complète. Cet ensemble, de taille ω,
représente l’ensemble des noeuds élus et ω représente la largeur du faisceau .
280 Akeb, Hifi &Nègre

3 Un algorithme coopératif
L’algorithme coopératif proposé combine la recherche par faisceau et la stratégie de recherche en
avant. Un noeud de niveau ℓ de l’arbre de recherche du “beam" contient une solution partielle corres-
pondant aux ℓ cercles déjà placés dans la bande (avec ℓ < n). Chaque noeud de ce niveau est alors
évalué en utilisant une stratégie de recherche en avant, basée sur l’heuristique de la distance minimum
locale, en plaçant les n − ℓ cercles restants. Les ω noeuds conduisant aux meilleures solutions à partir
du niveau ℓ sont alors choisis pour une éventuelle extension dans l’arbre de recherche du beam, c-à-d
pour passer au niveau ℓ + 1.
Une stratégie de relance est aussi utilisée. Celle-ci consiste à modifier le premier cercle placé au début
du placement. Le but de cette stratégie est de diversifier l’espace de recherche afin d’améliorer les
solutions obtenues.

4 Résultats expérimentaux
Plusieurs versions de l’algorithme ont été testées sur des instances de la littérature, notamment celles
de Stoyan et Yaskov [5] et Hifi et M’Hallah [2]. Nous avons constaté que les résultats obtenus par
nos algorithmes amélioraient la plupart des meilleures solutions de la littérature.

Références
1. Birgin, E.G., Martinez, J.M. and Ronconi, D.P. : Optimizing the packing of cylinders into a
rectangular container : A nonlinear approach, European Journal of Operational Research, vol.
160, 2005, pp. 19–33.
2. Hifi, M. and M’Hallah, R. : Approximate algorithms for the constrained circular cutting problem,
Computers and Operations Research, vol. 31, 2004, pp. 675–694.
3. George, J.A., George, J.M. and Lamar, B.W. : Packing different-sized circles into a rectangular
container, European Journal of Operational Research, vol. 84, 1995, pp. 693–712.
4. Graham, R.L. and Lubachesky, B.D. : Repeated patterns of dense packings of equal disks in a
square, The Electronic Journal of Combinatorics, vol. 3, #16, 17 pages.
5. Stoyan, Y.G. and Yaskov, G.N. : Mathematical model and solution method of optimization pro-
blem of placement of rectangles and circles taking into account special constraints, International
Transactions in Operational Research, vol. 5, 1998, pp. 45–57.
6. Wäscher, G., Haussner, H. and Schumann, H. : An improved typology of cutting and packing
problems. European Journal of Operational Research, vol. 183, 2007, pp. 1109–1130.
 X-hyperarbres

F. Brucker1 and A. Gély2

1
UFR MIM, Université Paul Verlaine, Ile du Saulcy BP 80794 57012 Metz cedex France.
francois.brucker@univ-metz.fr
2
IUT de Metz, dpt STID, Ile du Saulcy 57045 Metz cedex 1 France.
alain.gely@univ-metz.fr

1 Introduction
Nous présentons dans cette communication un modèle qui étend à la classification les arbres phylo-
génétiques (aussi appelés X-arbres). On a en effet coutume de représenter l’évolution du vivant par
un arbre dont les noeuds correspondent aux espèces (actuelles et les ancêtres disparus) et les arêtes
aux liens de parentés.
De façon mathématique, cet arbre est une extension du modèle hiérarchique (voir par exemple Wa-
termann, 1995). Cependant, même si le modèle hiérarchique est plus simple que le modèle phylogé-
nétique, un de ses intérêts fort est qu’il y a correspondance entre l’arbre et un système de classes : on
peut à la fois raisonner en terme d’ancêtre/descendant et en terme de classes d’individus (on raisonne
alors en terme de proximité). Ceci est impossible en utilisant le modèle plus général qu’est l’arbre
phylogénétique.
Le modèle que que nous proposons – les X-hyperarbres – est une réponse possible à ce problème :
c’est un modèle arboré, parcimonieux et dont les classes peuvent s’interpréter comme des ancêtres.
En outre, il est en bijection avec d’autres structures discrètes qui permettent de le manipuler aisément.
En particulier :
– produire les classes s’effectue grâce à la bijection du modèle avec les quasi-ultramétriques cordées
(Brucker, 2001). On utilise pour cela un algorithme polynomial correspondant à la solution optimale
d’un problème d’optimisation combinatoire (inférieures-maximales) ;
– on peut calculer rapidement ses classes car elles sont en bijection avec les cliques maximales d’une
famille particulière de graphes triangulés (Gély et Nourine, 2007) ;
– les représenter se fait via un découpage en niveaux de leur treillis associé (le modèle est en bijection
avec les treillis démantelables, Rival, 1974).

2 Exemple
L’exemple de la table 1 (matrice triangulaire inférieure) montre la distance d’évolution de six pri-
mates. De façon usuelle on approxime cette distance pour produire une ultramétrique (figure 1
(gauche)) ou une distance arborée (figure 1 (droite))), montrant l’évolution entre les différentes
espèces. En utilisant la bijection rendant équivalente les X-hyperarbres et les quasi-ultramétrique
cordées, on peut produire des classes solution d’un problème d’optimisation combinatoire.
En effet, même si le problème général d’approximation d’une distance quelconque par une quasi-
ultramétrique cordée est – tout comme pour les ultramétrique ou les distance d’arbres – NP-difficile,
en recherchant une solution plus petite que la distance originale (approximation par inférieure-
maximale) on peut montrer que ce problème est – tout comme pour les ultramétrique – polynomial
et admet de plus une solution unique (ce qui n’est pas le cas pour les distance arborées). La solution
pour la distance évolutive entre les primates est donnée table 1 (matrice triangulaire supérieure). La
282 Brucker, Gély

figure 1 (milieu) montre le diagramme de Venn des classes produites. On remarque que les classes de
la hiérarchie sont conservées (les classes en gras) mais que ces classes sont affinées par des liaisons
supplémentaires entre les classes (par exemple la classe contenant l’homme et le chimpanzé).

Tab. 1. Distance d’évolution entre six primates (matrice triangulaire inférieure), approximation par
une quasi-ultramétrique cordée (matrice triangulaire supérieure)

homme bonobo chimpanzé gorille orang-outang gibbon

homme 0 0.19 0.18 0.24 0.36 0.51
bonobo 0.19 0 0.07 0.23 0.37 0.51
chimpanzé 0.18 0.07 0 0.21 0.37 0.51
gorille 0.24 0.23 0.21 0 0.38 0.54
orang-outang 0.36 0.37 0.37 0.38 0 0.51
gibbon 0.52 0.56 0.51 0.54 0.51 0

Fig. 1. Une hiérarchie, un X-hyperabre et un X-arbre

Références
1. F. Brucker. Modèle de classification en classes empiétantes. Thèse, EHESS, Paris (2001).
2. A. Gély and N. Nourine. Enumeration Aspects of Maximal Cliques and Bicliques. Discrete applied
mathematics, à paraître.
3. I. Rival. Lattices with doubly irreducible elements. Canadian Mathematical bulletin, 17, 91–95
(1974).
4. M. S. Watermann. Introduction to computational Biology. Chapmann and Hall (1995).
 Recent Results on the
Discretizable Molecular Distance Geometry Problem

C. Lavor1 , L. Liberti2 , A. Mucherino2 , and N. Maculan3

1
Dept. of Applied Mathematics, State University of Campinas, Campinas-SP, Brazil
clavor@ime.unicamp.br
2
LIX, École Polytechnique, Palaiseau, France {liberti,mucherino}@lix.polytechnique.fr
3
Systems Engineering, Federal University of Rio de Janeiro, Rio de Janeiro, Brazil
maculan@cos.ufrj.br

1 Introduction
The Molecular Distance Geometry Problem (MDGP) is the problem of finding the positions
of the atoms of a molecular conformation when only some of the distances between such atoms are
known. This problem can be also seen as the problem of finding an immersion in ℜ3 of a given
undirected and nonnegatively weighted graph G = (V, E, d). In the graph, the set V of vertices
represents the set of atoms of the molecule, the set E of edges contains the couples of atoms whose
distance is known, and the weights d correspond to the known distances. In literature, different
approaches for solving the MDGP have been proposed, and the reader is referred to [3] for a survey.
The most common approach is the one in which the MDGP is formulated as a continuous nonconvex
optimization problem, where the function to be minimized is for example :
1 % ||x(u) − x(v)|| − d(u, v)
g(X) = , (1)
|E| d(u, v)
{u,v}∈E

where X = {x(v) : v ∈ V } is a molecular conformation specified through the three-dimensional

coordinates of its atoms. Note that X is solution of the MDGP if and only if g(X) = 0.
Instead of using a continuous formulation of the problem, we introduce the Discretizable Mole-
cular Distance Geometry Problem (DMDGP) [3], which consists of a certain subset of MDGP
instances for which a discrete formulation can be supplied. The instances we take into account satisfy
two assumptions : 1) E contains all cliques on quadruplets of consecutive vertices ; 2) the strict trian-
gular inequality d(vi−1 , vi+1 ) < d(vi−1 , vi ) + d(vi , vi+1 ) holds for i = 2, . . . , n − 1 and vi ∈ V . If these
two assumptions are satisfied, each atom vi ∈ V can be located at most in two different positions.
In this way, we do not have to deal with continuous variables, but rather with binary variables. This
allows to build a tree of possible solutions for a given instance of the DMDGP.

2 The Branch and Prune algorithm

We propose a Branch and Prune (BP) algorithm that, given an instance of the DMDGP, searches
the solutions to the problem on the tree of atomic positions. If the aforementioned assumptions are
satisfied, each atom can be placed in only two possible positions. Moreover, these positions can be
either feasible or infeasible with respect to the known distances between the atoms in E. Therefore,
if xi and x′i are the two possible positions for the atom i, three different situations can be verified :
1) both xi and x′i are feasible : we add two branches to the tree and both of them are explored in
a depth-first fashion ; 2) only one of the positions is feasible : we continue the search on the branch
defined by this atomic position ; 3) both xi and x′i are infeasible : the current branch is pruned and
the search is backtracked. Details about the BP algorithm can be found in [3,4].
284 Lavor, Liberti, Mucherino, Maculan

3 Experiments
We developed a software procedure implementing the BP algorithm for solving instances of the
DMDGP. Artificially generated instances and instances obtained by conformations of proteins are
used in the experiments. In particular, we consider instances representing (real or simulated) back-
bones of proteins, for which the aforementioned assumptions are satisfied most of the times. Our
computational experiments show that the BP algorithm is very competitive with respect to other
methods for MDGP based on a continuous formulation of the problem.
We implemented two different pruning tests for checking the feasibility of the atomic positions during
each step of the BP algorithm. The first one (P1) checks if the known and computed distances between
the atoms of a conformations match. Another pruning test (P2) we use is based instead on the Dijkstra
shortest-path searches on Euclidean graphs. Our computational experiments show that the pruning
test P2 is able to identify infeasible atomic position much better than P1, but the computational
time for performing P2 is usually larger than the one needed for P1. Some comparisons between the
two pruning tests can be found in [2].
We are also studying how the accuracy of the known distances can influence the accuracy of the
found solutions. Less accurate distances simulate real data that are usually affected by errors, and the
propagation of such errors during the algorithm need to be monitored and managed. For simulating
instances having different accuracies, we are collecting the distances smaller than 6Å between the
atoms of known protein conformations, and we are storing them with different degrees of accuracy.
This procedure simulates data obtained by the NMR technique. An improved version of the BP
algorithm which is able to manage instances formed by distances affected by large errors is currently
under investigation.

Références
1. Lavor, C., Liberti, L., Maculan, N., Molecular distance geometry problem, In : Encyclopedia of
Optimization, Floudas, C., and Pardalos, P. (Eds.), 2nd edition, Springer, NY, 2305–2311 (2009).
2. Lavor, C., Liberti, L., Mucherino, A., Maculan, N., On a Discretizable Subclass of Instances of
the Molecular Distance Geometry Problem, Proceedings of the Conference SAC09, Honolulu,
Hawaii, March 8/12 (2009).
3. Liberti, L., Lavor, C., Maculan, N., A Branch-and-Prune Algorithm for the Molecular Distance
Geometry Problem, International Transactions in Operational Research 15 (1) : 1–17 (2008).
4. Liberti, L., Lavor, C., Maculan, N., Discretizable Molecular Distance Geometry Problem, Tech.
Rep. q-bio.BM/0608012, arXiv (2006).
 Analyse combinatoire de données et temps de survie

J. Darlay, L.-P. Kronek, and N. Brauner

Laboratoire G-SCOP, 46 avenue Félix Viallet, 38031 Grenoble, France.

{nadia.brauner, julien.darlay, louis-philippe.kronek}@g-scop.inpg.fr

L’analyse de temps de survie [1] est une branche de l’analyse de données qui s’intéresse à la modé-
lisation de la durée qui précède un événement. Dans le milieu médical, on cherchera par exemple à
modéliser le temps de rémission après un traitement.
L’ACD pour Analyse Combinatoire de Données (logical analysis of data) est une méthode de fouille de
données (data mining) basée sur des méthodes de l’optimisation combinatoire. La fouille de données
consiste à extraire de l’information à partir d’une base de données. Le point fort de l’ACD est
de construire un modèle de prédiction simple, facilement interprétable par des non spécialistes de
l’analyse de données.
Dans [2] les méthodes de l’ACD sont adaptées à l’analyse de temps de survie. Notre objectif est
d’améliorer les résultats présentés dans [2] en explorant mieux l’espace des solutions dans un temps
raisonnable pour l’utilisateur.

1 Analyse de temps de survie

Dans un problème d’analyse de temps de survie [1] l’objectif est de prévoir le temps avant un événe-
ment à l’aide des attributs de l’observation (‚ge, sexe, taille). Pour cela nous nous appuyons sur une
base de données contenant un grand nombre observations. Il se peut que, pour certaines observations,
le temps avant l’événement n’ait pas pu être observé, par exemple, parce qu’il a eu lieu après la fin
de la période d’étude. On parlera alors d’observations censurées lorsqu’on ne connaît pas le temps
avant l’événement mais une borne inférieure sur ce temps.
La fonction de survie s(t) donne la probabilité de survivre au moins jusqu’à la date t. Au lieu de
prédire un temps de survie pour une nouvelle observation, nous allons lui attribuer une fonction de
survie à partir de ses attributs.

2 Analyse combinatoire de données

L’ACD est une méthode de fouille de données basée sur la combinatoire et l’optimisation présentée
dans [3]. Elle a souvent été appliquée dans le cadre médical (voir par exemple [4]). Elle repose sur
le concept de motifs, c’est à dire une caractérisation d’observations homogènes pour les propriétés
de survie. Par exemple, pour une base de données sur une maladie respiratoire, un motif pourrait
être les personnes ayant moins de 50 ans et étant fumeuses. Il peut alors être représenté comme une
expression booléenne : "f umeur = 1 ∧ age < 50".
Le degré d’un motif est le nombre de termes dans son expression booléenne (2 dans l’exemple).
L’intérêt d’avoir des motifs de faible degré est de pouvoir fournir des modèles simples, facilement
interprétables.
Le support d’un motif est le nombre d’observations vérifiant les conditions du motif. La valeur du
support permet de s’assurer que le motif ne représente pas un cas particulier.
L’ACD repose sur deux étapes principales : la génération de motifs et la sélection de motif pour
composer un modèle.
286 Brauner, Darlay, Kronek

Génération de motifs. Dans [2], les auteurs utilisent un algorithme de génération de motifs basé
sur les données. Cet algorithme ne parcourt qu’un ensemble réduit de motifs et ne donne aucune
garantie rien sur le degré et le support des motifs générés.
Nous proposons de générer de façon exhaustive tout les motifs dont le support est supérieur à un
seuil, et dont le degré est inférieur à un degré maximal. Cette génération est possible puisque le degré
maximal est généralement faible (3 ou 4).

Sélection du modèle. Un modèle consiste en un sous-ensemble, souvent minimal, de motifs. Dans

[2], les auteurs utilisent un algorithme glouton sélectionnant les motifs un par un en maximisant la
performance du modèle.
Nous proposons une méthode qui va parcourir plus efficacement l’espace des motifs pour obtenir
un modèle plus performant en terme d’interprétabilité et de prédiction. Dans les motifs générés,
beaucoup sont redondants : ils couvrent les mêmes observations. Nous créons alors une mesure de
similarité entre les motifs. A l’aide d’éléments de la théorie des graphes, nous regroupons les motifs
similaires en familles, en résolvant un problème de partitions d’un graphe en cliques. La sélection
d’un sous-ensemble de familles minimal se ramène alors à un problème de couverture. Pour chaque
famille sélectionnée un motif représentant est élu. L’attribution de la fonction de survie se fait de la
même faÁon que dans [2].

3 Résultats expérimentaux
La méthode a été testée sur des données réelles, classiques pour des problèmes d’analyse de temps de
survie (GBSG-2 1 , PBC 2 ). Les motifs ont été générés avec des outils de l’ACD [5]. Les performances
sont proches de la méthode de [2] avec des modèles plus simples. La méthode a des performances
proches des forêts de survie avec une description du résultat plus compacte et plus lisible pour des
utilisateurs.

Références
1. J.P. Klein, M.L. Moeschberger : Survival analysis, techniques for censored and truncated data.
Springer, 2003.
2. L.-P. Kronek, A. Reddy : Logical analysis of survival data : prognostic survival models by detecting
high-degree interactions in right-censored data. Bioinformatics 24, 248-253, 2008.
3. Y. Crama, P.L. Hammer, T. Ibaraki : Cause-effect relationships and partially defined boolean
functions. Annals of Operations Research 16, 299-325, 1988.
4. P.L. Hammer, T. Bonates : Logical analysis of data : from combinatorial optimization to medical
optimisation. Rutcor Research Report, 2005.
5. P. Lemaire : The ladoscope gang, utilitaires pour l’ACD. http://pit.kamick.free.fr/lemaire/lad/

1
http://www.blackwellpublishing.com/rss/Volumes/A162p1.htm
2
http://lib.stat.cmu.edu/S/Harrell/data/descriptions/pbc.html
 Modèles et heuristiques pour un problème de
biclustering

D. Perrin1 , C. Duhamel2 , and H. J. Ruskin1

1
School of Computing, Dublin City University, Glasnevin, Dublin 9, Irlande.
dperrin@computing.dcu.ie
2
LIMOS, Université Clermont-Ferrand II, campus des Cézeaux, 63177 Aubière Cedex France.
christophe.duhamel@isima.fr

1 Introduction

Les microarrays sont utilisés de manière intensive pour l’étude de l’implication des gènes dans les
différents mécanismes physiologiques (par exemple immunitaire). Ils permettent de mesurer le ni-
veau d’expression d’un ensemble de gènes par rapport à plusieurs conditions [3]. Typiquement, on
considère des ensembles de plusieurs milliers de gènes dont on souhaite étudier la réponse par rap-
port à une dizaine de conditions. Plusieurs techniques ont été développées pour analyser le résultat
des microarrays dans l’étude de l’expression des gènes (voir [6] pour une revue générale). Plusieurs
reposent sur la notion de clustering, que ce soit pour le regroupement de gènes en fonction de leur
expression face à plusieurs conditions ou pour le regroupement de conditions en fonction de l’expres-
sion de plusieurs gènes [4,5]. Le biclustering a été introduit par Cheng et Church [1] et consiste à
identifier simultanément un sous-ensemble de gènes et un sous-ensemble de conditions pour lesquels
le comportement est similaire [7].
Dans ce travail, nous proposons d’étendre le biclustering de manière à faciliter l’analyse des résultats.
Nous considérons le problème consistant à retourner la meilleure solution pour chaque cardinalité
du sous-ensemble de conditions. Nous proposons une formulation mathématique avant de proposer
plusieurs heuristiques pour la recherche de cet ensemble de solutions.

2 Formulation Mathématique

Le problème se modélise sous la forme d’un graphe biparti complet G = (A, B, E). A représente
l’ensemble des gènes et B l’ensemble des conditions. E désigne l’ensemble des réactions des gènes par
rapport aux conditions. Pour chaque gène a ∈ A et chaque condition b ∈ B, on associe une valeur
cab . Il s’agit d’ un poids basé sur le niveau d’expression du gène et son évolution par rapport aux
autres gènes [2]. Plus cab est négatif, plus a réagit face à b, plus cab est positif, moins il réagit. Le
biclustering consiste à rechercher la biclique de poids minimal. Nous souhaitons identifier la meilleure
solution pour chaque cardinalité du sous-ensemble de conditions. Il faut donc résoudre le biclustering
avec contrainte de cardinalité sur le sous-ensemble de conditions.
Soit yi ∈ {0, 1} la variable de décision sur le choix du gène ou de la condition i ∈ A ∪ B. Soit
xij ∈ {0, 1} la variable de décision sur la présence de l’arête [a, b] ∈ A × B dans la biclique. Le
problème de biclustering à cardinalité fixée se linéarise aisément à partir du modèle suivant :
288 Perrin, Duhamel, Ruskin

&
Min (a,b)∈E
cab xab
s.t.
P (k) xab = ya yb
& ∀a ∈ A, ∀b ∈ B
y =k
b∈B b
yi ∈ {0, 1} ∀i ∈ A × B
xab ≥ 0 ∀(a, b) ∈ E

3 Heuristiques
Le problème de biclustering avec contrainte de cardinalité est NP-difficile dans le cas général. Cepen-
dant, les jeux d’essais réels étudiés présentent un fort déséquilibre entre le nombre de gènes (de 4026
à 22283) et le nombre de conditions (de 10 à 96). Nous proposons pour les instances les plus petites
la recherche de l’ensemble des solutions optimales par énumération : pour un sous-ensemble de condi-
tions, l’obtention du meilleur sous-ensemble de gènes associé se fait en temps linéaire. Il suffit donc
d’énumérer puis évaluer tous les sous-ensembles de conditions. Pour les instances plus grandes, nous
proposons une heuristique hybride reprenant l’approche précédente pour les cardinalités extrêmes.
Les solutions de cardinalité intermédiaire sont identifiées par exploration de voisinage à partir des
solutions précédentes. Nous comparons cette approche heuristique avec l’application d’un algorithme
génétique distribué.
Les approches implémentées ont été testées sur des jeux d’essai réels pour lesquels une analyse com-
plète des gènes est disponible. Cela permet de confirmer que les sous-ensembles obtenus contiennent
effectivement des gènes impliqués dans une même réaction ou voie métabolique.

Références
1. Cheng, Y., Church, G.M. : Biclustering of expression data. In Proceedings of the 8th International
Conference on Intelligent Systems for Molecular Biology (ISMB 2000), Vol. 8, San Diego, California
(2000)
2. Kerr, G., Perrin, D., Ruskin, H.J., Crane, M. : Edge weighting of gene expression graphs. under
review
3. Oana, F., Homma, T., Takeda, H., Matsueawa, A., Akahane, S., Isaji, M., Akahane, M. : DNA
microarray analysis of white adipose tissue from obese (fa/fa) Zucker rats treated with a β3-
adrenoceptor agonist. KTO-7924, Pharmacological Research, Vol. 52, pp. 395–400 (2005)
4. Raychaudhuri, S., Sutphin, P.D., Chang, J.T., Altman, R.B. : Basic microarray analysis : grouping
and feature reduction. Trends in Biotechnology, Vol. 19, pp. 189–193 (2001)
5. Slonim, D.K. : >From patterns to pathways : gene expression data analysis comes of age. Nature
Genetics, Vol. 32, pp. 502–508 (2002)
6. Stolovitzky, G. : Gene selection in microarray data : the elephant, the blind men and our algo-
rithms. Current Opinion in Structured Biology, Vol. 13, pp. 370–376 (2003)
7. Turner, H., Bailey, T., Krzanowski, W. : Improved biclustering of microarray data demonstrated
through systematic performance sets. Computational Statistics and Data Analysis, Vol. 48, pp.
235–254 (2005)
 Aide à la décision pour la massification des flux du fret
SNCF

Housni Djellab, Yann Guillemot, Christian Weber

SNCF, Direction de l’Innovation et de la Recherche - Unité de Recherche A2 D.

45 rue de Londres - 75008 Paris

1 Introduction
La croissance du trafic, la complexité des systèmes et la politique d’amélioration du transport ferro-
viaire FRET donnent à la planification du plan de transport fret une importance toute particulière.
Les gains escomptés sont très importants. Nous nous intéressons dans cet article au problème d’op-
timisation de la massification des flux de wagons isolés. La massification est une façon de faire des
économies d’échelles qui se traduiront par :
– des réductions de coûts des ressources (locomotives, agent de conduite, sillons, etc.). Quand on
attache derrière une locomotive quarante wagons, on a un chiffre d’affaire correspondant à quarante
wagons. Quand on attache deux ou trois wagons, le coût est à peu près le même, par contre la
recette est divisée par trois, cinq ou dix.
– des réductions des émissions de CO2 (le ferroviaire délivre 6g/tk de CO2 avec des trains massifiés,
lourds, là où un camion en délivre 133). Donc à chaque fois que l’on enlève une locomotive dans
une zone, on peut considérer qu’on remet un camion sur la route. Mais, lorsqu’on va reporter la
locomotive ailleurs, on va retirer vingt camions de la route à cet endroit.
La Direction de l’Innovation et de la Recherche de la SNCF a conduit un projet de recherche interne
pour développer un outil d’aide à la décision permettant d’optimiser la massification des flux et ainsi
enrichir notre outil EPIGRAF de conception du plan de transport FRET.

2 Description du problème
Nous utilisons la méthodologie CHIC21 pour décrire notre problème[1].
Données
– La demande de transport : c’est l’unité élémentaire d’acheminement demandée par le client ;
– les itinéraires possibles pour acheminer chaque demande ;
– les ressources : sillons, capacité de tri dans les gares de triage ;
– l’infrastructure associée au transport FRET.
Contraintes
Sur les lots (demande client)
– L’ensemble des lots doit être livré à la bonne gare ;
– l’itinéraire suivi doit exister dans la réalité ;
– facultativement on peut imposer le respect des fenêtres de temps.
Sur les sillons (exploitation de l’infrastrucutre)
– On doit pouvoir associer au moins un sillon par mission de convoyage (un ensemble de lots qui fait
route commune sans être trié avant la gare d’arrivée de la mission) ;
– un sillon ne peut être utilisé que par une mission de convoyage.
Sur les gares (tri des trains)
– Le nombre de wagons entrant dans la gare par unité de temps doit être plus petit que la capacité
de la gare ;
1
Methodology for Combinatorial Application (European Esprit Project 22165)
290 Housni Djellab, Yann Guillemot, Christian Weber

– respect des horaires d’ouverture et de fermeture ;

– respect de la spécificité des wagons entrant en gare.
Sur les lignes (caractéristiques de l’infratructure)
– Le gabarit (resp. tonnage) de la demande empruntant une ligne doit être plus petit que celui de la
ligne ;
– on impose des contraintes d’itinéraires possibles dues par exemple aux aiguillages sur la ligne ;
– les sillons doivent être disponibles quand la ligne est empruntée.
Critères
– minimiser le retard de livraison et l’anticipation de prise en charge ;
– minimiser les trains.km (un train qui parcourt un kilomètre). Ce critère prend en compte la volonté
de faire des économies d’échelles ;
– minimiser le coût en sillons ;
– minimiser le coût de tri global dans les triages ;
– maximiser la robustesse.
Résultats
A chaque lot on associe une suite de missions de convoyage. De plus, on précise un indicateur de
performance : taux de massification, valeur des critères, utilisation de la capacité des gares de triage,
etc.
Leviers d’action
L’utilisateur dispose de plusieurs leviers d’action pour guider le moteur de calcul vers une solution
réaliste. Il peut donc :
– imposer à une demande d’être directe, de passer par un hub, par deux hubs, par un hub et une
plateforme, etc.
– pondérer les critères pour connaître leurs impacts respectifs sur le résultat et les hiérarchiser ;
– préciser le nombre de sillons disponibles sur une ligne. Ceci permet également de refaire un calcul
en cas de problème sur une des lignes (travaux imprévus, etc.) ;
– préciser la capacité des gares pour l’adapter à la demande.

3 Étude bibliographique
Nombreux sont les articles qui traitent du problème de la conception des convois : connaissant les
missions de convoyage, comment établir l’emploi du temps des trains qui puisse les produire de façon
optimale ? On le retrouve dans la littérature sous le nom de "train scheduling". De nombreux autres
articles s’intéressent à la massification mais dans une optique beaucoup plus stratégique : où placer
les hubs pour optmiser le plan de transport ? Ces problèmes ne correspondent malheureusement pas
aux nôtres et peu d’articles présentent le problème de massification tel qu’on l’entend ici . Il est
baptisé dans la littérature "Railroad Blocking Problem", noté RBP. Chronologiquement, Bodin en a
posé les bases au début des années 1980 et son article[2] reste une référence dans le domaine. Crainic
y fait également référence[3] mais ne considère pas le RBP comme un problème à part entière et
propose un modèle qui prend en compte tout le problème de planification et nous n’avons pas retenu
cette approche. Il faut attendre Newton qui dans sa thèse[4] applique une méthode à la résolution
du RBP. Il sera repris très similairement par Barhnart[5] avant que Ahuja[6] propose une méthode
de résolution efficace pour le RBP en utilisant un algorithme dit " Very Large-Scale Neighborhood
Search".
La littérature expose très largement la manière de résoudre le RBP mais sa modélisation reste plus
vague : les données sont peu claires et parfois lointaines de la réalité de Fret SNCF. Le modèle que
nous avons présenté n’est donc pas une reprise des modèles de la littérature et nous pouvons donc
nous permettre de les comparer pour comprendre pourquoi nous ne pouvons pas reprendre ce qui a été
déjà fait. En effet, dans le domaine ferroviaire les problèmes considérés peuvent être très différents en
fonction des données d’entrée. Par exemple, les Italiens[7] présentent leur impossibilité de s’adapter
 Aide à la décision pour la massification des flux du fret SNCF 291

au problème américain : ils ne peuvent se permettre de massifier trop et de créer des convois trop
longs et lourds dans certaines régions où, comme dans le Nord de l’Italie, le réseau est consitué de
nombreux viaducs et tunnels. À l’inverse, la France doit faire face au manque de disponibilité de
sillons ce qui l’oblige à prendre en compte le facteur temps dans sa planification. La maille de temps
dans la quasi-totalité des articles traitant le sujet est la journée.

4 Méthode de résolution
Nous avons proposé deux modélisations mathématiques sous forme de Programme Linéaire en Nombres
Entiers (PLNE). Le problème étant de l’ordre stratégique voire tactique, nous avons décidé de tra-
vailler avec une maille de temps de 1h (paramètre) de manière à agréger le problème.
Le module d’optimisation est écrit en C++ et fait appel à l’un des solveurs du marché ou libre en
utilisant des macro écrites en C.
Les premiers résultats sont satisfaisants bien que la recherche de la solution soit encore longue. Néan-
moins, ils montrent que le moteur de calcul est bien orienté pour proposer une solution qui massifie
les flux. Ainsi, les solutions obtenues permettent de faire une économie de 70% en trains.km par
rapport à un acheminement direct de chaque demande client qui consisterait à produire un train
pour chacune d’entre elles. La comparaison des résultats obtenus avec ceux des experts est en cours.

Références
1. Rapport interne 07-2008 : Massification des flux pour le fret - Modélisation et outil d’aide à la
décision.
2. L.D. Bodin, B.L. Golden, A.D. Schuster, and W.Romig. A model for the blocking of trains.
Transportation Research, 14B : 115 - 120, 1980
3. Teodor Crainic, Jacques-A. Ferland, and Jean-Marc Rousseau. A tactical planning model for rail
freight transportation. Transportation Science, 18(2) : 165-184, may 1984.
4. Harry N. Newton. Network design under budget constraints with application to the railroad blo-
cking problem. PhD thesis, Auburn University, 1997.
5. Cynthia Barnhart, Hong Jing, and Pamela H. Vance. Railroad blocking : a network design appli-
cation. Operations Research, 48(4) : 603-614, jul. 2000.
6. Ravindra K. Ahuja, Krishna C. Jha, and Jian Liu. Solving real-life railroad blocking problems.
Interfaces, 37(5) : 404-419, sep. 2007.
7. Marco Campetella, Guglielmo Lulli, Ugo Pietropaoli, and Nicoletta Ricciardi. Freight service
design for an italian railways company. In 6th Workshop on Algorithmic Methods and Models
for Optimization of Railways. ATMOS, 2006.
 Gestion du revenu pour le transport de containers par
voies ferrées

I.C. Bilegan1 , L. Brotcorne1 , D. Feillet2 , and Y. Hayel3

1
LAMIH UMR CNRS 8530, Université de Valenciennes, ISTV2, Le Mont Houy, 59313
Valenciennes
ioana.bilegan@univ-valenciennes.fr, luce.brotcorne@univ-valenciennes.fr
2
Ecole des Mines de Saint-Etienne, CMP Georges Charpak, F-13541 Gardanne, France
feillet@emse.fr
3
LIA, Université d Avignon, France
yezekael.hayel@univ-avignon.fr

1 Introduction
A l’heure de la dérèglementation dans le transport ferroviaire, plusieurs compagnies peuvent main-
tenant entrer en compétition sur un même réseau pour acheminer les marchandises de leurs clients.
Il importe donc pour elles de gérer au mieux l’utilisation de la capacité de leurs trains. Ce travail
de recherche a pour but d’étendre des techniques de gestion du revenu couramment utilisées pour le
transport aérien de personnes au transport ferroviaire de containers. En dehors de l’intérêt pratique
d’étendre les modèles à ce nouveau secteur, un intérêt spécifique majeur réside dans l’intégration
d’aspects combinatoires liés au transport ferroviaire dans la gestion du revenu.
La gestion du revenu (GR), connue sous la dénomination anglophone de yield management [6], peut
être définie comme un ensemble d’outils destinés à favoriser la rentabilité d’une entreprise à travers
l’optimisation et la ré-optimisation de la chaîne offre-demande dans sa globalité. La GR, dont le
développement fut fortement stimulé vers la fin des années 70 par la déréglementation du transport
aérien aux États-Unis, peut être résumée par la phrase suivante : "vendre le bon produit au bon moment
au bon client" (AMR annual report 1987). A l’heure actuelle, suite à l’accroissement de la compétition,
de nombreuses entreprises ou sociétés de service ont pris conscience de la nécessité de développer
des outils opérationnels pour accroître leur profit à travers l’utilisation optimale des ressources, la
prévision de la demande et le ciblage de la clientèle (à l’aide d’une tarification différenciée), dans des
secteurs variés tels que l’hôtellerie ou l’industrie du divertissement (centres de loisirs, cinémas. . .).
Le transport ferroviaire de containers possède les caractéristiques suivantes requises pour la gestion
du revenu : la demande fluctue beaucoup au cours du temps et reste mal connue, le service est péris-
sable (un train parti avec une charge inférieure à sa capacité maximale génère un manque à gagner
pour la compagnie), le marché se prête à la segmentation. Toutefois il possède deux caractéristiques
spécifiques qui nécessitent une révision des méthodes utilisées de façon traditionnelle : la capacité
effective est non fixe et non connue à l’avance, et elle est de nature hétérogène. Bien qu’à l’heure ac-
tuelle aucun outil de gestion du revenu n’ait été développé pour le transport ferroviaire de containers,
son potentiel a été mis en évidence lors de présentations [5], [3], [2] faites à la conférence INFORMS
en 2005 et 2008.

2 Modelisation
Nous considerons un système ferroviaire avec horaires et réservations. Le système de GR que nous
proposons dans cette présentation a pour but de donner des réponses systématiques et pertinentes
 YM pour le transport ferroviaire de containers 293

quant à la décision d’accepter ou de refuser les demandes de réservation ponctuelles, tout au long de
l’horizon de temps précédant chaque départ de train.
Nous considérons plus précisément le contexte suivant. Soit une compagnie disposant d’un certain
nombre de services pré-définis (une heure de départ, une heure d’arrivée à la destination finale, un
itinéraire, etc.) pour acheminer des containers par voie ferrée sur la demande de clients. Nous nous
plaçons sur un horizon de planification fini. Un train (un service) est caractérisé par une certaine
composition en termes de poids total, de longueur maximale, de nombre de wagons et peut transporter
des containers de différents types en termes de dimension et contenu (20 ou 40 pieds, normaux ou
réfrigérés, matières dangeureuses etc.). Une requète client est caractérisée par : une gare d’origine,
une gare de destination, un nombre de containers d’un type donné à transporter, une date prévue
de mise à disposition du volume en gare d’origine et un délai maximum de livraison. La compagnie
propose aux clients une tarification différenciée selon des critères comme, par exemple, les délais
d’acheminement (prioritaire, normal, lent, ...) avec des pénalités éventuelles pour le non respect des
délais de livraison.
L’objectif du problème est d’optimiser l’allocation de la capacité des trains aux différentes demandes
qui arrivent de manière séquentielle, de façon à maximiser le revenu espéré de la compagnie. La dimen-
sion stochastique du problème est prise en compte par l’utilisation de distributions de probabilités qui
caractérisent l’arrivée des demandes futures et la prise de décision est formulée mathématiquement
à l’aide du modèle non-déterministe ainsi obtenu.
Des résultats numériques sur des données synthétiques permettent de valider notre approche.

Références
1. T.G. Crainic, M. Geandreau, I.C. Bilegan. Fleet Management for Advanced Intermodal Services,
Final report, Project RDA-01, ITS Bureau of Transprt Canada, Montréal, 2006.
2. L. Gao and M. Gorman, Yield Management in Freight Transportation, Informs Annual Meeting,
Washington DC, 2008.
3. M. F. Gorman, Reservations, Forecasting, Yield Management and Railroads, Informs Annual
Meeting, San Francisco, 2005.
4. R.R. Kraft, A Reservations-Based Railway Network Operations Management System, Ph.D.
dissertation, University of Pennsylvania, Department of Systems Engineering, 1998.
5. W. Lieberman, Revenue Management for the Rail Industry, Informs Annual Meeting, San Fran-
cisco, 2005.
6. K.T. Talluri, G.J. van Ryzin, Theory And Practice of Revenue Management, Springer, 2005
 Ordonnancement des trains sur une voie unique

F. Sourd,1 and Ch. Weber2

1
SNCF, Direction de l’Innovation & de la Recherche, 75379 Paris Cedex 08
francis.sourd@sncf.fr
2
SNCF, Direction de l’Innovation & de la Recherche, 75379 Paris Cedex 08
christian.weber@sncf.fr

1 Présentation du problème
Sur le réseau ferré français, les lignes principales sont en double voie (il existe même des tronçons à
trois ou quatre voies), ce qui permet le croisement des trains y circulant. Toutefois, il arrive qu’un
tronçon soit mis en voie unique :
– soit en raison d’un incident sur une voie en cours d’exploitation.
– soit en raison de travaux.
Dans les deux cas, les trains utilisant la ligne doivent se partager le tronçon de voie unique sous
la contrainte principale que deux trains circulant dans des sens contraires ne peuvent utiliser cette
ressource simultanément. En revanche, deux trains circulant dans le même sens peuvent, à condition
que la voie soit équipée en signaux nécessaires, rouler sur ce même tronçon à condition de respecter
une vitesse limitée et un écart minimal.

2 Formalisation comme des problèmes d’ordonnancement

La plupart des problèmes d’optimisation de la circulation des trains sur un réseau sont très com-
plexes qui sont modélisés par des programmes linéaires ou résolus de manière approchée (voir par
exemple [1]). Dans le cas du tronçon de voie unique décrit ci-dessus, le problème peut être modélisé
comme un problème d’ordonnancement classique à une machine.
Tout d’abord, considérons le cas où un seul train peut emprunter le tronçon de voie unique, ce qui
correspond dans la pratique au cas où la voie n’est pas équipée de signalisation de contre-sens. Comme
la ressource "voie unique" est bloquée pendant tout le passage du train, le problème est typiquement
un problème à une machine où chaque parcours du tronçon par un train est représenté par une
opération de même durée.
Lorsque deux trains circulant dans le même sens peuvent emprunter simultanément le tronçon de
voie unique, les contraintes de circulation peuvent être modélisée en ajoutant des temps de setup
au modèle à une machine. Plus précisément, les opérations ont cette fois une durée nulle. La durée
de setup entre deux opérations représentant des trains circulant dans le même sens est égale au
temps minimal entre ces deux trains à l’entrée du tronçon pour que les deux trains puissent sortir
du tronçon sans violer les contraintes de sécurité. En pratique, cette durée se calcule en fonction des
vitesses relatives des deux trains et de la position des signaux de sécurité. Enfin, la durée de setup
entre deux trains circulant dans des sens opposés correspond à la durée de traversée du tronçon par
le premier train.
En pratique, il est aussi intéressant de considérer le cas mixte où les trains circulant dans un sens
(le sens touché par l’incident ou les travaux) sont soumis aux contraintes du premier cas tandis que
les trains circulant dans l’autre sens (non touché) sont soumis aux contraintes du second cas. Ce
problème se modélise également à l’aide de temps de setup.
 Ordonnancement des trains sur une voie unique 295

3 Régulation d’un incident

Lorsqu’un incident intervient sur une voie, l’objectif est d’écouler les trains qui ne peuvent plus
passer sur cette voie le plus rapidement possible. En pratique, il arrive souvent qu’au moment de
l’incident, les deux voies soient coupées, ce qui augmente encore le trafic à écouler. L’objectif est donc
de minimiser la somme des retards. Pour notre problème d’ordonnancement, comme aucun train n’est
a priori en avance, cela revient à minimiser la somme des dates de fin.
Il y a de plus la contrainte que les trains circulant dans un même sens ne peuvent pas se doubler.
Nous avons donc deux chaînes de précédences entre les tâches. Avec ces contraintes additionnelles,
nous avons prouvé que, dans les trois cas présentés dans la section précédente, le problème peut être
résolu par un algorithme de programmation dynamique en O(n2 T ) où n est le nombre de trains et
T est l’horizon temporel. Cet algorithme est donc pseudo-polynomial.

4 Adaptation des circulations à une zone de travaux

Si l’on veut adapter les circulations prévues à une zone de travaux, le contexte du problème est
légèrement différent puisqu’il est alors possible d’avancer certains trains pour qu’ils puissent passer
avant le début des travaux. Bien sûr, cette modification a un coût correspondant en particulier à
la campagne d’information des clients et aux clients mécontents ou perdus car ils n’ont pas reçu
l’information. La fonction objectif devient alors une fonction de coût avance/retard.
Le modèle peut encore être raffiné pour prendre en compte la régularité du service, ce qui conduit à
une fonction objectif proche de celle utilisée dans l’industrie des radars [2]. Enfin, il est utile pour ce
problème de considérer la suppression de certains trains (en introduisant des coûts de pénalités).

5 Outils
L’étude de ces deux problèmes fait l’objet du développement d’une maquette logicielle. Des tests
préliminaires ont été effectués sur des incidents passés dans le but d’évaluer les bénéfices d’une telle
approche basée sur le Recherche Opérationnelle.

Références
1. Dennis Huisman, Leo G. Kroon, Ramon M. Lentink, Michiel J. C. M. Vromans, Dennis Huisman,
Leo G. Kroon, Ramon M. Lentink and Michiel J. C. M. Vromans, Operations Research in passenger
railway transportation, Statistica Neerlandica 59, 467–497, 2005.
2. Émilie Winter, Optimization tools for Airborne Radar Management, Thèse de l’École Polytech-
nique, Octobre 2008.
 Problème de lot-sizing à capacité finie avec fenêtres de
temps et contraintes de services

S. Kedad-Sidhoum1 , C. Rodríguez-Getán1 , N. Absi2 and S. Dauzère-Pérès2

1
LIP6, UPMC, 4 Place Jussieu 75252 Paris Cedex 05
safia.kedad-sidhoum@lip6.fr
2
CMP, Site Georges Charpak, Ecole des Mines de Saint-Etienne, 880 Avenue de Mimet, F-13541
Gardanne
absi@emse.fr, Dauzere-Peres@emse.fr

1 Introduction
Nous nous intéressons à un problème de dimensionnement de lots (lot-sizing) qui consiste à déterminer
un plan de production pour un ensemble de N références et pour un horizon de planification constitué
de T périodes. Ce plan est à capacité finie, en outre le lancement de production d’une référence i
à une période donnée t entraîne une consommation variable et fixe usuellement dénommée temps
de setup. Le plan de production doit satisfaire des contraintes de fenêtres de temps de production
(cf. Brahimi et al. [3]). Elles sont notamment rencontrées lorsque l’on suppose que les matières
premières arrivent en des quantités limitées et à différentes périodes de l’horizon de planification. Ceci
contraint le lancement de la production entre deux périodes, une date de disponibilité et une date
échue. Une particularité du modèle étudié réside dans le fait que les ressources ne sont pas toujours
suffisantes pour satisfaire les demandes dans leurs fenêtres de temps. Pour tenter de répondre au
mieux aux demandes, il s’agira dans ce type de situation d’introduire la possibilité de reporter ou
d’anticiper les productions pour satisfaire les demandes par rapport à leurs fenêtres de production.
Si toutefois, la disponibilité totale en ressources reste insuffisante, des ruptures partielles ou totales
sur les demandes seront subies. Ces contraintes de services qui consistent à anticiper, reporter ou
perdre des demandes entraînent des pénalités. Les travaux que nous présentons ici sont les premiers à
tenir compte conjointement de l’ensemble des contraintes citées. Le problème de lot-sizing à plusieurs
références, avec des contraintes de capacité et des coûts de setup, contraintes de service sur la demande
ni fenêtres de temps est NP-difficile au sens fort [4]. Citons les travaux de Brahimi et al. [3] et Wolsey
[5] portant sur la résolution de problèmes avec contraintes de fenêtres de temps ainsi que les travaux
d’Aksen et al. [1] et Absi et Kedad-Sidhoum [2] tenant compte de contraintes de ruptures sur la
demande.

2 Propriétés et algorithmes de résolution

On distingue deux types de fenêtres de temps : les fenêtres de temps à clients spécifiques et celles à
clients non-spécifiques. Dans le premier cas, une demande k disponible à une période bk et qui doit
être livrée avant la fin de la période ek ne peut être traitée que pour satisfaire cette demande, les
clients sont ainsi différenciés. Dans le cas particulier avec fenêtres de temps à clients non-spécifiques,
les produits arrivant à une période s sont utilisés pour satisfaire les demandes dont la période échue
est t (s ≤ t) et qui ne sont pas encore couvertes par les produits arrivant avant s. Dans le cas des
fenêtres de temps à clients non spécifiques, on peut montrer que les demandes peuvent être récalculées
de façon à ce que les fenêtres de temps ne soient pas strictement incluses. Si l’on note xt , st et bt les
 Problème de lot-sizing à capacité finie avec fenêtres de temps et contraintes de services 297

quantités respectivement produite, stockée et reporté (backlog) à la période t, les propriétés suivantes
sont valides.
– On peut ordonner un ensemble de fenêtres de temps non strictement incluses de la façon suivante :
∀k bk < bk+1 ou bk = bk+1 et ek < ek+1 .
– Lorsque les fenêtres de temps sont non strictement incluses et ordonnées, il existe une solution
optimale dans laquelle la demande k est produite avant (ou en même temps) que la demande k + 1
∀k.
– Si l’on ne tient pas compte des contraintes de capacité, il existe une solution optimale dans laquelle
chaque demande k est produite entièrement à une seule période.
– Le problème sans contraintes de capacité admet toujours une solution optimale dans laquelle
une production n’a lieu à une période t que si le stock au début de cette période est nul. En
d’autres termes, il existe toujours une suite de décisions optimales x∗1 , x∗2 , ..., x∗T vérifiant s∗t−1 x∗t = 0
t = 1, ..., T
– Le problème sans contraintes de capacité admet toujours une solution optimale dans laquelle une
production n’a lieu à une période t que si la quantité reportée (backlog) est nulle b∗t+1 x∗t = 0
∀t = 1, ..., T − 1. De même, le problème sans contraintes de capacité admet toujours une solution
optimale dans laquelle un stockage n’a lieu à une période t que si la quantité reportée (backlog)
est nulle b∗t s∗t = 0 ∀t = 1, ..., T .
Dans le cas où les contraintes de capacité ne sont pas prises en compte, les propriétés précédentes
conférent aux solutions optimales la propriété d’arbre-solutions lorsque le problème est modélisé
comme un réseau à coût fixe. Dans le cas des fenêtres de temps à clients non-spécifiques, le nombre
de demandes est en O(T ). Nous proposons pour ce problème avec fenêtres de temps et contraintes
de services sans prise en compte des ressources un algorithme de programmation dynamique en
O(T 2 ). Nous proposons pour le problème de dimensionnement de lots avec des contraintes de ca-
pacité, fenêtres de temps à clients non-spécifiques et contraintes de services (ruptures, anticipations
et backlogs) une borne inférieure basée sur une méthode de relaxation lagrangienne des contraintes
de capacité à partir de la formulation mathématique du problème (agrégée). Nous présenterons des
résultats expérimentaux montrant l’efficacité de la méthode pour la résolution de ce problème difficile.

Références
1. D. Aksen, K. Altinkemer, S. Chand : The single-item lot-sizing problem with immediate lost sales.
European Journal of Operational Research, 147 (3), pp. 558–566 (2003).
2. N. Absi, S. Kedad-Sidhoum : The multi-item capacitated lot-sizing problem with setup times and
shortage costs. European Journal of Operational Research, 185(3), pp. 1351–1374 (2008).
3. N. Brahimi, S. Dauzère-Pérès, and N. Najid, Capacitated Multi Item Lot Sizing Problems with
Time Windows. Operations Research, Volume 54(5), pp. 951–967 (2006).
4. W.H. Chen, J.M. Thizy : Analysis of relaxations for the multi-item capacitated lot-sizing problem.
Annals of Operations Research, 26, pp. 29–72 (1990).
5. L. Wolsey, Lot-sizing with production and delivery time windows. Mathematical Programming,
107, pp. 471–489 (2006).
 On the discrete lot-sizing and scheduling problem with
parallel resources

C. Gicquel1 , M. Minoux2 , and Y. Dallery1

1
Laboratoire de Génie Industriel, Grande Voie des Vignes, 92290 Chatenay-Malabry, France.
celine.gicquel@ecp.fr
2
Laboratoire d’Informatique de Paris 6, 4 place Jussieu, 75005 Paris, France.

In the present paper, a production planning problem, known as the Discrete Lot-sizing and Scheduling
Problem (DLSP), is considered. As defined in [1], the DLSP is based on several crucial assumptions :
– Demand for products is deterministic and time-varying.
– The production is planned for a finite time horizon subdivided in several discrete periods.
– At most one type of product can be produced per period ("small bucket" model) and each facility
processes either one product at full capacity or is completely idle ("all-or-nothing assumption").
– Costs to be minimized are the inventory holding costs and the changeover costs.
Here the single-level multi-resource variant of this problem is studied : the products to be processed
are end items and there is a small number of parallel resources available for production. The presence
of parallel resources complicates the problem mainly because there is an additional decision to be
made : we have to determine not only the timing and level of production, but also the assignment of
production lots to machines. Moreover, in the DLSP, the changeover costs to be incurred when the
production of a new lot begins can depend either on the next product only (sequence-independent
case) or on both the previous and the next product (sequence-dependent case). We consider here
both cases and assume zero changeover times.
[2] proposes to strengthen an initial MIP formulation of the single-item single-resource DLSP using
a family of strong valid inequalities. Thanks to this strengthened formulation, the lower bounds
provided by the linear relaxation of the problem are significantly better, enabling a Branch & Bound
type procedure to solve the problem more efficiently. In [3], this approach was applied successfully
for the case of a single production resource with multiple items.
We propose in the present work an extension of this approach to the case of parallel identical resources.
We first introduce an initial MIP formulation for the DLSP with parallel resources. We then derive
a family of strong valid inequalities for the case where the available resources are identical and the
production capacity is constant throughout the planning horizon. These valid inequalities can be seen
as an extension of the valid inequalities developed by [2] for the single-resource single-item DLSP.
The underlying idea is to provide lower bounds on the inventory level of a product at the end of a
planning period by considering the possible productions over the following periods.
Computational experiments were carried out in order to evaluate the efficiency of the proposed valid
inequalities at strengthening the initial formulation and at improving the efficiency of a standard
MIP solver. We used randomly generated instances of various size as well as instances based on a
small industrial problem. Our results show that thanks to the proposed enhanced formulation, the
efficiency of the Branch & Bound procedure embedded in a commercial MIP solver (CPLEX 11.1)
can be significantly improved.

Références

1. Fleischmann, B. : The discrete lot sizing and scheduling problem. European Journal of Operational
Research, vol. 44, pp 337-348 (1990)
 On the DLSP with parallel resources 299

2. van Eijl C.A. and van Hoesel C.P.M. : On the discrete lot-sizing and scheduling problem with
Wagner-Whitin costs, Operations Research Letters, vol. 20, pp 7-13 (1997).
3. Wolsey, L. : Solving multi-item lot-sizing problems with an MIP solver using classification and
reformulation. Management Science, vol. 48(12), pp 1587-1602 (2002)
 Un système d’agents pour la planification et
l’ordonnancement multi-produits, multi-modes avec
approvisionnements

K. Belkhelladi1,2 , P. Chauvet1,2 , L. Péridy1,2 , and A. Schaal2

1
LISA, 62, avenue Notre Dame du Lac, 49000 Angers France.
kamel.belkhelladi@uco.fr, pierre.chauvet@uco.fr
2
IMA, 44, rue Rabelais, BP 10808, 49008 Angers Cedex 01 France.
laurent.peridy@uco.fr, arnaud.schaal@stjodijon.com

1 Introduction

Nous nous intéressons à l’optimisation de la planification et de l’ordonnancement de la fabrication de

plusieurs produits dans différents modes opératoires avec approvisionnements. Ce travail consiste donc
à optimiser la production en tenant compte des processus sur deux échelles de temps très différentes
que sont la planification et l’ordonnancement. Il faut déterminer d’une part, sur un horizon de temps
donné, les quantités fabriquées et stockées par période pour chaque produit, ainsi que le mode de
production choisi et les dépassements de ressources, en fonction d’une demande pour chaque produit
lors de chacune des périodes. Et il faut d’autre part passer à une échelle temporelle plus précise et
résoudre un problème d’ordonnancement à partir du résultat de la planification. Bien évidement, il est
nécessaire de prévoir des "aller-retour" entre les deux niveaux de temps afin d’obtenir une meilleure
solution.
Le but de cette étude est de montrer comment la coopération d’agents engagés dans la résolution d’un
problème de planification et d’ordonnancement multi-produit, multi-modes avec approvisionnements
peut permettre de résoudre ce dernier plus efficacement qu’une résolution séparée des deux niveaux
tactique (planification) et opérationnel (ordonnancement). La coopération prendra la forme d’"aller-
retour" en échangeant des informations entre l’agent de planification et l’agent d’ordonnancement.

2 Description du problème

Il s’agit de planifier et d’ordonnancer la production d’un ensemble de N références pour un horizon

de temps constitué de T périodes. Ce plan est à capacité finie et doit tenir compte d’un ensemble de
contraintes additionnelles. En effet, plusieurs références doivent être planifiées et la production d’une
référence peut nécessiter la pré-production d’autres références. Le lancement de production d’une
référence à une période donnée entraÓne outre la consommation variable en ressources, une consom-
mation dite fixe (de démarrage). Plusieurs processus de production (ou modes) peuvent être utilisés,
la consommation des ressources s’effectuera de faÁon différente suivant le mode. Par ailleurs, tout
lancement de production d’une référence induit une consommation fixe en ressources. Les approvision-
nements non consommés lors d’une période peuvent être conservés pour être utilisés ultérieurement.
Le plan de production doit également respecter les limites du stock, notamment, le stock de sécurité,
la quantité maximale pouvant être stockée pour chaque produit, ainsi que l’espace maximal occupé
par ce stock. Il s’agit alors de minimiser les co˚ts de production, de lancement et de stockage ainsi
que les co˚ts de ruptures sur la demande des références. Le problème défini est NP-difficile [1][2].
 Title Suppressed Due to Excessive Length 301

3 Approche de résolution
Dans ce qui suit, nous proposons une approche basée sur un paradigme multi-agents. A cet effet, deux
types d’agents ont été définis, l’un pour la planification et l’autre pour l’ordonnancement. L’agent de
planification permet de calculer un plan de production optimal pour une séquence fixée de références.
Il recrute à son tour un ensemble d’agents pour exécuter une métaheuristique de résolution issue de
l’adaptation de l’algorithme présenté dans Belkhelladi et al. [3]. L’agent d’ordonnancement permet
de déterminer un meilleur ordonnancement pour un planning de production fixé, fourni par l’agent
de planification. Les deux types d’agents coopèrent en échangeant des informations afin d’obtenir
une meilleure solution au problème. Cette coopération prendra la forme d’"aller-retour". L’agent de
planification propose un planning de production en aller tandis que l’agent d’ordonnancement établie
un rapport d’aide à la réparation du planning en retour. Le processus de réparation du planning
s’inspire des différentes procédures d’amélioration proposées par FranÁa et al. [4]. La figure 1 illustre
l’architecture de l’approche proposée.

Planning
Agent de planification Agent d’ordonnancement
(Niveau tactique) (Niveau opérationnel)

Planning
Bilan
aller réparé Processus
retour de réparation

Fig. 1. Architecture du solveur

Références
1. Florian, M., Lenstra, J.K. and Rinnoy Kan, A. H. G. : Deterministic production planning : algo-
rithms and complexity, Management Science 26, p. 669-679 (1980)
2. Shapiro, J. F. : Mathematical programming models and methods for production planning and
scheduling. Massachusetts Institute of Technology, Operations Research Center (1988)
3. Belkhelladi, K., Chauvet, P. and Schaal, A. : Une approche multi-agents pour l’optimisation
par algorithme génétique distribué. In proceedings du 9ème Congrès de la Société Française de
Recherche Opérationnelle et d’Aide à la décision (ROADEF’08), Clermont-Ferrand, France (2008)
4. França, P. M., Armentano, V. A., Beretta, R. E. and Clark, A. R. : A heuristic for lot-sizing in
multi-stage systems. Computer operation research (24), p. 861-874 (1997)
 Dimensionnement et ordonnancement de livraisons de
repas

V. André1,2 , N. Grangeon1 , and S. Norre,1

1
LIMOS, CNRS UMR 6158, IUT de Montluçon
Université Blaise Pascal, Clermont-Ferrand
Av. Aristide Briand, 03100 Montluçon
grangeon@isima.fr, norre@moniut.univ-bpclermont.fr
2
CHU Clermont-Ferrand, Atelier de modélisation, Hôtel Dieu,
Boulevard Léon Malfreydt, 63058 Clermont-Ferrand Cedex 1
vandre@chu-clermontferrand.fr

1 Présentation du problème

Le Centre Hospitalier Universitaire (CHU) de Clermont-Ferrand est composé de plusieurs sites qui
sont répartis dans la ville. Ceux-ci sont au nombre de 4 : l’hôpital de Gabriel Montpied, l’Hôtel Dieu,
le Centre Médico-Psychologique et l’Hôpital Nord. Actuellement, pour assurer les repas des patients,
une centrale de production de repas (UCP) basée sur le site de l’hôpital de Gabriel Montpied (GM)
assure la préparation des repas et les livre en vrac sur les deux principaux sites, à savoir GM et
l’hôtel Dieu (HD) qui sont équipés de cuisines-relais et sous forme d’armoires de plateaux repas pour
les autres sites.
Afin de centraliser la production des repas, la direction a décidé de ne livrer sur ces sites que des pla-
teaux repas ne nécessitant qu’une remise à température. Cette activité implique la livraison d’armoires
de plateaux repas sur l’ensemble des sites. De plus, la restructuration du CHU de Clermont-Ferrand
amène à remplacer l’HD par un nouveau bâtiment, le Nouvel Hôpital d’Estaing (NHE), plus éloigné
de l’UCP et qui disposera d’un nombre de lits plus important.
Le transport d’armoires «pleines» se décompose en trois étapes : chargement des armoires dans le
véhicule (par une ressource humaine), transport de l’UCP vers le site de destination (par le chauffeur),
déchargement des armoires (par le chauffeur). Une fois les repas consommés, les armoires «vides»
doivent être ramenées vers l’UCP. Les étapes sont similaires aux étapes pour le transport d’armoires
pleines : chargement des armoires dans le véhicule (par le chauffeur), transport vers l’UCP (par le
chauffeur), déchargement des armoires (par une ressource humaine).
Le problème concerne donc l’organisation des livraisons des repas sur les différents sites composant le
CHU avec l’objectif de minimiser à la fois le nombre de véhicules et le nombre de chauffeurs utilisés.
Les hypothèses sont les suivantes :
– Le nombre de sites à livrer est connu et le besoin en nombre d’armoires est connu pour chaque
site.
– Les durées de chargement et de déchargement sont connues et constantes.
– Les durées de transport entre l’UCP et chacun des sites sont connues et supposées constantes.
– Tous les véhicules ont la même capacité.
– Un chauffeur peut conduire n’importe quel véhicule et peut être amené à changer plusieurs fois de
véhicule lors d’une journée de travail.
– Le véhicule doit être nettoyé entre le transport d’armoires vides et le transport d’armoires pleines.
La durée de nettoyage est connue et constante.
– Un véhicule transporte des armoires pleines ou vides mais peut aussi circuler à vide.
 Dimensionnement et ordonnancement de livraisons de repas 303

– Lors d’une tournée, chaque véhicule visite au plus l’UCP et un site.

– Le nombre de ressources humaines disponibles pour les chargements ou le déchargement à l’UCP
est supposé illimité.
L’ensemble des contraintes à prendre en compte est le suivant :
– Les dates de disponibilité au plus tôt des armoires pleines et des armoires vides doivent être
respectées.
– Les dates de livraison au plus tard des armoires pleines doivent être respectées.
– La durée du temps de travail des chauffeurs doit être respectée.
– Le nombre de véhicules qui peuvent être chargés ou déchargés à un instant donné à l’UCP ou dans
un site est limité, en raison du nombre de quais de chargement et de quais de déchargement.

2 Approche proposée
La première partie de notre travail s’est limitée à l’étude des livraisons journalières des armoires
pleines. Le problème est modélisé par un RCPSP avec profil de demande en ressources variable [1].
Chaque livraison est décomposée en deux étapes : une étape pour le chargement nécessitant un
véhicule et une étape pour le transport, le déchargement et le retour à vide nécessitant un véhicule
et un chauffeur. Entre chaque étape, un temps d’attente peut être admis.
Ce modèle a également été utilisé pour la collecte des armoires vides, chaque collecte étant décomposée
également en deux étapes : une étape pour le transport à vide, le chargement des armoires vides et
le transport de ces armoires jusqu’à l’UCP nécessitant un véhicule et un chauffeur et une étape pour
le déchargement nécessitant le véhicule.
La seconde partie de notre travail s’intéresse au problème global c’est-à-dire la livraison journalière
des armoires pleines et des armoires vides. Chaque livraison et collecte est décomposée en trois étapes :
une étape de chargement, une étape de transport et une étape de déchargement. Pour ce problème,
les véhicules sont distingués et un ordonnancement des activités sur ces véhicules est construit. Cet
ordonnancement prend en compte les temps de transport à vide comme des temps de setup dépendant
de la séquence.
Pour la résolution de ces problèmes, des modèles mathématiques sont proposés. Les instances réelles
traitées comportent jusqu’à 12 activités de livraison d’armoires pleines et 12 activités de collecte
d’armoires vides.

Références
1. M. Gourgand, N. Grangeon, S. Norre SM-RCPSP avec profil de demande en ressources variable :
extension ou cas particulier ? 7ème congrès de la Société Française de Recherche Opérationnelle
et d’Aide à la Décision 6-8 février 2006 Lille.
 Utilisation de problèmes d’ordonnancement
pour la conception de systèmes flexibles de production

L. Deroussi,1

LIMOS, CNRS UMR 6158, IUT de Montluçon

Université Blaise Pascal, Clermont-Ferrand
Av. Aristide Briand, 03100 Montluçon
deroussi@moniut.univ-bpclermont.fr

1 Introduction

Les systèmes flexibles de production (Flexible Manufacturing Systems ou FMS) sont des systèmes de
production hautement automatisés dans lesquels des machines à commande numérique sont reliées
entre elles par un système de transport. De tels systèmes sont à la fois productifs et flexibles, mais ils
sont aussi extrêmement coûteux et complexes à concevoir. La littérature les concernant est abondante
et peut être classées selon trois catégories : les problèmes de conception d’atelier, les problèmes de
conception du réseau de transport et les problèmes d’ordonnancement. Etant donné la difficulté de
chacun de ces problèmes pris séparément, ils sont généralement traités de manière séquentielle.
L’objectif de ce travail est de montrer qu’il peut être intéressant de réorganiser un atelier, en considé-
rant la résolution de problèmes d’ordonnancement. Ce travail rejoint la réflexion de plusieurs auteurs
[5] et [1], qui ont montré l’intérêt de prendre en compte les temps de déplacement à vide des véhicules,
nonobstant la difficulté liée à cette prise en compte.

2 Description du problème

Le FMS que nous considérons est constitué d’emplacements, destinés à recevoir des moyens de
production (ou machines), de machines, d’un réseau de transport sur lequel circulent des moyens
de transport (ou AGV ), et d’AGVs qui permettent de transporter les produits d’une machine vers
une autre.
L’atelier doit fabriquer un ensemble de pièces, dont le processus de fabrication consiste en une
succession d’opérations devant être effectuées dans l’ordre donné. Chaque opération est définie par
la donnée d’une machine et d’une durée opératoire (FMS de type job-shop), ou d’un ensemble de
machines (FMS de type job-shop flexible).
La réorganisation de ce FMS concernera uniquement la réaffectation possible des machines à l’in-
térieur des emplacements prédéfinis. Nous supposerons qu’il n’y a pas d’incompatibilités entre les
emplacements et les machines.
Nous mesurons la qualité d’une affectation des machines aux emplacements selon deux critères. Le
premier critère minimise les déplacements à charge des véhicules. Ce problème se modélise en un
problème d’affectation quadratique ou QAP. Nous appellerons solution QAP-optimale la solution
obtenue en résolvant ce problème (de manière exacte ou approchée). L’affectation des machines ainsi
obtenue est celle qui est classiquement retenu lors de la phase de conception du FMS. Le deuxième
critère prend également en compte les déplacements à vide des AGVs, ainsi que la synchronisation
entre les déplacements des pièces et leur fabrication. Il s’agit ici de proposer un ordonnancement
 problèmes d’ordonnancement pour la conception des SFP 305

conjoint des machines et des véhicules. Ce problème a été initialement proposé par [2]. [3] ont ré-
cemment proposé une approche de résolution efficace pour ce problème. Cette dernière est utilisée
comme une boîte noire pour l’évaluation de ce deuxième critère.
Notre objectif est de montrer que la solution QAP-optimale n’est pas nécessairement la meilleure
lorsque l’on cherche à évaluer plus finement la performance du FMS.

3 L’Approche de résolution
Nous proposons une approche de résolution en deux phases :
– La première phase consiste en la résolution du QAP. La solution QAP-optimale servira de solution
de référence que l’on cherchera à améliorer selon le deuxième critère.
– La deuxième phase consiste donc à améliorer la solution QAP-optimale. La démarche qui s’est
avérée la plus efficace consiste à utiliser la solution QAP-optimale pour définir un TSP, sur lequel
nous appliquons l’algorithme de colonie de fourmis défini par [4].

4 Les résultats obtenus

Nous nous sommes intéressés dans un premier temps aux FMS de type job-shop. Nous avons repris
le jeu d’essai de [2], qui est composé de 40 instances. Sur ces instances de petite taille (5 machines),
la résolution du QAP est facile. Nous avons pu établir que la solution QAP-optimale n’était pas la
meilleure affectation pour 17 des 40 instances. L’algorithme basée sur les colonies de fourmis permet
de retrouver l’affectation optimale dans la majorité des cas, ce qui n’est pas le cas pour les autres
démarches testées.
Des jeux d’essai ont ensuite été conçus pour les FMS de type job-shop flexible. Les instances consi-
dérées ne permettent pas la résolution exacte du QAP. Les résultats obtenus montrent également
l’intérêt d’évaluer plus finement la performance du système, en faisant intervenir la résolution de
problèmes d’ordonnancement.

Références
1. A. Asef-Vaziri, N. G. Hall, R. George The significance of deterministic empty vehicle trips in the
design of a unidirectional loop flow path Computers & Operations Research 35, 1546 - 1561, 2008.
2. U. Bilge, G. Ulusoy A time window approach to simultaneous scheduling of machines and material
handling system in an FMS Operations Research 43, 1058-1070, 1995.
3. L. Deroussi, M. Gourgand, N. Tchernev A simple metaheuristic approach to the simultaneous sche-
duling of machines and automated guided vehicles International Journal of Production Research
46, 2143-2164, 2008.
4. M. Dorigo, L. M. Gambardella Ant Colony System : A cooperative learning approach to the
traveling salesman problem IEEE Transactions on Evolutionary Computation, 1, 53-66, 1999.
5. X.-C. Sun, N. Tchernev Impact of empty vehicle flow on optimal flow path design for unidirectional
AGV systems International Journal of Production Research 34, 2827-2852, 1996.
 Borne inférieure et coupes pour le problème
d’optimisation des changements de séries

C. Pessan1 and E. Néron2

1
Université François Rabelais Tours, Laboratoire d’informatique, Polytech’Tours, 64, avenue Jean
Portalis, 37200 Tours, France.
cedric.pessan@univ-tours.fr
2
Université François Rabelais Tours, Laboratoire d’informatique, Polytech’Tours, 64, avenue Jean
Portalis, 37200 Tours, France.
emmanuel.neron@univ-tours.fr

1 Introduction
Sur une ligne de production, un changement de série consiste à changer et régler l’outillage de chacune
des machines de la ligne afin de produire un nouveau type de pièce. Cette opération est coûteuse en
temps de production et doit donc être optimisée afin d’assurer une bonne flexibilité de la production
et ainsi favoriser la production en juste à temps permettant de minimiser à la fois les délais de
livraison et la taille des stocks. Nous proposons d’améliorer des bornes proposées dans [4] et [5] en
ajoutant des coupes prenant en compte les contraintes industrielles du problème et en proposant des
méthodes permettant de limiter le nombre de coupes générées afin d’améliorer le temps de calcul de
la borne.

2 Présentation du problème
Les changements de série sont composés d’une tâche de réglage pour chacune des machines de la ligne.
Ces réglages doivent être effectués par des opérateurs et nécessitent des compétences particulières.
Dans cette étude menée sur le cas de l’entreprise SKF, les temps opératoires dépendent de l’expérience
des opérateurs. Nous modélisons donc ce problème par un problème à machines parallèles non reliées
où les ressources sont les opérateurs et les tâches sont les réglages des machines, les temps opératoires
représentant le niveau de compétence. Les machines ne peuvent être réglées avant une date ri et un
délai qi est nécessaire après leur remise en fonctionnement pour qu’elles puissent avoir un impact sur
la production. Soit f (Ci ) le critère à optimiser, ce problème est noté : R|ri , qi |f (Ci )
Nous distinguons deux cas, le cas où la ligne est une ligne série et le cas où c’est une ligne série-
parallèle. Dans le cas série, l’objectif est de minimiser le temps du changement de série Cmax . De
plus, nous pouvons montrer que dans notre cas, l’ordre des ri croissant est le même que l’ordre
des qi décroissant et que les tâches peuvent être ordonnancées optimalement par ri croissants sur
chaque opérateur. Dans le cas où il s’agit d’une ligne série-parallèle, l’objectif devient la maximisation
du nombre de pièces produites dans une période qui inclut un changement de série. Ce critère est
formalisé dans [6].

3 Bornes
Dans le cas série, une borne inférieure consiste à résoudre la relaxation préemptive du problème.
Cette relaxation est polynomiale et peut être résolue à l’aide d’un programme linéaire simple (PLS)
 Coupes pour l’optimisation de changements de séries 307

[2]. Nous avons proposé dans [4] une amélioration de cette borne inférieure en proposant des coupes.
Ces coupes utilisent la notion de parties obligatoires [1]. Nous avons tout d’abord adapté des coupes
proposées par [3] pour le problème R||Cmax qui permettent d’évaluer la charge des opérateurs dans
le cas où la préemption n’est pas autorisée. Pour adapter ces coupes, nous avons considéré chaque
intervalle individuellement, et nous avons utilisé les parties obligatoires dans ces intervalles au lieu
des temps opératoires. Nous avons également proposé des coupes permettant de prendre en compte le
fait que les tâches doivent être ordonnancées par ri croissants dans la solution optimale du problème
non relaché. Enfin, des coupes permettent de limiter la préemption des tâches.
Les résultats montrent que la qualité de la borne est significativement améliorée mais le temps de
calcul ne permet pas de l’utiliser dans une procédure par séparation et évaluation (PSE). Nous
proposons donc d’étudier expérimentalement quelles coupes doivent être réellement ajoutées pour
améliorer la qualité de la borne sans trop dégrader le temps de calcul.
Le schéma de branchement utilisé par la PSE [6] place une tâche à chaque nœud sans modifier
l’ordonnancement des tâches déjà affectées. Nous proposons donc de modifier le critère utilisé dans
le PLS afin de favoriser l’ordonnancement des tâches au plus tard. Ainsi, si à un nœud, on place une
tâche qui ne modifie pas l’ordonnancement préemptif calculé au nœud père, nous savons qu’il n’est
pas nécessaire de recalculer la borne inférieure à ce nœud.
Dans le cas général, une borne supérieure peut être calculée en utilisant la borne inférieure du cas
série pour déterminer les instants où la productivité augmente.

4 Conclusion
Dans cet article, nous proposons d’améliorer le temps de calcul d’une borne inférieure pour le problème
d’optimisation des changements de série en étudiant la contribution de coupes à la qualité de la borne.
Plus de détails et des résultats expérimentaux seront proposés lors de la conférence.

Références
1. Lahrichi, A. : Ordonnancements : La notion de parties obligatoires et son application aux problème
cumulatifs. R.A.I.R.O.-R.O., No. 16, Vol. 3 pp. 241–262 (1982)
2. Lawler, E.L., Labetoulle, J. : On preemptive scheduling of unrelated parallel processors by linear
programming. Journal of the ACM, pp. 612–619 (1978)
3. Mokotoff, E., Chrétienne, P. : A cutting plane algorithm for the unrelated parallel machine sche-
duling problem. European Journal of Operational Research, No. 141 pp. 515–525 (2002)
4. Pessan, C., Néron, E. : Cutting planes for an industrial unrelated parallel machines problem with
release dates and tails. Proceedings of ECCO XXI, Dubrovnik, Croatia (2008)
5. Pessan, C., Néron, E. : Bornes supérieures pour le problème d’optimisation des changements de
séries. Actes de ROADEF’08, Clermont Ferrand, France (2008)
6. Pessan, C. : Optimisation de changements de séries par ordonnancement des tâches de réglage.
Thèse de doctorat, Université François Rabelais Tours (2008)
 Minimisation du nombre de processeurs pour les
systèmes temps réel multiprocesseurs

François DORIN, Michael RICHARD, Emmanuel GROLLEAU, and Pascal RICHARD

LISI / ENSMA - Université de Poitiers, Teleport 2 - 1, avenue Clement Ader, BP 40109,

86961 FUTUROSCOPE CHASSENEUIL Cedex France.
francois.dorin@lisi.ensma.fr, michael.richard@lisi.ensma.fr,
emmanuel.grolleau@lisi.ensma.fr, pascal.richard@lisi.ensma.fr

1 Introduction
L’informatique temps-réel repose sur une correction temporelle des applications, en plus de la cor-
rection fonctionnelle. La réduction du nombre de processeurs utilisés pour ordonnancer fiablement
un système temps réel est un enjeu majeur afin de réduire les dimensions, le poids, le coût et la
consommation d’énergie (par exemple, dans le cadre de systèmes embarqués). Nous proposons, dans
la suite, une méthode permettant de valider temporellement une application tout en minimisant le
nombre de processeurs utilisés.
Cette méthode est une aide précieuse au dimensionnement de systèmes multiprocesseurs ou distribués
(composés d’un ou de plusieurs réseau(x)).
La validation temporelle est assurée par un test de faisabilité basée sur l’analyse holistique ([4]). Pour
ce faire, les tâches doivent être placées sur un processeur et posséder une priorité.
Notons enfin que placement et affectation de priorité sont réalisés conjointement.

2 Problème
Le problème de minimisation du nombre de processeurs est proche du problème de binpacking dans
un contexte multiprocesseur avec tâches indépendantes.
Nous considérons ici un ensemble de tâches périodiques, à échéances strictes, à priorité fixe, s’exécu-
tant sur une architecture multiprocesseur (sans migration des tâches) ou distribuée, et dont nous ne
connaissons que les pires durées d’exécution. La préemption des tâches est autorisée et n’engendre
aucun surcoût processeur.
Lorsque nous lui fournissons un système de tâches en entrée, l’exécution de notre algorithme fournit
une solution valide utilisant un nombre n de processeurs. n correspond au nombre minimum de
processeurs nécessaires pour valider le système de tâches par une analyse holistique.

3 Algorithme d’ordonnancement
Notre algorithme repose sur une énumeration exhaustive de tous les ordonnancement possibles selon
une procédure par séparation et évaluation (Branch & Bound), basé sur les précédents travaux de
M. Richard effectués lors de sa thèse ([3]).
Lors du parcours de l’arbre de recherche, les tâches se répartissent en deux ensembles : les tâches
placées et possédant une priorité et les tâches non traitées. L’exploration d’un nœud dans l’arbre de
recherche consiste à placer une tâche sur un processeur tout en lui affectant une priorité. Un test
 Minimisation du nombre de processeurs pour les systèmes temps réel multiprocesseurs 309

d’ordonnançabilité est alors effectué. Pour les tâches traitées, une borne inférieure du pire temps de
réponse est calculée ; pour les tâches non traitées, nous évaluons une borne inférieure du pire temps
de réponse. Ainsi, la solution obtenue est optimale vis-à-vis de l’analyse holistique.
La méthode d’énumération s’inspire des travaux de Bratley, Florian et Robillard [1], sur l’exploration
d’un arbre de recherche permettant de représenter le placement des tâches à l’aide de deux types de
nœuds.
Notre algorithme minimise le nombre de processeurs nécessaires à l’ordonnancement des systèmes de
tâches, et répond ainsi à la problématique posée.

4 Evaluation
Nous avons effectué des simulations dans un contexte multiprocesseur et tâches indépendantes, en vue
de comparer notre algorithme à celui de Fisher et al. [2]. Nous nous sommes placés dans ce contexte
restrictif car il n’existe pas, à l’heure actuelle, d’algorithmes permettant de réaliser une comparaison
plus large. Ces simulations ont montré qu’il y avait un apport interessant de notre méthode (par
exemple, un gain moyen de 2 processeurs pour un système de 100 tâches et une charge globale de
15).

Références
1. P. Bratley, M. Florian, and P. Robillard. Scheduling with earliest start and due date constraints
on multiple machines. Naval Research Logistic Quaterly, 22(1) :165–173, 1975.
2. N. Fisher, S. Baruah, and T. Baker. The partitioned scheduling of sporadic tasks according to
static-priorities. Real-Time Systems, 2006. 18th Euromicro Conference on, pages 10 pp.–, 5-7 July
2006.
3. Michael Richard. Contribution à la validation des systèmes temps réel distribués : ordonnancement
à priorités fixes & placement. PhD thesis, Université de Poitiers, 2002.
4. Ken Tindell and John Clark. Holistic schedulability analysis for distributed hard real-time systems.
Microprocess. Microprogram., 40(2-3) :117–134, 1994.
Ordonnancement de tâches synchrones multipériodiques

Mikel Cordovilla, Julien Forget, Claire Pagetti, and Frédéric Boniol

ONERA, Toulouse, France, Email : firstname.lastname@onera.fr

Introduction
Les systèmes embarqués sont des systèmes temps réel critiques nécessitant des langages de haut
niveau et si possible l’automatisation de certaines étapes de développement.
Nous nous situons dans le contexte de systèmes périodiques de type contrôle-commande. Ces systèmes
sont généralement composés de trois sortes d’action : acquisition de données, traitement, et envoi des
ordres aux actionneurs. Les langages synchrones [1] sont depuis plusieurs années utilisés avec succès
pour concevoir de tels systèmes. Néanmoins, ces langages génèrent un code séquentiel global, ce qui
donne lieu à des implantations monotâches. Du fait de l’apparition de nouveaux systèmes d’exploita-
tion embarqués critiques comme OSEK pour l’automobile ou l’ARINC 653 pour l’aéronautique, il est
intéressant de proposer des générations de code multitâches et de laisser au système d’exploitation
la gestion de l’ordonnancement des tâches.
L’objectif de notre travail est, à partir d’un langage synchrone de description d’assemblage de fonc-
tions multipériodiques, de générer automatiquement un ensemble de tâches temps réel et des méca-
nismes de buffers associés permettant de conserver la sémantique du langage et d’exécuter le code
avec un ordonnanceur EDF (Earliest Deadline First).

L’approche suivie
L’approche suivie repose sur le langage d’assemblage défini dans [3] permettant de décrire les interac-
tions synchrones entre des nœuds (i.e., blocs fonctionnels) importés écrits dans un autre langage (C
ou du Lustre par exemple). Pour un système donné, les nœud importés du système sont assimilés à
des tâches temps réel. Les attributs temps réel de ces tâches sont : (1) le wcet (worst case execution
time), spécifié dans le programme lors de la déclaration d’importation du nœud, (2) la période et
la date de réveil, automatiquement calculées par le compilateur du langage à partir de la période
de base du système, et (3) un graphe de communications et de précédences entre les tâches et avec
l’environnement.
Les ordonnanceurs de type EDF n’acceptant pas des contraintes de précédences entre tâches, nous
avons pensé à appliquer l’algorithme de Chetto et al. [2] qui transforme des tâches dépendantes avec
précédence en tâches indépendantes en modifiant les dates de réveil et les deadlines (première étape
de l’approche). Une telle transformation ne garantie cependant pas la préservation de la sémantique
synchrone du système. La deuxième étape consiste alors à déterminer un mécanisme de buffer per-
mettant de faire communiquer les tâches de façon à respecter cette sémantique. Cette seconde étape
s’appuie sur les idées de Sofronis et al. [5]. Les auteurs définissent un protocole de communication ap-
pelé Dynamic Buffering Protocol (DBP) permettant d’ordonnancer des tâches exprimées en Lustre
par des ordonnanceurs de type RM ou EDF. L’idée est d’une part de calculer la taille des buffers
nécessaires pour les communications et d’autre part d’assurer la cohérence des données en utilisant
des pointeurs sur chacun des buffers.
Notre contexte est moins large que celui défini par Sofronis et al. puisque nous ne considérons que des
systèmes multipériodiques. Pour ces systèmes les auteurs de [5] proposent un algorithme de calcul
 Ordonnancement de tâches synchrones multipériodiques 311

du nombre optimal de buffers. Nous proposons une formule basée sur des propriétés temps réel pour
calculer ce même nombre mais de complexité plus faible. Nous avons implanté les deux algorithmes
de calcul et les avons expérimentés sur une étude de cas réel. Le protocole DBP défini par Sofronis et
al. est un protocole générique avec notamment des tâches apériodiques qui décrit les accès des tâches
aux buffers en utilisant des pointeurs. Certains de ces pointeurs doivent être modifiés à la date de
réveil de chaque instance ce qui signifie qu’il faut probablement ajouter des services extérieurs plus
prioritaires qui peuvent entraîner des préemptions supplémentaires. Notre contexte multipériodique
étant plus restreint, nous connaissons statiquement les accès aux buffers. Notre approche consiste à
empaqueter le code des tâches de façon à calculer dans le code modifié le numéro des cases à accéder.
Ceci a un léger impact sur les wcet mais n’ajoute pas de services extérieurs et probablement aucun
surcoût de préemption. Notons que Sofronis et al., même s’ils posent une question similaire à la nôtre
consistant à porter un code Lustre sur un ordonnanceur EDF, passent sous silence le calcul effectif
des tâches à ordonnancer et de leurs caractéristiques. Dans notre contexte, le langage d’assemblage
décrit la spécification et permet de préciser les relations de fréquences entre nœuds importés qui sont
assimilés à des tâches temps réel. Le passage de cette description synchrone (niveau fonctionnel) en
un ensemble de tâches avec précédence (niveau exécution) est alors automatique.

Conclusion
Ce travail est l’étape préliminaire avant une génération de code complète du langage d’assemblage
vers un code multitâche embarquable dans un ordonnanceur EDF. La prochaine phase sera la mise en
œuvre des concepts théoriques présentés dans le papier. Une implantation du protocole de Sofronis
et al. sur un support OSEK/VDX a été réalisée par les auteurs de [4]. Nous nous inspirerons de leur
méthode pour implanter notre protocole sur la cible POSIX.

Références
1. Benveniste, A. and Caspi, P. and Edwards, S. and Halbwachs, N. and Leguernic, P. and de Simone,
R. : Synchronous Languages, 12 Years Later, 2003
2. Chetto, H. and Silly, M. and Bouchentouf, T. : Dynamic scheduling of real time tasks under
precedence constraints (1990)
3. Forget, J. and Boniol, F. and Lesens, D. and Pagetti, C. : A multi-periodic synchronous data-flow
language 11th IEEE High Assurance Systems Engineering Symposium (HASE’08), 2008
4. Guoqiang, W. and Di Natale, M. and Sangiovanni-Vincentelli, A. : An OSEK/VDX Implemen-
tation of Synchronous Reactive Semantics Preserving Communication Protocols, Workshop on
Operating Systems Platforms for Embedded Real-Time Applications (2007)
5. C. Sofronis and S. Tripakis and P. Caspi : A memory-optimal buffering protocol for preservation of
synchronous semantics under preemptive scheduling EMSOFT ’06 : Proceedings of the 6th ACM
& IEEE International conference on Embedded software, 2006
 d-bloqueurs et d-transversaux

C. Bentz1 , M.-C. Costa2 , D. de Werra3 , C. Picouleau4 , B. Ries5 , and R. Zenklusen6

1
Université Paris-Sud, LRI, Orsay (France)
bentz@lri.fr
2
ENSTA-UMA-CEDRIC, Paris (France)
Marie-Christine.Costa@ensta.fr
3
EPFL, Lausanne (Suisse)
dominique.dewerra@epfl.ch
4
Laboratoire CEDRIC, CNAM, Paris (France)
chp@cnam.fr
5
Columbia University, New York (USA)
br2275@columbia.edu
6
Eidgenössische Technische Hochschule Zürich, Zürich (Suisse)
rico.zenklusen@ifor.math.ethz.ch

Soit G = (V, E) un graphe simple non orienté et sans boucle. Nous notons |V | = n, |E| = m et ν(G)
la cardinalité maximale d’un couplage. Nous définissons un d-bloqueur comme un ensemble d’arêtes
B ⊂ E telque ν((V, E \ B)) ≤ ν(G) − d et un d-transversal comme un ensemble d’arêtes T ⊂ E
telque |M ∩ T | ≥ d pour tout couplage maximum M . Un d-bloqueur (resp. d-transversal) est dit
minimum lorsque sa cardinalité |B| (resp. |T |) est minimale. Pour d = 1 un d-bloqueur (resp. d-
transversal) est appelé bloqueur (resp. transversal). Ainsi un transversal correspond à un transversal
de l’hypergraphe des couplages maximums de G. De cette façon, les problèmes de d-bloqueurs sont
proches des problèmes qui consistent à oter un nombre minimum d’arêtes d’un graphe afin que le
graphe partiel obtenu respecte une une propriété donnée.
Nous montrons certaines propriétés reliant d-bloqueurs et d-transversaux : tout d-bloqueur est un
d-transversal ; il existe des d-transversaux qui ne sont pas des d-bloqueurs. Concernant la complexité
algorithmique, nous montrons que pour tout d ∈ {1, . . . , ν(G)}, la recherche d’un d-bloqueur (resp.
d-transversal) minimum est un problème N P -difficile même lorsque G est biparti.
Nous montrons ensuite comment déterminer un d-bloqueur (resp. d-transversal) minimum lorsque G
est une grille ou un arbre : pour une grille de dimension m × n la cardinalité d’un d-bloqueur (resp.
d-transversal) minimum est obtenue par une formule close dépendant de d, m, n ; elle est obtenue en
utilisant la programmation dynamique dans le cas d’un arbre.

Références
1. C. Berge, Graphes, Gauthier-Villars, (Paris, 1983).
2. E. Boros, K. Elbassioni, V. Gurvich (2006), Transversal Hypergraphs to Perfect Matchings in
Bipartite Graphs : Characterization and Generation Algorithms, Journal of Graph Theory 53 (3),
209-232.
3. P. Burzyn, F. Bonomo, G. Durán (2006), N P-completeness results for edge modification problems,
Discrete Applied Mathematics 154 (13) 1824-1844.
4. M.R. Garey and D.S. Johnson, Computers and intractability, a guide to the theory of NP-
completeness, ed. Freeman, New York (1979).
5. R.R. Kamalian, V.V. Mkrtchyan (2008), On complexity of special maximum matchings construc-
ting, Discrete Mathematics 308 (10), 1792-1800.
 d-bloqueurs et d-transversaux 313

6. R.R. Kamalian, V.V. Mkrtchyan (2007), Two polynomial algorithms for special maximum mat-
ching constructing in trees, http ://arxiv.org/abs/0707.2295.
7. J.M. Lewis, M. Yannakakis (1980), The node-deletion problem for hereditary properties is N P-
complete, Journal of Computer and System Sciences 20, 219-230.
8. A. Natanzon, R. Shamir, R. Sharan (2001), Complexity classification of some edge modification
problems, Discrete Applied Mathematics 113, 109-128.
9. M. Yannakakis (1981), Edge-deletion problems, SIAM Journal of Computing 10 (2), 297-309.
10. M. Yannakakis (1981), Node-deletion problems on bipartite graphs, SIAM Journal of Computing
10 (2), 310-327.
11. R. Zenklusen (2008), Matching Interdiction, http ://arxiv.org/abs/0804.3583.
12. R. Zenklusen, B. Ries, C. Picouleau, D. de Werra, M.-C. Costa, C. Bentz (2008), Blockers and
transversals, to appear in Discrete Mathematics.
 Un algorithme polynomial pour calculer le stable
maximum (pondéré) dans une classe de graphes sans P5

F. Maffray and G. Morel

Laboratoire G-SCOP, 46, avenue Felix Viallet, 38031 Grenoble Cedex 1 France.
frederic.maffray@g-scop.inpg.fr, gregory.morel@g-scop.inpg.fr

1 Introduction

De nombreuses sous-classes de graphes sans P5 ont été étudiées jusqu’à présent (graphes à seuil,
graphes (pseudo-) scindés, cographes, graphes sans 2K2 , etc.), et pour chacune d’elles on sait cal-
culer un stable maximum en temps polynomial, voire linéaire, gr‚ce à des techniques très variées
(décomposition modulaire, graphes augmentants, struction, etc.).

Nous proposons un algorithme polynomial pour le calcul d’un stable de taille maximum, dans une
classe de graphes généralisant les cographes et les graphes sans 2K2 .

2 Le problème du stable maximum dans les graphes sans P5

2.1 Motivation

Soit Ti,j,k le graphe obtenu à partir d’une griffe (i.e. le graphe biparti K1,3 ) en prolongeant les trois
sommets de degré 1 en trois chaînes sans corde ayant respectivement i, j et k sommets.

Alekseev a montré ([1]) que si un graphe H a une composante connexe qui n’est pas isomorphe à
Ti,j,k , alors le problème du stable de cardinalité maximum est N P-Difficile dans la classe des graphes
ne contenant pas H comme sous-graphe induit.

Il existe seulement deux graphes, à isomorphisme près, de la forme Ti,j,k vérifiant i + j + k = 4 : ce

sont la chaise (i.e. le graphe obtenu en ajoutant un voisin à un sommet de degré 1 dans une griffe) et
la chaîne sans corde à 5 sommets, P5 . En 1999, Alekseev ([3]) a montré que l’on pouvait calculer un
stable maximum dans la classe des graphes sans chaise en temps polynomial. Depuis, les graphes sans
P5 constituent la plus petite classe, définie par un seul sous-graphe connexe interdit, pour laquelle la
complexité du calcul d’un stable maximum reste ouverte.

2.2 Structure des graphes sans P5

Comme on sait calculer en temps polynomial un stable maximum dans un graphe sans 2K2 ([4],
[2]), nous nous sommes intéressés à la structure des graphes sans P5 contenant un 2K2 induit. Cette
structure fait l’objet du théorème suivant :

Theorem 1. Soit G = (V, E) un graphe sans P5 qui contient un 2K2 induit. V peut Ítre partitionné
en quatre ensembles comme suit :
 Analyse combinatoire de données et analyse de temps de survie 315

– B = B1 ∪ B2 ∪ · · · ∪ Bk , tels que : G[Bi ] (1 ≤ i ≤ k) soit un sous-graphe connexe de G d’ordre au

moins 2, aucun sommet de Bi n’est adjacent à un sommet de B \ Bi , et B est maximal pour cette
propriété ;
– A = A1 ∪ A2 ∪ · · · ∪ Ak , où Ai (1 ≤ i ≤ n) est l’ensemble des sommets adjacents à tous les sommets
de B \ Bi et qui ont au moins un voisin et un non-voisin dans Bi ;
– T l’ensemble des sommets adjacents à tous les sommets de B ;
– I l’ensemble des sommets adjacents à aucun sommet de B.
De plus, I est un ensemble stable.

3 La classe des graphes sans {P5 , co − A, co − domino}

On appelle domino le graphe obtenu à partir d’un cycle à 6 sommets en ajoutant une corde longue
(c’est-à-dire joignant deux sommets à distance 3 l’un de l’autre) et co − domino son complémentaire ;
on appelle A le graphe obtenu à partir d’un domino en supprimant une des deux arÍtes non adjacentes
à la corde longue, et co − A son complémentaire.
En reprenant les notations définies dans le Théorème 1, on peut énoncer le corollaire suivant :
Corollary 1. Avec les notations définies dans le Théorème 1, si G est un graphe sans {P5 , co −
A, co − domino}, au plus un des ensembles Ai est non vide. De plus, en supposant que Ai soit non
vide, l’ensemble B \ Bi est homogène.

3.1 Algorithme de calcul d’un stable maximum

En utilisant la décomposition modulaire, on déduit immédiatement du Corollaire 1 un algorithme
récursif permettant de calculer un stable de taille maximum dans un graphe sans {P5 , co − A,
co − domino}, y compris dans le cas pondéré. On peut de plus montrer que le nombre d’appels
récursifs est borné par un polynôme en O(n5 ). Ce résultat est synthétisé dans le théorème suivant :

Theorem 2. Dans un graphe G = (V, E) sans {P5 , co − A, co − domino}, on peut calculer un stable
de cardinalité ou de poids maximum en au plus O(n5 ) itérations, où n = |V |.

Références
1. Alekseev, V.E. : On the local restrictions effect on the complexity of finding the graph independence
set number (in Russian). Combinatorial-algebraic methods in applied mathematics, 1983
2. Alekseev, V.E. : On the number of maximal independent sets in graphs from hereditary classes
(in Russian). Combinatorial-algebraic methods discrete optimization, 1991
3. Alekseev, V.E. : Polynomial algorithm for finding the largest independent set in graphs without
forks. Discrete Applied Mathematics, 135, 2004 (traduit de Discrete Analysis and Operations
Research 6, Novosibirsk, 1999)
4. Farber, M. : On Diameters and Radii of Bridged Graphs. Discrete Mathematics 73, 1989
 Une nouvelle classe de graphes : les hypotriangulés

M.-C. Costa1 , C. Picouleau2 , and H. Topart2

1
ENSTA UMA (CEDRIC), 32 boulevard Victor, 75739 Paris cedex 15 (France).
Marie-Christine.Costa@ensta.fr
2
CEDRIC-CNAM, 292 rue Saint-Martin, 75141 Paris cedex 03, France
chp@cnam.fr, Helene.Topart@cnam.fr

1 Introduction
Nous introduisons une nouvelle classe de graphes, les graphes hypotriangulés : pour tout chemin de
longueur 2, il existe soit une corde, soit un autre chemin de longueur 2, qui relie ses extrémités. On
construit ainsi des réseaux qui sont fiables dans le cas où soit un lien soit un noeud est défaillant.

2 Définitions et premières propriétés

On notera G = (V, E) un graphe simple non-orienté où V est l’ensemble des sommets et E l’ensemble
des arêtes. On note n = |V |, m = |E| et δ le degré minimum d’un sommet de G.
Definition 1. G est hypotriangulé si pour toute paire de sommets {a, b} ∈ V 2 telle que [a, y, b] est
un P3 , on a [a, b] ∈ E ou il existe z -= y tel que [a, z, b] est un P3 .
On obtient aisément les définitions équivalentes suivantes.
– G est hypotriangulé ssi tout P3 est inclus dans un C3 ou un C4 ;
– G est hypotriangulé ssi ∀u, v ∈ V, u -= v, |N (u) ∩ N (v)| = 1 ⇒ [u, v] ∈ E.
On montre les premiers résultats suivants :
– Les graphes complets Kn et les graphes bipartis complets Kn1 ,n2 pour n1 , n2 ≥ 2 sont hypotrian-
gulés ;
– les graphes hypotriangulés ne sont pas nécessairement parfait ;
– il existe des graphes triangulés qui ne sont pas hypotriangulés ;
– il existe des graphes hypotriangulés qui ne sont pas triangulés ;
– pour tout k, il existe des graphes hypotriangulés de diamètre k ;
– pour tout k, il existe des graphes hypotriangulés ayant un trou de taille k.
Si G est un graphe hypotriangulé avec n ≥ 3, alors
– δ ≥ 2 et G n’a pas de sommet d’articulation (donc G n’a pas d’isthme).

3 Les graphes hypotriangulés minimum

Dans cette section, on s’intéresse au problème de déterminer, pour tout n, l’ensemble des graphes
hypotriangulés connexes possédant un nombre minimum d’arêtes. Nous les appelerons graphes hypo-
triangulés minimum.
On considère n ≥ 4, puisque pour n = 2 (respectivement n = 3) le seul graphe hypotriangulé à n
sommets est K2 (respectivement K3 ).

Theorem 1. Un graphe connexe hypotriangulé minimum G avec n ≥ 4 vérifie m = 2n − 4, G est

biparti et δ = 2 ou 3. De plus, si δ = 3 alors G est le cube.
 Les graphes hypotriangulés 317

On distingue parmi les sommets de G les sommets internes au graphe I et les sommets pendants P .
On définit alors la transformation G /→ 2V
G. Voir Figure 1.

Theorem 2. Si G est un graphe hypotriangulé minimum avec δ = 2, alors G = 2V

T où T est un
arbre.

Fig. 1. Un arbre T et le graphe 2V

T correspondant

4 Résultats de complexité
Les problèmes Hamiltonien, Clique, Stable et Coloration sont N P-complets dans les graphes
hypotriangulés.

Références
[1] Claude Berge, Graphes, Gauthier-Villars (Paris, 1983)
[2] M. R. Garey, D. S. Johnson, "Computers and intractability. A guide to the theory of NP-
completness", W. H. Freeman (San Francisco, 1979)
[3] DIMACS Book Series, Published by the American Mathematical Society,Volume Fifty Three :
"Robust Communication Networks : Interconnection and Survivability", Editors : Nathaniel Dean,
D. Frank Hsu and R. Rav (2000)
 Gestion de production électrique en contexte incertain

Sinda Ben Salem,1,2 and Michel Minoux3

1
EDF R&D, 1 Avenue Général de Gaulle, 92140 Clamart
sinda.ben-salem@edf.fr
2
Ecole Centrale Paris, Laboratoire Génie Industriel, Grande Voie des Vignes, 92290 Châtenay
Malabry.
sinda.ben-salem@ecp.fr
3
Université Paris 6, 4 place Jussieu, 75252 Paris Cedex.
Michel.Minoux@lip6.fr

1 Introduction
A court terme (horizon de un à deux jours), EDF doit élaborer un planning de production pour
chacune de ses unités de production. L’objet de ce travail est l’optimisation de la production dans
un environnement incertain.
L’aléa apparaît à plusieurs niveaux lors de la construction du planning de production. Il y a des
incertitudes sur les prix de marché de l’électricité, sur la prévision de la consommation, sur la dis-
ponibilité des unités de production, et sur les niveaux d’eau des réservoirs hydrauliques. Nous nous
intéressons à l’incertitude autour de la prévision de consommation, qui reste prédominante. Elle
s’écrit : Erreur(jourJ) = prevision(jourJ) − observe(jourJ).
Ainsi, nous proposons une approche qui intègre la forme et le comportement de cette erreur, pour
nous permettre de prendre des décisions plus robustes face à l’incertain.

2 Modélisation de l’incertitude
L’idée qui motive ce travail est d’obtenir un modélisation simple de l’aléa. Pour cela, nous avons dé-
terminé un ensemble de contraintes linéaires, construisant ainsi un ensemble d’incertitude polyédral.
Ces contraintes sont construites à base d’observations de l’historique des erreurs passées et à l’aide
d’outils statistiques d’analyse de données.

L’objectif est de minimiser la somme des coûts de production et des pertes dûes à l’aléa de consom-
mation. Cela consiste à résoudre le problème d’optimisation suivant :

min {Γ(P ) + Φ(P )}

P ∈X

Deux optimisations sont imbriquées selon ce modèle :

2.1 Minimiser les coûts de production

Γ(P ) minimise les coûts pour une production P .
 Gestion de production électrique en contexte incertain 319

' U
(
% u
Γ (P ) = min γ (P )
P ∈X
u=1

avec :
P u = (Ptu )Tt=1

T : Nombre total de pas de temps d’optimisation

U : Ensemble des unités de production
P : Puissance à produire
X : Ensemble des plans de production réalisables
γ (.) : Fonction coût de production

2.2 Minimiser les pénalités d’écart à la demande

Φ(P ) est une fonction complémentaire qui intègre la dynamique de l’erreur. Elle permet de calculer
les pires pertes qu’on aurait à subir en fonction d’une production P donnée :

' T
(
%
Φ(P ) = max π (ξt , Pt )
ξ∈C
t=1

avec :
ξ = (ξt )Tt=1

C : Ensemble convexe des erreurs possibles sur la demande

π (., .) : Fonction qui pénalise l’écart entre la puissance produite
et la consommation réelle réalisée

Calculer les pénalités d’écart nécessite la résolution d’un problème en nombres entiers. Une méthode
des faisceaux est utilisée pour la résolution du problème global. Sous certaines hypothèses de convexité
de Γ (P ) et Φ(P, ξ), nous obtenons des résultats préliminaires intéressants pour cette écriture originale
du problème d’optimisation de la production électrique.

Références
1. MINOUX M. : Programmation mathématique. Théorie et Algorithmes. Lavoisier (2008)
2. DUBOST L, GONZALEZ R, LEMARECHAL C : A primal-proximal heuristic applied to the
French Unit-commitment problem. Mathematical Programming, A(104), 129-151 (2005)
3. RENAUD A : Daily generation management at Electricité de France : from planning towards real
time. IEEE Transactions on Automatic Control 38(7), 1080-1093 (1993)
 Amélioration des solutions intermédiaires pour la
résolution exacte du sac à dos multidimensionnel en 0–1

S. Boussier1 , M. Vasquez2 et Y. Vimont2

1
LIA, Université d’Avignon et des Pays de Vaucluse, 339 chemin des Meinajaries, BP 1228, 84911
Avignon Cedex 9, France.
Sylvain.Boussier@univ-avignon.fr
2
LGI2P, Ecole des Mines d’Alès, Parc scientifique Geroges Besse, 30035 Nîmes, France.
{Michel.Vasquez, Yannick.Vimont}@ema.fr

1 Contexte

Nous nous intéressons ici à la résolution exacte du sac à dos multidimensionnel en 0–1 (MKP pour
Multidimensional Knapsack Problem) qui est un problème classique d’optimisation combinatoire
pouvant être modélisé de la manière suivante :
n
%
Maximiser cj xj
j=1
n
%
sujet à aij xj ≤ bi , i = 1, ..., m,
j=1

x ∈ {0, 1}n ,

avec ci ∈ N, bi ∈ N et aij ∈ N. Dans de précédents travaux (Boussier et al. (2008) [1]), nous avons
présenté une méthode exacte de résolution du MKP combinant Resolution search (Chvátal (1997)
[3]) avec un algorithme d’énumération implicite (Vimont et al. (2008) [4]). Cette méthode est glo-
balement plus performante que les méthodes exactes connues sur un grand nombre d’instances de
la OR-Library3 . Elle résout la plupart des instances en un temps plus rapide et prouve l’optimalité
d’instances dont l’optimum était inconnu jusqu’à présent. Les solutions intermédiaires qu’elle gé-
nère ne sont pourtant pas toujours compétitives avec celles produites par les meilleures heuristiques
existantes. Dans cette présentation, nous détaillons la méthode proposée dans [1] et présentons une
technique d’amélioration de la génération des solutions intermédiaires permettant d’obtenir de bonnes
solutions plus rapidement.

2 Description de la méthode

Un des ingrédients de la méthode proposée dans [1] est l’utilisation d’une contrainte prenant en
compte la borne fournie par la relaxation continue, les coûts réduits des variables hors base et un
minorant quelconque. Cette contrainte permet d’une part de fixer certaines variables hors base à leur
valeur optimale et d’autre part d’éliminer certaines configurations partielles de l’espace de recherche.
Elle peut s’écrire de la manière suivante :
3
http ://people.brunel.ac.uk/ mastjjb/jeb/orlib/mknapinfo.html
 Papier soumis à ROADEF 09 321

% % = >
|c̄j |xj + |c̄j |(1 − xj ) ≤ BS − BI (1)
j∈N|x̄j =0 j∈N|x̄j =1

où BI ∈ N est un minorant connu, BS = c · x̄ avec x̄ la solution optimale de la relaxation continue

du problème. Le vecteur c̄ correspond aux coûts réduits associés et N est l’ensemble des indices des
variables hors base (Balas et Martin (1980) [2]).
Cette contrainte permet de fixer les variables hors base de coût réduit c̄j strictement supérieur à
⌊BS − BI⌋ à leur valeur optimale x̄j et permet d’éliminer toute solution x′ de l’espace de recherche si
&
c̄ > ⌊BS − BI⌋ (Ω étant l’ensemble des indices des variables hors base telles que x′j = 1 − x̄j ).
j∈Ω j
Nous proposons de modifier la contrainte (1) en réduisant son membre de droite d’une valeur ∆
et en faisant diminuer ∆ progressivement au cours du processus de recherche. Cette manipulation
permet (i) d’éliminer un grand nombre de configurations partielles jugées non-pertinentes et (ii) de
fixer davantage de variables à grand coût réduit à leur valeur optimale (x̄j ). Elle a pour conséquence
de favoriser la génération de bonnes solution rapidement.

3 Résultats préliminaires
Expérimentalement, nous avons fait varier le paramètre ∆ sur l’algorithme [1] pour la résolution des
instances à 10 contraintes et 500 variables de la OR-Library. Nous avons expérimenté une première
version consistant à initialiser ∆ à la valeur 500 puis à le diminuer de 50 toutes les 200 secondes
(ces paramètres sont déduis des expérimentations réalisées est dépendent évidemment des instances
traitées) . L’objectif est de restreindre au maximum l’espace de recherche au départ afin d’obtenir des
premières bonnes solutions rapidement et de l’élargir au fur et à mesure jusqu’à atteindre l’espace
de recherche initial. Tout en gardant son caractère exact, l’algorithme obtenu est plus efficace4 pour
25 instances sur les 30 disponibles par rapport à l’heuristique de Wilbaut et Hanafi (2008)[5] qui est
actuellement une des meilleures heuristiques connues sur ces instances.

Références
1. S. Boussier, M. Vasquez, Y. Vimont, S. Hanafi and P. Michelon. « Solving the 0–1 Multidi-
mensional Knapsack Problem with Resolution Search ». VI ALIO/EURO Workshop on Applied
Combinatorial Optimization, Buenos Aires, 2008.
2. E. Balas and C.H. Martin. « Pivot and complement a heuristic for zero-one programming ».
Management Science, 26[1] :86–96, 1980.
3. V. Chvátal. « Resolution search ». Discrete Applied Mathematics, 73 :81–99, 1997.
4. Y. Vimont, S. Boussier and M. Vasquez. « Reduced costs propagation in an efficient im-
plicit enumeration for the 01 multidimensional knapsack problem ». Journal Of Combinatorial
Optimization, 15[2] :165–178, 2008.
5. C. Wilbaut and S. Hanafi. « New convergent heuristics for 0-1 mixed integer programming ».
European Journal of Operational Research, doi :10.1016/j.ejor.2008.01.044., 2008.

4
Nous considérons qu’une méthode est plus efficace qu’une autre si elle génère un même minorant
plus rapidement ou si elle trouve un minorant plus grand dans un intervalle de 2 heures de temps
de calcul.
Recherche à grands voisinages pour l’affection d’activités
dans un contexte multi-activités

Quentin Lequy1 , Mathieu Bouchard1 , Guy Desaulniers1 , and François Soumis1

École Polytechnique et GERAD, Montréal, Canada

{Quentin.Lequy,Mathieu.Bouchard,Guy.Desaulniers,Francois.Soumis}@gerad.ca

1 Introduction
Notre problème se situe dans un contexte d’entreprise où les employés effectuent le travail qui leur
incombe durant une période de temps déterminée appelée quarts de travail. Ces quarts composés
de segments de travail et de pauses sont personnalisés pour chaque employé et nous les considérons
comme fixés au préalable par un mécanisme antérieur. Dans les entreprises ciblées, le travail des
employés est vu comme une succession de travaux interruptibles catégorisés, appelés types d’activi-
tés, et les employés peuvent facilement passer d’un type d’activité à un autre du moment qu’ils ont
les qualifications requises.
À chaque type d’activités est associée une courbe de demande fonction du temps qui correspond au
nombre d’employés dont a besoin l’entreprise pour être efficace au mieux vis-à-vis de la clientèle,
pour le type d’activités en question. Lorsqu’un employé contribue à un type d’activités, son temps
de contribution, appelé activité, à un type d’activités est borné par des durées appelées durée mini-
male/maximale de contribution. Notre objectif sera alors d’affecter des activités à chaque employé en
essayant de faire correspondre le mieux possible la demande des types d’activités avec l’offre fournie
par les employés. Un objectif secondaire sera aussi de minimiser le nombre total de changements
entre activités, appelés transitions.
À notre connaissance, ce problème n’a pas encore été traité dans la littérature, nous proposons donc
un premier modèle mathématique basé sur une approche de type génération de colonnes et une
méthode heuristique pour résoudre les instances de grande taille.

2 Modélisation
Nous proposons un modèle du type génération de colonnes basé sur une énumeration des patrons
admissibles de quarts de travail comme l’avait fait Dantzig pour la construction de quarts de travail
[1]. L’horizon temporel est discrétisé en périodes de 15 minutes et on notera T l’ensemble de toutes
ces périodes. L’ensemble des types d’activité sera noté A, et on définit fa,t comme le nombre requis
d’employés pour le type d’activités a ∈ A à la période t ∈ T . Soit W l’ensemble des segments de
travail. Pour chaque segment, nous définissons Ωw l’ensemble des patrons d’affectations d’activité
qui remplissent correctement le segment w.
Soit oa,t ≥ 0 (resp. ua,t ) la variable représentant le surplus (resp. le manque) d’employés pour le type
d’activités a ∈ A durant la période t ∈ T par rapport à la demande fa,t . Soit θw,p ∈ {0, 1} la variable
w,p
de décision qui vaudra 1 si le segment w ∈ W est affecté suivant le patron p ∈ Ωw . Soit γa,t ∈ {0, 1}
un coefficient booléen pour chaque patron p ∈ Ωw de chaque segment w ∈ W qui représente la
contribution de l’employé au type d’activités a ∈ A pendant la période t ∈ T . Finalement, soit cuc
(resp. coc ) le coût par employé pour une période de durée unitaire en sous-couverture (resp. en sur-
couverture) et cw,p le coût du segment w ∈ W par rapport aux transitions s’il est affecté suivant le
patron p ∈ Ωw . Une formulation du problème est donc le programme linéaire mixte suivant :
 Heuristique pour l’affection d’activités 323

%% % %
Minimiser (coc oa,t + cuc ua,t ) + cw,p θw,p (1)
a∈A t∈T w∈W p∈Ωw
%
sujet à θw,p = 1 ∀w ∈ W (2)
p∈Ωw
% % w,p w,p
γa,t θ − oa,t + ua,t = fa,t ∀a ∈ A, ∀t ∈ T (3)
w∈W p∈Ωw

θw,p ∈ {0, 1} ∀w ∈ W, ∀p ∈ Ωw (4)

oa,t ≥ 0, ua,t ≥ 0 ∀a ∈ A, ∀t ∈ T (5)

3 Résolution
Ce modèle de génération de colonnes se résout difficilement par procédure conventionnelle d’énumé-
ration implicite. Pour obtenir des solutions de bonne qualité en des temps de calculs raisonnables,
nous utilisons une heuristique basée entre autres sur la stratégie de fixation de colonnes. Bien que
cette heuristique soit performante sur des instances d’une journée, les instances d’une semaine sont
néanmoins difficiles à résoudre. Pour les résoudre, nous utilisons une recherche heuristique à trajec-
toire basée sur des grands voisinages où trouver un voisin de meilleure qualité que la solution courante
consiste à résoudre une restriction topologique du problème. La solution initiale de l’heuristique est
donnée par une méthode d’horizon fuyant.
L’heuristique fonctionne de la façon suivante : dans un premier temps, les critères d’arrêt sont testés.
Ensuite, une sous-couverture, c’est-à-dire un couple formé d’un type d’activité et d’un intervalle
de temps de durée de base, est choisie aléatoirement de façon biaisée. En fonction de cette sous-
couverture et de critières sur l’évolution de la solution durant les itérations précédentes, le type du
voisinage courant est défini. Ce type influe essentiellement sur la taille du voisinage et sur l’ajout de
contraintes qui permettent de forcer la disparition de la sous-couverture, quitte à dégrader la solution
courante. Le voisinage est ensuite constitué par un échantillon représentatif de segments ayant une
intersection temporelle commune avec la sous-couverture choisie. L’échantillon représentatif est alors
composé de segments de travail faisant intervenir les deux types d’activités associés à une sous-
couverture, à savoir le type d’activité de la sous-couverture et celui de la sur-couverture associée,
tout cela pour avoir de grandes chances d’améliorer la solution par une réoptimisation locale. La
réoptimisation locale de cette partie de solution est la prochaine et dernière étape de l’heuristique et
s’effectue par résolution heuristique du modèle de génération de colonnes.
Des tests sont actuellement en cours pour valider cette méthode heuristique. Les résultats seront
présentés lors de la conférence.

Références
1. Dantzig, G. B. 1954. A comment on Edie’s "Traffic delays at toll booths". Journal of the
Operations Research Society of America, 2(3), 339–341.
 Un algorithme augmenté pour le problème du knapsack
disjonctif

M. Hifi1 and M. Ould Ahmed Mounir1

UPJV d’Amiens, UFR des Sciences, MIS-Axe Optimisation Discrète et Réoptimisation

5 rue du Moulin Neuf, 80039 Amiens cedex 01, France.
hifi@u-picardie.fr
mohamed.ould@u-picardie.fr

1 Introduction

Dans cette exposé, nous considérons le problème du knapsack disjonctif (noté DCKP). Le DCKP
est un problème d’optimisation combinatoire qui apparaıît dans plusieurs domaines d’application. La
version la plus étudiée peut être caractérisée par un ensemble de n objets où ces n objets sont liés
par une contrainte de capacité et chaque paire d’un sous-ensemble d’objets sont non-compatibles, i.e.
pour une paire d’objets, la sélection d’un objet entraıîne l’exclusion de l’autre objet.
Ce problème a été introduit par Yamada et al. [3,?]. Pour ce problème, les auteurs ont proposé
plusieurs algorithmes exacts et approchés. Par la suite, Hifi et Michrafy [2] ont proposé une méthode
approchée basée sur une recherche tabou réactive. Finalement, dans Hifi et Michrafy [1], un algorithme
exact a été développé pour la résolution des instances de petite taille.

2 Le problème étudié

Une instance du DCKP est caractérisée par un ensemble de n objets, une (ou plusieurs) contrainte(s)
de type knapsack ainsi qu’un ensemble de contraintes disjonctives. En particulier, lorsqu’il s’agit d’une
seule contrainte de knapsack (le problème étudié dans cet article), cette dernière est caractérisée par
sa capacité c entière et un vecteur poids w = (w1 , . . . , wn ) entier associé à l’ensemble des objets.
De plus, chaque objet j, j = 1, . . . , n, st représenté par son profit pj et un sous-ensemble de paires
d’objets E représentant l’ensemble des paires d’objets exprimants l’ non-compatibilités entre certains
objets. La formulation mathématique du DCKP peut s’écrire comme suit :

%
n

maximize z(x) = pj xj (1)

j=1

%
n

subject to wj xj ≤ c (2)
j=1

xi + xj ≤ 1 ∀(i, j) ∈ E (3)
xj ∈ {0, 1} j = 1, . . . , n, (4)
P S
oú E ⊆ (i, j) such that i -= j, i, j ∈ I = {1, . . . , n} et z(x) est la fonction objectif associée á la
solution x.
 Un algorithme augmenté pour le problème du knapsack disjonctif 325

3 Méthodes de résolution
Nous proposons différentes versions de l’algorithme basé sur une procedure d’arrondi. La procédure
d’arrondi s’appuie principalement sur la relaxation en continue du programme linéaire en 0−1 du
problème orignal. Cette procedure peut être vu comme une approche en deux phases :
1. Optimisation de la relaxation en continue du problème par aplication de la méthode du simplex.
Ensuite, fixer et arrondir une partie des variables bineaires à leur valeurs entières.
2. Répéter l’étape précédente sur la série des problèmes réduits jusqu’á ce qu’il ne reste plus de
variables fractionnaires.
Par la suite, nous proposons un algorithme augmenté combinant certaines contraintes de cardina-
lité et la procédure d’arrondi. En effet, nous considerons deux contraintes valides pour le DCKP et
nous supposons l’existence d’une borne inférieure de départ notée LB. La première (resp. deuxième)
contrainte (encadrement inférieur − resp. encadrement supérieur) est obtenue en résolvant le pro-
blème de minimisation (Fmin ) (resp. maximisation (Fmax )) suivant :
 %n  %n

 

 δmin = min x j  δmax = max xj

 


 j=1 
 j=1

 % n 
 % n

 


 s.c. p j x j ≥ LB 
 s.c. pj xj ≥ LB

 

j=1 j=1
(Fmin ) % n (Fmax ) % n

 wj xj ≤ c 
 wj xj ≤ c

 


 



j=1
% 

j=1
%

 αi xi + ≤ αi , i = 1, . . . , n 
 αi xi + ≤ αi , i = 1, . . . , n

 


 

 j∈Ei  j∈Ei
xi ∈ {0, 1}, i = 1, . . . , n, xi ∈ {0, 1}, i = 1, . . . , n.

L’idée principale de l’algorithme est de faire varier l’encadrement de la somme des variables afin de
visiter le plus grand nombre de régions. Pour chaque région construite, nous appliquons la procédure
d’arrondi. Notons aussi que lors de l’application de la procédure d’arrondi, nous introduisons une
recherche tabou simple dont le but d’améliorer la série des solutions obtenues.
Les différentes versions de l’algorithme proposé ont été testées sur plusieurs instances de la littérature.
Sur plusieurs instances, l’algorithme augmenté arrive à améliorer certaines solutions de la littérature,
mais parfois il demande plus de temps d’exécution comparé au temps moyen de certains algorithmes
de la littérature.

Références
1. M. Hifi and M. Michrafy, “Reduction strategies and exact algorithms for the disjunctively
constrained knapsack problem" Computers and Operations Research, 2006.
2. M. Hifi and M. Michrafy, “A reactive local search algorithm for the disjunctively constrained
knapsack problem." Journal of the Operational Research Society, vol. 57, pp. 718-762, 2006.
3. T. Yamada and S. Kataoka, “Heuristic and exact algorithms for the disjunctively constrained
knapsack problem". Presented at EURO 2001, Rotterdam, The Netherlands, July 9-11, 2001.
4. T. Yamada, S. Kataoka and K. Watanabe, “Heuristic and exact algorithms for the disjunctively
constrained knapsack problem", Information Processing Society of Japan Journal, vol. 43, pp.
2864-2870, 2002.
 Routage de guides d’ondes dans un satellite de
télécommunications

F. Bessaih1,2 , B.Cabon1 , D. Feillet2 , Ph.Michelon3 , D.Quadri3

1
EADS ASTRIUM, 31 rue des Cosmonautes, Z.I. des Palays, 31402 Toulouse Cedex 4.
{fawzi.bessaih,bertrand.cabon}@astrium.eads.net
2
École Nationale Supérieure des Mines de Saint-Étienne, CMP Georges Charpak, F-13541
Gardanne, France. feillet@emse.fr
3
Université d’Avignon et des Pays de Vaucluse,Laboratoire Informatique d’Avignon (EA 931),
F-84911 Avignon, France.
{fawzi.bessaih,philippe.michelon,dominique.quadri}@univ-avignon.fr

1 Le Problème de Routage de Guides d’Ondes

Un satellite de télécommunications a pour fonction principale de recevoir un signal provenant de la

terre, de l’amplifier et de le re-émettre. Afin de garantir une capacité d’amplification maximale à
un moindre coût, il est nécessaire d’optimiser le dimensionnement du satellite qui est intimement lié
aux pertes RadioFréquence (pertes RF). Ces pertes ont principalement deux effets, d’une part une
dissipation de la puissance électrique dans les composants, tels que les tubes amplificateur, et d’autre
part l’atténuation du signal pendant son acheminement entre ces mêmes composants via les guides
d’ondes réduisant ainsi la capacité d’amplification. Pendant la phase de conception, l’evaluation et
la minimisation de ces pertes sont indispensables au bon dimensionnement du satellite. Sachant que
les composants de la charge utile d’un satellite ont des caractéristiques (niveau de dissipation) et une
position prédéfinie, la minimisation des pertes RF passe par la minimisation de la longueur des guides
d’ondes, les pertes RF étant globalement proportionnelles à leur longueur. Un guide d’onde est un
tube métallique de section rectangulaire. L’espace de routage est modélisé sous la forme d’une grille
en 2D à plusieurs niveaux où chaque sommet a au plus 10 sommets adjacents (8 au même niveau, 2
aux niveaux supérieurs et inférieurs). Un guide d’onde est alors représenté par un chemin reliant ses
positions de départ et d’arrivée dans cette grille.
La problématique consiste en l’attribution d’un chemin pour chaque guide d’onde, en évitant tout
conflit et en minimisant la somme des longueurs des guides d’ondes. Du fait de la modélisation
adoptée, les conflits concernent : l’utilisation de positions non valides (présence d’un composant...),
l’occupation d’une même position par deux chemins, le croisement de deux chemins (provoquant
ainsi une configuration non réalisable physiquement), la proximité de chemins sur des portions en
diagonale (provoquant une infaisabilité physique due au chevauchement des guides d’ondes).
Cet exposé s’intéresse à la problématique de routage de guides d’ondes en phase de conception, c’est-
à-dire à l’evaluation de la longueur des guides d’ondes pour une configuration de satellite donnée
(positionnement des composants) en effectuant une approximation du routage de ces guides d’ondes.
Cette approximation fournira une evaluation des pertes RF et fera ultérieurement l’objet de raffine-
ment pour le routage définitif.
A notre connaissance, ce problème n’a jamais été étudié dans la littérature. Néanmoins, nous pouvons
le rapprocher de problèmes académiques tels que les problèmes de recherche de flots sous contraintes
dans les graphes (Ahuja et al. [1], Toth et Vigo [2]).
 Routage de guides d’ondes dans un satellite de télécommunications 327

2 Modélisation, approche de résolution

Nous proposons d’aborder la résolution de ce problème par une modélisation sous forme de programme
linéaire en nombres entiers, avec des variables binaires indiquant le chemin sélectionné pour chaque
guide d’ondes dans la solution. Du fait du nombre important de variables, une approche par génération
de colonnes est adoptée. Pour chaque guide d’ondes, l’ajout de nouvelles colonnes fait appel à un
problème de plus court chemin classique, avec une matrice de coûts mise à jour. Intuitivement, la
mise à jour des coûts reflète le taux d’encombrement des différentes zones de l’espace de routage et
favorise le passage par des zones moins encombrées. Plusieurs règles de branchements adaptées au
problème sont proposées.

3 résultats et perspectives
Au regard des premiers résultats obtenus, la génération de colonnes parait être une bonne approche
pour traiter cette problématique. A ce jour, les tests réalisés l’ont été sur de petites instances (grille
50x50, 5 guides d’ondes), néanmoins notre méthode permet de résoudre à l’optimum le problème.
Par contre, sur de plus grandes instances (cas réel : 600x400, une centaine de guides d’ondes) l’arbre
de recherche comprend un nombre trop importante de noeuds pour permettre la résolution en un
temps raisonnable. Plusieurs voies d’amelioration sont à l’étude :
– améliorer la borne donnée par la relaxation linéaire du modèle (intégration d’inégalités valides...),
– affiner la politique de branchement.
Au vu de la taille des instances rencontrées en pratique, il est également à prévoir de se tourner vers
une approche heuristique, éventuellement basée sur le schéma de génération de colonnes précédent.
D’un point de vue plus pratique, il reste aussi à intégrer des contraintes metiers spécifiques, qui n’ont
pas été prises en compte dans la version actuelle pour limiter la lourdeur du problème étudié.

Références
1. Ravindra K.Ahuja ; Thomas L.Magnati ; James B.Orlin. : NETWORK FLOW : Theory,Algotithm
and Applications. Prentice Ahll, United States ed edition (1993)
2. Paolo Thoth ; Daniele Vigo. : The Vehicule Routing Problem (Monogrpahs on Discrete Mathema-
tics and Applications). SIAM,(2001)
Méthode hybride PPC/PLNE pour le réordonnancement
de plan de circulation ferroviaire en cas d’incident

R. Acuna-Agost1 , P. Michelon1 , D. Feillet2 , and S. Gueye3

1
Université d’Avignon et des Pays de Vaucluse, Laboratoire d’Informatique d’Avignon (LIA),
F-84911 Avignon, France {rodrigo.acuna-agost,philippe.michelon}@univ-avignon.fr
2
Ecole des Mines de Saint-Etienne, F-13541 Gardanne, France
feillet@emse.fr
3
Université du Havre, Laboratoire de Mathématiques Appliquées du Havre, F-76058 Le Havre,
France
gueyes@univ-lehavre.fr

1 Introduction
Les travaux sur le problème de la replanification des trains suite à un incident sont plus rares que ceux
concernés la construction de plans de circulation ferroviaire optimisés, mais ils ont connu un essor
significatif depuis quelques années. Ceci est dû notamment à la demande croissante d’utilisation de
systèmes de transport ferroviaire, et, de ce fait, à une plus forte utilisation des ressources disponibles.
Ainsi, le réseau ferroviaire est de plus en plus saturé, et la probabilité qu’un train en retard affecte les
autres est grande. Par conséquent, il est important de pouvoir réagir à des retards, en reprogrammant
les horaires des trains de manière à minimiser les effets de la propagation des incidents.
Le sujet de cette présentation est l’étude d’une méthode hybride PPC / PLNE (programmation par
contraintes et programmation linéaire en nombres entiers) pour la résolution de ce problème. Ce
travail est issu du projet MAGES (Module d’Aide à la Gestion des Sillons) [1] visant à développer
des systèmes de régulation pour le trafic ferroviaire.

2 Modélisation et méthodes de résolution

On peut définir le problème de replanification des opérations ferroviaires de la manière suivante :
étant donnés un ensemble de trains, une portion du réseau ferroviaire, une planification originale
(i.e., les horaires d’arrivée et de départ pour chaque train et chaque élément du réseau, ainsi que les
voies ferrées utilisées) et les retards d’un ou plusieurs trains, le problème consiste à retrouver une
planification réalisable minimisant la différence avec le plan original. Ce critère peut s’exprimer de
différentes manières, par exemple minimiser le retard total de tous les trains. Nous proposons une
fonction objectif pénalisant les retards, les changements de voie par rapport au plan initial, et les
arrêts non prévus.
Nous présentons deux modèles différents, PLNE et PPC, qui permettent de trouver des solutions à
ce problème en utilisant la même fonction objectif. Néanmoins, la définition des variables de décision
et la construction des contraintes diffèrent significativement.
Le modèle PLNE utilisé est une adaptation de la formulation mathématique proposée dans [3]. Des
variables, principalement binaires, sont définies pour décider des ordres respectifs de passage des
trains, des voies utilisées, des arrêts non programmés et des horaires de passage sur les différents
éléments du réseau. En nous basant sur ce modèle, nous proposons trois approches : Right shift
Rescheduling, Coupes de proximité, et SAPI (statistical analysis of propagation of incidents) [4]. Ces
 Title Suppressed Due to Excessive Length 329

méthodes ont donné de très bons résultats pour des instances de taille moyenne, mais pour de grandes
instances la taille du modèle augmente exponentiellement à cause du nombre de variables binaires
utilisées pour modéliser l’ordonnancement des trains.
Nous présentons également un modèle PPC qui décrit exactement le même problème, mais avec un
grand avantage : il a beaucoup moins de variables et contraintes que le modèle PLNE. Ce modèle
permet de traiter des instances de taille plus grande en utilisant le même ordinateur. Cependant,
pour instances de la même taille, les méthodes développées basées sur le modèle PLNE sont toujours
beaucoup plus efficaces. Pour bénéficier des avantages que procurent les deux modèles, et ainsi essayer
de tendre vers une méthode efficace pour des instances de grande taille, nous proposons de les
hybrider.
La méthode hybride utilise une méthode basée sur le modèle PLNE, par exemple SAPI, pour calculer
une borne supérieure réalisable dans un sous-problème de taille réduite. Ce sous-problème est obtenu
en se limitant à la durée de la période de recouvrement o˘ seront concentrés la plupart de trains
affectés. La borne supérieure est utilisée pour résoudre le problème original à l’aide du modèle PPC.

3 Conclusions
La grande difficulté de ce problème est liée aux exigences pratiques sur l’exécution des algorithmes,
qui imposent d’obtenir une solution dans un temps très limité, de l’ordre de quelques minutes. Le
but des méthodes développées au cours de ce travail a été de trouver de bonnes solutions rapidement.
Subséquemment, nous avons développé deux modèles différents, PPC et PLNE, qui ont des avantages
et désavantages exploités intelligemment par une méthode hybride. De manière à évaluer la qualité
des méthodes proposées, des expérimentations numériques ont été menées. Un réseau unique inspiré
sur une ligne réelle de la SNCF comportant 76 circulations et mettant en jeu jusqu’à 4454 événements
avec différents incidents a été utilisé. Les tests ont été réalisés en utilisant les moteurs d’optimisation
ILOG Cplex 11 et ILOG CP Optimizer 2. Les résultats montrent que seule la méthode hybride est
capable de trouver des solutions pour les instances les plus grandes et que la méthode basée sur SAPI
est meilleure que les autres en terme de vitesse de convergence vers l’optimum pour les instances de
taille petite et moyenne.

Références
1. Acuna-Agost, R., Gueye, S. : Site Web MAGES. Consulté le 10 08, 2007, sur http ://awal.univ-
lehavre.fr/ lmah/mages/ (2006)
2. Acuna-Agost R., Feillet D., Gueye S., Michelon P., A MIP-based local search method
for the railway rescheduling problem. Technical report, LIA, (2008). sur http ://awal.univ-
lehavre.fr/ lmah/mages/
3. Tornquist, J. P. : N-tracked railway traffic re-scheduling during disturbances. Transportation Re-
search Part B. (2006)
 Recherche de zone de blocage dans un graphe

Jun HU, Mohammad DIB, Alexandre CAMINADA, and Hakim MABED

Laboratoire SeT, Université de technologie de Belfort-Montbéliard, 90010 Belfort Cedex France.

{jun.hu, mohammad.dib, alexandre.caminada,hakim.mabed}@utbm.fr

1 Introduction
L’objectif de la recherche de zone de blocage dans un graphe de contraintes, où les nœuds repré-
sentent les variables et les arêtes représentent les contraintes binaires (problème CSP binaire), est
de fournir un sous-ensemble de variables de taille minimale sur lesquelles le problème restreint est
non-réalisable. Le problème restreint est l’ensemble des variables impliquées dans la non réalisabilité
plus les contraintes qui lient entre elles les variables de cet ensemble. Déterminer si un problème
restreint est non réalisable et de taille minimale est reconnu DP-Complet[1].
Soit G(V, E) un graphe où V est l’ensemble des variables et E est l’ensemble des arêtes notées
(Vi , Vj ). La principale difficulté du problème est l’évaluation d’un sous-problème du problème original
G′ (V ′ , E ′ ) où E ′ correspond à l’ensemble des contraintes de G impliquant exclusivement des variables
de V ′ . L’évaluation d’un sous-problème G′ correspondant à une zone de blocage de G correspond
premièrement à statuer sur le caractère réalisable ou pas du problème G′ , puis à évaluer sa taille
qui doit être minimale. Déterminer si un sous problème est non-réalisable reste une tâche coûteuse
en temps de calcul car il s’agit au final d’affirmer qu’aucune solution n’existe pour le sous-problème
correspondant.
Dans le contexte de la satisfaction de contraintes, il y a peu de travaux concernant de manière
spécifique l’extraction de sous-problème non réalisable. Une approche d’extraction de sous-problème
non réalisable dans un réseau de contraintes est proposé par [2] et une méthode pour parcourir tous
les sous-problèmes non réalisables est présentée par [3]. Hemery et al .[4] a aussi proposé une approche
basée sur les analyses de conflits et l’identification itérative des contraintes extraites.

2 Méthode proposée
La méthode que nous présentons nommée EDBT (Enforced Dynamic BackTracking) est basée sur la
méthode DBT(Dynamic BackTracking)[5]. Le problème est de garantir la visite de toutes les variables
du problème ce que ne fait pas le DBT. Nous avons donc proposé avec EDBT une méthode itérative
qui va procéder à une sélection progressive de G′ pour réduire cet ensemble à chaque itération à un
ensemble contenant la zone de blocage de taille minimale. Par la suite il reste à prouver que cette
zone est minimale.
Le principe de la réduction de l’ensemble des variables retenues est le suivant. La procédure DBT
traite les variables une à une selon une heuristique choisie, peu importe celle-ci à ; au fur et à mesure
on marque les variables en conflit et on les place dans une liste de variables candidates. Les variables
marquées sont considérées comme des candidates qui appartiennent à une zone de blocage puisqu’elles
ont été au moins une fois en conflit.
Dans le cas d’un problème non réalisable, au lieu d’arrêter la procédure dès que le problème a été
détecté non réalisable, on force la méthode à vérifier l’affectation des variables non encore visitées
pour prouver la non réalisabilité pour générer les informations complètes du problème sur toutes les
variables. Ceci est nécessaire pour prendre en compte toutes les variables impliquées dans des zones
de blocage au cas où plusieurs zones disjointes existeraient dans le problème initial.
 Recherche de zone de blocage dans un graphe 331

A la fin de la procédure DBT, on a donc une liste candidate de variables bloquantes qui est constituée
par un sous-ensemble des variables marquées. On extrait ce sous-ensemble de variables V’ et le sous-
ensemble de contraintes E’ impliquant exclusivement ces variables dans G et on réitère le processus.
De cette manière on réduit la taille du sous-problème bloquant itérativement jusqu’à ce que la taille
du sous-problème devienne stable. Le sous-problème ainsi extrait est prouvé comme étant une zone
de blocage. Elle contient, ou éventuellement, elle est, une zone de taille minimale mais EDBT ne le
prouve pas. Cette dernière étape reste à étudier.
Prenons un exemple avec le scénario SCEN02 parmi les problèmes bien connus d’affectation de fré-
quences de type CELAR [6]. On utilise un spectre de fréquences prouvé comme étant le spectre
minimum pour résoudre cette instance (critère M inSpan). En réduisant d’une fréquence cette res-
source on créé un problème non réalisable. On lance notre méthode EDBT qui va identifier en trois
étapes un sous-ensemble de variables (19 variables sur 200 au départ) qui constitue une zone de
blocage du problème complet. Les figures (FIG. 1) ci-dessous représentent les sous-ensembles réduits
successifs calculés par la méthode. De gauche à droit, la taille des sous-problèmes (les arrêtes en gras)
est réduite à chaque itération (gauche à droit : 46 nœnds, 26 nœnds et 24 nœnds) jusqu’à atteindre
un ensemble non réductible prouvée comme non réalisable et contenant la zone de blocage de plus
petite taille de ce problème.

Fig. 1. La taille de sous-problème réduit

Références
1. Papdimitriou C.H., Wolfe D. : The complexity of facets resolved. Journal of Computer and System
Sciences, 37, 2-13 (1988)
2. Baker R.R., Dikker F., Tempelman F., Wognum P.M. : Diagnosing and solving over-determined
constraint satisfaction problems. In Proceedings of IJCAI’93, 276-281 (1993)
3. Garcia de la Banda M, Stuckey P.J., Wazny J. : Finding all minimal unsatisfiable subsets.In
Proceedings of PPDP’03 (2003)
4. Hemery F., Lecoutre C., Sais L., Boussemart F. : Extracting MUCs from Constraint Networks.
In Proceedings of ECAI’2006 (2006)
5. Ginsberg M. : Dynamic backtracking. Artificial Intelligence, 1, 25-46 (1993)
6. http ://www.inra.fr/internet/Departements/MIA/T//schiex/Doc/CELAR.shtml
Etude comparative de recherche locale et de propagation
de contraintes en CSP n-aire

M. Dib, I. Devarenne, H. Mabed, A. Caminada

Laboratoire SET, UTBM, 90010 Belfort Cedex

{mohammad.dib, isabelle.devarenne, alexandre.caminada, hakim.mabed}@utbm.fr

1 Introduction

Le travail que nous avons réalisé se base sur une méthode de recherche locale adaptative [1] et une
méthode de propagation de contraintes [3] [4] pour résoudre un CSP (problème de satisfaction de
contraintes) avec des contraintes unaires, binaires et n-aires. L’utilisation de contraintes n-aires dans
les CSP n’est pas très fréquente. La plupart du temps les modèles impliquant plus de deux variables
pour la description des problèmes sont réécrits sous forme de CSP binaire où plusieurs contraintes
binaires se substituent à une contrainte n-aire. L’avantage de cette réécriture est qu’il existe un grand
nombre d’algorithmes exploitant les graphes de contraintes pour traiter les CSP binaires. En particu-
lier la propagation de contraintes de manière générale est très efficace pour maintenir l’arc-consistance
et propager les contraintes dans le cas binaire. Aussitôt une variable affectée, les procédures d’arc-
consistance permettent de réduire les domaines des variables liées et éventuellement de les affecter
lorsqu’il n’y a plus qu’une unique valeur support dans le domaine. De la même façon lorsqu’il s’agit
de revenir sur des choix il est assez facile de marquer les variables impliquées par la propagation et
de ré-établir les domaines pour faire de nouveaux branchements. L’inconvénient de la réécriture est
que la traduction des contraintes n-aires éloigne souvent le problème réécrit du problème initial en le
durcissant. Il est possible de proposer un ensemble de contraintes binaires tel que toute solution au
problème binaire soit une solution au problème n-aire. Mais certaines solutions du problème n-aire
peuvent ne pas être solutions sur le problème réécrit. Nous avons pris pour exemple un problème
d’affectation de fréquences dans des réseaux de communications radio. Ces problèmes sont inspirés
des problèmes [2] et [6] mais avec des contraintes supplémentaires liées à la présence de brouilleur
multiple sur un même lien radio. Les brouilleurs multiples en radio sont toujours présents mais (très)
rarement pris en compte car trop long à calculer et sans modèle mathématique adéquat. Notre ob-
jectif ici n’est pas de développer la nature précise du calcul de ces brouilleurs mais plutôt de les
considérer comme un cas d’école issus d’un problème réel pour comparer des méthodes très distinctes
sur la façon dont elles traitent les contraintes. Les contraintes n-aires sont donc de deux natures, on
distingue les contraintes de type sommation de perturbateurs et celles de type intermodulation.

– Les contraintes de sommation de perturbateurs permettent de gérer la prise en compte simultanée

des effets de n perturbateurs sur un même récepteur ρ. Elles s’écrivent sous la forme :
%
βiρ Tiρ (|fi − fρ |) ≤ βρ
i∈n

où fj correspond à une fréquence affectée à un équipement j, T est une fonction qui calcule le
brouillage selon l’écart en fréquences et β est un poids qui traduit l’importance du couple d’équi-
pements considerés.
 Etude comparative de recherche locale et de propagation de contraintes en CSP n-aire 333

– Les contraintes d’intermodulation permettent de décrire des contraintes d’intermodulations sur un

récepteur ρ générées par deux perturbateurs en même temps aux fréquences fi et fj :

|fρ − (±αi fi ± αj fj )| ≥ ξ

A noter, étant donnée l’écriture de cette contrainte, que plusieurs contraintes d’intermodulation
faisant intervenir les mêmes variables peuvent apparaître dans un même problème puisque les
signes donnent 4 combinaisons possibles de brouilleurs pour le même triplet d’équipements et les
coefficients α sont des entiers naturels qui permettent d’étendre la portée de l’intermodulation sur
le spectre.

Dans notre présentation nous indiquerons les dimensions des problèmes utilisés en nombre de va-
riables, en nombre de contraintes de différents types, notamment n-aires, et en ressources ou domaines
disponibles. On verra que très peu de contraintes n-aires par rapport au nombre de contraintes bi-
naires rendent la tâche de résolution beaucoup plus ardue. Au niveau des méthodes de résolution
nous présenterons une adaptation des deux méthodes référencées ci-dessus. La recherche locale est
une Recherche Tabou basée sur un processus de variation dynamique du voisinage, mais avec la même
structure de voisinage, utilisant une liste tabou dynamique. Cette méthode appelée ACL-Tabu pour
Adaptive Candidate List a été mise au point sur les problèmes DIMACS de coloration de graphes et a
montré des résultats très compétitifs [1]. Elle travaille à partir d’une solution complète non réalisable
dont elle tente de minimiser le nombre de contraintes violées pour le problème que nous avons traité.
L’autre méthode que nous avons utilisée est une méthode constructive déterministe qui combine une
propagation de contraintes avec une liste tabou de nogoods [5]. Elle travaille à partir d’une solution
partielle consistante dont elle essaye d’étendre la taille à la solution complète. Celle-ci est donc for-
cément réalisable. Ces deux paradigmes très différents ont donc été comparés sur un problème CSP
n-aire.

Références
1. I. Devarenne, H. Mabed, A. Caminada. Adaptive tabu tenure computation in local search. LNCS
4972, Springer, EVOCOP, 8th European Conference on Evolutionary Computation in Combina-
torial Optimisation, March 2008.
2. http ://www.inra.fr/internet/Departements/MIA/T//schiex/Doc/CELAR.shtml
3. M. Dib, A. Caminada, H. Mabed. Propagation de contraintes et listes tabou pour le CSP. JFPC
Quatrièmes Journées Francophones de Programmation par Contraintes, juin 2008.
4. M. Dib, A. Caminada, H. Mabed. Constraint Propagation with Tabu List for Min-Span Frequency
Assignment Problem, CCIS 14, Springer. Second International Conference on Modelling, Compu-
tation and Optimization in Information Systems and Management Sciences, September 2008.
5. N. Jussien et O. Lhomme Local Search With constraint Propagation and Conflict-based Heuristics.
Artificial Intelligence 139 (2002) 21-45.
6. http ://uma.ensta.fr/conf/roadef-2001-challenge/
 Reformulations between structured global optimization
problems and algorithms

S. Cafieri1 , P. Hansen1,2 , L. Liberti1

1
LIX, École Polytechnique, 91128 Palaiseau, France
{cafieri,pierreh,liberti}@lix.polytechnique.fr
2
HEC, Montreal, 3000 Chemin de la Côte St. Catherine, Montreal H3T 2A7, Canada
pierre.hansen@gerad.ca

1 Introduction
Global optimization is a field that includes many different problem classes (concave programming,
reverse convex programming, bilinear programming, nonconvex quadratic programming, polynomial
programming, d.c. programming, signomial geometric programming, general nonlinear programming,
mixed integer nonlinear programming, bilevel programming, optimization over the efficient set, mul-
tiobjective programming). Clearly there are multiple relationships among these problems. Since 25
years, reformulations between problem classes, and much more rarely, between algorithms, have been
proposed by a variety of authors. The purpose of the present survey is to present main concepts
describing reformulations and to review main results.

2 Reformulations
The following definition of the concept of reformulation appeared in [1] (Defn. 3.1). Let PA and PB
be two optimization problems. An embedding reformulation B(·) of PA to PB is a mapping from PA
to PB such that, given any instance A of PA and an optimal solution of B(A), an optimal solution
of A can be obtained within a polynomial amount of time.
According to [9], the above definition would lead to a reformulation of the narrowing type, i.e. an
auxiliary problem with a function β(·) mapping global optima of the instance B of PB to global
optima of the instance A of PA .
Embedding reformulations define a practical complexity relation between NP-hard problems by
means embedding algorithms [1] (Defn. 4.1). Algorithm AL(PA ) is embedded in algorithm AL(PB )
through the mapping B(·) from PA to PB if, for any instance A0 of PA , the sequences {Aℓ }ℓ≥0
generated by AL(PA ) applied to A0 , and {Bℓ }ℓ≥0 generated by AL(PB ) applied to B(A0 ) are such
that, for any ℓ ≥ 0, Bℓ = B(Aℓ ).

3 Some examples
Reformulations between mixed 0-1 programs, bilevel linear programs, min-max programs and gene-
ralized linear complementarity problems were explored in [1]. The main result was that the classical
algorithm by Beale and Small [4] for mixed 0-1 linear programming is embedded (in the sense of
the above definition) in the algorithm given in [5] for bilevel linear programming. More recently, it
was shown that a similar embedding holds for cutting plane algorithms applied to these classes of
problems [3,2].
 Reformulations between global optimization problems 335

Relationships between other classes of problems have been studied by several authors, e.g. Ivanenko
and Plyasunov [7] (embedding reformulation from bilevel programming to multiobjective optimiza-
tion) ; Horst et al. [6] (from optimization over the efficient set in linear multicriteria programming to
reverse convex programming) ; it is well known that there is an embedding reformulation from bilevel
linear programs to linear complementarity problems via the replacement of the follower problem by
the corresponding KKT complementarity conditions.
Existing reformulations will be reviewed with an emphasis on the algorithmic embedding referred to
above.

Références
1. Audet, C., Hansen, P., Jaumard, B., Savard, G. : Links between linear bilevel and mixed 0-
1 programming problems. Journal of Optimization Theory and Applications, 93(2) : 273–300,
1997.
2. Audet, C., Haddad, J., and Savard, G. : Disjunctive cuts for continuous linear bilevel program-
ming. Optimization Letters, 1 (3) : 259–267, 2007.
3. Audet, C., Savard, G., Zghal, W. : New Branch-and-Cut Algorithm for Bilevel Linear Program-
ming. Journal of Optimization Theory and Applications, 134 (2) : 353–370, 2007.
4. Beale E.M.L. and Small R.E. : Mixed integer programming by a branch-and-bound technique.
Proceedings of the 3 rd IFIP Congress, 450–451, 1965
5. Hansen, P., Jaumard, B., Savard, G. : New Branch and Bound Rules for Linear Bilevel Program-
ming. SIAM Journal on Scientific and Statistical Computing, 13 (5) : 1194–1217, 1992.
6. Horst, R., Thoai, N.V., Yamamoto, Y., Zenke, D. : On Optimization over the Efficient Set in
Linear Multicriteria Programming. Journal of Optimization Theory and Applications, 134 : 433–
443, 2007..
7. Ivanenko, D.S., Plyasunov, A.V. : Reducibility of Bilevel Programming Problems to Vector Op-
timization Problems. Journal of Applied and Industrial Mathematics, 2 (2) : 179–195, 2008.
8. Liberti, L. : Reformulations in Mathematical Programming : Definitions and Systematics.
RAIRO-RO, accepted for publication.
 Gestion des symétries dans une résolution exacte de
l’affectation quadratique à trois dimensions

B. Le Cun1 and F. Galea2

1
Laboratoire PRiSM, 45 avenue des Etats-Unis 78035 Versailles CEDEX.
Bertrand.Lecun@prism.uvsq.fr
2
Laboratoire PRiSM Versailles, Laboratoire G-SCOP, Grenoble INP
Francois.Galea@prism.uvsq.fr

1 Introduction
Le problème d’affectation quadratique à trois dimensions (Q3AP) est une extension du problème
d’affectation quadratique (QAP), qui occupe une large place dans la littérature d’Optimisation Com-
binatoire.
Le Q3AP a été présenté par P. Hahn et al. [1]. La motivation principale a été l’optimisation d’un
schéma de retransimissions sur réseau sans fil, en affectant des symboles de modulation à des séquences
binaires de taille fixe. Des erreurs de transimmision pouvant avoir lieu, les paquets erronés sont
susceptibles d’être retransmis. La diversité est une mesure de l’indépendance statistique entre une
transmission et les éventuelles retransmission successives. Maximiser la diversité revient à réduire
la probabilité d’erreurs lors des retransmissions. Comme présenté par P. Hahn et al., lorsque l’on
considère qu’une seule retransmission, ce problème revient à un QAP. Le Q3AP correspond à au cas
de deux retransmissions.
Une autre illustration de ce problème peut être faite en reprenant les termes du QAP. Etant donnés
N managers, N usines, et N sites, le problème consiste à affecter chaque manager et chaque usine à
chaque site, de telle sorte à minimiser le coût total. Le coût d’une affectation est la somme de coûts
linéaires Lijk où i est le manager, j l’usine et k le site plus les coûts quadratiques Cijklmn où i et l
sont des managers, j et m des usines et k et m des sites. Plus formellement le problème se modélise
comme suit :

%
N
%
N
%
N
%
N
%
N
%
N
%
N
%
N
%
N

min Lijk xijk + Cijklmn xijk xlmn

i=1 j=1 k=1 i=1 j=1 k=1 l=1 m=1 n=1
l%=i m%=j n%=k

%
N
%
N

s.t. xijk = 1 ∀i ∈ {1, · · · , N }

j=1 k=1

%
N
%
N

xijk = 1 ∀i ∈ {1, · · · , N }
i=1 k=1

%
N
%
N

xijk = 1 ∀i ∈ {1, · · · , N }
i=1 j=1

xijk ∈ {0, 1} ∀i, j, k ∈ {1, · · · , N }

Comme pour le QAP, où les matrices symétriques de flux et de distances peuvent donner lieu à
de nombreuses solutions symétriquement équivalentes, les instances du Q3AP ont elles aussi des
 Symétries dans le Q3AP 337

structures symétriques. Par exemple, dans l’application de transmission sans fil, l’affectation des
symboles de modulation lors de la première et de la seconde retransmission peuvent être échangées
sans modifier la valeur de la solution. Détecter ces symétries a permis de réduire considérablement les
tailles des arbres de recherche lors de résolution exacte par méthode de séparation et évaluation. Nous
nous intéressons dans cette présentation à la détection de deux types de symétries pour le Q3AP et
aux méthodes permettant d’interdire la génération de branches symétriques lors de la recherche.
Le premier type de symétrie concerne les indices. En effet, sur certaines instances, si les indices de
sites et d’usines sont échangés, les solutions sont équivalentes. Plus formellement, une instance de
Q3AP est dite indice-symétrique en i si

∀i, j, k ∈ N 3 , Lijk = Likj

∀i, j, k ∈ N 3 , Cijklmn = Cikjlnm

De la même manière, des instances aussi être indice-symétriques en j et en k.

Le second type de symétrie concerne les permutations elles-mêmes. Par exemple, les deux tableaux
suivants présentent deux solutions, où les affectations des managers 0 et 3 ont été inversées. Si on peut
montrer que ces deux solutions sont de coût égal pour tous j1 , j2 , k1 , k2 tels que les solutions restent
réalisables, alors il existe une permutation-symétrie sur les 2 couples de triplets ((0, 1, 3), (3, 3, 1)) et
((0, 3, 1), (3, 1, 3)).

i 0 1 2 3 m0 1 2 3
j 1 j1 j2 3 u 3 j1 j2 1
k 3 k1 k2 1 s 1 k1 k2 3

La résolution exacte de ce problème par Branch and Bound utilise une borne inférieure issue de la
formulation RLT1 du QAP [4,1]. Notre solveur est implémenté sur la plateforme de développement
Bob++ permettant des résolutions séquentielles ou parallèles [2,3].

Références
1. P. Hahn, K. Bum-Jin, T. Stutzle, S. Kanthak, W. L. Hightower, H. Samra, Z. Ding, and M. Gui-
gnard. The quadratic three-dimensional assignment problem : Exact and approximate solution
methods. European Journal of Operational Research, 184(2) :416–428, 2008.
2. F. Galea and B. Le Cun. Bob++ : a Framework for Exact Combinatorial Optimization Methods on
Parallel Machines. In PGCO’2007 as part of the 2007 International Conference High Performance
Computing & S imulation (HPCS’07) and in conjunction with The 21st European Conference on
Modeling and Simulation (EC MS 2007), pages 779–785, June 2007.
3. Bob++ : Framework to solve Combinatorial Optimization Prob lems
http://bobpp.prism.uvsq.fr/.
4. P. Hahn and T. Grant. Lower bounds for the quadratic assignment problem based upon a dual
formulation. Operations Research, 46 :912–922, 1998.
 The symmetry group of a mathematical program

L. Liberti1

LIX, École Polytechnique, 91128 Palaiseau, France

liberti@lix.polytechnique.fr

1 Introduction
The most common method for finding guaranteed global optima of mathematical programs (either
linear or nonlinear, whether involving integer variables or not) is the Branch-and-Bound (BB) al-
gorithm. There exist reliable implementations of BB for Mixed-Integer Linear Programs (MILPs)
(e.g. [5]) ; for Mixed-Integer Nonlinear Programs (MINLPs) the situation is not as advanced, but
there are nonetheless some implementations that can be used profitably [14,2]. Of course there are
many factors that impact the performance of a BB algorithm, the main ones being the bound quality
and branching strategy. Symmetries in the solution space can adversely impact the quality of the
bound, especially in lower BB search tree levels. If a given problem has many symmetric optima,
many leaf nodes in the BB tree will contain optimal solutions, which means that the BB algorithm
will never be able to prune the branches leading to these leaves. As a consequence, the BB tree ex-
ploration will yield trees of disproportionate sizes. If it were possible to detect symmetries before the
solution process, we might then attempt to adjoin constraints eliminating some symmetric solutions
whilst guaranteeing that at least one optimum is kept. Such constraints provide a reformulation of
the narrowing type [9]. In this abstract we present a general technique, applicable to MILPs and
MINLPs alike, to find subgroups of the group of solutions of a mathematical program. Current work
on using symmetries in mathematical programming includes [10,12,6,4,17] (see [11] for a survey).
All of these works address MILPs or Semi-Definite Programs (SDP), and all of them assume that
the solution group is available a priori (it is sometimes possible to infer the solution group from the
problem structure). Apart from [8], which also proposes a method for computing arbitrary MILP
subgroups automatically, this is the only other work that describes a technique for automatically
computing symmetry groups of mathematical programs, and the first extension of symmetry-based
techniques to MINLPs.

2 Groups of a mathematical program

We consider Mixed-Integer Nonlinear Programs (MINLPs) in the following general form :

min{f (x) | g(x) ≤ b ∧ x ∈ [xL , xU ] ∧ ∀i ∈ Z(xi ∈ Z)} (1)

where f : Rn → R, g : Rn → Rm , b ∈ Rm , xL , xU ∈ Rn and Z ⊆ {1, . . . , n}. Given a MINLP P as

in (1), the solution group G∗ (P ) of P is defined as stab(G(P ), Sn ), i.e. the group of all permutations
of variable indices mapping global optima into global optima. We consider the group ḠP that “fixes
the formulation” of P :

ḠP = {π ∈ Sn |Zπ = Z ∧ ∀x ∈ F(P ) f (xπ) = f (x) ∧ ∃σ ∈ Sm (σb = b ∧ ∀x ∈ F(P ) σg(xπ) = g(x))}.

It turns out that ḠP ≤ G∗ (P ). The two most problematic conditions that need testing to ascer-
tain whether a given permutation π is in ḠP are ∀x ∈ F(P ) f (xπ) = f (x) and ∃σ ∈ Sm ∀x ∈
 The symmetry group of a mathematical program 339

F(P ) σg(xπ) = g(x). Such tests might require a potentially uncountable number of numerical com-
parisons, and so they would be algorithmically infeasible. We therefore assume that for functions
f1 , f2 : Rn → R we have an oracle equal(f1 , f2 ) that, if it returns true, then dom(f1 ) = dom(f2 )
and ∀x ∈ dom(f1 ) f1 (x) = f2 (x) ; in that case we write f1 ≡ f2 . We can now define the formulation
group of a MINLP P as follows :

GP = {π ∈ Sn | Zπ = Z ∧ f (xπ) ≡ f (x) ∧ ∃ σ ∈ Sm (σg(xπ) ≡ g(x) ∧ σb = b)}. (2)

Because for any function h, h(xπ) ≡ h(x) implies h(xπ) = h(x) for all x, it is clear that GP ≤
ḠP . Thus, it also follows that GP ≤ G∗ (P ). The representation of the nonlinear structure of a
mathematical program by expression trees [7] provides a good implementation of the equal oracle.

3 Finding GP automatically
We start by representing the objective function and constraints of the MINLP (1) by a Directed
Acyclic Graph (DAG) DP = (VP , AP ) which is the union of all expression trees for f, gi (i ≤ m)
where all leaf vertices representing the same decision variable have been contracted into just one
vertex [2,15]. We then define a node equivalence relation ∼ on VP for which u ∼ v if and only if u, v
can be permuted (thus, variable leaf nodes are equivalent, equal constant nodes are equivalent, like
operator nodes at the same tree rank are equivalent, nodes representing constraints are equivalent).
Let {Vk | k ≤ K} be the partition of VP induced by ∼. Let Aut(DP ) be the group of vertex
permutations γ such that (γ(u), γ(v)) ∈ AP for all (u, v) ∈ AP , and GDAG (P ) be the largest subgroup
of Aut(DP ) fixing Vk setwise for all k ≤ K. We let SV ⊆ VP be the set of variable leaf nodes.

Theorem 1. The map ϕ : GDAG (P ) → Sym(SV ) given by the restriction of each permutation of
GDAG (P ) to SV is a group homomorphism, and Imϕ = GP groupwise.

By Thm. 1, we can automatically generate GP by looking for the largest subgroup of Aut(DP ) fixing
all Vk ’s setwise. Thus, the problem of computing GP has been reduced to computing the (generators
of the) automorphism group of a certain vertex-coloured DAG. This is in turn equivalent to the
Graph Isomorphism (GI) problem [1]. GI is in NP, but it is not known whether it is in P or
NP-complete. A notion of GI-completeness has therefore been introduced for those graph classes
for which solving the GI problem is as hard as solving it on general graphs [16]. Rooted DAGs are
GI-complete [3] but there is an O(N ) algorithm for solving the GI problem on trees ([13], Ch. 8.5.2).
This should give an insight as to the type of difficulty inherent to computing Aut(DP ).

4 Conclusion
We outlined a method for automatically computing subgroups of the solution group of arbitrary
mathematical programs. These groups can be used to define narrowing reformulations of the original
problem, yielding faster BB-based solution processes. A full computational study of these ideas is
currently under way, and shows promising preliminary results.

Références
1. L. Babai. Automorphism groups, isomorphism, reconstruction. In R. Graham, M. Grötschel,
and L. Lovász, editors, Handbook of Combinatorics, volume 2, pages 1447–1540. MIT Press,
Cambridge, MA, 1996.
340 Liberti, L.

2. P. Belotti, J. Lee, L. Liberti, F. Margot, and A. Wächter. Branching and bound reduction
techniques for non-convex MINLP. Technical Report 2059, Optimization Online, 2008.
3. K. Booth and C. Colbourn. Problems polynomially equivalent to graph isomorphism. Technical
Report CS-77-04, University of Waterloo, 1979.
4. E.J. Friedman. Fundamental domains for integer programs with symmetries. In A. Dress, Y. Xu,
and B. Zhu, editors, COCOA Proceedings, volume 4616 of LNCS, pages 146–153. Springer, 2007.
5. ILOG. ILOG CPLEX 11.0 User’s Manual. ILOG S.A., Gentilly, France, 2008.
6. V. Kaibel and M. Pfetsch. Packing and partitioning orbitopes. Mathematical Programming,
114(1) :1–36, 2008.
7. L. Liberti. Writing global optimization software. In L. Liberti and N. Maculan, editors, Global
Optimization : from Theory to Implementation, pages 211–262. Springer, Berlin, 2006.
8. L. Liberti. Automatic generation of symmetry-breaking constraints. In B. Yang, D.-Z. Du, and
C.A. Wang, editors, COCOA Proceedings, volume 5165 of LNCS, pages 328–338, Berlin, 2008.
Springer.
9. L. Liberti. Reformulations in mathematical programming : Definitions and systematics. RAIRO-
RO, accepted for publication.
10. F. Margot. Pruning by isomorphism in branch-and-cut. Mathematical Programming, 94 :71–90,
2002.
11. F. Margot. Symmetry in ILP. In 50 Years of Integer Programming. Spriner, Berlin, in preparation.
12. J. Ostrowski, J. Linderoth, F. Rossi, and S. Smriglio. Orbital branching. In M. Fischetti and
D.P. Williamson, editors, IPCO, volume 4513 of LNCS, pages 104–118. Springer, 2007.
13. K.H. Rosen, editor. Handbook of Discrete and Combinatorial Mathematics. CRC Press, New
York, 2000.
14. N.V. Sahinidis and M. Tawarmalani. BARON 7.2.5 : Global Optimization of Mixed-Integer
Nonlinear Programs, User’s Manual, 2005.
15. H. Schichl and A. Neumaier. Interval analysis on directed acyclic graphs for global optimization.
Journal of Global Optimization, 33(4) :541–562, 2005.
16. R. Uehara, S. Toda, and T. Nagoya. Graph isomorphism completeness for chordal bipartite
graphs and strongly chordal graphs. Discrete Applied Mathematics, 145 :479–482, 2005.
17. F. Vallentin. Symmetry in semidefinite programs. Technical Report 1702, Optimization Online,
2007.
 Non Linear Mathematical Programming Approaches to
the Classification Problem : A Comparative Study

Soulef Smaoui,1 Habib Chabchoub,1 and Belaid Aouni2

1
Unité de recherche en Gestion industrielle et Aide á la Dćision, Faculté des Sciences Economiques
et de Gestion, Sfax, Tunisia.
soulef.smaoui@fsegs.rnu.tn
habib.chabchoub@fsegs.rnu.tn
2
Decision Aid Research Group, School of Commerce and Administration, Laurentian University,
Sudbury (Ontario) P3E2C6 Canada.
baouni@laurentian.ca

1 Introduction
Discriminant Analysis (DA) is widely applied in many fields such as the social sciences, finance,
marketing and other areas. The purpose of DA is to study the difference between two or more mutually
exclusive groups and to classify this new observation into an appropriate group. A Mathematical
Programming approach (MP) has been frequently used in DA and can be considered a valuable
alternative to the classical models of DA when standard assumptions are not satisfied, such as the
normality distribution of the data and the equality of the variance covariance matrices. Several
MP approaches generally use linear discriminant functions. Recently, new MP formulations have
been developed based on nonlinear functions which may produce better classification performance
than can be obtained from a linear classifier. Nonlinear discriminant functions can be generated by
MP methods by transforming the variables [3], by piecewise linear functions [7] or by using Multi-
hyperplanes formulations [1].

2 The proposed models

According to the literature, new classification procedures based on non linear discriminant functions
are proposed in order to ameliorate the performance of the models developed in this context. Among
these models, certain are approximated by piecewise-non linear functions and others based on multi-
hypersurfaces. However, to reduce the complexity of the piecewise-linear approaches, two stages
piecewise-linear models are used. The main idea of these models is to apply the piecewise-linear
functions to the misclassified observations obtained by resolving a standard MP approach.
To analyse the performance of the proposed procedures a comparative study is then conducted
between them and five non linear MP approaches : the quadratic model [3], the MCA and MSD
piecewise-linear models [7] and the SPS and GPS multi-hyperplanes models [1]. Different applications
in the financial and medicine domain are used to compare the different models.

3 Principal results of the comparative study

The result of this study are in favour of the models based on multi-hyperplanes and on multi-
hypersurfaces because it doesn’t require to resolve twice the model (group 1 in convex region and
342 Smaoui, S., Chabchoub, H. and Aouni, B.

group 2 in convex region) like the piecewise models. In addition, these approaches are more effective
than the piecewise models in the sense that it doesn’t necessitate many constraints and many binary
variables and special order sets. On the other hand, the hypersurfaces models outperform the others
approaches because the optimal solution can be reached using a reduced number of hypersurfaces than
hyperplanes. The results of the second stage piecewise-linear models are promise but the performance
of these models decrease if the number of misclassified observations in the first stage is not important.

Références
1. Better M., Glover F., Samourani M. (2006). Multi-Hyperplane Formulations for classification and
discriminant analysis. http ://www.opttek.com/News/pdfs/Multi%20HyperplaneW%20DSI%20pa
per%20-%20final.pdf
2. Charnes A.,Cooper W.W, Ferguson R.O(1955).Optimal Estimation of executive compensation by
linear Programming. Management Science, 138-151.
3. Duart Silva A.P, Stam A.(1994). Second order mathematical programming formulations for dis-
criminant analysis. Journal of Operational Research, 72, 4-22.
4. Freed.N and Glover.F. (1986). Evaluating Alternative Linear Programming models to solve the
Two-Group Discriminant Problem. Decision Sciences, Vol.17, 151-162.
5. Gaither N., Glorfeld.W.(1982). On using Linear Programming in Discriminant problems. Decision
Sciences, Vol.13, 167-171.
6. Glen JJ. (2004). Dichotomous categorical variable formation in mathematical programming dis-
criminant analysis models. Naval Research Logistic, Vol.51, 575-596.
7. Glen JJ. (2005). Mathematical programming models for piecewise-linear discriminant analysis
models. Operational Research Society, Vol.50, 1043-1053
8. Zopounidis C., Doumpos M (2002). Multicriteria classification and sorting methods : A literature
review. European Journal of Operational Research, 138, 229-246.
 Using Stochastic Goal Programming to rearrange Beds
inside Habib Bourguiba Hospital

A. Badreddine Jerbi1 and B. Hichem Kammoun,2

Department of Applied Quantitative Methods, GIAD Laboratory University of Sfax, FSEG Route
de l’AÈrodrome, km 4 BP 1088 Sfax Tunisia.
Badreddine.jerbi@isetsf.rnu.tn
Hichem.Kamoun@fsegs.rnu.tn

1 Introduction and Literature

Bed planning, occupancy, and utilization have been studied from many people all over the years.
Mostly Queuing analysis, Statistics, Markov chains and simulation or a mix were used, Kusters and
Groot, (1996) used a model to predict the bed availability at anytime in the future, they stated that
it is dependent on the number of emergency and elective admissions and the number of discharges.
Ciesla et al (2008) used regular statistics and ANOVA to estimate resources consumption in a trauma
department. Utley et al (2003) introduced an intermediate care unit and used a model to forecast
its bed capacity in order to reduce the burden on the acute care facility Cochran and Roche (2007)
stated that financial data should be used and not census data for estimating inpatient bed capacity.
Their model to estimate the number of beds is based on queuing theory. Cochran and Bharti (2006)
emphasized that a key factor of costs is associated with bed utilization. They used queuing theory
and simulation to balance bed utilization in an obstetrical unit. Gorunescu et al (2002) used a
queuing model to estimate the mean occupancy rate and the probability of lost demand. Harper and
Shahani (2002) used simulation of different scenarios to clarify the stochastic nature of the length
of stay. In fact, they argued that the length of stay has a random variable distribution and bed
management should consider mean occupancy and refusal rates. Harper (2002) used a simulation
model, PROMPT ; helpful in the planning and managing beds. Akkerman and Knip (2004) used a
Markov chains and simulation methodology to examine the unused bed capacity in a hospital. They
found a relation between length of stay, bed availability and waiting lists. Oddoye et al (2007) used a
goal programming methodology to calculate the number of beds in a medical assessment unit. Their
work is one of the few using multiple objective paradigms in healthcare. They emphasised that their
work is the first to manage the beds in medical assessment unit. In the full paper, we propose a
stochastic goal programming model that uses the power distribution law for describing the length
of stay and rearranging beds inside hospitals. In section two, we present the problem, in section
three, we introduce the concept of stochastic goal programming and we progress in the formulation
to Chance Constrained Programming and we solve the problem. In section four, we introduce the
satisfaction function concept and we use it to obtain a solution to our case study. Finally we give a
comparison, results and conclusion.

2 Problem Statement

Habib Bourguiba hospital is a University hospital in Sfax Tunisia. Its main activity is surgical and
provides outpatient services too. It has many departments : The orthopaedic, the ORL, the urology,
the neurosurgery A table describing the name, the capacity in beds ; the annual number of admissions
344 Badreddine Jerbi, Hichem Kammoun

and the annual number of bed days in 11 departments for the year 2005 was prepared. By calculating
the average length of stay, we noticed that there are departments where the number of beds is in
shortage and the occupancy rate is more than 100%. Other departments are characterised by having
a surplus of beds as well as a low occupancy rate. The average length of stay is not considered
appropriate for planning especially when it has a long tail distribution Marshall et al (2005). One
realistic idea is to design for stochastic length of stay best described with power law distribution see
Hellervik and Rodgers (2007).

3 Methodology and results

We developed a stochastic goal programming model using power law distribution to solve the rearran-
gement of beds problem in Habib Bourguiba hospital. The initial model involved only the stochastic
nature, gave the amount of bed transfers and found that there is no need to have more beds. The
advanced model included, in addition, the satisfaction function concept. We used two types of satis-
faction functions. We saw that the satisfaction functions, whether it was linear or exponential, has
homogenized the excess of beds in the departments. We used queuing systems analysis and simulation
to compare the existent and the suggested solution ; expected length of the queues and waiting times
as well as utilization have highly improved. For future research, considerations will be given to the
search of distributions on the length of stay of each department and to optimize with the model.

Références
1. Aouni, B , Ben Abdelaziz, F , Martel, J (2005) Decision-makers preferences modeling in the
stochastic goal programming European Journal of Operational Research 162 pp 610-618
2. Aouni, B., Kettani, O., 2001. Goal programming model : A glorious history and a promising
future. European Journal of Operational Research 133 (2), 1-7.
3. Akkerman, R and Knip, M (2004) Reallocation of Beds to Reduce Waiting time for Cardiac
Surgery. Healthcare Management Science 7 pp 119-126
4. Bagust, A, Place, M, Posnett, J (1999) Dynamics of bed use in accommodating emergency
admissions : stochastic simulation model, BMJ 17 pp 155-158
5. Charnes, A, Cooper, W (1963) Deterministic Equivalents for Optimizing and Satisficing under
Chance Constraints Operations Research, Vol. 11, No. 1 pp. 18-39.
6. Ciesla, D Sava, J Kennedy, S (2008) Trauma patients : you can get them in, but you can’t get
them out. The American Journal of Surgery 195 (2008) 78-83
7. Clauset, A, Shalizi, C, Newman M. (2005) Power-law distributions in empirical data Contemp.
Phys. 46 pp 323-347
8. Cochran, J, Bharti, (2006) A Stochastic bed balancing of an obstetrics hospital Healthcare Ma-
nagement Science (2006) 9 pp 31-45
9. Cochran, K and Roche, K (2007) A queuing- based decision support methodology to estimate
hospital inpatient bed demand.. Journal of the Operational Research Society
10. Contini, B (1968) A Stochastic Approach to Goal Programming Operations Research, Vol. 16,
No. 3 pp. 576-586.
11. Gorunescu, F, McClean, S, Millard, P (2002) A Queueing model for bed-occupancy management
and planning of hospitals Journal of the Operational Research Society 53, 19-24
12. Harper, P (2002) A Framework for Operational Modeling of Hospital Resources. Healthcare
Management Science 5 pp 165-173
 Papier soumis à ROADEF 09 345

13. Harper, P, Shahani, A. (2002) Modelling for the planning and management of bed capacities in
hospitals Journal of the Operational Research Society 53, 11-18
14. Hellervik, A, Rodgers G.J (2007) A power law distribution in patients’ lengths of stay in hospital
Physica A 379 (2007) 235-240
15. Kusters and Groot (1996) Modelling resource availability in general hospitals Design and im-
plementation of a decision support model European Journal of Operational Research 88 (1996)
428-445
16. Martel, J, Aouni, B., 1990. Incorporating the decision makers preferences in the goal programming
model. Journal of the Operational Research Society 41 (12), 1121-1132.
17. Marshall, A, Vasilakis, C, El-Darzi, E Length of Stay-Based Patient Flow Models : Recent De-
velopments and Future Directions (2005) Health Care Management Science 8, 213-220
18. Oddoye , J, Yaghoobi,M, Tamiz, M, Jones, D, Schmidt, P (2007) A multi-objective model to de-
termine efficient resource levels in a medical assessment unit Journal of the Operational Research
Society (2007) 58, 1563-1573
19. Utley , M. Gallivan, S , Davis, K , Daniel , P. Reeves, P, Worrall, J (2003) Estimating bed
requirements for an intermediate care facility European Journal of Operational Research 150
92-100
20. Vasilakis, C, El-Darzi, E (2001) A simulation study of the winter bed crisis, Healthcare Mana-
gement Science 4 pp 31-36.
21. White, D, (1990) A Bibliography on the Applications of Mathematical Programming Multiple
Objective Methods Journal of the Operational Research Society, Vol. 41, No. 8, pp. 669-691
 Symétrie et préférences des ressources dans la
planification des blocs opératoires

B. Roland,1 and F. Riane1

Louvain School of Management and FUCaM, 151, chaussée de Binche, 7000 Mons – Belgique.
roland@fucam.ac.be

1 Introduction

Le monde hospitalier européen est en proie, ces dernières années, à de profonds remaniements suite
à de nombreuses réformes voulues par les pouvoirs publics en vue d’améliorer la qualité de vie
des concitoyens, tout en rationalisant les dépenses. A ces défis structurels s’ajoutent une demande
sans cesse croissante en soins de santé, des exigences de la part de la patientèle plus avertie des
progrès médicaux et une évolution des pathologies qui complexifient davantage la gestion des centres
hospitaliers. Il devient dès lors essentiel pour ces derniers de gérer plus efficacement leurs ressources
humaines et matérielles, c’est-à-dire d’optimiser leur utilisation afin de réduire les dépenses encourues
tout en préservant la qualité des soins prestés.
Dans ce contexte hospitalier économiquement contraint, gérer efficacement le quartier opératoire
devient une question cruciale. En effet, le quartier opératoire joue un rôle prédominant dans la
performance globale des hôpitaux. C’est une activité importante de la création de soins, qui génère
les principaux revenus mais qui est également l’une des plus importantes sources de dépenses avec
près de dix pourcents du budget global du centre [2]. Rendre plus efficace la gestion de ces postes passe
par une utilisation plus rationnelle des ressources opératoires et par conséquent par une planification
plus affinée des blocs opératoires. Mais les seules préoccupations financières ne peuvent suffire à
l’établissement de plannings opératoires. Nous ne pouvons ignorer l’importance de la place des femmes
et des hommes entrant dans la réalisation de ces processus médicaux. C’est pourquoi nous souhaitons
inclure aux habituels objectifs économiques une dimension humaine encore trop peu présente dans
les travaux scientifiques.
Nos travaux ont pour objectif de proposer des outils pour une meilleure utilisation des ressources
opératoires tout en tenant compte du facteur humain qui caractérise la gestion du quartier opératoire.
Prendre en compte l’opinion des acteurs de ce processus médical devrait améliorer la satisfaction
du staff médical et par conséquent l’efficacité du quartier opératoire. En particulier, nous centrons
notre approche sur l’intégration des préférences des chirurgiens lors de l’élaboration des programmes
opératoires hebdomadaires. Notamment, nous proposons une formulation mathématique en nombres
entiers qui tient compte, entre autres, des disponibilités du personnel ainsi que des contraintes de
capacités.
Une vaste littérature existe sur la planification et l’ordonnancement du quartier opératoire. Nous nous
référons à [1] pour un état de l’art approfondi. Dans la littérature des soins de santé, la planification du
quartier opératoire apparaît comme complexe et engendrant d’importants investissements financiers.
Cette procédure a pour objectif d’ordonner les opérations en y assignant les ressources nécessaires,
ce sur un court horizon de temps (typiquement une semaine) et sur base de la demande des unités
chirurgicales. La littérature décompose généralement le processus de planification en deux étapes
[3,4] : une étape de planification, à proprement parler, qui assigne le jour et la salle d’opération.
Ensuite, une étape d’ordonnancement agence les opérations au sein d’une même salle en tenant
compte des diverses contraintes de fonctionnement. Cependant, cette décomposition peut engendrer
 Symétrie et préférences des ressources dans la planification des blocs opératoires 347

des solutions sous-optimales étant donné l’interaction entre ces deux étapes. C’est pourquoi nous
proposons une approche qui intègre les étapes de planification et d’ordonnancement en un unique
modèle. De plus, peu d’approches de la littérature offrent deux niveaux de décision comme le permet
notre démarche, et proposent de définir simultanément la date, l’heure et la salle de chaque opération.
Dans la littérature de la planification et de l’ordonnancement [5], les ressources humaines sont per-
çues comme passives : seules leurs disponibilités et leur habilité à exécuter certaines tâches sont
généralement prises en compte. Mais ces personnes, qui interviennent directement dans la mise en
oeuvre de l’objet de la planification, ne participent pas à l’élaboration du planning en question. En
particulier, dans le contexte hospitalier qui nous préoccupe, les principales ressources sont des êtres
humains critiques vis-à-vis de leurs conditions de travail. Il semble donc opportun de les intégrer
dans la prise de décision en leur permettant d’établir leur planning d’activités de manière conjuguée.
L’objet de notre recherche comprend le développement d’une structure autorisant les équipes médi-
cales à faire état de leurs agendas et à négocier un planning en adéquation avec leurs préférences.
Nos travaux traitent de la modélisation de procédure optimisant le processus de planification du
quartier opératoire. Comme nous l’avons mentionné, le quartier opératoire est un point critique du
management hospitalier dont les frais proviennent essentiellement de la gestion de ses ressources plus
que de dépenses matérielles. Le problème auquel nous nous attaquons est donc un problème d’or-
donnancement d’activités chirurgicales défini par des contraintes temporelles et des contraintes de
disponibilités de ressources. L’allocation des ressources aux différentes tâches, et par conséquent la
détermination des temps d’opération, se fait de façon optimale en tenant compte du facteur humain
inhérent au monde hospitalier. Lors de la formulation du MIP (mixed-integer program), nous aurons
été particulièrement attentifs à la modélisation des préférences des chirurgiens quant à leurs disponi-
bilités journalières. Nous avons également porté une attention toute particulière à la suppression de
la symétrie induite par des salles d’opérations qualifiées de polyvalentes pouvant assurer le traitement
de tout type d’intervention.

Références
1. Cardoen, B., Demeulemeester, E. and Beliën, J. : Operating room planning and scheduling : A
literature review. Technical report, Katholieke Universiteit Leuven (2007)
2. Gordon, T., Lyles, A.P.S. and Fountain, J. : Surgical unit time review : resource utilization and
management implications. Journal of Medical Systems, 12, pp 169-179 (1988)
3. Guinet, A. and Chaabane, S. : Operating theatre planning. International Journal of Production
Economics, 85, pp69-81 (2003)
4. Jebali, A., Hadj Alouane, A.B. and Ladet, P. : Operating rooms scheduling. International Journal
of Production Economics, 99, pp52-62 (2006)
5. Klein, R. : Scheduling of resource constrained projects. Kluwer Academic Publishers (2000)
 Approche mathématique pour la programmation des
rendez-vous de mises au point médicales en ambulatoire

J.-P. Cordier1 , F. Riane1 , H. Aghezzaf2

1
LSM/FUCaM, 151, chaussée de Binche, 7000 Mons Belgique.
This paper is part of Research Program IAP 6/09 ´ Higher Education and Research a of the
Belgian Federal Authorities
{cordier, riane}@fucam.ac.be
2
Universiteit Gent, 903, Technologiepark Zwijnaarde, 9052 Zwijnaarde Belgique.
{ElHoussaine.Aghezzaf}@UGent.be

L’accroissement progressif des pressions financières sur le secteur hospitalier, ainsi que l’accroissement
des exigences de confort de la part des patients et l’augmentation du nombre de patients obligent les
systèmes de soins de santé à reconsidérer leurs processus et à réorganiser leurs modes de fonctionne-
ment. La prise en compte de l’impact de ces transformations sur le circuit du patient devant suivre
des examens pour une mise au point justifie l’étude en cours sur le pilotage par la performance de ce
secteur. Les prémisses de ce travail s’articulent autour de deux parties. La première concerne la modé-
lisation système de soin étudié sous une forme exploitable tel qu’un modèle de connaissance comme
décrit dans la méthodologie "ASCI" [2]. L’autre partie définit un modèle mathématique destiné à
améliorer l’ordonnancement des examens des patients au sein des différents services.

1 Contexte

Cette étude se focalise sur l’amélioration continue du circuit des patients d’un CHU belge. La pré-
sente communication expose la modélisation mathématique du système de prise de rendez-vous et
d’ordonnancement de ceux-ci. Pour accroître la qualité du service prodigué aux patients devant suivre
une mise au point (check-up), il est nécessaire de programmer l’ensemble de ces examens en ambula-
toire de manière à ne pas amener le patient à être hospitalisé et minimiser les attentes des patients.
Ceci passera par le recours à des outils permettant d’améliorer l’organisation du circuit des patients
concernés. L’hôpital a deux objectifs stratégiques, d’une part, il désire diminuer ses co˚ts ou tout du
moins améliorer sa rentabilité sur ce secteur et, d’autre part, il vise à augmenter l’attractivité de ses
services par la satisfaction des patients impliqués.
La qualité de la prise en charge serait nettement améliorée si la filière ambulatoire était privilégiée
pour les patients en mise au point. En effet, il est important de permettre au patient, ayant un envi-
ronnement social adéquat et dont l’état de santé le permet, de rentrer chez lui après avoir passé ses
examens médicaux. Il est également plus intéressant au niveau financier et organisationnel pour l’hô-
pital de programmer la mise au point de ces patients en ambulatoire. Une hospitalisation impliquerait
pour le patient une organisation particulière (prendre congé pour la période d’hospitalisation, faire
garder ses enfants etc.). Elle impliquerait également une programmation particulière pour l’hôpital
(consommation de lits, affectation de ressources infirmières etc.). De plus, pour les patients en mise
au point qui sont hospitalisés, l’établissement a souvent du mal à justifier leurs séjours et ne reçoit
donc pas les subsides nécessaires pour couvrir les charges endossées. Procéder à une programmation
en ambulatoire, quand il est possible de la faire, accroît le confort des patients et diminue les co˚ts de
l’hôpital. Pour arriver à un tel résultat, il faut optimiser le parcours des patients afin qu’un maximum
de ceux-ci puisse bénéficier de ce type de prise en charge.
 Approche mathématique pour la programmation des rendez-vous de patients 349

2 Méthodologie
La définition d’une méthode d’optimisation, comme présentée plus haut, est une part de l’édifice que
devra mettre en place l’hôpital afin d’atteindre les objectifs stratégiques qu’il s’est fixés. L’ensemble
des mesures nécessaires amènerait un nombre de changements important. Il n’est donc pas concevable
de se lancer dans un tel chantier sans mettre en place au préalable une méthodologie de validation
par des tests approfondis des actions envisagées. Il faut anticiper et éviter les effets pervers potentiels
des mesures envisagées avant leur activation. Vu la complexité du système hospitalier, cela ne permet
pas une expérimentation directe. C’est pourquoi, nous avons défini et structuré une architecture de
pilotage destiné à ces milieux complexes [1]. la méthodologie est nécessaire pour mieux définir le
problème, identifier ses variables d’action et élaborer un programme mathématique adéquat. C’est
l’objet du papier.

3 Modèle mathématique
Si le traitement isolé d’un service pilote peut très certainement amener des améliorations, la globali-
sation à l’ensemble des services permettra de faire jouer certains effets de levier qui engendreront une
optimisation globale du système. L’objectif principal sera donc de construire un modèle mathéma-
tique permettant d’optimiser l’ordonnancement des examens de patients au sein d’une journée. Ce
modèle intègre les particularités du système réel. Il s’agit d’un programme linéaire en nombre entier
qui permet d’optimiser le parcours de patients en tenant compte des contraintes de capacité et des
contraintes temporelles.

4 Perspectives
Le modèle mathématique doit encore être intégré dans une boucle de pilotage virtuel qui permet
de tester les batteries de méthodes proposées pour améliorer la performance du système étudié sans
impacter le système réel. Ce mécanisme est réalisé à l’aide d’une réplication du système réel par
un modèle de simulation qui permet d’effectuer les tests indispensables. Ce n’est qu’après avoir été
valider que le cocktail de méthodes adéquat pourra être déployé au sein du système réel.

Références
1. Jean-Philippe Cordier, Valérie Dhaevers, and Fouad Riane. L’art du pilotage de la performance
vers une démarche instrumentalisée pour le milieu hospitalier. In 4e Conférence Francophone en
gestion et ingénierie des systèmes hospitaliers (GISEH 2008), Lausane, septembre 2008.
2. M. Gourgand and P. Kellert. Conception d’un environnement de modélisation des sytèmes de
poroduction. In 3ème congrès international de Génie Industriel, Tours, france, 1991.
 Un algorithme exact pour la sélection et
l’ordonnancement de tâches sur une machine

F. Talla Nobibon, J. Herbots and R. Leus

Department of Decision Sciences and Information Management

Faculty of Business and Economics
Katholieke Universiteit Leuven, Belgique

1 Introduction

Le problème simultané de sélection de commandes à accepter (dans la suite, nous utilisons le terme
“tâches”) ainsi que de planification de la capacité pour cette sélection a reçu une attention croissante
au cours des dernières décennies aussi bien de la part des chercheurs que des entreprises. La résolution
de ce problème est complexe car toute solution doit trouver le juste milieu entre le revenu obtenu
par la sélection d’une tâche d’une part et le coût aussi bien materiel qu’issu d’une possible pénalité
de retard d’autre part [3].
Ce papier étudie la sélection et l’ordonnancement de tâches sur une machine, dans le cas où l’ensemble
total T de tâches (|T | = n) est disponible d’entrée et est constitué d’un sous-ensemble O de tâches
obligatoires et d’un sous-ensemble Ō de tâches que l’entreprise peut refuser (T = O ∪ Ō). L’objectif
est de maximiser le profit net obtenu en sélectionnant un sous-ensemble M ⊆ T de tâches contenant
O et en ordonnançant de façon optimale les tâches sélectionnées. A chaque tâche i (i = 1, . . . , n)
sont associés, le temps d’exécution pi et une date limite de livraison di (due date) négociée avec le
client ; mais aussi un revenu Qi et un coefficient de pénalité wi applicable pour chaque unité de temps
supplémentaire écoulée entre la date limite et la date effective de livraison. Le problème de sélection
et d’ordonnancement de tâches sur une machine est modélisé comme suit.
m
%
max Qπ(p) − wπ(p) (Cπ(p) − dπ(p) )+ , (1)
M,π
p=1

o˘ O ⊆ M , π est une bijection de l’ensemble {1, . . . , m} vers M (m étant la cardinalité de M ), a+

représente le maximum entre a et 0 et Ci est la date effective de livraison de la tâche i ∈ M , i.e.
&π−1 (i)−1
Ci = p=1 pπ(p) . La formulation (1) modélise aussi l’ordonnancement de tâches avec option de
sous-traitance [1] dans le cas particulier où il y a un seul sous-traitant avec une capacité illimitée.

2 Formulation linéaire

La formulation du problème donnée par (1) est implicite et non-linéaire. En vue d’une résolution
utilisant des logiciels d’optimisation, nous développons une formulation linéaire en considérant les
variables binaires de décision xij et yij définies par : xij égale 1 si la tâche i est sélectionnée et la
tâche j est exécutée avant la tâche i et 0 sinon, yij égale 1 si la tâche i est sélectionnée et est la
j ème tâche exécutée et 0 sinon ; et les variables réelles de décision Ti représentant le retard accumulé
à la livraison de la tâche i. Nous prouvons qu’une solution de la formulation linéaire est également
solution de (1) et vice-versa.
 Un algorithme exact pour la sélection et l’ordonnancement de tâches sur une machine 351

3 L’algorithme branch-and-bound
Nous proposons un algorithme branch-and-bound pour la résolution du problème énoncé. Cet al-
gorithme utilise comme sous-routine l’algorithme branch-and-bound développé par Potts et Van
Wassenhove [2] pour l’ordonnancement de tâches sur une machine avec pour objectif la minimisation
de la somme pondérée des pénalités de retard (total weighted tardiness). Notre algorithme branch-
and-bound commence avec un sous-ensemble de tâches sélectionnées contenant O. Ce sous-ensemble
R̄ est constitué de tâches certaines de faire partie d’au moins une solution optimale. Soit R = T \ R̄.
A chaque niveau de l’arborescence, une tâche supplémentaire issue de R est ajoutéeà l’ensemble de
tâches déjà sélectionnées au noeud parent si l’index de cette tâche est supérieur au plus grand index
de tâches de R déjà sélectionnées (ce qui conduit à un arbre asymétrique). A chaque noeud de la
procédure, l’ordonnancement optimal de tâches sélectionnées nous fournit une borne inférieure de la
valeur optimale de la fonction objective qui contiendra les tâches considérées. Pour obtenir des bornes
supérieures, nous présentons deux méthodes alternatives. La première est basée sur la résolution d’un
problème d’allocation (assignment problem) ; deux variantes sont proposées, dont l’une a déjà été uti-
lisée par Slotnick et al. [4]. La seconde approche est basée sur la résolution d’un problème de sélection
et d’ordonnancement de tâches sur une machine avec pénalité pondérée du retard algébrique (total
weighted lateness).

4 Expériences
Lors de la présentation, nous proposerons des tableaux récapitulatifs des résultats de l’algorithme
branch-and-bound ainsi que des tableaux récapitulatifs des comparaisons de ces résultats avec ceux
par la résolution du modèle linéaire avec CPLEX.

Références
1. Chen, Z-H. and Li, C-L. : Scheduling with subcontracting options. IIE Transactions, 40 : 1171–
1184, (2008).
2. Potts, C.N. and Van Wassenhove, L.N. : A branch and bound algorithm for the total weighted
tardiness problem. Operations research, 33 : 363–377, (1985).
3. Rom, W.O. and Slotnick, S.A. : Order acceptance using genetic algorithms. Computers & Opera-
tions Research, (2008). To appear.
4. Slotnick, S.A. and Morton, T.E. : Order acceptance with weighted tardiness. Computers & Ope-
rations Research, 34 : 3029–3042, (2007).
 Lotissement et séquencement sur une machine
imparfaite avec temps de changement de série

A. Dolgui1 , M.Y. Kovalyov1,2 and K. Shchamialiova1

1
Centre Génie Industriel et Informatique, Ecole des Mines de Saint-Etienne,
158 cours Fauriel, 42023 Saint-Etienne Cedex 2, France
dolgui@emse.fr, shchamialiova@emse.fr
2
Faculty of Economics, Belarusian State University,
and United Institute of Informatics Problems, National Academy of Sciences of Belarus,
Nezavisimosti 4, 220030 Minsk, Belarus
koval@newman.bas-net.by

1 Introduction

Nous étudions le problème de lotissement et séquencement pour une seule machine. Il y a N types
de lots différents à traiter. Chaque lot est composé d’un ensemble de produits du même type. Il y a
un temps de changement de série avant le traitement de chaque lot. La machine est imparfaite :
– les pièces peuvent être rebutés à cause d’une mauvaise qualité. Le nombre de rebuts est une valeur
aléatoire.
– la machine peut tomber en panne. Dans ce cas elle a besoin d’un temps aléatoire pour la réparation,
pendant lequel elle est inutilisable.
Aucun composant et aucun changement de série ne peuvent être réalisés pendant le temps de ré-
paration. Pour l’horizon de planification nous connaissons les demandes et le temps de traitement
unitaire pour chaque type de produit. On ne peut pas traiter plus d’une pièce en même temps.
Le problème d’optimisation consiste à déterminer la taille de chaque lot et leur séquence minimi-
sant le coût total de retard sous condition que nous avons une borne supérieure de temps de séjour
pour le dernier produit. Ce problème se trouve à l’intersection des deux domaines de recherche :
l’ordonnancement [2] et le lotissement des systèmes de production sous aléas [3]. La majorité des pu-
blications dans le premier domaine concerne les modéles déterministes et discrets, et dans le deuxième
traite des modéles principalement stochastiques et continus. Dans notre cas nous avons un problème
stochastique et discret.

2 Modèle mathématique

Nous avons les paramètres suivants pour chaque produit i, i = 1, . . . , n :

– di - demande(nombre de produits de bonne qualité), di > 0 ;
– ti - temps de traitement pour chaque produit, ti > 0 ;
– ci - le coût unitaire de retard, ci > 0 ;
– si,j (sj,i ) - le temps de changement de série entre le lot de produit i (j) et le lot de produit j (i),
si,j ≥ 0, sj,i ≥ 0 ;
– s0,i - le temps de changement de série nécessaire pour commencer le traitement du premier lot,
s0,i ≥ 0.
 Le problème de lotissement et séquencement sur une seule machine 353

Nous supposons que le temps de changement de série satisfait la règle de triangularité tel que :
si,j + sj,k ≥ si,k pour i = 0, 1, . . . , n, j = 1, . . . , n, k = 1, . . . , n. Aucun produit ne peut être fabriqué
pendant le temps de changement de série.
Nous remplaçons les valeurs aléatoires de la manière suivante :
– fi (x) - fonction entière croissante représentant le nombre de rebuts, si le nombre total de produits
i lancés est égal à x, fi (0) = 0, et fi (x) ≤ x pour x = 1, 2, . . . ;
– T (x1 , . . . , xn ) - temps total de réparation. T est une fonction réelle croissante, où xi est le nombre
total de produits de type i, lancés en fabrication i = 1 . . . , n.
Les fonctions fi (x), i = 1 . . . , n, et T (x1 , . . . , xn ) peuvent être obtenues par une analyse statistique
des données historiques. Dans ce travail nous supposons que les fonctions fi (x) et T (x1 , . . . , xn ) sont
données.
Les variables de décision sont x := (x1 , x2 , ..., xn ), où xi - la taille de lot i, et π := (i1 , i2 , ..., in ) - la
séquence des lots.
Le problème que nous étudions est le suivant :
n
%
M inimiser D(x) := ci max{0, di − (xi − fi (xi ))}, (1)
i=1

sous contraintes :
n n
% %
ti x i + sij−1 ,ij + T (x) ≤ T0 , xi ∈ Z+ , i = 1, . . . , n, (2)
i=1 i=1

où T0 - une borne supérieure de temps de séjour.

En général le problème (1),(2) est NP-difficile [1] si les fonctions fi (x) et T (x1 , . . . , xn ) sont des boites
noires. Nous avons prouvé que (1),(2) est NP-difficile même si n = 1.
Nous avons montré que les décisions de lotissement et de séquencement peuvent être prises séparé-
ment. Le problème qui consiste à trouver la séquence de lots optimale a été montré équivalent au
problème du Voyageur de Commerce. Nous avons également proposé un (ε + 1) - approché algorithme
(FPTAS) pour le cas où le pourcentage des produits defectueux est connu pour chaque lot.

Références
1. Cheng T.C.E., Kovalyov M.Y. : An unconstrained optimisation problem is NP-hard given an
oracle representation of its objective function : a technical note. Computers & Operations Re-
search 29 (2002) 2087-2091.
2. Potts C.N., Van Wassenhove L.N. : Integrating scheduling with batching and lot-sizing : A review
of algorithms and complexity. Journal of the Operational Research Society 43 (1992) 395-406.
3. Groenevelt H., Pintelon L., Seidmann A. : Production lot sizing with machine breakdowns.
Management Science 38 (1992) 104-102.
 On maximizing the profit of a satellite launcher :
selecting and scheduling tasks with
time windows and setups

P. Baptiste1 , P. Chrétienne2 , J. Meng-Gérard3 and F. Sourd4

1
Ecole Polytechnique, CNRS LIX, France, Philippe.Baptiste@polytechnique.fr
2
Université Paris 6, CNRS LIP6, France, Philippe.Chretienne@lip6.fr
3
Université Paris 6, CNRS LIP6, France, Jie.Meng-Gerard@lip6.fr
4
SNCF, Innovation & Recherche, France, Francis.Sourd@sncf.fr

1 Problem description
The problem studied in this paper originates in planning the launches of a satellite launcher company
in order to maximize its profit. More precisely, the company has a timeline divided into successive
time-slots [t − 1, t], t ∈ {1, . . . , T }, and a set of customer satellites J1 , . . . , Jn , each of which has a
weight wi and a launching time window [ri , di ] ⊆ [0, T ]. For each satellite, the launcher company
must decide whether it will be launched or not and, in the positive case, in which time-slot of its
launching time window this will be done. A positive gain gi results from launching satellite Ji and a
positive setup cost Kt is due if at least one satellite is launched in time-slot [t − 1, t] (also denoted
by t). Finally, the sum of the weights of the satellites launched in any time-slot must not exceed a
given capacity C corresponding to the limit weight that the satellite launcher can support.
In a more formal description, the satellites are just unit-length jobs Ji with release dates plus deadlines
and the launcher problem comes to a scheduling problem whose solution is a pair (E, s) where :
• E ⊆ {J1 , . . . , Jn } is the subset of the selected jobs,
• s : E → {1, . . . , T } indicates the time-slots assigned to the jobs of E
(abusing notation we shall write s(i) for s(Ji )),
• for any Ji ∈ E, the time-slot s(i) must & be in {ri + 1, ri + 2, . . . , di },
• for any time-slot t ∈ s(E), the sum w must be less than C.
& {j|s(j)=t} & j
The value of a solution (E, s) is g −
Ji ∈E i t∈s(E)
Kt and the problem consists of finding a
maximum-value solution.

2 Our work
We prove that while this problem is strongly NP-Complete in the general case, it turns polynomial
as soon as the satellites have a constant weight. We provide a dynamic programming algorithm to
solve this case and we show that for some configurations of time windows, the subproblem can be
solved even more efficiently. Those results will be available in [1].

3 An example
The following figure models a simple instance of the problem with 9 satellites J1 , . . . , J9 and 15
launching time-slots. Every satellite Ji has a unit-weight wi = 1, a gain gi and a launching time
 Title Suppressed Due to Excessive Length 355

window represented by a horizontal grey segment. The timeline is represented by the array of cells
below the 9 window segments, each cell representing a time-slot [t − 1, t] and containing its setup cost
Kt . The launcher has a capacity C = 3 which means that only 3 satellites at most can be launched
in a single time-slot (since wi = 1).

J9 g9 = 50

wi = 1 and C = 3 J8 g8 = 30

J7 g7 = 50

J6 g6 = 50

J5 g5 = 50

J4 g4 = 30

J3 g3 = 50

J2 g2 = 50

J1 g1 = 30 s(3) = s(7) = s(9) = 11

Kt 20 80 80 80 20 80 80 80 80 80 20 80 80 80 80

0 r5 5 d5 10 15 t

The satellite launcher company maximizes its profit by launching the subset of satellites E =
{J1 , J2 , J5 , J6 , J3 , J7 , J9 } in the time-slots s(E) = {1, 5, 11} as stressed in black in the figure
& above
(for instance, J3 is launched in slot s(3) = 11) and the profit generated by this solution is J ∈E gi −
& i

t∈s(E)
Kt = (g1 + g2 + g5 + g6 + g3 + g7 + g9 ) − (K1 + K5 + K11 ) = 270.

Références
1. P. Baptiste, P. Chrétienne, J. Meng-Gérard and F. Sourd. On maximizing the profit of a satel-
lite launcher : selecting and scheduling tasks with time windows and setups. Discrete Applied
Mathematics. (to appear)
 Minimisation du retard des mesures dans la fabrication
des semi-conducteurs

B. Detienne, C. Yugma, and S. Dauzère-Pérès

École Nationale Supérieure des Mines de Saint-Étienne,

Centre de Microélectronique de Provence Site Georges Charpak,
880 route de Mimet, 13541 Gardanne, France
detienne@emse.fr, yugma@emse.fr, dauzere-peres@emse.fr

1 Introduction
Nous nous intéressons à un problème d’ordonnancement survenant dans un contexte de production
industrielle ayant recours à des procédés de fabrication très complexes et sensibles. De nombreuses
étapes de production y font appel à un contrôle intensif des caractéristiques des produits semi-finis,
afin de détecter d’éventuels défauts et de sorte à maintenir les produits en sortie dans les spécifications
fixées à l’avance.
Les ressources nécessaires aux contrôles sont souvent très onéreuses et donc en nombre limité, ce qui
pousse à développer des stratégies d’échantillonnage : un scénario typique consiste à envoyer, pour
chaque famille d’articles, un produit intermédiaire sur quatre réalisés sur une machine de production
donnée vers un équipement de mesure. En attendant le résultat de la mesure ainsi que son traitement,
le décideur est la plupart du temps amené à réaliser d’autres tâches de production du même type sur
la machine, avant que ses réglages aient pu être ajustés. Chacune de ces opérations encourt alors un
risque accru d’échec de fabrication.
Le délai excessif conduisant à prendre un tel risque est connu sous le nom de retard de métrologie. Afin
de minimiser les échecs de fabrication, nous nous intéressons à une approche consistant à considérer
l’ordonnancement des opérations de production fixé, et à ordonnancer les opérations de mesure de
manière à minimiser les retards de métrologie.
Plus précisément, on considère un ensemble de tâches de mesure à effectuer à l’aide d’une ou plusieurs
machines de mesure, sans contrainte de disponibilité (on suppose en effet l’ensemble des produits à
traiter déjà placés dans une zone d’attente). Pour chacune des tâches, on connaît les dates auxquelles
des opérations d’un procédé identique vont démarrer, ainsi qu’une quantification du risque encouru
dans le cas où l’opération de production s’effectue avant la fin de la mesure. Le but du problème
est alors d’ordonnancer l’ensemble des tâches de mesure de manière à minimiser le risque cumulé
encouru.

2 Modélisation
Afin de simplifier l’exposé, nous supposerons ici que les équipements de mesure se réduisent à une
unique machine pouvant réaliser une seule opération à la fois. Notez cependant que le modèle proposé
est valide dans le cas avec machines parallèles identiques ou non. Comme l’illustre la Figure 1, le
problème peut être vu comme un problème de minimisation du coût total d’un ordonnancement.
Dans le cas présenté, le produit correspondant à la tâche de production 2a est envoyé sur la machine
de mesure dans l’optique d’ajuster les paramètres de l’équipement de production, pour réaliser les
tâches 2b , 2c et 2d dans des conditions favorables. La tâche de mesure correspondante, 2α , est achevée
 Minimisation du retard des mesures dans la fabrication des semi-conducteurs 357

Opération avant mesure→ pénalité de γ2b

Pénalité de γ2c
Pas de pénalité

1a 2a 3a 2b 1b 2c 2d Machine de
production

0ω 1α 2α Machine de
mesure
γ2b + γ2c + γ2d
γ2b γ2b + γ2c
0 Cout de 2α

Fig. 1. Illustration du coût d’une opération de mesure selon sa date de fin d’exécution

après le début de 2b et 2c . Ces deux opérations encourent donc un risque dont le coût est imputé à
2α .
A chaque tâche de mesure est ainsi associée une fonction de coût croissante en escalier (la fonction
prend k valeurs différentes pour un taux d’échantillonnage de k1 ) et, donc, potentiellement n’importe
quelle fonction de coût régulière (voir [1] ou [2] pour des méthodes s’appliquant à ces problèmes).
Notre étude se focalise sur les cas où la fonction de coût prend un nombre relativement faible de valeurs
différentes, correspondant à des taux d’échantillonnage que nous avons rencontrés en pratique, de
l’ordre de 14 .
Nous développons un modèle compact sous forme de Sac-à-dos Multidimensionnel Multi-Choix (MMKP)
particulièrement adapté à ces cas, dans lequel chaque tâche est modélisée par un groupe d’objets,
chaque objet étant associé à une occurrence d’une tâche s’achevant avant un point caractéristique de
sa fonction de coût, et chaque ressource représentant la capacité cumulée de la machine jusqu’à un
point caractéristique d’une des fonctions de coût.

3 Expérimentations et Perspectives
Des expérimentations numériques préliminaires montrent que cette formalisation permet la résolution
exacte, via le solveur de PLNE XPRESS-MP 2007, d’instances à une machine comportant jusqu’à 200
tâches pour un taux d’échantillonnage de 31 ou 41 et jusqu’à 50 tâches pour un taux de 101
, sous une
limite de temps de 1 minute, tandis que la formalisation indexée sur le temps classique ne permet de
résoudre que peu d’instances à 20 tâches selon le même mode opératoire. Ces résultats encourageants
appellent à développer une méthode de résolution dédiée basée sur le modèle MMKP.

Références
1. S. Tanaka, S. Fujikuma et M. Araki. An exact algorithm for single-machine scheduling without
machine idle time. Journal of Scheduling, A paraître.
2. A. Jouglet, D. Savourey, J. Carlier et P. Baptiste Dominance-based heuristics for one-machine
total cost scheduling problems. European Journal of Operational Research, 184(3) :879–899, 2008.
 Le probléme de tournées de véhicules m-péripatétiques

Sandra U. NGUEVEU1 , Christian PRINS1 , and Roberto WOLFLER-CALVO2

1
LOSI-UTT, 12, rue Marie-Curie, 10000 Troyes, France.
ngueveus@utt.fr, christian.prins@utt.fr
2
LIPN-OCAD, Université Paris-Nord, 93430 Villetaneuse, France.
roberto.wolfler@lipn.univ-paris13.fr

1 Introduction

Introduit dans [5] le probléme de tournées de véhicules m-péripatétiques modélise les tournées de
gardiennage ou transport de fonds oô l’objectif est de déterminer les tournées de véhicules disjointes à
coût total minimal sur m périodes telles que chaque client soit visité exactement une fois par période,
car par sécurité aucun chemin ne doit être utilisé plus d’une fois au cours de m périodes. Le m-PTVP
peut être considéré comme une généralisation du VRP et du probléme du vendeur m-péripatétique
(m-PVP). Nous présentons ici un résumé de nos travaux sur le sujet, comprenant 3 bornes inférieures
simples, un algorithme de recherche taboue hybride, et de nouvelles bornes inférieures, plus élaborées,
qui sont publiées ici pour la premiére fois.

2 Bornes inférieures simples

Le m-PTVP est défini sur un graphe non orienté complet et le modéle mathématique basé sur les
arêtes de [5] a permis de déduire trois bornes inférieures simples. La 1ére est obtenue en multipliant
simplement par m le coût de la solution optimale du VRP. La 2éme est fournie le coût des m 1-
arbres recouvrants sans arêtes communes et de coût total minimal, et ce à l’aide de l’algorithme
de [6] combiné avec une relaxation lagrangienne pour le degré du dépôt. La 3éme borne simple est
obtenue en résolvant b-couplage parfait, probléme polynomial [2] obtenu en relaxant notre probléme
et solvable à l’aide d’un solveur opensource ou commercial.

3 Algorithme de recherche taboue hybride

Notre algorithme de recherche taboue hybride (RTH) est la métaheuristique la plus efficace sur le m-
PTVP. Une description plus détaillée de cet algorithme est disponible dans [4]. Entre-autre, le RTH
utilise un "tabou partiel" : à chaque itération le 1er arc à insérer ne doit pas être tabou, mais le 2éme
arc entrant est libre (tabou ou pas). D’autres composants tels que la diversification et l’hybridation
avec le b-couplage parfait contribuent à l’efficacité de cette métaheuristique.

4 Bornes inférieures élaborées

4.1 Méthodes de coupes

 Point sur le m-TVP 359

Nous avons appliqué deux types approches. La 1ére approche consiste à identifier et appliquer des
contraintes de capacité, de peigne et multistars du VRP au cours de chacune des m périodes du
m-PTVP. La 2éme approche, qui permet de réduire considérablement les temps de calculs, consiste
à généraliser les contraintes ci-dessus et générer ainsi de nouvelles contraintes valides applicables
sur un modéle aggrégé du m-PTVP. Chacune des approches nous a amené à modifier profondément
la bibliothéque de fonctions de détection de coupes CVRPSEP de Lysgaard [3], pour obtenir une
nouvelle bibliothéque pour le m-PTVP.

4.2 Problème de partitionnement et q-routes

L’adaptation de [1] sur le m-PTVP est loin d’être évidente, mais elle se base sur 3 idées-clés : la
dualité, l’approximation des routes par des q-routes et la relaxation lagrangienne. L’objectif est de
résoudre le dual de la formulation de partitionnement du probléme, en estimant au mieux les variables
duales. Dans cette formulation, une route normale de demande totale q n’autorise pas de "boucles",
alors que dans une q-route cette contrainte est relaxée. Si la présence des boucles est autorisée, elle
est cependant pénalisée par relaxation lagrangienne, et comme les q-routes peuvent être générées
assez rapidement par programmation dynamique, alors au final, on obtient un algorithme rapide et
efficace. La méthode des q-routes n’a pas besoin de faire appel à Cplex ou tout autre solveur. En fait le
sous-probléme obtenu aprés la génération des q-routes à coût réduit négatif est résolu en estimant les
meilleures valeurs des variables duales. Puis, les violations des contraintes de degré sont quantifiées
et utilisées pour corriger (par relaxation lagrangienne) les valeurs attribuées aux variables duales,
jusqu’à ce que les améliorations deviennent négligeables. A ce moment-là on revient au probléme
principal et on essaie de générer de nouvelles q-routes à coût réduit négatif pour les insérer dans
le probléme et recommencer la résolution. L’algorithme s’arrête lorsque plus aucune q-route n’est
générée.

5 Résultats obtenus
Les bornes supérieures sont obtenues par le RTS. Les bornes inférieures simples ont permis d’at-
teindre en moyenne 92% - 94% des meilleures bornes supérieures. Les nouvelles bornes inférieures
plus élaborées ont permis d’atteindre 97.5% - 99%, préparant ainsi le terrain pour l’application de
méthodes exactes.

Références
1. Roberto Baldacci, Nicos Christofides, and Aristide Mingozzi. An exact algorithm for the vehicle
routing problem based on the set partitioning formulation with additional cuts. Mathematical
Programming, 115(2) :351–385, 2008.
2. J. Edmonds. Paths, trees, and flowers. Canadian Journal of Mathematics, 17 :449–467, 1965.
3. J. Lysgaard. http ://www.hha.dk/ lys/, 2003.
4. S.U. Ngueveu, C. Prins, and R. Wolfler Calvo. A hybrid tabu search for the m-peripatetic ve-
hicle routing problem. In P. Hansen et al., editors, Proceedings of Matheuristics 2008 : Second
International Workshop on Model Based Metaheuristics, Bertinoro, Italy, 2008.
5. S.U. Ngueveu, C. Prins, and R. Wolfler Calvo. Bornes supérieures et inférieures pour le probléme
de tournées de véhicules m-péripatétiques. Proceedings MOSIM’08 : 7éme conférence francophone
de modélisation et simulation (MOSIM’08),Paris France, 3 :1617–1625, 2008.
6. J. Roskind and R. E. Tarjan. A note on finding minimum-cost edge disjoint spanning trees.
Mathematics of Operations Research, 10 :701–708, 1985.
Modèle de simulation pour l’évaluation des performances
de tournées de véhicules en conditions réelles de trafic

M. Chabrol, M. Gourgand and P. Leclaire

LIMOS, UMR 6158 CNRS, Complexe Scientifique des Cézeaux, 63173 Aubière Cedex France.
{chabrol,gourgand,leclaire}@isima.fr

1 Introduction

Les problèmes de tournées de véhicules sont parmi les problèmes de recherche opérationnelle les plus
étudiés. Ces problèmes consistent à visiter, dans un certain ordre, un ensemble de points auxquels
est associé un service de collecte ou de livraison. Les entités transportées peuvent être des biens ou
des personnes. Le parcours établi tente de minimiser une fonction objectif dépendant du temps de
parcours, des coûts de parcours et/ou de la satisfaction du client.
Ces problèmes sont le plus souvent étudiés sous l’hypothèse de temps de parcours déterministes.
Certains auteurs considèrent ce problème en intégrant des temps de trajet stochastiques ou basés sur
des historiques de données. Dans la plupart des cas, les approches de résolutions proposées utilisent
des hypothèses simplificatrices sur les temps de trajet.
Nous proposons dans ce résumé d’étudier les performances d’une tournée de véhicules obtenue par une
méthode exacte ou approchée, dans des conditions réelles de trafic, grâce à un modèle de simulation
de granularité fine permettant de rendre compte des réalités physiques du trafic : interactions entre
les véhicules, durée des feux, temps d’attente aux intersections.

2 Prise en compte des coûts de parcours dépendant du temps

Soit G = (X, U ) un graphe orienté représentant un réseau routier, où X est l’ensemble des inter-
sections, des dépôts et des points de services, et U l’ensemble des voies reliant ces intersections. La
valuation c(u) d’un arc u = (i, j) ∈ U correspond à la mesure du temps de parcours entre les points i
et j. Les durées de parcours des arcs peuvent fluctuer au cours de la période étudiée. Cette fluctuation
est prise en compte de plusieurs façons dans la littérature.
Certains auteurs associent à chaque arc une valuation dépendant du temps sous forme d’un vecteur.
[2] utilisent un vecteur cu à p composantes telles cu [Tk ], k = 1..p, contient la durée de trajet entre
les points i et j pour un véhicule dont la date t de départ du point i appartient à l’intervalle Tk .
Des variables aléatoires peuvent également être utilisées pour modéliser la durée de parcours d’un arc.
[1] propose un modèle de simulation pour l’évaluation des tournées de véhicules pour le Dial-A-Ride
Problem, sur un service de transport de personnes à la demande. Ce modèle utilise une représentation
du réseau par intersections et arcs. Chaque arc est associé à un vecteur de temps de parcours, qui,
pour chaque période de la journée, contient les moyenne et écart-type du temps de parcours de
l’arc. Un véhicule qui entre sur un arc à l’instant t se voit attribuer un temps de parcours choisi
aléatoirement selon une loi log-normale de moyenne et écart-type associés à l’instant t. Cependant,
ce modèle ne tient pas compte explicitement des conditions de trafic et des délais aux intersections,
qui sont modélisés au niveau du temps de parcours.
 Modèle de simulation pour l’évaluation des performances de tournées de véhicules 361

3 Modèle de simulation proposé

Pour modéliser un problème de tournées de véhicules en conditions réelles de trafic, nous proposons
de faire évoluer les véhicules de la flotte du problème sur des voies utilisées par d’autres véhicules.
Le modèle de simulation, de niveau d’abstraction microscopique, prend en compte les interactions
entre les véhicules, la gestion des priorités, les délais d’attente aux feux et intersections, et permet
d’obtenir des informations relatives à chaque véhicule. En particulier, il est possible de connaître les
temps de parcours des véhicules de la flotte. Le modèle de simulation de [3] est enrichi pour prendre
en compte les particularités des problèmes de tournées de véhicules telles que le comportement des
véhicules de la flotte, les clients, ainsi que les points de service et dépôts.
L’étude d’une tournée de véhicules en conditions réelles de trafic permet d’évaluer les performances
d’un tel système face à plusieurs scenarii types et d’apporter des éléments statistiques sur la viabilité
d’une tournée.
Pour la modélisation du trafic, les données en entrée sont constituées d’informations de comptage
(pour la génération des véhicules hors flotte) et des plans de feux. La solution au problème de
tournées de véhicules est constituée de l’ordre des points à servir. La modélisation du système réel
en un problème de Recherche Opérationnelle engendre des pertes d’informations. Les détails du plus
court chemin emprunté pour aller d’un point de service à un autre se réduisent à sa longueur. Pour
reconstruire l’itinéraire entre deux points de service consécutifs, un algorithme de plus court chemin
sur un graphe valué par des durées de parcours dépendant du temps est nécessaire. L’évaluation
moyenne des durées de parcours de chaque arc en fonction du temps est établie au travers de plusieurs
réplications du réseau à vide (c’est-à-dire sans les véhicules de la flotte), en supposant que l’impact
d’une flotte de véhicules sur le reste du trafic est négligeable.

Références
1. L. Fu (2002) : A simulation model for evaluating advanced dial-a-ride paratransit systems. Trans-
portation Research Part A, 36, 167–188.
2. S. Ichoua, M. Gendreau and J.Y. Potvin (2003) : Vehicle dispatching with time-dependent travel
times European Journal of Operational Research, 144, 379-396.
3. D. Sarramia (2002) : ASCI-mi : une méthodologie de modélisation multiple et incrémentielle –
Application aux systèmes de trafic urbain. Thèse.
 Méthode de Branch & Price heuristique appliquée au
problème de Tournées de Véhicules avec Contraintes de
Chargement

Boris BONTOUX,1 , Christian ARTIGUES2 , and Dominique FEILLET3

1
LIA, 339, chemin des Meinajaries, BP 1228, 84911 Avignon, France.
boris.bontoux@univ-avignon.fr
2
LAAS - CNRS, Université de Toulouse, 7 av du Colonel Roche, 31077 Toulouse, France.
christian.artigues@laas.fr
3
Ecole Mines Saint-Etienne, CMP Georges Charpak, 880 av de Minet, F-13541 Gardanne, France.
feillet@emse.fr

1 Problème étudié
Le problème de Tournées de Véhicules avec Contraintes de Chargement à Deux Dimensions ou Ve-
hicle Routing Problem with Two-Dimensional Loading Constraints (2L-VRP) est une extension du
classique Capacited Vehicle Routing Problem auquel ont été ajoutées des contraintes de chargement.
L’objectif est de minimiser la distance totale parcourue par une flotte de véhicules d’une capacité
limitée, sous la contrainte de satisfaire l’ensemble des demandes de livraisons des clients. La demande
d’un client consiste en un ensemble d’objets à charger, chaque objet étant caractérisé par une lon-
gueur et une largeur. La somme des poids associés à chaque client servi ne peut dépasser la capacité
maximale en poids des véhicules. Nous nous sommes intéressés au cas 2|RO|L pour lequel le charge-
ment des objets se fait par l’arrière de la surface de chargement et où les objets ont une orientation
fixe (two-dimensional rear oriented loading) [1].

2 Méthode de résolution
Nous proposons de résoudre ce problème à l’aide d’une procédure de type Branch & Price, c’est-à-
dire une procédure de résolution de type Branch & Bound utilisant une méthode de génération de
colonnes pour le calcul de bornes. La résolution du problème esclave revient pour ce problème à un
Problème de Plus Court Chemin Élementaire avec Contraintes Additionnelles, que nous résolvons par
un algorithme de programmation dynamique, basé sur l’algorithme de Bellman. De par la complexité
des contraintes de chargement, le problème esclave de la génération de colonnes n’est pas résolu de
manière exacte. Notre travail s’est donc porté sur les moyens dont nous disposions afin d’accélérer la
résolution. Nous explorons ainsi une partie des possibilités qu’il existe pour tronquer une méthode a
priori exacte afin de la rendre heuristique.
Nous avons développé deux approches résolument différentes : dans la première, le problème esclave
de recherche de plus court chemin renvoie des routes réalisables du point de vue de la contrainte de
capacité, mais, dont la réalisabilité en ce qui concerne le chargement à deux dimensions n’est pas
assurée. Cette réalisabilité est vérifiée a posteriori. La seconde approche, quant à elle, construit des
routes entièrement réalisables (capacité et chargement séquentiel en deux dimensions) pendant la
résolution du sous-problème.
Dans la première approche, lorsque le problème trouve une route, nous en vérifions la réalisabilité par
rapport aux contraintes de chargement. Pour cela, nous appliquons des calculs de bornes inférieures
 Branch & Price appliqué au 2L-VRP 363

sur la surface minimale nécessaire pour le chargement des objets des clients servis par la route. Si
le calcul des bornes inférieures montre que le chargement n’est pas irréalisable, nous utilisons des
heuristiques de chargement : Bottom-Left [4], Improved Bottom-Left [6], Max Touching Perimeter [5].
Ces heuristiques de chargement sont appelées, avec des listes d’objets triées selon des ordres différents
(ordre décroissant sur la largeur, ordre décroissant sur la longueur, ordre croissant sur la largeur et
ordre croissant sur la longueur). Dès qu’un algorithme indique que le chargement est réalisable, la
route est ajoutée pour la résolution du problème maître. Le calcul de réalisabilité d’une route est un
calcul complexe, nécessitant d’être appelé un nombre important de fois. Ainsi, dès qu’une route est
désignée comme non-réalisable, cette route est stockée dans un annuaire de routes non réalisables.
Cet annuaire a une structure d’arbre n-aire classé, pour lequel l’insertion d’une route et la vérification
de la présence d’une route sont des méthodes rapides et peu complexes.
Dans la deuxième approche, nous proposons de construire dans le problème esclave des routes réa-
lisables, respectant donc les contraintes de chargement séquentiel. Chaque fois qu’un chemin partiel
est étendu vers un sommet, on ajoute les objets proposés par ce sommet dans le chargement existant.
Pour cela, nous faisons appel aux algorithmes heuristiques présentés précédemment. Ainsi, les routes
renvoyées par le problème esclave sont nécessairement des routes réalisables. Cependant, dans le cas
où l’heuristique utilisée ne trouve pas de chargement réalisable, la route est éliminée, bien qu’un
chargement réalisable puisse exister pour cette route. La méthode proposée est donc une méthode
heuristique.
Pour les deux approches, nous avons cherché à accélere la résolution du problème. Pour cela, nous
avons cherché à rendre heuristique le problème esclave de plusieurs manières différentes. La première
technique est de limiter le nombre de chemins partiels mémorisés pour chaque sommet. Nous avons
proposé de renforcer les règles de dominances entre deux chemins partiels en créant des règles de
dominances « trop fortes ». Ces règles risquent ainsi de supprimer des chemins partiels non dominés,
mais permettent d’accélerer la résolution du sous-problème. Nous avons aussi limité le nombre de
sommets vers lesquels un chemin partiel est étendu. Lors de la résolution de la relaxation linéaire du
problème maître restreint par un solveur, celui-ci fixe au bout d’un certain nombre d’itérations des
colonnes. Les variables associées à ces colonnes sont alors égales à 1. Afin d’accélérer la résolution,
il peut être intéressant de fixer de telles variables pour toute la suite de la résolution. Enfin, un des
moyens de rendre un Branch & Price heuristique est de supprimer l’aspect « Pricing ». Pour cela,
il suffit de ne pas générer de nouvelles colonnes une fois qu’un nouveau nœud est créé, en dehors
du nœud racine. On se retrouve donc dans la configuration d’un Branch & Bound classique pour
lequel la borne inférieure est calculée par la relaxation linéaire du problème maître restreint, la borne
supérieure étant la meilleure solution entière connue.

3 Évaluation et observation des résultats

Afin de tester les performances de notre algorithme, nous avons utilisé un ensemble de 180 instances
du problème 2|RO|L-VRP, introduites par [1] et [2]. Les 17 premières séries d’instances contiennent
jusqu’à 40 clients et 127 objets. Chaque série contient 5 instances. Nos résultats sont comparés avec
la méthode Branch & Cut proposée par [1], la recherche Tabou proposée par [2] et l’algorithme
d’optimisation par Colonie de Fourmis de [3].
Les approches heuristiques que nous proposons permettent d’accélérer la résolution du problème. Il
est cependant clair que la qualité des heuristiques de chargement est déterminante dans la qualité des
solutions. Malgré une utilisation de plusieurs heuristiques de chargement, les résultats que nous pro-
posons ne permettent pas de dépasser les meilleurs résultats connus. Cependant, que ce soit en terme
de qualité de solution ou en temps d’éxécution, nos résultats restent dans une moyenne des méthodes
publiées à ce jour. Néanmoins, nos résultats pourraient être améliorés par l’utilisation d’heuristiques
de chargement plus efficaces. Enfin, la méthode de génération de routes réalisables est clairement
364 Bontoux, Artigues, Feillet

moins efficace que l’approche d’une vérification « a posteriori »de la réalisabilité. Cependant, on peut
noter que cette méthode peut être une base de futurs travaux de recherche, dans le but de proposer
une résolution exacte du problème de Tournées de Véhicules avec Contraintes de Chargement.

Références
1. Iori, M. and Salazar Gonzàlez, J. J. and Vigo, D. : An exact approach for the vehicle routing
problem with two-dimensional loading constraints. Transportation Science, vol. 41(2), p. 253-264
(2007)
2. Gendreau, M. and Iori, M. and Laporte, G. and Martello, S. : A Tabu search heuristic for the
vehicle routing problem with two-dimensional loading constraints. Networks, vol. 51(1), p. 4-18
(2008)
3. Fuellerer, G. and Doerner, K. F. and Hartl, R. F. and Iori, M. : Ant colony optimization for the
two-dimensional loading vehicle routing problem. Computers & Operations Research, à paraître
(2008)
4. Chazelle, B. : The Bottom-Left Bin-Packing Heuristic : An Efficient Implementation. IEEE Trans.
Computers, vol. 32(8), p. 697-707 (1983)
5. Lodi, A. and Martello, S. and Vigo, D. : Heuristic and Metaheuristic Approaches for a Class
of Two-Dimensional Bin Packing Problems. INFORMS J. on Computing, vol. 11(4), p. 345-357
(1999)
6. Liu, D. and Teng, H. : An improved BL-algorithm for genetic algorithm of the orthogonal packing
of rectangles. European Journal of Operational Research, vol. 112(2), p. 413-420 (1999)
 Une méthode pour l’analyse de sensibilité à l’aide des
réseaux de Petri stochastiques

S. SAGGADI1 , K. LABADI2 , and L. AMODEO3

1
INSA de Rouen, LMR, Avenue de l’Université, BP 08, 76801 Saint-Etienne du Rouvray France.
2
EPMI-ECS, Ecole Supérieure d’Ingénieurs, 13 Boulevard de l’Hautil, 95092 Cergy France.
3
ICD-UTT, Université de Technologie de Troyes, 12 rue Marie Curie, BP2060, 1010 Troyes France.
k.labadi@epmi.fr ; lionel.amodeo@utt.fr ; saggasamira@yahoo.fr

1 Introduction
L’étude d’un système quelconque passe nécessairement par plusieurs phases notamment la modélisa-
tion ; l’évaluation et l’optimisation de performances. L’analyse de sensibilité ou l’analyse de pertur-
bation est une technique d’analyse très intéressante qui peut être une phase intermédiaire entre la
phase d’analyse de performances et la phase d’optimisation. En effet, l’analyse de sensibilité permet
d’évaluer l’impact de la variation des paramètres de décision d’un système sur son fonctionnement
et ainsi sur sa performance par le calcul ou l’estimation du gradient. En termes de l’optimisation, ce
gradient peut être utilisé pour diriger un algorithme de recherche d’un optimum ou d’une solution ap-
prochée. A l’origine, l’analyse de perturbation est une technique basée sur des modèles de simulation
[2]. Au cours de ces dernières années, on voit apparaître dans la littérature de nouvelles approches
plus formelles qui ne reposent sur aucune simulation. Il s’agit en particulier, d’approches dédiées
pour l’analyse de sensibilité des processus stochastiques caractérisant la dynamique des systèmes à
événements discrets [1]. En se basant sur ce type d’approche, nous nous sommes intéressés à l’ana-
lyse de sensibilité des systèmes en utilisant les réseaux de Petri stochastiques. Dans le cadre de cette
communication, on se contentera de présenter le principe de la technique et son application dans le
cas d’une modélisation par un réseau de Petri dont le processus stochastique associé est Markovien.
Pour plus de détails sur ce travail, nous orientons les lecteurs à consulter l’article [3].

2 Technique pour un RdP stochastique (SPN et GSPN)

Etape 1. A partir du modèle RdP stochastique du système considéré, générer son graphe des mar-
quages et établir la chaîne de Markov qui lui est associée.
Etape 2. Calculer, à partir de la chaîne de Markov
& associée, la distribution des probabilités des états
en résolvant le système suivant : Π · A = 0 et π = 1 où A est le générateur de Markov du processus
stochastique associé.
Etape 3. Calculer le vecteur du potentiel de performance g tel que : g = −A♯ · f où A♯ = (A +
e · π)−1 − e · π est l’inverse généralisé de A, f = (f1 , f2 , · · · ) est une fonction indice de performance
évaluée dans chaque état du processus et e = (1, 1, · · · )T est un vecteur colonne.
∂η ∂η
Etape 4. Calculer ∂Q en utilisant l’expression suivante : ∂Q = π · Q · g où η est une fonction de
performance et Q est une matrice indiquant la direction de la perturbation.

3 Application à un atelier de production

Cette technique a été utilisée pour l’analyse de sensibilité d’un système logistique et d’un système de
production [3]. Ci-dessous une synthèse d’une application sur un atelier de production (FIG. 1) qui
366 SAGGADI, LABADI, AMODEO

sera présentée au congrès. Le système est modélisé par un RdP stochastique (SPN) et la sensibilité
de sa performance est étudiée par rapport à différents paramètres à savoir le taux de réparation et
de panne d’une machine composante du système étudié.

! + * !#.) 5 $ ! 1 ( / 2 ( 3 $ 4 5 & !6 .& 9 ( / .) #$ & !

!!! + " , - ./ $ !* ! + " , - ./ $ !0 !
' ( ) ( %!* ! ' ( ) ( %!0 !
P P
@ ! ? !
P P !
P
" #$ %%$ & ! ! * ! !%* ! + * !7 ( / , %.( / / $ ! %0 ! < ! !%< !

! P0 !
= %( , > !! ' * ! ' 0 ! + 0 ! 8 ./ !6 $ !
P 9 5( , $ &&4 &!
" / / $ ! !%; ! !!%@ !
' : 9 " 5" %.( / !
P; !
1 ( / 2 ( 3 $ 4 5&! P + * !$ / !
5 ( 6 4 .%!7 ./ " # ! 5: 9 " 5" %.( / !

P
!!!!!!!!!!!!!!!!!!!!!A %$ #.$ 5 !6 $ !9 5 ( 6 4 , %.( / ! + ( 6 B #$ !' 6 !& %( , - " & %.C 4 $ !

! !
= $ / & .) .#.%: !6 $ !#" !6 .& 9 ( / .) .#.%: !6 $ !#" !+ " , - ./ $ !+ * = $ / & .) .#.%: !6 $ !#" !6 .& 9 ( / .) .#.%: !6 $ !#" !+ " , - ./ $ !+ *
9 " 5 !5 " 9 9 ( 5 %!D !#" !2 " 5 ." %.( / !6 4 !%" 4 E !6 $ !5 : 9 " 5 " %.( / 9 " 5 !5 " 9 9 ( 5 %!D !#" !2 " 5 ." %.( / !6 4 !%" 4 E !6 $ !9 " / / $

Fig. 1. Application à l’analyse de sensibilité d’un atelier de production

4 Conclusion
Les recherches sur l’analyse de sensibilité ou l’analyse de perturbation des systèmes à événements
discrets se sont focalisées sur des approches basées sur la simulation qui sont très gourmandes en
temps de calcul. Dans ce travail, nous avons proposé une approche basée sur les réseaux de Petri
stochastiques. Cette méthode repose sur des calculs formels basés sur le processus stochastique associé
au graphe des marquages du réseau de Petri modélisant le système à étudier.

Références
1. Cao, X.R. and Wan. Y.W. : Algorithms for sensitivity analysis of Markov systems through po-
tentials and perturbation realization. IEEE, Transactions on Control Systems Technology, vol.6,
no 4, pp. 482-493. (1998)
2. Ho, Y. C and Cao, X.R. : Perturbation Analysis of Discrete event Dynamic Systems. Norwell,
MA : Kluwer. (1991)
3. Labadi, K., Saggadi, S., and Amodeo, L. : ’PSA-SPN’- A Parameter Sensitivity Analysis Method
Using Stochastic Petri Nets : Application to a Production Line System. To appear in CISA’09,
2nd Mediterranean Conference on Intelligent Systems and Automation (2009)
 Multiparametric programming to assess the completion
time sensitivity of multipurpose parallel machines

Minh Hoang LE1 , Alexis AUBRY2 , and Mireille JACOMINO1

1
Grenoble INP, G-SCOP f-3028, 46 avenue FÈlix Viallet, F-38031, Grenoble CEDEX 1 France.
Minh-Hoang.Le@bvra.etu.grenoble-inp.fr, mireille.jacomino@inpg.fr
2
CRAN, Nancy-UniversitÈ, CNRS, Boulevard des Aiguillettes F-54506 Vandœuvre lËs Nancy.
alexis.aubry@cran.uhp-nancy.fr

1 Introduction

This paper addresses multiparametric linear programming [1],[2] as an efficient tool to assess the
completion time sensitivity of the workshop of multipurpose machines [3]. Multipurpose machines are
used to model parallel machines with some technological or economical constraints that prevent some
machines to process some products. These constraints may be strictly structural inability or resulting
from strategic choice. A given multipurpose machines workshop is available to face a given global
amount of products. In this paper disturbances are taken into account through the amount of products
the workshop has to process. The amount of products is referred as the demand. The addressed
problem is to parameterize the completion time of a given workshop related to the disturbance
demand to process. Multiparametric linear programming model is used to deal with this problem
[1],[2].
Let us denote m the number of machines and n the number of product types. J = {1, m} is the set of
machines and I = {1, n} is the set of product types. The vector N models the demand, Ni being the
quantity of products of type i to be processed. The configuration of the workshop is a binary n × m
matrix S such that Si,j = 1 if and only if the machine j is able to process the product type i. Let us
denote V the speed matrix that is an n × m matrix such that Vi,j is the number of products of type
i that machine j can7 process per
8 time unit if possible. The uncertainty on the demand is assumed to
be ∆N with ∆N ∈ ∆N , ∆N . The goal is thus to parameterize the completion time according to
∆N . The completion time is the time required for the configuration S to process the whole demand
N + ∆N .

2 Problem formulation

The allocation
7 problem
8 can be depicted as follows : "Assuming S, a demand N and lower and upper
bounds ∆N , ∆N , find a production plan for which the makespan Cmax is minimum". This problem
has been formulated through the linear program of the right column of table 1. One can easily identify
this formulation to a generic linear multiparametric problem given in the middle column of table 1
[1],[2].
A solving process of the generic multiparametric problem has been depicted in [1],[2], which provides
critical areas for the uncertain parameters. The objective function is a unique piecewise affine function
over a critical area and the variables x and y are defined as linear functions related to λ. The goal of
the work presented here is to apply this method to the allocation problem to determine the makespan
as a function related to the demand variation.
368 Minh Hoang LE, Alexis AUBRY, Mireille JACOMINO

Tab. 1. Formulation

Multiparametric programming Multipurpose machines workshop

 min(Cmax )

 &m
= c.x + d.y

 R(i, j).V (i, j) = N (i) + ∆N (i) ∀i ∈ I (a)
minimize z(λ) 
 j=1
with A.x + E.y ≤ b + F.λ
Formulation x ≥ 0, &n
yi ∈ {0, 1} , 
 R(i, j) − Cmax ≤ 0 ∀j ∈ J (b)
G.λ ≤ g. 

 i=1
 (1 − S(i, j)).R(i, j) = 0 ∀(i, j) ∈ I × J (c)
R(i, j) ≥ 0 ∀(i, j) ∈ I × J (d)

Number of constraints (n + m + n.m) constraints

Continuous variables x = (x1 , x2 , ...) xn.(i−1)+j = R(i, j); xn.m+1 = Cmax ⇒ (n.m + 1)variables

Binary variables y = (y1 , x2 , ...) yi = {0, 1} y = ∅ ⇒ E = [(0)] and d = [(0)]

Uncertain parameters λ = (λ1 , ..., λs ) λi = ∆N (i), ∀i ∈ I

Given data A, b, c, d, E, F, G, g S, V, N

3 Results

Results of MPT
Let us consider the illustrative example of 4 machines and 5 products with a given configuration
) *T
matrix and the following data V = [(1)] and the expected demand N = 5 5 10 10 16 with uncer-
7 8T
tainties 0 ≤ ∆N ≤ 10 30 44 10 28 .

This example has been implemented with Multiparametric Toolbox MPT using the YALMIP solver
[4]. For unidirectional uncertainties one can exhibit solutions in 0.90s using a Pentium IV 2GHz. One
can exhibit a solution for a two variables uncertainties in 1.19s (the result is shown in figure 3), and
in 1.95s for a 5 variables uncertainties. For this last case, 17 critical areas have been highlighted.

Références

1. M. H. Le. Prise en compte des incertitudes dans une approche proactive/rÈactive pour la gestion
d’Ènergie dans le b‚timent. Rapport de Master. Grenoble INP. (2008)
2. T. Gal. Postoptimal Analyses, Parametric Programming and Related Topics. 2nd edn. Walter de
Gruyter. (1995)
 Multiparametric linear programming to assess completion time sensitivity 369

3. A. Aubry, A. Rossi, M. Jacomino. Senesitivity analysis for the configuration of a multipurpose

machines workshop. in proc of 17th IFAC World Congress, 15831-15836. Seoul, Korea. (2008)
4. M. Kvasnica, P. Grieder and M. Baoti. Multiparametric Toolbox (MPT).
http ://control.ee.ethz.ch/ mpt/. (2004)
 Comparaison d’algorithmes de décomposition
Application à la gestion de production

Alice Chiche1

EDF R&D - Département OSIRIS 1, avenue du Général de Gaulle, 92141 Clamart Cedex France.
INRIA Rocquencourt - Projet ESTIME BP 105 F-78153 Le Chesnay France.
alice.chiche@edf.fr

Le problème à résoudre L’objectif principal d’EDF est de maintenir à chaque instant un

équilibre entre l’offre et la demande des consommateurs d’électricité, cela à moindre coût et en
respectant plusieurs contraintes physiques liées à l’utilisation des différents types de centrales du
parc français.
Cet équilibre dépend d’un certain nombre d’aléas (liés par exemple à des variations climatiques) que
l’on représente par un arbre de scénarios. On minimise alors sur cet arbre l’espérance du coût total
de production d’électricité (en affectant à chaque nœud de l’arbre une probabilité d’occurence).

Les approches classiques de résolution du problème Les approches couramment utilisées

pour résoudre un problème d’équilibre offre-demande reposent généralement sur des techniques de
relaxation Lagrangienne, qui consistent à décomposer ce problème en autant de sous-problèmes que
de moyens de production considérés.
Cette stratégie de résolution présente néanmoins plusieurs inconvénients. D’une part, la solution
optimale - calculée en concaténant les solutions des sous-problèmes issus de la relaxation Lagrangienne
- ne fournit pas en général une solution admissible du point de vue de la contrainte d’équilibre offre-
demande. D’autre part, le nombre de scénarios considérés est restreint du fait de son impact sur la
taille des sous-problèmes que l’on résout.

Une alternative : la décomposition scénarios par scénarios Pour palier les inconvénients
cités ci-dessus, une approche différente de résolution est proposée, qui consiste à relaxer la contrainte
de non-anticipativité, qui couple quant à elle les variables de décision à travers les scénarios.
Une telle approche est permise par la forme, naturellement additive vis à vis des scénarios, du critère
que l’on souhaite minimiser. Elle offre par ailleurs l’avantage d’autoriser l’utilisation de techniques
performantes pour la résolution numérique des sous-problèmes considérés, tout en assurant la non-
anticipativité de la commande finale, c’est-à-dire la satisfaction de la contrainte de l’équilibre offre-
demande.

Présentation des méthodes étudiées Nous nous sommes intéressés à deux méthodes de
décomposition Lagrangienne :
– Une décomposition proximale ([1]) : Après duplication de la variable représentant la commande, la
"contrainte de duplication" est relaxée et pénalisée, et l’on minimise séquentiellement le Lagrangien
augmenté résultant. La variable duale est mise à jour à l’aide de la projection orthogonale de la
solution sur l’espace des solutions réalisables.
– Le principe du problème auxiliaire ([2]) : Après relaxation et pénalisation de la contrainte couplante,
le Lagrangien augmenté résultant est linéarisé, ce qui permet de le minimiser scénario par scénario.
La variable duale est mise à jour par pas de gradient, avec un coefficient fixe.
 Comparaison d’algorithmes de décomposition 371

Tests numériques effectués Nous avons tout d’abord étudié le comportement des deux algo-
rithmes en fonction de l’évolution des paramètres qui leurs sont associés.1 Nous avons ainsi tracé,
pour chaque méthode considérée, et pour des problèmes de différentes tailles (dont on augmentait le
nombre de scénarios ou la durée de la période d’étude), deux courbes ayant pour abscisse le para-
mètre que l’on cherchait à fixer, et pour ordonnées respectives l’erreur relative du résultat obtenu et
le nombre d’itérations nécessaires à la convergence. Nous en avons ainsi conclu que le paramétrage
du principe du problème auxiliaire était le plus sensible à l’évolution de la taille du problème. Nous
avons également constaté que le nombre de scénarios influait peu sur le réglage des paramètres de la
décomposition proximale.
Nous avons également comparé les deux méthodes en termes de précision et de vitesse sur des
problèmes dont nous avons fait évoluer la taille en augmentant successivement le nombre de scénarios,
puis la durée de la période d’étude. Nous avons alors constaté que que la rapidité de l’algorithme issu
du principe du problème auxiliaire était fortement conditionnée par la durée de la période d’étude
(soit de la taille des sous-problèmes). Qui plus est, les résultats fournis par les deux algorithmes
étaient comparables en termes de précision pour toutes les tailles de problèmes étudiés.

Conclusion de l’étude Si l’on souhaite choisir une méthode de résolution, parmi les deux étudiées,
il conviendra de s’adapter à la taille du problème. Ainsi, dans le cadre d’un problème se déroulant sur
une période d’étude assez longue, l’algorithme le plus approprié sera celui du principe du problème
auxiliaire, tandis que la décomposition proximale s’avèrera plus adapté à un problème comportant
de nombreux scénarios.

Références
1. LENOIR, Arnaud : Modèles et algorithmes pour la planification de production à moyen terme
en environnement incertain : Application de méthodes de décomposition proximale. Mémoire de
doctorat (2008)
2. COHEN, Guy : Optimisation des grands systèmes. Cours ENSTA (2006)

1
Les résultats de référence étaient fournis par une résolution frontale sur l’arbre.
 Optimisation de placement de publicité internet par
l’algorithme des bandits manchots

Antoine Jeanjean, Bruno Martin

Bouygues e-lab, Paris.

{ajeanjean,bmartin}@bouygues.com

Dans cette note, nous abordons un problème réel d’optimisation du placement de publicité sur in-
ternet. Il s’agit à tout instant de choisir les produits à placer dans des espaces publicitaires étiquetés
"Shopping Box" sur les sites du groupe TF1. Chaque mois, plusieurs centaines de millions de blocs de
publicité s’affichent au sein d’une rubrique, pour un créneau horaire d’un jour de la semaine. Chaque
bloc est constitué de 2 ou 3 produits à sélectionner parmi la liste de plusieurs dizaines de milliers de
produits disponibles appartenant à une centaine d’annonceurs.

L’offre commerciale proposée aux annonceurs est de deux types : une offre avec paiement au clic et
une offre avec paiement à l’affichage. L’objectif de ce problème d’optimisation, qu’on peut qualifier
d’"online optimization problem", est de répondre à une demande d’affichage de publicité en choisissant
à tout instant un produit, qui satisfait au mieux 3 objectifs : maximiser la probabilité que l’affichage
de ce produit dans cet affichage se solde par un clic, minimiser le nombre de produits en retard sur
leur objectif d’affichages et minimiser le nombre d’annonceurs en retard sur leur taux de clics objectif.

L’analyse statistique d’un historique de plusieurs mois de données a mis en évidence les facteurs
clés agissant sur le taux de clics des internautes. Les critères retenus sont les suivants : le jour
de la semaine, le créneau horaire dans la journée, la catégorie du produit (par exemple : voyage,
vêtement, cosmétique...), sa gamme de prix et la rubrique du site internet (par exemple : vidéos,
information, mode...). Pour chacun de ces critères, les résultats montrent des variations importantes
de la probabilité de clics. Le taux de clics et le nombre d’affichage sont fortement corrélés : plus le
nombre d’affichages augmente, plus le taux de clics diminue. Ce comportement s’explique par une
augmentation de la probabilité qu’un internaute ait déjà vu cette publicité. Dans le même temps,
l’augmentation du nombre d’affichages permet de diminuer l’incertitude sur le taux de clics.

Pour résoudre ce problème d’optimisation multi-critère de placements de publicité, nous avons conçu
un algorithme de type UCB (Upper Confidence Bound) [2] en y ajoutant des limites supplémentaires,
en se basant sur le problème connu dans la littérature sous le nom des bandits manchots [1,3].

Ce problème considère un joueur qui dispose de X jetons qu’il souhaite jouer dans N machines à
sous ayant chacun une probabilité de gain différente p(i). Les probabilités de chaque machine sont
inconnues au début de la partie. Le joueur souhaite maximiser ses gains. Il s’agit de déterminer la
meilleure stratégie à adopter ? Après une phase d’initialisation, l’algorithme UCB1 consiste à corriger
des probabilités maximales de réussite. Ces probabilités sont calculées par le recueil d’expériences
passées mais aussi en appliquant une correction logarithmique permettant de prendre en compte l’in-
certitude sur l’écart entre le mesuré et le réel. L’incertitude est d’autant plus grande que le nombre
de tirages est faible (d’o˘ l’utilisation d’une fonction logarithmique).

Trois facteurs correctifs permettent ici d’améliorer les résultats et d’éviter certaines dérives de l’algo-
rithme : un facteur correctif sur le taux de clic cible, afin de prendre en compte la valeur des clics, et
donc de se focaliser non pas sur l’espérance de clic mais sur l’espérance de gain associée. Le deuxième
 Algorithme pour l’optimisation de publicité internet 373

facteur applique un pourcentage sur la probabilité maximum de chaque produit, afin de prendre en
compte l’information sur la période de la journée et le jour de la semaine de la demande d’affichage.
Enfin, un troisième paramètre permet de favoriser/ralentir les affichages des produits des annonceurs
en retard/avance sur leur objectif.

Références
1. Lai, T. L. (1987). Adaptive treatment allocation and multi-armed bandit problem. In Annals of
Statistics 15(3), 1091-1114.
2. P. Auer, N. Cesa-Bianchi, Y. Freund, and R. E. Schapire (2002). The nonstochastic multiarmed
bandit problem. SIAM Journal on Computing 40(4), 32(1) :48-77, 2002.
3. J. C. Gittins. (1989). Multiarmed Bandits Allocation Indices. Wiley, New York.
 Trois jeux d’arbre couvrant pour agents individualistes

Laurent Gourvès et Jérôme Monnot

LAMSADE, CNRS et Université Paris-Dauphine, 75775 Paris Cedex 16, France.

{laurent.gourves, monnot}@lamsade.dauphine.fr

1 Introduction

Jusqu’à quel degré d’inefficacité des agents individualistes peuvent utiliser un ressource qui leur est
commune ? Cette question est centrale en informatique car les réseaux, constituant une plateforme
aujourd’hui incontournable, sont souvent régis de faÁon non centralisée par différents acteurs aux
intérêts parfois divergeants.
Dans des articles récents ([1,2,1,4] parmi d’autres), la situation est modélisée à l’aide d’un jeu stra-
tégique. Un jeu stratégique est un triplet 9N, (Si )i∈N , (ui )i∈N : où N est l’ensemble des joueurs alors
que Si et ui sont respectivement l’ensemble des stratégies du joueur i et sa fonction d’utilité. Les
joueurs sont supposés individualistes et rationnels. Chacun choisit une stratégie qui, en fonction de
la stratégie adoptée par les autres joueurs, lui permet de maximiser sa propre utilité.
Dans ce travail, nous étudions trois versions d’un jeu non coopératif d’arbre couvrant ("selfish span-
ning tree game" ou sst) notés respectivement min sst, max sst et bottleneck sst. Le jeu sst est
défini sur un graphe complet G = (V, E) où chaque arête e ∈ E possède un poids positif w(e). Tout
sommet, mis à part un nœud source spécifique noté r, est contrôlé par un joueur individualiste.
Les joueurs veulent être connectés à r soit directement, soit par l’intermédiaire d’autres joueurs eux
même connectés à r. Pour min sst (resp. max sst), l’utilité d’un joueur est l’opposé du poids (resp.
le poids) de la première arête de l’unique chemin entre ce dernier et r. Pour bottleneck sst, l’utilité
d’un joueur est le poids minimum des arêtes constituant le chemin entre ce dernier et r.

2 Applications

Le jeu sst est motivé par deux situations : lorsque le sommet source r envoie un message à tous les
joueurs ("one-to-all") et lorsque chaque joueur envoie une requête à r ("all-to-one"). Pour min sst,
le poids d’une arête peut représenter son coût. Si chaque nœud paie le prix de l’arête par laquelle
l’information lui parvient alors le coût global du réseau est totalement couvert. Dans ce cas, chaque
joueur souhaite recevoir le message au plus petit prix.
Une autre application de min sst concerne la limitation de la consommation électrique dans les
réseaux sans fil statiques. Le poids d’une arête représente sa longueur. La puissance nécessaire à
l’envoi d’un message vers un sommet distant croît avec cette distance. Ainsi chaque nœud souhaite
consommer le moins d’énergie possible pour envoyer ses requêtes.
Pour max sst, le poids d’une arête représente sa fiablité : plus le poids d’un arête est grand, moins le
message le traversant est entâché d’erreurs. Ainsi, il est dans l’intérêt de tout joueur de choisir le lien
le plus fiable par lequel provient l’information afin de perdre le moins de temps possible à le réparer.
Pour le bottleneck sst, le poids d’une arête représente sa bande passante libre. Dans les communica-
tions "one-to-all", le débit en un sommet dépend du débit en tout nœud intermédiaire, i.e. il est limité
par l’arête de plus petite bande passante. Par conséquent, tout joueur de bottleneck sst cherche à
maximiser son propre débit.
 Trois jeux d’arbre couvrant pour agents individualistes 375

3 Approche et contribution
Les joueurs de sst peuvent ne pas atteindre un optimum social de façon spontanée car leurs déci-
sions non concertées ainsi que leurs intérêts parfois conflictuels risquent d’engendrer des performances
globales sous-optimales. La problématique essentielle de ce travail est de quantifier cette perte d’ef-
ficacité. Pour cela, nous étudions le prix de l’anarchie ("price of anarchy" ou PoA) [5] ainsi que le
prix de l’anarchie fort ("strong price of anarchy" ou SPoA) [2] de sst. Ces deux mesures font appel à
deux concepts majeurs en Théorie des jeux – l’équilibre de Nash et l’équilibre fort – pour quantifier
la détérioration des performances globales dues aux comportements individualistes des joueurs.
Nous montrons que tout équilibre de Nash du jeu min sst est un équilibre fort (la preuve fonctionne
aussi pour max sst). Comme PoA=SPoA dans ce cas nous n’étudions que le PoA du min sst. Il
est d’abord montré que le PoA de min sst est, en général, non borné. Ainsi nous nous restreignons
aux instances satisfaisant l’inégalité triangulaire. Sous cette hypothèse standard, nous montrons que
PoA∈ Θ(log n) et PoA≤ d∗ où n est le nombre de joueurs (i.e., n = |N | = |V | − 1) et d∗ est
la profondeur (nombre d’arêtes du plus long chemin feuille-racine) de l’arbre induit par l’optimum
social. De plus nous bornons le PoA vis à vis d’une fonction de bien-être social modifiée, motivée par
un critère de consommation électrique pour des problèmes de communication dans des réseaux sans
fil. Le PoA de max sst et bottleneck sst sont étudiés sans que l’hypothèse d’inégalité triangulaire
soit imposée. Pour le premier jeu, nous montrons que PoA= 1/∆∗ où ∆∗ est le degré maximum d’un
sommet joueur (i.e. tous les sommets sauf r) dans l’arbre induit par un optimum social . Pour le cas
bottleneck, nous montrons que tout équilibre de Nash est un optimum social (PoA= 1), impliquant
que tout équilibre de Nash est un équilibre fort.

Références
1. S. Albers, On the value of coordination in network design, In Proc. of SODA 2008, pp. 294-303,
2008.
2. N. Andelman, M. Feldman and Y. Mansour, Strong price of anarchy, In Proc. of SODA 2007, pp.
189-198, 2007.
3. E. Anshelevich, A. Dasgupta, J. M. Kleinberg, É. Tardos, T. Wexler and T. Roughgarden. The
Price of Stability for Network Design with Fair Cost Allocation, In Proc. of FOCS 2004, pp.
295-304, 2004.
4. A. Fabrikant, A. Luthra, E. N. Maneva, C. H. Papadimitriou and S. Shenker, On a network
creation game, In Proc. of PODC 2003, pp. 347-351, 2003.
5. E. Koutsoupias and C. H. Papadimitriou, Worst Case Equilibria. In Proc. of STACS 1999, LNCS
1563, pp. 404-413, 1999.
 Reformulation du Problème du Sac à Dos Bi-Niveaux

R. Mansi, S. Hanafi and L. Brotcorne

LAMIH-ROI, Université de Valenciennes, France.

(Raid.Mansi,Said.Hanafi , Luce.Brotcorne)@univ-valenciennes.fr

Un problème à deux niveaux permet de modéliser un processus de décision hiérarchisé entre deux
agents : le premier, appelé meneur (premier niveau), fixe sa décision tenant compte de la réaction
d’un deuxième agent, appelé le suiveur (deuxième niveau). Les problèmes à deux niveaux ont été le
sujet de nombreuses études d’un point de vue théorique et pratique ([3]). Ces problèmes sont généra-
lement très difficiles à résoudre, principalement parce qu’ils sont non convexes et non différentiables.
Beaucoup d’attention a été consacrée au cas où les deux fonctions objectifs sont linéaires et les va-
riables continues. Même dans cette situation, l’obtention d’une solution optimale est un problème
fortement NP difficile [5].
Dans cette communication nous étudions et proposons une méthode hybride de résolution pour un
problème de sac à dos à deux niveaux (GBKP). Le problème GBKP est un problème plus général que
celui du sac ‡ dos bi-niveaux considéré dans [4] et [2]. Il est caractérisé par des variables en nombres
entiers pour le meneur et le suiveur, une contrainte de sac à dos au deuxième niveau et des contraintes
linéaires générales au premier niveau. Ces dernières contraintes compliquent la résolution du problème
car elles peuvent engendrer un ensemble de solutions réalisables pour le meneur discontinu ou vide.
GBKP est défini par :

(GBKP) max f 1 (x, y) = d1 x + d2 y

s. t. A1 x + A2 y ≤ B
1
x ∈ Nn
2
y ∈ argmax{f 2 (y ′ ) = c2 y ′ : a1 x + a2 y ′ ≤ b, y ′ ∈ N n }

Les vecteurs a1 et d1 (resp. c, a2 et d2 ) sont de dimension n1 (resp. n2 ), la matrice A1 (resp.

A2 ) est de dimension m × n1 (resp. m × n2 ) et le vecteur B est de dimension m. Le vecteur x
(resp. y) de dimension n1 (resp. n2 ), désigne les variables de décision du meneur (resp. suiveur). La
fonction objectif du meneur (resp. suiveur) est notée f 1 (x, y) (resp. f 2 (x, y)). Nous supposons que
les coefficients des vecteurs c, a1 , a2 et le second membre b sont des entiers positifs.
GBKP peut être résolu en appliquant des algorithmes génériques connus pour résoudre des pro-
grammes à deux niveaux en nombres entiers mixtes comme l’algorithme proposé par [1] et [7]. Ce-
pendant, les algorithmes génériques ne permettent pas de résoudre des instances de taille moyenne
ou grande, ce qui rend crucial le développement de méthodes de résolution basées explicitement sur
la structure de sac à dos du problème du suiveur ([4] et [2]).
Nous proposons une nouvelle méthode exacte pour résoudre efficacement le problème GBKP. Cet
algorithme est composé de deux phases. Dans la première nous considérons seulement le problème
du suiveur ignorant les ressources consommées par le meneur. Nous appliquons la programmation
dynamique [6] pour obtenir l’ensemble de toutes les solutions réalisables non-dominées du problème
du suiveur. Cette phase génère l’ensemble Ω = {(ĉi , âi ) : i = 0, . . . , b} où , ĉi = cy i et âi = ay i avec
cy i = max{cy : a2 y ≤ i}. Notons que ces solutions sont triées par ordre croissant par rapport à la
capacité consommée du sac à dos et du profit du suiveur.
Dans la deuxième phase, nous proposons une reformulation équivalente du problème GBKP sous
forme d’un programme linéaire en nombres entiers (IPGBKP ) où la région réalisable est définie par
Ω. Notons que les intervalles [â0 , â1 [, [â1 , â2 [, . . . , [âp , b + 1[ définissent les intervalles de sensibilité
pour les capacités résiduelles b − a1 x . Si b − a1 x ∈ [âi , âi+1 [, où x est l’action du meneur, alors la
 Problème du sac à dos bi-niveaux 377

réaction y du suiveur doit respecter les deux conditions cy = ĉi et a2 y ∈ [âi , b − a1 x]. Notre objectif
dans cette deuxième phase est d’exprimer l’interaction entre une décision du meneur et la réaction
du suiveur.

IP(GBKP) max f 1 (x, y) = d1 x + d2 y (1)

1 2
s.t. A x + A y ≤ B (2)
a1 x + a2 y ≤ b (3)
p
%
a1 x + âi+1 z i ≥ b + 1 (4)
i=0
p
%
cy = ĉi z i (5)
i=0
p
%
zi = 1 (6)
i=0
1 2
x ∈ N n , y ∈ N n , z ∈ {0, 1}p+1 (7)

Les contraintes (2) et (3) sont les contraintes de réalisibilité du meneur et du suiveur. La contrainte
(4) assure que l’intervalle choisi est compatible avec l’action du meneur x. Notons que âp+1 = b + 1.
(5) exige que la valeur de la fonction objectif du suiveur soit égale à la valeur optimale associée à
l’intervalle compatible. Enfin la contrainte (6) assure qu’un seul intervalle soit choisi. Des résultats
numériques sont présentés pour montrer l’efficacité de notre méthode.

Références
1. Bard J.F., Moore J.T. (1992), An Algorithm for the Discrete Bilevel Programming Problem, Naval
Research Logistics 39, 419-435.
2. Brotcorne L, Hanafi S, Mansi R. (2008), Dynamic programming for the Bilevel Knapsack problem,
accepted for publications in OR letters.
3. Colson B., Marcotte P., Savard G.(2005), Bilevel Programming, A survey, 4OR 3, 87-107.
4. Dempe S., Richter K. (2000), Bilevel Programming with Knapsack Constraints, Exchange Euro-
pean News paper of Operations Research. 8, 93-107.
5. Hansen P., Jaumard B. and Savard G. (1992), New branch-and-bound rules for linear bilevel
programming, SIAM Journal on Scientific and Statistical Computing, 13, 1194-1217.
6. Martello S., Toth P. (1990), Knapsack Problems Algorithms and Implementations Computer, John
Wiley & Sounds.
7. Moore J. T., Bard J.F. (1990), The Mixed Integer Linear Bilevel Programming Problem, Opera-
tions Research 38, 911-921.
 Problème d’affectation entre plusieurs organisations

Laurent Gourvès1 , Jérôme Monnot1 et Fanny Pascual2

1
LAMSADE, CNRS et Université Paris-Dauphine, 75775 Paris Cedex 16, France.
{laurent.gourves, monnot}@lamsade.dauphine.fr
2
LIP6, Université Pierre et Marie Curie, 104 avenue du Président Kennedy, 75016 Paris, France.
fanny.pascual@lip6.fr

1 Introduction

Nous étudions une situation dans laquelle plusieurs organisations ont chacune un ensemble de clients
qui fournissent ou demandent chacun un produit. Chaque organisation a un profit proportionnel
au montant des transactions qu’elle traite, et peut soit effectuer des transactions entre ses propres
clients, soit effectuer des transactions avec une autre organisation (le profit d’une transaction entre
deux organisations est alors partagé entre celles-ci). Le montant d’une transaction peut être sous
forme monétaire ou bien représenter la satisfaction des deux clients impliqués dans la transaction.
Notre but est de retourner une affectation acheteurs/vendeurs qui maximise le montant total des
transactions effectuées, tout en respectant le fait qu’une organisation ne doit pas faire moins de profit
dans la solution retournée que si elle avait effectué des transactions entre ses clients uniquement.

Le problème d’affectation multi-organisations. On considère un graphe biparti G = (B, S; E; w)

et q ensembles (appelés organisations) O1 , . . . , Oq formant une partition de B ∪ S. Chaque acheteur
(resp. vendeur) est représenté par un sommet de B (resp. S), E ⊆ B × S représente les transac-
tions possibles et w : E → R+ représente les montants de ces transactions. On note Bi = B ∩ Oi
et Si = S ∩ Oi . Un ensemble M ⊆ E est une affectation (ou un couplage) si chaque sommet de
(B, S; M ; w) a un degré d’au plus un. Soient ps et pb deux nombres rationnels positifs tels que
ps + pb = 1. Ici ps (resp. pb ) représente la proportion du coût de la transaction donnée à l’organisa-
tion du vendeur (resp. de l’acheteur)3 . On suppose sans perte de généralité que pb ≤ ps . Le profit de
l’organisation Oi dans M , que l’on note wi (M ), est alors défini de la façon suivante :
% %
wi (M ) = pb w([b, s]) + ps w([b, s])
{[b,s]∈M : (b,s)∈Bi ×S} {[b,s]∈M : (b,s)∈B×Si }

On note M̃i le couplage maximum du sous-graphe de G induit par Oi . Le problème d’affectation

multi-organisations (noté amo) consiste à trouver un couplage de poids maximum M de G tel que
wi (M ) ≥ wi (M̃i ) pour tout i ∈ {1, . . . , q}.

État de l’art. AMO est une variante du célèbre problème d’affectation (voir [3] pour un état de l’art
de ce problème). En plus de sa structure combinatoire, AMO fait intervenir des organisations aux
intérêts divergents : la coopération entre ces organisations peut augmenter grandement la qualité de
la solution obtenue, mais une solution sera réalisable uniquement si elle ne va pas contre un intérêt
local. Ceci se rapproche du domaine de la théorie des jeux non coopératifs, et plus spécialement de
la notion de prix de la stabilité [1] dans laquelle on s’intéresse à la qualité de la meilleure solution
acceptable par tous les acteurs du système.
3
Ainsi s désigne le vendeur (seller) et b l’acheteur (buyer)
 Problème d’affectation entre plusieurs organisations 379

2 Contribution
Complexité. Nous avons montré que le problème AMO est NP-difficile au sens fort dans le cas
général, et qu’il est NP-difficile même dans le cas où il n’y a que deux organisations.
Dans le cas où toutes les transactions possibles ont le même coût (i.e. w([i, j]) ∈ {0, 1} pour tout
(i, j) ∈ B × S), le problème peut être résolu en temps polynomial. Pour cela il suffit de partir du
couplage M̃ = ∪i={1,...,q} M̃i (i.e. du couplage maximum du graphe dans lequel on a retiré les arêtes
partagées entre deux organisations), puis d’augmenter la taille du couplage grâce à des chemins
alternés augmentants, tant que cela est possible. Le couplage obtenu est alors maximum et respecte
les contraintes du problème.
Approximation. Soit APPROX l’algorithme qui consiste à chercher un couplage de poids maximum
dans le graphe G dans lequel on a auparavant multiplié par pb le poids de chaque arête reliant deux
sommets d’organisations différentes. Cet algorithme retourne une solution réalisable de AMO et il
est pb -approché. Lorsque le nombre d’organisations est au moins égal à trois, nous avons montré qu’il
est NP-difficile d’obtenir un algorithme (pb + ε)-approché pour tout ε > 0. Ce résultat est obtenu en
utilisant une gap-réduction.

3 Généralisations et conclusion
On propose maintenant d’introduire un degré d’"altruisme" dans le problème : afin de rendre possible
une amélioration globale de la solution, une organisation Oi acceptera le couplage proposé si cela ne
divise pas son profit d’un facteur supérieur à x (x étant fixé). Le problème consiste alors à trouver le
couplage de poids maximum M tel que pour toute organisation Oi , wi (M ) ≥ wi (M̃i )/x. En adaptant
légèrement les preuves de AMO, on montre que ce problème est NP-difficile au sens fort pour tout
x < p1b , et que l’algorithme APPROX (dans lequel on multiplie le poids des arêtes partagées par
x pb ) est (x pb )-approché.
De plus si ps = pb = 12 , les résultats énoncés ci-dessus dans le cas d’un graphe biparti sont également
valables pour tout graphe.
Le problème AMO consiste à augmenter le plus possible le profit moyen des organisations. Il serait in-
téressant d’introduire des facteurs d’équité, par exemple pour retourner des solutions qui augmentent
le plus également possible le profit de toutes les organisations.

Références
1. E. Anshelevich, A. Dasgupta, J. M. Kleinberg, É. Tardos, T. Wexler et T. Roughgarden : The
Price of Stability for Network Design with Fair Cost Allocation. Proc. of FOCS 2004, pp. 295-304.
2. M. R. Garey et D. S. Johnson : Computers and Intractability : A Guide to the Theory of NP-
Completeness. W. H. Freeman and Company, New York, (1979).
3. D. W. Pentico : Assignment problems : A golden anniversary survey. EJOR, vol. 176, pp. 774-793,
(2007).
 Convex relaxations for quadrilinear terms

S. Cafieri1 , J. Lee2 , and L. Liberti1

1
LIX, École Polytechnique, Palaiseau, France {cafieri,liberti}@lix.polytechnique.fr
2
Dept. of Mathematical Sciences, IBM T.J. Watson Research Center, N.Y., USA
jonlee@us.ibm.com

1 Introduction
Branch and Bound based global optimization methods, applied to formulations involving multi-
variate polynomials, rely on convex envelopes for the lower bound computation (see, e.g., [1]).
Convex/concave envelopes in explicit form currently exist for concave/convex univariate functions
[8], bilinear terms [6], trilinear terms [7], univariate monomials of odd degree [5] and fractional terms
[9]. The multivariate monomial of smallest degree for which the convex envelope is not known is the
quartic one. In particular, the focus of this work is the quadrilinear term x1 x2 x3 x4 , for which we
derive three convex relaxations and computationally analyze their relative tightness.

2 Computational assessment
The idea for deriving convex relaxations is that given a sufficiently rich set of “elementary” convex
envelopes, one can compose convex relaxations (albeit not envelopes) of complex functions. For
example, given two functions f (x), g(x) for which the convex/concave envelopes are available, a
convex relaxation for the product f (x)g(x) can be obtained by applying the bilinear convex envelope
to the product w1 w2 , where the necessary “defining constraints” w1 = f (x), w2 = g(x) can be replaced
by the convex/concave envelopes of f, g. This strategy, however, yields sometimes non-unique ways
of combining terms, due to the associativity of the product. Given a quadrilinear term x1 x2 x3 x4 , we
consider the following three types of term grouping :

((x1 x2 )x3 )x4 , (x1 x2 )(x3 x4 ), (x1 x2 x3 )x4

and we derive three corresponding linear convex relaxations for x1 x2 x3 x4 . Let us consider :

S1 = {(x, w) ∈ R4 × R3 | xi ∈ [xL U
i , xi ], w1 = x1 x2 , w2 = w1 x3 , w3 = w2 x4 },

S2 = {(x, w) ∈ R4 × R3 | xi ∈ [xL U
i , xi ], w1 = x1 x2 , w2 = x3 x4 , w3 = w1 w2 },

S3 = {(x, w) ∈ R4 × R2 | xi ∈ [xL U
i , xi ], w1 = x1 x2 x3 , w2 = w1 x4 }.

We exploit a bilinear envelope thrice for the first two cases and a trilinear envelope and a bilinear
envelope in the latter case. The comparison among the considered relaxations is made in terms of the
volume of the corresponding enveloping polytopes. We use the volume of the enveloping polytopes
rather than the bound value because the latter would depend on an objective function being explicitly
given. Because exploiting envelopes for bilinear and trilinear terms leads to an increased number of
variables, so that the obtained polytopes belong to R7 in the first two cases and R6 in the latter case,
we project the polytopes onto R5 in order to compare the results.
Our computational experiments, carried out on a set of instances generated by varying the signs
of the bounds and the widths of the ranges of the variables, show that in 70% of the cases the
grouping (x1 x2 x3 )x4 yields tightest bounds. However, other cases sometimes provide better results.
 Convex relaxations for quadrilinear terms 381

These results are important especially in view of the fact that the traditional grouping used by sBB
algorithms is ((x1 x2 )x3 )x4 [2]. Moreover, we get a significant indication of the dependence of the
relaxation strenght on signs and width of input bounds. This suggests that sBB solvers could be
configured to adjust the relaxation procedure automatically in function of the input bounds.

3 Applications to known problems

We applied the obtained results to some well-known problems, namely the Molecular Distance Geo-
metry Problem (MDGP) [3] and the Hartree-Fock Problem (HFP) [4]. Both problems, when cast in
their mathematical programming formulation, are nonconvex polynomial NLPs with terms of degree
up to four. Both can be solved by means of the sBB algorithm. The natural application of tight
lower bounds computed through a convex relaxation is within the sBB algorithm. In order to quickly
assess the quality of our proposed alternative bound for quadrilinear terms on the MDGP and HFP
without having to implement a full sBB framework, we implemented a simplified “partial sBB” algo-
rithm which, at each branching step, only records the most promising node and discards the other,
thus exploring a single branch up to a leaf. The obtained results suggest that the selection of the
relaxation type can strongly influence the overall performance of a sBB algorithm when applied to
problems containing quadrilinear terms, so that a significant improvement in such an algorithm could
potentially be obtained by a judicious selection of the relaxation based on the variable bounds.

Références
1. Adjiman, C.S., Dallwig, S., Floudas, C.A., Neumaier, A. : A global optimization method, αBB, for
general twice-differentiable constrained NLPs : I. Theoretical advances, Computers & Chemical
Engineering, 22(9) :1137–1158, 1998.
2. Belotti, P., Lee, J., Margot, F., Wachter, A. : Branching and Bounds tightening techniques for
non-convex MINLP, Optimization Online, n.2059, 2008.
3. Lavor, C., Liberti, L., Maculan, N. : Molecular distance geometry problem, In : Encyclopedia of
Optimization, C. Floudas and P. Pardalos (Eds.), 2nd edition, Springer, NY, 2305–2311, 2009.
4. Lavor, C., Liberti, L., Maculan, N., Chaer Nascimento, M.A. : Solving Hartree-Fock systems
with global optimization metohds. Europhysics Letters, 5(77) :50006p1–50006p5, 2007.
5. Liberti, L. and Pantelides, C.C. : Convex envelopes of monomials of odd degree, Journal of Global
Optimization, 25 :157–168, 2003.
6. McCormick, G.P. : Computability of global solutions to factorable nonconvex programs : Part I
— Convex underestimating problems, Mathematical Programming, 10 :146–175, 1976.
7. Meyer, C.A. and Floudas, C.A. : Trilinear monomials with mixed sign domains : Facets of the
convex and concave envelopes, Journal of Global Optimization, 29 :125–155, 2004.
8. Smith, E.M.B. : On the Optimal Design of Continuous Processes, PhD thesis, Imperial College
of Science, Technology and Medicine, University of London, October 1996.
9. Tawarmalani, M. and Sahinidis, N. : Convex extensions and envelopes of semi-continuous func-
tions, Mathematical Programming, 93(2) :247–263, 2002.
About the direct support method in linear programming

Sonia Radjef1 and Mohand Ouamer Bibi2

1
Département de Mathématiques, Faculté des sciences, Université USTO d’Oran, Algérie.
soniaradjef@yahoo.fr
2
Département de Recherche opérationnelle, Laboratoire LAMOS, Université de Béjaia, Algérie .
mohandbibi@yahoo.fr

The great early success of mathematical programming was the devlopment of the simplex method by
George Dantzig and co-workers Orden and Wolfe [4] for the solution of linear programming problems.
The method was originally developed for hand calculation but was easily adapted for use on digital
computers, for which the revised simplex method is normally used. Since then, many extensions and
refinements have been developed for the method. One of the most important developments have been
a class of techniques known in general terms as sparse matrix techniques. In recent years there have
been alternative linear programming algorithms proposed most notably that of Karmakar [9]. An
other class of methods in linear programming is that of active set methods [5,8]. In spite of all this,
the simplex method is well worth studying, so the revised one and its close variants are still the most
popular.
But in the process of solution of linear problems in optimal command, it is shown that the simplex
method is unsuited, so the necessity to develop the adaptive methods by Gabasov and Kirillova [6,7]
which are intermediate between the methods of activation constraints and those of the interior points.
Based on these adaptive methods, Gabasov and Kirillova developed the direct support method to
solve linear programs with nonnegative decision variables or with bounded decision variables. Our
proper contribution consists on to extend this method to solve the linear program with the two types
of variables : the nonnegative variables and the bounded variables.
This method has the advantage of handling the bounds of the decision variables as they are initially
presented. This is very significant for the post-optimal analysis in linear programming and to accu-
rately characterize the bang-bang property of an optimal command during the optimization of the
linear dynamic systems with linear or quadratic criteria.
The other particularity is the fact that is equipped with a stop criterion which can give an approxi-
mate solution known as ǫ-optimal solution with a selected precision ǫ ≥ 0.
Starting with an initial support feasible solution (to be defined below) composed by one feasible
solution and one nonsingular matrix, then each iteration of the method consists in finding a direction
and a step along with it in order to increase the value of the objective function.
The linear programs studied by R. Gabassov and F.M. Kirillova are from the following canonical
forms :

z(x) = ct x −→ max, Ax = b, x ≥ 0,
and
z(x) = ct x −→ max, Ax = b, d− ≤ x ≤ d+ .
Our contribution consists to extend this method to solve a program from the following canonical
forms :

z(x, y) = ct x + kt y −→ max, (1)

Ax + Hy = b, (2)
− +
d ≤x≤d , (3)
y ≥ 0, (4)
 About the direct support method in linear programming 383

where c and x are nx -vectors, k and y are ny -vectors, b a m-vector, A a m × nx -matrix, H a

m × ny -matrix, with rank(A|H) = m < nx + ny ; d− and d+ are nx -vectors.
The linear problem (1)-(4) is of particular interest as it serves to test the efficiency of the extreme
points in solving the multiple objective linear program with bounded decision variables. Besides, the
linear program considered and of the direct support method applied to its solution are of their own
interests in linear programming since, as a matter of fact, the studied linear program can be applied
to solve an optimization linear problem with variables which are either real or integers. It can further
be exploited to find a feasible initial solution in an algorithm of resolution of a quadratic problem.
Accordingly, this algorithm proves to be effective in the process of resolution of linear problems of
optimal command, where it is shown that the simplex method is unsuited.
Besides, the other important particularity of this method is the fact that it possesses a suboptimal
criterion which can stop the algorithm with the desired accuracy.

Références
1. M.O. Bibi, Methods for solving linear-quadratic problems of optimal control. University of Minsk
(1985)
2. M.O. Bibi, Support method for solving a linear-quadratic problem with polyhedral constraints on
control, Optimization, 37, 139-147, (1996)
3. A.S. Chernushivech, Method of support problems for solving a linear-quadratic problem of terminal
control. Int. J. Control, 52(6), 1475-1488 (1990)
4. G.B. Dantzig, Linear programming and extensions. Princeton University Press,Princeton, N.J,
(1963)
5. R. Fletcher, Practical Methods of Optimization. J. Wiley and Sons, Second edition, Chichester,
England (1987)
6. R. Gabasov and others, Solution of linear quadratic extremal problems, Soviet Math. Dokl., 31,
99-103 (1985)
7. R. Gabasov and F.M. Kirillova and V.M. Rakestsky, Constructive methods of optimization. P.IV :
Convex problems. University Press, Minsk (1987)
8. P.E. Gill and W. Murray and M.H. Wright, Practical Optimization. Academic Press Inc, Lon-
don,(1981)
9. N. Karmakar, A new polynomial-time algorithm for linear programming. Internal report, Mathe-
matical Sciences Division, AT-T Bell Laboratories, Murray Hill New Jersey (1984)
10. F.A. Potra and S.J. Wright, Interior-Point Methods. Journal of Computational and Applied
Mathematics, 124, 281-302 (2002)
Optimisation des réseaux de transport de gaz à l’aide de
la méthode des Moments.

Dan GUGENHEIM,1 , Jean ANDRÉ1 , and Frédéric BONNANS2

1
GDF-SUEZ, DRI, 361 avenue du Président Wilson 93210 La Plaine Saint Denis France.
dan-externe.gugenheim@gdfsuez.com, jean-dr.andre@gdfsuez.com
2
CMAP, Ecole Polytechnique, 91128 Palaiseau, France.
Frederic.Bonnans@inria.fr

1 Présentation de la problématique
GDF-SUEZ, par sa filiale GRTgaz, gère et exploite le réseau de gaz français. Ce réseau est le plus
long d’Europe avec 30 000km. L’objectif de cet article est d’étudier la résolution d’un problème
d’exploitation de réseaux de transport de gaz par la méthode des Moments.
Le réseau « principal »permet l’acheminement sur des grandes distances, tronçons de l’ordre de 50 -
100 km, de grandes quantités de gaz. Par contrat, GDF-SUEZ s’engage à fournir à ses clients, une
quantité de gaz à une certaine pression. Lors de ce transport le long des canalisations, la pression
du gaz diminue. Pour remédier à cela, il existe sur les réseaux des stations de compressions. Ces
stations permettent d’augmenter la pression du gaz, à un coût néanmoins conséquent. On cherche ici
à minimiser l’usage de ces stations.
Le problème est mathématiquement difficile, non linéaire, non convexe et combinatoire : Mixed In-
tegers Nonlinear Programming, MINLP.

2 Présentation de la méthode des Moments

Dans [1], une méthode de résolution globale des problèmes polynomiaux est présentée. Celle-ci s’ap-
puie sur l’optimisation semi-définie positive (SDP). On cherche à résoudre le problème :

min p(x)
x∈RN
(1)
s.c. gi (x) ≥ 0, i = 1, .., r
où p et gi sont des polynômes. C’est un problème difficile car aucune hypothèse de convexité n’est
faite sur p ou sur les gi . Pour cela, on montre que la minimisation globale d’un polynôme contraint
peut être approchée aussi bien que l’on veut à l’aide d’une suite finie de problèmes d’optimisation
convexe d’inégalités de matrices linéaires (convex LMI). Ces problèmes d’optimisation peuvent être
résolus à l’aide d’une optimisation SDP. Nous utilisons cette méthode pour résoudre le problème
présenté dans le premier paragraphe.

3 Modélisation et mise en œuvre

L’équation décrivant le travail des compresseurs est centrale dans notre modèle. Pour un compresseur
C, où le flot Q circule entre du nœud i au nœud j, le travail fourni WC s’écrit en fonction des pression
en i, Pi et en j, Pj .
 Optimisation des réseaux à l’aide de la méthode des Moments 385

WW X X
Pj γ2
W C = γ1 Q −1 (2)
Pi
Les paramètres γ1 et γ2 dépendent du gaz et du compresseur. Plusieurs approximations polynomiales
peuvent être proposées. Par exemple, une approximation de Taylor à l’ordre 2. Nous avons testé cette
méthode sur des petits réseaux simples à l’aide des solveurs Gloptipoly [2], SparsePOP [3] et SEDUMI
[4]. Il apparaît que les résultats trouvés par ces solveurs sont qualitativement proches de ceux trouvés
avec des solveurs non linéaires, CONOPT [5], SNOPT [6] ou COIN-IPOPT [7].

4 Conclusion
La méthode des Moments ouvre de nouvelles perspectives à la résolution de problèmes difficile. Elle
apporte la certitude d’être à l’optimum global. Néanmoins, cette méthode n’est pas encore applicable
à des problèmes de taille réelle comme ceux de GDF-SUEZ. Une voie de recherche pour permettre
de résoudre des problèmes de grande taille est d’utiliser les propriétés des matrices creuses.

Références
1. Jean Baptiste LASSERRE, Global optimization with polynomials and the problem of moments,
SIAM J. Optim, 2001
2. Jean Baptiste LASSERRE, A semidefinite programming approach to the generalized problem of
moments, Mathematical Programming, Vol. 112, No. 1, pp. 65-92., 2008
3. Hayato WAKI, Sunyoung KIM, Masakazu KOJIMA, Masakazu MURAMATSU, Sums of square
and semidefinite program relaxations for polynomial optimization problems with structured spar-
sity, SIAM J. Optim, 2006
4. Jos F. STURM, Using SEDUMI 1.02, A Matlab Toolbox for Optimization over Symetric Cones,
Optimization Methods and Software 11–12 p 625–653 , 1999
5. A. S. DRUD, CONOPT : A System for Large Scale Nonlinear Optimization, Reference Manual
for CONOPT Subroutine Library 69p ARKI Consulting and Development A/S, 1996
6. P. E. GILL, W. MURRAY, M. A. SAUNDERS, User’s Guide for SNOPT Version 7 : Software for
Large-Scale Nonlinear Programming, 2006
7. L. T. BIEGLER, A.WATCHER, On the Implementation of a Primal-Dual Interior Point Fil-
ter Line Search Algorithm for Large-Scale Nonlinear Programming, Mathematical Programming
106(1), pp. 25-57, 2006
 Challenge ROADEF 2009
Gestion de perturbations dans le domaine aérien

M. Boudia1 , O. Gerber1 , R. Layouni1 , M. Afsar2 , C. Artigues2 , E. Bourreau3 et O. Briant4

1
Amadeus, Operational Research and Innovation Division
485, Route du Pin Montard, Sophia Antipolis, France
2
LAAS-CNRS, 7 avenue du Colonel Roche, 21077 Toulouse Cedex France
3
LIRMM, 161 rue Ada, 34392 Montpellier Cedex 5, France
4
G-SCOP, INP, 46, avenue Félix-Viallet, 38031 Grenoble, France
challenge@roadef.org

1 Introduction
Suite aux succès remportés par les cinq précédents challenges ROADEF’99, ROADEF’2001, ROA-
DEF’2003, ROADEF’2005 et ROADEF’2007, la Société Française de Recherche Opérationnelle et
d’Aide à la Décision (ROADEF) lance à nouveau un challenge en 2009 dédié aux applications indus-
trielles (challenge.roadef.org).
Le challenge propose un problème d’optimisation combinatoire issu d’une problématique centrale
industrielle, dont des instances sont proposés. Initialement c’est un premier jeu d’instances (la base
“A”) qui est proposé, permettant de qualifier des équipes candidates pour une seconde phase. Dans
celle ci, une seconde vague d’instances plus complexes (la base “B”) est fournie. Enfin, les finalistes
sont évalués sur des instances inconnues des participants format la base “X”. Il existe deux catégories :
juniors et seniors.
Cette année le challenge est proposé par Amadeus et concerne la gestion des pertubations dans le
domaine aérien.

2 Le sujet du challenge
Les compagnies aériennes commerciales opèrent un programme de vols optimisé du point de vue des
revenus générés. Cependant, il est fréquent que des évenements extérieurs, tels des pannes mécaniques,
une grève du personnel, ou des conditions méteorologiques défavorables, viennent en perturber le bon
déroulement. Dans de tels cas, il s’agit de trouver des solutions performantes permettant d’absorber
la perturbation en un temps minimum et, de fait, d’en minimiser l’impact.
Il est d’usage que la prise en charge de ces perturbations se fasse d’une manière séquentielle. En
géneral la flotte d’appareils est considerée en premier, suivie des équipages, et enfin des passagers
comme dernier maillon de cette chaîne. Cependant, cette approche conduit à des optimums locaux
au dépend d’un optimum global ou d’une approche integrée qui prend en charge toutes les facettes
du problème en même temps. Ainsi, il ne sera pas possible de revoir le déploiement de la flotte en
fonction des itinéraires passagers.
Le sujet du challenge ROADEF proposé par Amadeus est consacré à la gestion des perturbations
dans le domaine aérien. Il s’inscrit dans une démarche integrée prenant en compte deux aspects du
problème : la flotte d’avions et les passagers. Le dimension équipage n’est pas prise en compte. Il
s’agit d’un problème difficile et relativement peu étudié par la littérature dans une démarche globale
et integrée.
Les données du problème sont :
 Challenge ROADEF 2009 387

- un ensemble d’aéroports avec des capacités spécifiques à chaque aéroport et chaque plage horaire,
- une flotte d’avions répartis par famille suivant des caractéristiques techniques données. De plus,
chaque appareil a ses propres carractéristiques techniques liées à la maintenance,
- un programme de vols construit sur la base du réseau d’aéroports en associant à chaque avion de
la flotte une rotation, c’est-à-dire, une séquence de vols,
- un trafic de passagers se déplaçant à travers le programme de vols sus-mentionné avec différentes
caractéristiques telles que, la classe (Eco, Affaire, Premiere), le type d’itinéraire (domestique,
européen, international), etc . . .
Une combinaison de différents types de perturbations est appliquée à ce programme de vol : retards
et annulations de vols, pannes d’avions, réduction des capacités de certains aéroports. Il s’agit des
perturbations les plus fréquentes constatées dans le monde réel. Elles résultent par exemple des
mauvaises conditions météo avec un effet sur les aéroports ou encore des pannes mécaniques ou
d’absences d’équipages générant des retards ou des annulations de vols.
Suite à ces perturbations, des solutions alternatives les prenant en compte doivent être construites.
Ces solutions considèrent aussi bien l’aspect flotte, avec ses differents coûts, que l’aspect passagers à
travers l’intégration des différentes compensations aux passagers (compensations légales, quantifica-
tion des retards et des déclassements de cabines, etc . . . ). Tous ces coûts sont comptabilisés dans la
fonction objectif du problème.
Différentes tailles d’instances sont proposées avec un maximum d’environ 2000 vols par jour desservant
150 aéroports à travers le monde, et un horizon de planification de 3 jours. Ces tailles correspondent
aux plans de vols des grandes compagnies européennes.

3 Le déroulement et les résultats du challenge

Le challenge a été lancé lors de l’assemblée générale de la ROADEF le 25 février 2008. 29 équipes
se sont inscrites, soit 78 participants. On dénombrait 16 équipes de catégorie junior et 13 équipes
de catégorie senior, réparties en 11 équipes françaises (34 personnes) et 18 équipes étrangères (44
personnes). Ces 29 équipes ont du envoyer leur programme de résolution des instances de la base “A”
le 16 juillet 2008. Parmi les 29 équipes inscrites, 11 équipes ont ete qualifiées dont 7 équipes senior
et 4 junior, comme annoncé le 22 septembre 2009 à l’issue de la phase de tests des programmes par
Amadeus.
Les méthodes proposées par les candidats ne seront pas dévoilées avant la fin du challenge (au re-
pas de Gala de la Roadef le 11 février 2009 à Nancy). Néanmoins, la lecture des résumés étendus
envoyés révèle sans surprise que toutes les méthodes proposées sont des méthodes heuristiques ré-
solvant le problème en le décomposant en plusieurs étapes, avec toutefois une assez grande variété
d’approches. Parmi les dénominateurs communs des outils de base utilisés, on trouve de manière
assez logique des algorithmes élémentaires de flots et de chemins optimaux. Sans révéler ce qui a le
mieux marché pour cette phase de qualification, les schémas généraux de résolution se répartissent
en algorithmes purement gloutons, méthodes de descente avec redémarrage, recuit simulé, méthodes
hybrides de programmation linéaire en nombres entiers et de recherche locale, génération de colonnes.
En termes d’implémentation, les programmes ont été développés en Delphi, C, C++, Java avec ou
non l’utilisation de librairie de structure de données et de solveurs de programmation linéaire.
Parmi les 11 équipes qualifiées, 9 seulement ont renvoyé leur programme de résolution des instances
de la base “B” à temps le 5 janvier 2009. Ces programmes ont été évalués par l’équipe d’Amadeus
en introduisant la base “X” d’instances qui est restée inconnue des candidats et sera mise en ligne
suite à la conférence ROADEF 2009.
En attendant le 11 février pour connaître le classement final, nous vous invitons à lire dans ce recueil
les résumés des méthodes proposées par les candidats au challenge, dont voici la liste :
388 Boudia, Gerber, Layouni, Afsar, Artigues, Bourreau, Briant

Equipes qualifiées et ayant fourni un programme pour la phase finale

Catégorie Senior
Rodrigo Acuna-Agost, Philippe Michelon, Dominique Feillet1, Serigne Gueye2
1
LIA, Université d’Avignon, France, 2 LMAH, Université du Havre, France
Serge Bisaillon1 , Jean-François Cordeau2 , Gilbert Laporte, Federico Pasin1
1
CIRRELT, Canada, 2 HEC Montréal, Canada,
Said Hanafi, Christophe Wilbault, Raid Mansi1 , François Clautiaux2
1
Université de Valenciennes, France, 2 IUT Lille 1, France
Nicolas Jozefowiez1 , Catherine Mancel, Félix Mora-Camino2
1
LAAS-CNRS, Toulouse, France, 2 LARA, ENAC, Toulouse, France
Johan Peekstok, Eelco Kuipers
Pays-Bas

Catégorie Junior
Sophie Dickson, Olivia Smith, Wenkai Li
University of Melbourne, Australie
Julien Darlay, Louis Philippe Kronek, Susann Schrenk, Lilia Zaourar
G-SCOP, Grenoble, France
Niklaus Eggenberg, Matteo Salani
Transport and mobility Laboratory, EPFL, Suisse
Christian Eggermont, Murat Firat, Cor Hurkens, Maciej Modelski
Technical University Eindhoven, Pays-Bas
 Challenge ROADEF 2009.
Statistical Analysis of Propagation of Incidents for
rescheduling simultaneously flights and passengers under
disturbed operations

R. Acuna-Agost1 , P. Michelon1 , D. Feillet2 , and S. Gueye3

1
Université d’Avignon et des Pays de Vaucluse, Laboratoire d’Informatique d’Avignon (LIA),
F-84911 Avignon, France {rodrigo.acuna-agost,philippe.michelon}@univ-avignon.fr
2
Ecole des Mines de Saint-Etienne, F-13541 Gardanne, France
feillet@emse.fr
3
Laboratoire de Mathématiques Appliquées du Havre, F-76058 Le Havre, France
gueyes@univ-lehavre.fr

1 Introduction
Airline operations are usually perturbed by disruptions like mechanical failures, bad weather, and
many other unexpected events. As a result, the original schedule may become suboptimal and, in
extreme cases, infeasible. In this paper, we deal with the problem to reschedule aircrafts and pas-
sengers simultaneously. In particular, we consider the problem as it is presented in ROADEF 2009
Challenge Disruption Management for Commercial Aviation [1] : An original (unperturbed) schedule
is known, that is departure/arrival times, aircraft rotation plan, and the itineraries (origin - destina-
tion - flights) for a set of passengers. Other important aspects are also given : airport capacities, final
position of aircrafts, length of the recovery window, and all relevant unitary costs for calculating an
objective function. Additionally, a set of different disruptions defines the initial status of the system
at the beginning of the recovery window. The problem is then to calculate a new provisional sche-
dule respecting all the constraints by minimizing an objective function that measures the difference
between the new provisional schedule and the original one.

2 Solution method and results

We propose a mixed integer programming (MIP) formulation to model this problem. The model
could be interpreted as two integrated multi-commodity flow problems. The first one is related to
aircrafts flowing through airports, and the second one to passengers flowing through flights. As other
multi-commodity flow problems, the mathematical formulation includes capacity, flow conservation
and demand satisfaction constraints. Thus, our model leads to an NP-complete problem since the
original multi-commodity flow problem is shown to be NP-complete for integer flows [2].
Because of the complexity of the instances [1], it is not possible to solve this model using directly a
state-of-the-art MIP solver. We present three strategies to manage this problem : reducing the size of
the MIP model (before to build it), applying Statistical Analysis of Propagation of Incidents
(SAPI) to solve it quickly, and improving the final solution with a post optimization procedure.
First, we reduce the number of variables and constraints by limiting the search space with only
"good" solutions. We define a "good" solution as a provisional schedule near, or similar, to the original
schedule. The result is a compact search space in which aircraft (and passenger) moves are limited
within a restricted set of possible flights.
390 Acuna-Agost, Michelon, Feillet, Gueye

We propose a new methodology called SAPI to solve this MIP model. This method was created origi-
nally for rescheduling trains after disruption [3] - [4]. The thesis of this method is that every schedule
event could be affected (or not) by some given disruptions with a certain probability. A statistical
analysis is used to estimate these probabilities and then reducing the complexity by fixing some
integer variable. This version of SAPI is an iterative procedure that requires and initial (incumbent)
solution calculated by Right-Shift Rescheduling. That is, fixing all integer variables in order to
keep the original assignment of aircrafts and passengers without allowing changes. The next step of
SAPI is to calculate the probabilities. We propose a logistic regression model because, in contrast to
other regression methods, it allows to estimate multiple regression models when the response being
modeled is dichotomous (i.e can be scored 0 or 1). For our method, the evaluation of this regression
model gives the probability that a flight j has to be cancelled in the optimal solution. Using theses
probabilities, it is possible to segregate the flights in two big sets : a) flights expected to be cancelled
and b) the rest of the flights. At each iteration, the algorithm fixes the integer variables associated to
flights that have already their expected value, while the remaining variables are computed by solving
the resulting MIP. Additionally, this algorithm includes a diversification procedure to escape from
local solutions.
Finally, we apply a post optimization procedure to improve the current solution. This function tries
to assign cancelled passengers in any kind of flights in such a way to minimize cancelation penalties
that are much more expensive than delays.
Our method has been implemented using MS Visual Studio 2005 (C♯) and ILOG CPLEX 11.1 as a
MIP solver, on a PC Intel Core Duo 1.66 GHz 2 GB RAM over Windows Vista Operation System.
We use the published results of the qualification phase of [1] in order to compare and evaluate the
performance of our method. Using the average normalized score proposed by the organization, our
last results have an average = 0.9997 (CPU time of 10 minutes for each instance of set A). Considering
the sum of the total cost for all instances in set A, our method return a total cost 80.3% lower than
our last version (without SAPI / post-optimization) and 37.2% lower than the best classified team.

Références
1. ROADEF, Société française de Recherche Opérationnelle et Aide à la Décision, Challenge ROA-
DEF 2009 : Disruption Management for Commercial Aviation, http ://challenge.roadef.org/2009
2. On the Complexity of Timetable and Multicommodity Flow Problems, S. Even and A. Itai and
A. Shamir, SIAM Journal on Computing, 1976, 5, pp. 691-703
3. SAPI : Statistical Analysis of Propagation of Incidents A new approach applied to solve the
railway rescheduling problem Acuna-Agost R., Feillet D., Gueye S., Michelon P. The international
conference on NonConvex Programming : Local and Global approaches. Theory, Algorithms and
Applications, NCP07, December 17-21, 2007, Rouen, France.
4. Méthode PLNE pour le réordonnancement de plan de circulation ferroviaire en cas d’incident.
Acuna-Agost R., Feillet D., Gueye S., Michelon P. ROADEF 2008, 25-27 Février 2008 - Clermont-
Ferrand, France
 Challenge ROADEF 2009.
Une méthode de recherche à grand voisinage pour la
gestion des perturbations dans le domaine aérien

S. Bisaillon1 , J.-F. Cordeau1 , G. Laporte1 , and F. Pasin1

HEC Montréal and CIRRELT

serge.bisaillon@cirrelt.ca

Cet article décrit le travail réalisé par notre équipe dans le cadre du challenge ROADEF 2009.
La méthode que nous avons élaborée pour résoudre ce problème très complexe comprend plusieurs
phases pour en traiter efficacement les divers aspects. Les phases principales sont la construction, la
réparation ainsi que l’amélioration de solutions initiales. Notre programme itère entre ces trois phases
jusqu’à ce que le temps imparti soit écoulé.

1 Construction

Tout d’abord, nous cherchons à construire des solutions réalisables en ce qui a trait aux contraintes
opérationnelles et fonctionnelles décrites à la section 6 du document. Pour ce faire, nous commençons
par ordonner aléatoirement les appareils afin de les traiter selon un ordre différent à chaque itération.
Ensuite, à partir du programme de vols original, nous retirons des séquences de vols jusqu’à ce que
toutes les contraintes soient respectées. Pour retirer ces séquences, nous procédons comme suit.
Nous prenons chaque appareil, un à la fois, et nous vérifions si la séquence originale, à laquelle nous
avons ajouté les perturbations, reste valide, et ce vol par vol. Dès qu’un vol perturbé fait en sorte
d’invalider la séquence, nous retirons la plus petite sous-séquence de vols qui forme une boucle (dont
l’aéroport d’arrivée du dernier vol correspond à l’aéroport de départ du premier vol) et la conservons
en mémoire pour tenter de la réinsérer ailleurs plus tard. Si la boucle retirée survient avant le moment
où le vol critique devait avoir lieu, alors nous essayons d’annuler dans la mesure du possible, les retards
accumulés par les vols qui se trouvent entre la séquence annulée et le vol à réinsérer pour voir s’il y a
possibilité d’accommoder ce vol. Nous recommençons tant que nous n’avons pu insérer le vol de façon
satisfaisante ou qu’il n’y ait plus de boucle à retirer. Dans ce dernier cas, nous tentons de réinitialiser
tous les vols précédant le vol courant (donc en annuler les retards non nécessaires) et plaçons le vol
courant au premier moment possible qui ne contrevienne pas aux contraintes de maintenance des
appareils, et ce, même si ça contrevient temporairement aux capacités aéroportuaires. Dans le cas
où certaines capacités seraient violées, cela sera corrigé dans la phase subséquente (réparation de la
solution).

2 Réparation

Dans cette phase de réparation de la solution, on repasse chacun des appareils dans le même ordre
que dans la phase de construction et on cherche à faire en sorte de rendre la solution réalisable en
termes des capacités aéroportuaires. Car il se peut qu’à la construction, nous ayons dû laisser des vols
à leur horaire initial même si les capacités ne le permettaient pas, du fait que l’annulation du reste
de la séquence originale n’aurait pas permis de terminer la rotation au bon aéroport. Cependant,
nous avons remarqué, qu’il y a presque toujours un autre appareil dont les vols partagent les mêmes
392 Bisaillon, Cordeau, Laporte, Pasin

origine ou destination qui posent problème à une période donnée mais qui peuvent être déplacés sans
compromettre la réalisabilité. C’est ce que nous tentons de faire dans cette phase.
Aussi, dans le but ultime de respecter les contraintes qui se rapportent aux itinéraires, dès qu’un vol
est retiré, nous annulons tous les itinéraires qui transitaient par ce vol. Ainsi, la solution initiale que
nous obtenons à la fin des phases de construction et de réparation est largement sous-optimale, mais
au moins elle respecte toutes les contraintes du problème.

3 Amélioration
Une fois que nous avons construit ce qui nous sert de solution initiale, nous tentons de l’améliorer
par des moyens simples mais rapides. Tout d’abord, nous tentons de voir s’il est possible d’ajouter
des vols dont les caractéristiques correspondent le plus possible à ceux qui ont dû être annulés
directement à cause des inscriptions en ce sens dans le fichier alt_flights.csv. Nous tentons aussi à ce
moment de réinsérer les segments de vols préalablement retirés. Ayant pris en note tous les intervalles
de temps (entre deux vols) suffisamment grands pour chaque appareil, nous tentons d’y insérer les
segments de vol de façon gloutonne (dès qu’un segment peut être inséré sans problème, on réalise
ce mouvement, sans vérifier s’il irait mieux ailleurs). Nous avons noté que ce genre de mouvement
permettait d’améliorer sensiblement la valeur de la solution sans que ce ne soit très coûteux en termes
de temps de calcul.
À chaque fois que nous avons achevé une phase importante d’altération du programme de vols,
nous tentons de réaccomoder les passagers laissés en plan en résolvant à répétition un algorithme
de plus court chemin (PCC) en commençant par réaffecter les passagers dont le coût de pénalite
en cas de non-affectation est le plus grand. Si le PCC réussit à trouver un itinéraire qui respecte la
capacité résiduelle des appareils ainsi que les contraintes de correspondance, de départ et d’arrivée
pour un certain nombre de ces passagers, alors nous créons un nouvel itinéraire pour ces passagers,
et nous tentons de réaffecter les autres sur un autre itinéraire. Dans le cas contraire, les passagers
non réaccommodés restent dans une liste pour que nous puissions tenter de les réaffecter plus tard.
Après la phase de réaffectation des passagers, nous tentons de décaler (retarder) des vols, dans
l’espoir de pouvoir réaccommoder encore plus de passagers dont les problèmes de correspondance
pourraient alors être résolus. Pour ce faire, nous prenons encore une fois chaque appareil, un à un,
et nous tentons de décaler leurs vols d’un certain intervalle de temps. Pour chaque vol de chaque
appareil, nous essayons diverses périodes de retard et dès que nous obtenons un changement qui
ne cause aucune annulation de vols, nous vérifions s’il y a moyen d’améliorer la meilleure solution
en tentant de réaffecter des passagers. Évidemment, lorsque nous retardons un vol, nous retardons
ensuite chacun des vols de la séquence subséquente pour cet appareil tant qu’il est nécessaire, pour
respecter les contraintes. Ce faisant, il se peut que nous devions annuler certains itinéraires dont la
continuité ne serait plus possible.
Quand cette descente (phase d’amélioration locale) ne permet plus aucune amélioration possible ou
que le temps qui lui est imparti est écoulé, nous mettons à jour la meilleure solution globale et nous
recommençons le processus de construction avec diversification. Pour ce faire, nous opérons une série
de permutations sur la meilleure solution globale et nous poursuivons avec le retrait des séquences
de vols. À l’occasion, nous pouvons même décider qu’il est préférable de repartir à zéro avec un autre
ordonnancement aléatoire des appareils si la solution globale ne s’améliore pas assez rapidement.
 Challenge ROADEF 2009.
Stratgie d’oscillation pour la gestion de perturbations
dans le domaine arien

Saïd Hanafi1 , Christophe Wilbaut1 , Raïd Mansi1 et Franois Clautiaux2

1
LAMIH, équipe SIADE, UMR 8530, Université de Valenciennes, France.
(said.hanafi,christophe.wilbaut,raid.mansi)@univ-valenciennes.fr
2
LIFL, équipe DOLPHIN, Université de Lille 1, France.
francois.clautiaux@univ-lille1.fr

1 Introduction

Nous décrivons dans ce papier l’approche proposée dans le cadre du challenge ROADEF 2009, concer-
nant la gestion de perturbations dans le domaine aérien. Il est fréquent que des événements extérieurs,
tels des pannes mécaniques, une grève du personnel, ou des conditions météorologiques défavorables,
viennent perturber le bon déroulement des programmes de vols des compagnies aériennes. Il s’agit
alors de trouver des solutions performantes permettant d’absorber la perturbation en un temps mi-
nimum. Le sujet vise à réaffecter de façon simultanée la flotte d’appareils et les passagers, plutôt que
de se baser sur le processus hiérarchique naturel : 1) flotte d’appareils, 2) équipages, 3) passagers.

2 Description de l’approche

Nous proposons une stratégie d’oscillation mixant les méthodes exactes et approchées constituée de
quatre composants principaux : (i) Génération d’une solution initiale non nécessairement réalisable ;
(ii) Suppression de sous-routes des avions et annulations des itinéraires des passagers associés qui
n’ont pu être réaffectés ; (iii) Création de nouvelles routes pour les avions et des itinéraires pour les
passagers ; (iv) Affectation des passagers annulés aux bonnes routes.

Génération d’une solution initiale : Notre objectif consiste à trouver une solution du problème non
nécessairement réalisable à l’aide de deux programmes linéaires en nombres entiers mixtes (MIP)
et d’une heuristique. Dans les deux modèles nous ignorons les contraintes de capacités des cabines
et nous relaxons partiellement les contraintes de capacités d’atterrissage et décollage des aéroports
en ajoutant des variables de tolérances de violation. L’objectif est d’assurer les contraintes dures de
maintenances des appareils. Après la récupération de la solution du premier modèle, nous résolvons le
second MIP dont l’objectif est de maximiser le nombre de passagers qui arrivent à leurs destinations
finales tout en minimisant les violations des capacités d’atterrissage et de décollage des aéroports.
Les deux modèles MIP sont résolus avec CPLEX. Si la solution obtenue n’est pas réalisable, nous
déclenchons une heuristique de réparation visant à assurer les contraintes de maintenance violées.

Stratégie d’oscillation : Nous cherchons à améliorer la qualité de la solution obtenue en ajoutant et

supprimant itérativement des routes et des itinéraires. Notre approche repose sur le principe d’os-
cillation qui consiste à définir un rythme alterné plus ou moins régulier pour traverser les niveaux
critiques dans différentes directions. Les phases constructives et destructives sont décrites brièvement
 394 Hanafi, Wilbaut, Mansi, Clautiaux

dans la suite.

Génération et suppression des routes et des itinéraires : Les itinéraires possibles pour les pas-
sagers et les routes possibles pour les avions sont générés par des heuristiques qui reposent sur des
recherches arborescentes tronquées, de type “meilleur d’abord”. Nous avons testé plusieurs stratégies :
itinéraire contenant les aéroports les moins visités d’abord, ceux qui se rapprochent le plus de la des-
tination finale, minimum d’attente dans les aéroports. Se rapprocher le plus possible de la destination
finale est souvent la meilleure stratégie. L’algorithme de génération de routes pour les avions repose
sur le même principe. Les différentes stratégies que nous avons testées pour l’ajout d’un vol sont les
suivantes : aéroports les moins visités, se rapprocher du positionnement final (s’il existe), vol le plus
court, aéroports les moins surchargés, vol le plus demandé par des passagers, vol qui part au plus
tôt. En pratique, ne pas prendre en compte les passagers mène rarement à une solution intéressante.
L’heuristique de suppression de routes pour les avions et des itinéraires pour les passagers repose sur
le principe dual de la génération. Nous supprimons surtout les sous-chemins des routes qui sont les
moins remplis par rapport aux capacités des avions.

Création des routes et affectation des passagers : L’objectif de cette phase est de créer de nouveaux
vols permettant de réaffecter d’autres passagers en attente. Nous avons modélisé le problème de cette
phase sous forme d’un sac à dos multidimensionnel en variables binaires et entières avec contraintes
de choix multiples. Les variables binaires correspondent aux choix de routes et les variables entières
aux nombres de passagers des groupes. Ce modèle prend en entrée un ensemble d’itinéraires possibles
pour les passagers et un ensemble de routes possibles pour les avions. Notre modèle prend en compte
les contraintes de capacités aéroportuaires, ainsi que les capacités des cabines des avions. L’objectif
est de maximiser le nombre de passagers assurant leur itinéraire tout en minimisant le nombre de
vols crées.

3 Conclusions
Le problème de gestion de perturbations dans le domaine aérien est un sujet d’actualité et de nom-
breux travaux y ont été consacrés. Pour le traiter nous avons opté pour une approche d’oscillation
hybride qui utilise les heuristiques et les méthodes exactes. Nos approches peuvent encore être amé-
liorées, en intégrant de la mémoire adaptative de la recherche tabou et en calibrant les paramètres.
D’autres pistes d’amélioration à explorer peuvent être listées telles que l’exploitation de plus d’in-
formations duales pour la génération des routes, ou encore la possibilité de réutiliser le modèle de
la première phase pour ajuster les retards, ainsi que l’autorisation de visiter des solutions non réali-
sables.
 Challenge ROADEF 2009.
Approche heuristique pour la gestion de perturbations
dans le domaine aérien

Nicolas Jozefowiez1,2 , Catherine Mancel3 , Félix Mora-Camino3

1
CNRS ; LAAS ; 7 avenue du colonel Roche, F-31077 Toulouse, France.
nicolas.jozefowiez@laas.fr
2
Université de Toulouse ; UPS, INSA, INP, ISAE ; LAAS ; F-31077 Toulouse, France.
3
ENAC, 7 Avenue Edouard Belin, BP 54005, 31055 Toulouse Cedex.
prénom.nom@enac.fr

1 Introduction
Nous présentons ici un algorithme de résolution du problème de gestion de perturbations dans le
domaine du transport aérien soumis dans le cadre du Challenge ROADEF 2009. À partir d’un plan
de vol connu, de l’affectation des passagers aux vols et compte tenu d’un ensemble de perturbations, il
s’agit de trouver de nouvelles affectations des avions aux vols et des passagers aux vols qui permettent,
au terme d’une certaine fenêtre temporelle, de s’approcher au mieux de la situation prévue avant
perturbations.
Notre approche consiste en deux phases. La première phase génère une solution réalisable, donnée
sous la forme d’un ensemble de rotations d’avions et d’un ensemble d’itinéraires passagers ; la seconde
phase améliore itérativement la solution en faisant intervenir différents modules de modification des
rotations et de réaccommodation de passagers qui maintiennent la solution réalisable.

2 Intégration des perturbations et génération d’une solution

réalisable dégradée
Afin de produire rapidement une solution réalisable, on procède en deux étapes. On construit d’abord
l’ensemble des rotations avions auxquelles on intègre les maintenances sous forme de vols fictifs, et
l’ensemble des itinéraires passagers, sans prendre en compte les perturbations.
On intègre ensuite les perturbations en appliquant différentes règles qui conduisent à obtenir dans
un premier temps des rotations discontinues. Afin de rétablir la faisabilité des rotations d’un avion,
on utilise un algorithme de plus court chemin dans le graphe des vols réalisables pour cet avion dans
un intervalle de temps restreint.
Les itinéraires passagers impactés par les perturbations sont tronqués ou totalement annulés suivant
les contraintes s’appliquant à ces itinéraires.

3 Améliorations itératives de la solution

Afin d’améliorer la solution réalisable alors obtenue, on met en œuvre un processus itératif alter-
nant une phase de modification des rotations et une phase de réaccommodation des passagers. Les
itérations sont poursuivies tant que des améliorations sont détectées.
396 Jozefowiez N., Mancel C., Mora Camino F.

3.1 Heuristiques de modification des rotations

La modification des rotations est guidée par l’évaluation de la demande en termes d’origines-destinations-
temps compte tenu des itinéraires passagers courants et prévus. On établit une liste de métagroupes
de passagers présentant des caractéristiques communes, triée par ordre d’importance décroissante.
Pour chacun des métagroupes de passagers ainsi identifié, il faut trouver un chemin permettant de
rejoindre la destination prévue pour un coût acceptable.
Cette recherche de chemin peut être traitée comme un problème de plus court chemin entre deux
aéroports pour un ensemble restreint d’avions dans le graphe des vols réalisables ou dans le graphe
des vols déjà programmés et des vols réalisables. Dans le premier cas, on se ramène à la recherche
d’une extension de la rotation d’un avion entre deux aéroports permettant d’assurer la continuité
de la rotation. Dans le second cas, on se ramène à la recherche d’extensions de plusieurs rotations
d’avions entre différents aéroports atteignables par des vols déjà programmés et l’aéroport destination
du métagroupe considéré.

3.2 Heuristique de réaccommodation des passagers sur un ensemble de vols

programmés
Etant donné un ensemble de vols programmés, le problème de l’affectation des passagers aux vols
peut être perçu comme autant de problèmes de plus court chemin dans un graphe spatio-temporel
qu’il y a de groupes de passagers.
L’ordre dans lequel sont traités les passagers impactant la solution globale, nous avons appliqué la
stratégie suivante. Etant donnée une solution réalisable courante d’itinéraires partiellement réalisés,
on identifie ceux qui ont été interrompus ou annulés. Nous avons donc trois classes d’itinéraires posant
problème qui sont, par ordre d’importance : les itinéraires interrompus (ceux qui avaient commencé
avant la fenêtre de recouvrement), les itinéraires retour annulés et les itinéraires aller annulés. Dans
chaque classe, les itinéraires sont ordonnés par valeur décroissante du produit du prix du billet par
la taille du groupe de passagers.
Pour chaque groupe de passagers considéré, on cherche alors un chemin permettant d’atteindre la
destination voulue et réalisant le meilleur compromis entre la date d’arrivée à destination et le nombre
de passagers du groupe qui pourront être acheminés. En effet, soit la capacité des avions réalisant
le chemin trouvé permet d’acheminer tout le groupe de passagers, soit le groupe doit être scindé en
deux sous-groupes. Dans le premier cas, un nouvel itinéraire est généré pour tout le groupe, dans
le second cas, on affecte un sous-groupe au nouvel itinéraire et l’autre sous-groupe est inséré dans
l’ensemble des itinéraires à traiter en fonction de sa nouvelle priorité. Ce processus est itéré tant
qu’on peut réaccommoder des passagers.

4 Conclusions
La méthode que nous proposons ici utilise les spécificités des problèmes de transport aérien et de
leurs contraintes pour obtenir très rapidement des solutions réalisables.
 Challenge ROADEF 2009.
Use of a Simulated Annealing-based algorithm in
Disruption Management for Commercial Aviation

J. Peekstok1 and E. Kuipers2

1
johan.peekstok@BeImproved.nl
2
eelcokuipers@yahoo.com
In this paper we present an algorithm based on simulated annealing used for solving a very complex
scheduling problem, which is the ROADEF 2009 Challenge problem that is about minimizing cost
as a consequence of the disruption in the schedule of a commercial airline. The algorithm presented
here was submitted to the ROADEF 2009 Challenge as one of the finalists.

Initial solution
The starting point of the algorithm, the initial solution, is the original schedule as provided in a set
instance files provided by the Challenge organization, including the disruption. The inclusion of the
disruption usually results in the initial solution being infeasible, and this does occur in all 20 sets of
instances files (Challenge sets A en B).

Infeasibilities
Given the initial solution, the choice is to accept infeasibilities during the iteration process of simula-
ted annealing. We preferred anyway, since restricting the local search algorithm to feasible solutions
would in our opinion be too restrictive to achieve good results. Feasibilities we allow in our algorithm
are :
– Airport departure or arrival rate violations
– Aircraft time transit or turn-around violations
– Aircraft feasible schedule violations (non-matching arrival and departure airport)
– Aircraft maintenance or unavailability schedule violations
– Passenger maximum capacity on aircraft violations
– Passenger connection time violations
– Passenger feasible schedule violations

Ensuring feasibility
In order to handle infeasibilities, we introduced a second objective value, or a value that quantifies
the level of infeasibility of the complete solution. During our tests on test-set B we found that finding
a feasible solution is in itself not an easy task, let alone then optimizing it. Secondly, we discovered
that passenger infeasibilities are not nearly as hard to fix as any of the first 4 (airport and aircraft)
infeasibilities. Therefore we decided that once we have achieved airport and aircraft feasibility, we
will not allow the current solution to become infeasible again for airports or aircraft. After achieving
airport and aircraft infeasibility we will still allow the algorithm to have passenger infeasibility. In
fact, we allow the algorithm to switch back and forth between attempting to lower the value of the
objective function and driving the passenger infeasibility level to zero. This way, if no improvement
of the objective value can be found without introducing infeasibility, the algorithm can still improve.
After a while the cost of infeasibility is slowly increased so that the algorithm is forced to make the
solution feasible again.
398 Peekstok, Kuipers

Neighbors
In building our algorithm we have tested with the following simulated annealing neighbors :
– Canceling an existing flight
– Adding a new flight
– Moving an existing flight forward or backward in time*
– Change the operating aircraft of an existing flight*
– Change the operating aircraft of a pair of existing (consecutive) flights
– Change the operating aircraft of an existing flight and move it in time
– Exchange the operating aircraft of two existing flights*
– Exchange the time of departure of two existing flights
– Change a flight of a passenger’s itinerary*
– Remove a flight from a passenger’s itinerary*
– Add a flight to a passenger’s itinerary*
– Exchange the itineraries of two passengers
* Neighbors active in the algorithm submitted for the ROADEF 2009 Challenge
It would be a mistake to conclude that none of the neighbors not used in our submitted algorithm has
any value. We did see some instances respond favorably to several of these neighbors but determining
if they are valid for all instances requires further investigation.

Tuning the final algorithm

The set of neighbors in the final algorithm does not contain any means by which flights are removed
from the schedule or added to it, but we realized early on that a mechanism is needed that attempts
to discover trade-offs between flights and decide which flights are to be cancelled or added. It proved
impossible in the time we had to make this a true part of the annealing process so this is done in a
constructive way. A rough outline of the submitted algorithm is :
– Phase 1 : Algorithm start with only aircraft neighbors. Passengers remain on their flights in this
phase. If airport and aircraft feasibility is achieved move to phase 3. If not, keep trying until a
configurable time is spent then move to phase 2.
– Phase 2 : Periodically delete the cheapest flight that causes infeasibility at an airport or aircraft
and attempt to reach feasibility. Insert flights to reach maintenance airports if necessary.
– Phase 3 : Airport and aircraft are feasible. Algorithm continues with all 6 neighbors, now allowing
passengers to move between the flights. When completely feasible (i.e. passenger feasibility is
achieved as well) move to phase 4a.
– Phase 4a : Periodically attempt to add return trip for an aircraft to relieve highest cumulative
cancel, delay and downgrade cost for passengers (cumulative per hour, per origin-destination pair).
Airport and aircraft are required to stay feasible. If passenger infeasibility occurs, move to phase
4b.
– Phase 4b : Slowly increase cost of infeasibility to drive algorithm back to feasibility. If feasibility
is achieved, return to phase 4a.
 Challenge ROADEF 2009.
Une approche heuristique pour la gestion de
perturbation dans le domaine aérien

J. Darlay1 , L.-P. Kronek1 , S. Schrenk1 and L. Zaourar1

Laboratoire G-SCOP, 46 avenue Félix Viallet, 38031 Grenoble Cedex France.

{julien.darlay, susann.schrenk, lilia.zaourar}@g-scop.inpg.fr
louis-philippe.kronek@gmail.com

1 Introduction
Lorsque des perturbations affectent le plan de vol initial d’une compagnie aérienne, celui-ci doit être
reconstruit à l’intérieur d’une période de recouvrement. Ceci doit être fait en réaffectant de façon
simultanée la flotte d’appareils et les passagers, en ayant la possibilité d’annuler et de créer des
vols. L’objectif est de minimiser l’impact des perturbations à la fois pour la compagnie et pour les
passagers.
Pour cela, nous proposons une méthode de résolution qui s’appuie sur le fait qu’une fois la flotte
d’appareil réaffectée sur les vols, la réaffectation optimale des passagers sur ces vols est relativement
simple. Comme la réaffectation des appareils sur les vols de façon optimale pour les passagers est
difficile ; nous avons conçu une heuristique constructive qui alterne entre une phase de construction
des plans de vols et une phase de réaffectation des passagers sur ces vols. Ceci pour assurer une bonne
qualité de la solution, ces deux étapes s’inspirent le plus possible du plan de vol et des itinéraires des
passagers initiaux.

2 Stratégie de résolution
2.1 Affectation des avions
On réaffecte les appareils sur les vols initialement opérés en autorisant des retards supplémentaires
et sur des nouveaux vols, créés pour amener les appareils à leur aéroport de maintenance. Si un vol
n’est opéré par aucun appareil, il est annulé.
Notre modélisation du problème correspond à calculer un multiflot max de coût min dans un réseau
espace-temps avec des contraintes supplémentaires. Afin que les nouvelles rotations construites par
la résolution de ces flots profitent d’une part de la solution initiale proposée, et d’autre part prennent
en compte les coûts passagers (coûts de retard), il faut affecter des coûts sur les différents vols.
Ces coûts reflètent les coûts d’annulation, les coûts de retard avec une évaluation des éventuelles
correspondances ratées ainsi que les coûts de repositionnement. Ces coûts permettent de prendre
également en compte les retards, les annulations, les déclassements ainsi que les coûts concernant le
mauvais positionnement des appareils en fin de période. Hormis la contrainte de flot, afin d’obtenir
une solution réalisable, on ajoute des contraintes de capacités de décollage et d’atterrissage des
aéroports, ainsi que les indisponibilités des appareils et surtout les maintenances.
Le problème a été découpé famille par famille d’avions, modèle par modèle d’avions, ou plus finement
par paquets d’avions bien choisis afin que le modèle linéaire en nombres entiers résultant tienne en
mémoire, se charge et soit résolu rapidement.
A la fin de cette étape on obtient un nouveau plan de vol réalisable. Il faut maintenant réaffecter les
passagers au mieux sur ce plan de vol.
400 Darlay, Kronek, Schrenk, Zaourar

2.2 Affectation des passagers

La réaffectation des passagers sur les vols fixés à l’étape précédente se fait de la manière suivante :
Pour chaque itinéraire p on génère un ensemble de chemins possible ch(p), tel que l’heure de départ
de chaque chemin ch est supérieure à l’heure de départ initiale et qu’il ait même origine et même
destination. Ces chemins prennent en compte les différentes classes (F/B/E). A chaque chemin est
associé un coût dû à un retard ou à un déclassement. Les passagers qui ne seront affectés sur aucun
chemin voient leur voyage annulé. Les chemins générés pour un itinéraire correspondent, modulo
changement de classe, à un vol direct, au chemin de l’itinéraire initial et à des chemins faisant
transiter les passagers via des hubs.
Notre formulation pour cette seconde phase revient à un problème de multiflot avec capacités en
formulation chemin.

3 Implémentation et résultats numériques

L’implémentation de notre approche de résolution a été faite en C++ avec l’utilisation de la librairie
boost, notamment pour la gestion du temps. La résolution des modèles de multiflot décrit ci-dessus
utilise le solver ILOG Cplex 11. Le système d’exploitation utilisé est Windows XP. Les résultats
obtenus sont encourageant sur le jeu A. Sur les instances A05 et A10, on gagne 30% par rapport
au meilleur résultat lors des qualifications. Nous parvenons à obtenir, en moins de 10 minutes des
solutions réalisables pour les 10 instances du jeu B.

4 Conclusion et perspectives
Au cours de ce travail, nous avons abordé le problème de réaffectation des appareils et passagers d’une
compagnie aérienne en minimisant les coûts pour une perturbation quelconque du programme de vol
initial. Pour prendre en charge l’ensemble des contraintes liées au problème, nous avons opté pour
une modélisation en multiflot avec capacité et chemin. Cette modélisation vise à minimiser les coûts
relatifs au problème, ceci afin d’obtenir une affectation optimale de la flotte ainsi que des passagers.
Notre résolution nous permet d’obtenir une première "bonne" solution dans le temps imparti et qui
vérifie toutes les contraintes.
Une prochaine étape serait d’approfondir la génération des chemins explorés dans la deuxième phase,
en les augmentant en nombre et en qualité et en les intégrant dynamiquement dans le modèle (par
génération de colonnes). Ensuite, cette première solution sera modifiée avec des allers retours entre
réaccommodation des passagers et affectation des appareils. De plus, des découpages des instances,
en périodes plus petites pourront nous permettre de limiter le temps de résolution de nos modèles,
notamment pour les instances sur 2 jours.
 Challenge ROADEF 2009.
Disruption Management for Commercial Aviation, A
Mixed Integer Programming Approach

Sophie Dickson1 , Olivia Smith1 and Wenkai Li2

1
Department of Mathematics and Statistics, The University of Melbourne
s.dickson@ms.unimelb.edu.au
2
Faculty of Information Technology, Monash University

This abstract describes a solution approach to the problem posed in the ROADEF 2009 Chal-
lenge : Disruption Management for Commercial Aviation. For details of the challenge see
http ://challenge.roadef.org/2009.
The ROADEF Challenge 2009 deals with the airline recovery problem. The objective is to find
the optimal passenger and aircraft routing given a set of disruptions, existing passenger itineraries
and operating constraints.
The operating constraints considered include airport capacity constraints (limits on the number of
departures and arrivals per hour), the minimum turn time for each aircraft (or transit time for multi-
leg flights), the maximum flight range for each aircraft, any maintenance requirements (at a specific
location and time), aircraft capacity, minimum connection time for transiting passengers, maximum
passenger delay and the required aircraft location at the end of the recovery period.
The disruptions considered in the challenge include airport capacity disruptions such as reduced
departure and arrival capacity or closure, aircraft unavailability (the timing and duration of an
aircraft unavailability due to unserviceability or fault), flight cancellations and flight delays.
For more detail on the constraints and disruptions, the reader is referred to the full problem descrip-
tion at http ://challenge.roadef.org/2009/challenge_en.pdf.
A 2 stage process was developed to address this problem. The first stage seeks to re-route aircraft,
retime and/or cancel flights so as to minimise the disruption experienced by passengers on their
existing itineraries. This is achieved through the use of a Mixed Integer Linear Program (MILP)
connection network, with flights represented by nodes and connection variables for both passengers
and aircraft. A continuous delay variable also exists for each flight to allow it to be retimed.
A second phase then reoptimises passenger itineraries based on the flight schedule determined in
phase one. A multi-commodity network flow model is used, with each passenger itinerary a separate
commodity, flowing through arcs representing each cabin class in each flight. The objective is then
to maximise the value of the itineraries flowing through the flight network, within the given flight
capacity and passenger demand.
There are a wide range of potential scenarios for the airline disruption problem, and each scenario
presents its own challenges with resepect to solvability of the MIP. As a result, some aspects of the
model are adjusted according to the size of the problem (e.g. the number of flights, the duration of
the recovery period, the number of passenger itineraries).
The key to keeping the MILP at a manageable size is to limit the number of binary variables. Flight
connections and departure/arrival slot variables represent a significant proportion of binary variables
in the model. The following parameters are used to limit their number
– MAX_FLIGHT_DELAY restricts how long we are prepared to delay a flight. Any flight that does
not depart within MAX_FLIGHT_DELAY of its original scheduled time of departure, must be
cancelled. This parameter limits the number of binary variables required for the airport capacity
constraints because the longer a flight is able to be delayed, the more possible airport slots it can
depart/arrive in.
402 Dickson, Smith, Li

– MAX_GROUND_TIME dictates where flight connections representing aircraft flow are able to be
created. If flight j is scheduled to depart within MAX_GROUND_TIME of the scheduled arrival
time of flight i, then our solution approach will create a connection variable between these two
flights, otherwise it will not.
– MAX_SLACK_SHIFT also dictates where flight connections representing aircraft flow are able
to be created. For regular routing you would normally only expect to create a connection between
flights i and j if flight i arrives at least MTT3 before j is scheduled to depart. However, in the
disrupted environment, the best option may be to delay a flight until an aircraft becomes available.
MAX_SLACK_SHIFT determines how long you would be prepared to delay flight j to wait for
the aircraft from flight i to become available.
– MAX_SLOTS limits the number of airport departure/arrival slots considered for each flight.
– MAX_SUCCESSORS limits the number of possible successors for a given flight. Note that this
excludes the original successor of that flight, which is always included.
These parameters are adjusted dynamically according to the size of the input problem, for example,
problems with a large number of flights are given a lower value of MAX_GROUND_TIME so as to
reduce the number of connections.
For larger problems, the paramaters mentioned are set to very restricting levels in order to ensure
the Xpress-MP solver can find a feasible solution within the time allowed. Extra variables and hence
routing possibilities are then added by iteratively extending these parameters, while the integer
solution found in the previous iteration is loaded to ensure a feasible solution is always available.
The model and solution approached outlined were implemented in Xpress Mosel Version 2.0.0 and
run in Xpress-IVE Version 1.18.01 on a PC with an Intel(R) Core(TM)2 Duo processor and 2GB
of RAM running Windows XP Professional SP2 (32 bits). Results were obtained on the provided
problem sets. All of these results were set to run for 600s, however the way the time is allocated
between Phase I and II sometimes means there is leftover time, whether or not an optimal solution
was found in the first phase.

3
Minumum Turn Time
 Challenge ROADEF 2009.
Airline disruption recovery
ROADEF Challenge 2009

Niklaus Eggenberg and Matteo Salani

TRANSP-OR laboratory, École Polytechnique Fédérale de Lausanne, CH-1015 Lausanne,

Switzerland

Model The global structure is a Column Generation scheme based on the constraint specific networks
presented in Eggenberg et al. (2008)1 . We denote F the set of flights to be covered, P the set of
available planes, S the set of final states, which describes the type of aircraft, the location, time and
maximal allowed resource consumption expected at the end of the recovery problem for the ARP. T
is the length of considered period, which corresponds to the recovery period for the ARP. A route r is
defined by the covered flights in the route, the reached final state and the plane the route is assigned
to. Let Ω be the set of all feasible routes r, xr the binary variable being 1 if route r is chosen in the
solution and 0 otherwise, and cr the cost of route r. We also define the time-space intervals l = (a, t)
as the time period [t, t + 1) at airport a ∈ A, where t is the length of the time intervals to5 consider
6
(typically 60 minutes). We denote L the set of all time-space intervals (there are | A | × Tt such
intervals in total). The departure and arrival capacities for an airport a during period [t, t + 1) are
given by qlDep and qlArr with l = (a, t).

Finally, consider the following set of binary coefficients :

bfr 1 if route r covers flight f ∈ F , 0 otherwise ;

bsr 1 if route r reaches the final state s ∈ S, 0 otherwise ;

bpr 1 if route r is assigned to plane p ∈ P , 0 otherwise ;

bDep,l
r 1 if there is a flight in route r departing within time-space interval l ∈ L, 0 otherwise ;

bArr,l
r 1 if there is a flight in route r arriving within time-space interval l ∈ L, 0 otherwise.

Finally, we add binary slack variables yf , ∀f ∈ F for flight cancellation : yf is 1 if flight f is canceled,
and the associated flight cancellation cost is cf . With this notation, the Master Problem (MP) is the
following integer linear program :

1
Eggenberg, N., Salani, M. and Bierlaire, M. (2008a). Constraint specific recovery networks for
solving airline recovery problems, Technical Report TRANSP-OR 080828, EPFL, Switzerland.
404 Eggenberg, Salani

% %
min zM P = cr xr + cf yf (1)
r∈Ω f ∈F
%
bfr xr + yf = 1 ∀f ∈ F (2)
r∈Ω
%
bsr xr = 1 ∀s ∈ S (3)
r∈Ω
%
bpr xr ≤ 1 ∀p ∈ P (4)
r∈Ω
%
bDep,l
r xr ≤ qlDep ∀l ∈ L (5)
r∈Ω
%
bArr,l
r xr ≤ qlArr ∀l ∈ L (6)
r∈Ω

xr ∈ {0, 1} ∀r ∈ Ω (7)
yf ∈ {0, 1} ∀f ∈ F (8)

The objective 1istominimizetotalcosts.Constraints2ensureeachf lightiseithercoveredbyarouter ∈

ω or canceled. Constraints 3 ensure each final state is reached by a plane and constraints 4 en-
sure each aircraft is assigned to at most one route. Finally, constraints 5 and 6 ensure the departure
and arrival capacities of the airports are satisfied, and constraints 7 and 8 ensure integrality of the
variables.
In the Column Generation process, the pricing problem aims at finding new feasible columns im-
proving the current (partial) solution. The pricing is solved as a Resource-Constrained Elementary
Shortest Path Problem (RCESPP) on the constraint specific networks.

Passenger recovery Model 1-8 optimizes resource utilization, i.e. aircrafts, and tries to minimize the
number of canceled flights. Once this problem is solved we build the complete connection network of
available flights. Each flight is represented as a node and each arc represents a possible connection
for passengers between two flights, dummy node {0} represents generic passenger source and arcs
between flights to the dummy node represent final connection for passengers. The capacity of the
flights in terms of number of passengers are associated to outgoing arcs.
For each itinerary we solve a flow problem on the connection network where the origin, the destination
and the available time for the passenger are taken into account to slightly modifying the network as
follows : the capacity of arcs {0} − f is set to 0 for all flights not departing from itinerary’s origin.
The same happens for final arcs for itinerary’s destination.
When the passengers are routed on a flight, the aircraft’s capacity covering the flight is updated
accordingly. Itineraries are considered in a greedy way : those with highest cancellation cost are
rerouted first.

Computational Results In this section we present some computational results for the ROADEF
Challenge 2009 B data set.
For instance B02 and B07 our algorithm was not able to automatically reroute aircraft BAE200#116
to its maintenance airport. In practical implementation of a recovery algorithm this can be easily
done in a post-processing phase.
 Instance Total Cost Instance Total Cost
B01 45332180.70 B06 58083111.10
B02 65932350.15∗ B07 88709573.80∗
B03 47399606.25 B08 61334494.65
B04 46958301.10 B09 61334690.40
B05 96062882.85 B10 117368359.35
Tab. 1. Recovery cost for instances B01-B10.

Challenge ROADEF 2009.

Description of the TUe Solution Method

Christian Eggermont, Murat Firat, Cor Hurkens, Maciej Modelski

Eindhoven University of Technology, The Netherlands

1 Introduction
The complex problem presented in [1] is decomposed into smaller more tractable pieces. Each su-
broutine corresponding to a sub-problem improves the current schedule in one aspect and its output
is input for the next one.
The subproblems we identified deal with fixing the aircraft rotation continuity, respecting the air-
port capacity constraints, fine-tuning delay management, and itinerary reassignment. Each of the
subproblems is described in some more detail below.

2 Fixing Aircraft Rotations

Due to flight cancellations and aircraft unavailability periods it may happen that an aircraft’s rotation
gets broken at some point. We start by canceling for an unavailable aircraft all remaining flights
originally scheduled within its unavailability period.
Next we list for each aircraft its assigned (non-canceled) flights in order of (planned) departure time.
We treat consecutive flights of aircraft in pairs and cancel and/or add flights if certain conditions are
satisfied. Assume we are considering a flight A → B followed by C → D, where C -= B. If D = B the
problem is resolved by canceling the second flight. Otherwise we create an additional flight B → C,
or a flight B → D while canceling C → D.
After this first fix, each flight is preliminarily scheduled to depart at the first available moment in
time, not necessarily respecting airport arrival and departure capacities.

3 Respecting airport capacities

For each airport and each time slot of an hour, the number of arrivals and the number of departures
are restricted. If we handle aircraft one-by-one, and schedule each flight as early as possible, while
respecting airport capacities, we may run into the problem that either an aircraft arrives too late for
406 Eggermont, Firat,Hurkens,Modelski

maintenance or it cannot carry out all its assigned flights within the recovery period. In these cases
we have to cancel or exchange some of its flights.
In order to fix this problem, we first discriminate between flights leading towards a maintenance
period, and those that do not. For an aircraft that goes towards maintenance, the first set of flights
constitute a so-called pre-maintenance rotation. The remainder of the flights per aircraft form a
non-pre-maintenance rotation. As maintenance due dates have to be respected, we schedule pre-
maintenance rotations first, aircraft by aircraft, aircraft with earliest maintenance first. Next we
schedule the remaining, non-pre-maintenance rotations, aircraft by aircraft, with aircraft in random
order.
For each rotation, we start scheduling flights at the earliest possible time as long as the airport
capacities allow. If this works out, we fix the departure times and adjust remaining airport capacities.
If it does not work, we compute for each flight in the rotation a latest possible departure time. Based
on these earliest and latest departures we decide how to short-cut the rotation by one of three ways :
either skip a middle section of flights, starting and ending at the same airport ; or skip a trailing
segment of flights, ending up at the wrong airport ; or skipping a middle section of flight, while
adding a flight so as to connect the first section to the last section.

cancel

Airport 1
wait

Flight1
origin

Airport 2
s Flight3 t
Flight2

destination
Airport 3

Fig. 1. The flow of itineraries.

4 Delay fine-tuning
After constructing feasible rotations in terms of continuity, airport capacity, turn around or transit
times between consecutive flights of aircraft, and maintenance due dates, we may want to have
additional delays to have enough connection time for as many passengers as possible.
Flights may be subjected to delays in a way that they stay in their original time slots. Let ∆i denote
the maximum delay for which both departure and arrival of flight i stay in their respective time slots.
Given the current schedule we need not consider connections that are surely lost, and neither connec-
tions that are certainly made. For the remaining connections the objective tries to achieve maximal
slack. To this purpose we add to the objective a term wij (Xj − Xi ), where variables Xk refer to
departure times of flight k, and the weight wij counts the number of passengers hoping for a feasible
connection from flight i to flight j. The variables Xk are to stay within their range [X̂k , X̂k + ∆k ],
where X̂k is the current planned departure time for flight k.
 TUe Solution Method 407

5 Itinerary reassignment
With flight cancellations and delays introduced both by the problem instance and the preceding steps
of our algorithm, many itineraries become infeasible. Here we try to reroute passengers of an itinerary
using the available capacity of the operated flights.
We solve the problem separately for each itinerary by finding a minimum cost s − t flow in the graph
depicted in Figure 1. We construct this graph once and adjust it for each problematic itinerary under
consideration.
By assigning appropriate capacities and costs to the arcs in the graph, we find for a particular
problematic itinerary the cheapest feasible alternative routes. Those passengers that cannot be ac-
commodated, are canceled.

Références
1. M. Palpant, M. Boudia, C.-A. Robelin, S. Gabteni, and F. Laburthe. Roadef 2009 challenge :
Disruption management for commercial aviation. 2008.
 Index

Absi, N., 295 Boisson, J-C., 207

Acuna-Agost, R., 327, 388 Boniol, F., 309
Afsar, H.M., 64 BONNANS, F., 383
Afsar, M., 385 Bontoux, B., 361
Aghezzaf, H., 347 Borne S., 195
Akeb, A., 278 Bostel, N., 226
Alain berro, B., 168 Bouchard, M., 321
Alexis AUBRY, 366 Boudhar, M., 238
Alfandari L., 195 Boudia, M., 385
Alfandari, L., 215 Bourgeois, N., 156
Alpan, G., 110 Bournez, O., 258
AMODEO, L., 364 Bourreau, E., 385
ANDRÉ, J., 383 Boussaton, O., 258
André, V., 301 Boussier, S., 319
Anne Ruiz-Gazen, C., 168 Bouyssou, D., 130
Aouni, B., 340 Brauner, N., 284
Apparigliato, R., 120 Briand, C., 103
Artigues, C., 262, 361, 385 Briant, O., 385
Artigues, M., 143 Brotcorne, L., 291
Auteur-A, A., 30, 182, 311 Brucker, F., 280
Auteur-B, B., 30, 182, 311 Bui, A., 266

Baala, O., 174 C.Artigues, 141

BAALBAKI, H., 139
Badreddine Jerbi, A., 342
Baptiste, P., 353
Barth, D., 258
Bazgan, C., 155, 231
Belaid, F., 36
Belgacem, L., 172, 184
Belkhelladi, k., 299
Bellanger, A., 78
Ben Salem, S., 317
Ben Youcef, S., 202
Benoist, T., 48
Benyahia, B., 188
Bernard, T., 266
Berro, A., 86
Besbes, W., 71
Bessaih, F., 325
Bibi, M.O., 381
BIKIENGA, M., 147
Bilegan, I.C., 291
Billaut, J-C., 197
Bisaillon, S., 390
Cabon, B., 325
Cafieri, S., 333, 379
Camilleri, G., 127
Caminada, A., 166, 331
Chabchoub, H., 242, 340
Chabrol, M., 359
Charon, I., 172
Charpentier, P., 32
Chauvet, P., 299
Cherfi, N., 270
Chiche, A., 369
Chikhi, N., 238
Chrétienne, P., 353
Christian Artigues, B., 112
Clautiaux, F., 276, 392
Cohen, J., 258
Cooren, Y., 186
Corbel, E., 262
Cordeau, J.-F., 390
Cordier, J.-P., 347
Cordovilla, M., 309
Cornaz, D., 191

Costa M.-C., 315
Couëtoux, B., 155
Déplanche, A-M., 158
Dallery, Y., 297
Damay, J., 217
Daniel Cosmin Porumbel, 68
Darlay, J., 284, 398
Dauzère-Pérès, S., 295, 355
De Wolf, D., 36
Debarbieux, D., 205
Della Croce, F., 66, 105
Delling, D., 114
Delorme, X., 136
Delorme, X., Dolgui, A, 222
Dereu, T., 178
Deroussi, L., 303
Desaulniers, G., 321
Deschinkel, K., 151
Destré, C., 60
Detienne, B., 355
Devarenne, I., 331
DIB, M., 331
Dickson, S., 400
Djellab, H., 131, 217
Djemel, T., 34
Dolgui, A., 136, 351
DORIN, François, 307
Dréo, J., 25
Duhamel, C., 264, 286
Dukhovny, Alexander, 260
Duthen, Y., 86
Dépincé, P., 23
Eggenberg, N., 402
Eggermont, J., 404
El Haddad, J., 250
Erbs, G., 120
Eric Gourdin, 93
Escoffier, B., 156
Espinouse, M.-L., 110
Essafi, M., 136
Esswein, C., 149
Estellon, B., 48
Estivie, S., 254
Euchi, J., 242
Féniès P., A., 74
Fakhfakh, M., 186
Fallou Gueye, A., 112
Author Index 409
Faye, A., 60
Feillet D., 10
Feillet, D., 4, 291, 325, 327, 361, 388
Firat, M., 404
Forget, J., 309
Fouad, F., 268
Frédéric Schettini, C., 112
Gély, A., 280
Gabteni, S., 3
Galea, F., 335
Gandibleux, X., 23
Garaix T., 10
Garaix, T., 66
Gardi, F., 48, 80
GENIET, A., 147
Gerber, O., 385
Gharbi, A., 107
Gicquel, C., 297
Giroudeau, R., 4
Golden, B., 253
Gourdin, E., 184
Gourgand, M., 359
Gourguechon, O., 224
Gourvès, L., 373, 377
Grabener, T., 86
Grangeon, N., 134, 224, 301
GROLLEAU, Emmanuelle, 307
Guéret, C., 176
Gueye, S., 18, 327, 388
GUGENHEIM, D., 383
Guyon, O., 83
Guédas, B., 23
H. Le Cadre, 180
Hanafi, S., 101, 392
Hansen, P., 333
Hayel, Y., 291
Hazir, O., 240
Herbots, J., 349
Hernandez, F., 4
Hichem Kammoun, B., 342
Hifi, H., 278
Hifi, M., 122, 270
Hladik, P-E., 158
Hnaien, F., 222
Houssin, L., 262
Huart, A., 8
Hudry, O., 172, 256
Huguet, M.-J., 40
410 Author Index

Hurkens, C., 404 Lee, J., 379

Hyon, E., 213 Lehuédé F., 10
Lemaire, P., 83
Jacquenot, G., 268 LEMARIE, B., 52
Jacques. BIBAI, B., 97 Lenté, Ch., 197
JARDIN, A., 52 Lequy, Q., 321
Jean-Marie, A., 213 Lermé, N., 219
Jean-Mathieu Segura, 93 Leus, R., 349
Jeanjean, A., 48, 371 Li, W., 400
Jeantet, G., 58 Liberti, L., 282, 333, 337, 379
Jin Kao Hao, 68 Lopez, P., 40
Jost, V., 228 lopez, P., 143
Jourdan, L., 207 Loukil, T., 71
Jozefowiez N., 394
Jozefowiez, N., 245 M. Bouhtou, 180
M. Hifi, 323
Kacem, I., 91, 122, 270 M. Ould Ahmed Mounir, 323
Karoui, W., 40 M.Ayala, 141
Kedad Sidhoum, S., 240 Mabed, H., 174, 331
Kedad-Sidhoum, S., 295 Maculan, N., 282
Kergosien, Y., 197 Maffray, F., 313
Kerivin, H.L.M., 193 Mahjoub, R., 191, 193
Khanafer, A., 276 Maisonneuve, J.-J., 268
Kieffer, Y., 21 Malgouyres, F., 219
Koné, O., 143 Malick, J., 16
Konig, J.C., 4 MALO, S., 147
Kovalyov, M.Y., 351 Mancel C., 394
Krishnaswamy, R., 184 Manier, H., 174
Kronek, L.-P., 284, 398 Manier, M-A., 174
Kuipers, E., 396 Mansi, R., 392
Marc. SCHOENAUER, S., 97
Létocart L., 195 Marchant, Th., 130
Létocart, L., 12, 62, 219 Marichal, Jean-Luc, 260
LABADI, K., 364 Marie-José Huguet, C., 112
Labidi, M., 107 Martin, B., 371
Lacomme P., B., 74 Martin, J.N., 166
Lacomme, P., 76 Martineau, P., 149
Lacroix, M., 193 Meden, B., 264
Lamer, F.., 178 Mehri, H., 34
Lamrous, S., 174 Meng-Gérard, J., 353
Lang J., 252 Mesmoudi, S., 207
Laporte, G., 245, 390 Meurdesoif, Ph., 14
Laribi, M., 76 Michelon, P., 327, 388
Latifi, A., 188 Michelon, Ph., 18, 325
Laurent Dezou, C., 112 Minh Hoang LE, 366
Lavor, C., 282 Minoux, M., 297, 317
Layouni, R., 385 Mireille JACOMINO, 366
Le Cun, B., 335 Mocquillon, C., 131
Leblond, M., 18 Modelski, M., 404
Leclaire, P., 359 Mongeau, M., 143
 Author Index 411

Monnot, J., 373, 377 PRINS, C., 357

Montaut, D., 178 Psacual, F., 377
Mora Camino F., 394
Morel, G., 313 Quadri D., 10
Morineau, O., 176 Quadri, D., 18, 325
Mucherino, A., 282 Queyranne, M., 1
Quilliot A., B., 74
Néron, E., 89, 305
Nègre, N, 278 Rémy CHEVRIER, 247
Nagih, A., 215 Rabat, C., 266
Nagih, N., 62 Radjef, S., 381
Nakib, 27 REBAI, A., 199
Nannicini, G., 114 Rebai, A., 202
Naud, O., 4 Rebai, M., 91
Naves, G., 228 Renaud, C., 174
NGUEVEU, S.U., 357 Riane, F., 345, 347
Nguyen, V.H., 95 RICHARD, Michael, 307
Norre, S., 134, 224, 301 RICHARD, Pascal, 307
Rivreau, D., 83
Oulamara, A., 78 Rodríguez-Getán, C., 295
Oulhadj, 27 Rodrigues, C.D., 18
Ouorou, A., 184 Roland, B., 345
Ourari, S., 103 Roupin, F., 16
Oussedik, S., 2 Ruskin, H.J., 286
Ozturk, O., 110
Sécherre, S., 55
Péridy, L., 299 Sadki, J., 215
Pérotin, M., 149 SAGGADI, S., 364
Péton O., 10 Salani, M., 402
Péton, O., 176, 226 Sauer, N., 235
Pagetti, C., 309 Sauvanet, G., 89
Pascale Kuntz, 68 Sauvey, C., 235
Paschos, V., 156 Savourey, D., 209
Pasin, F., 390 Schaal, A., 299
Pavageau, C., 176 Schrenk, S., 398
Pedraza Morales, S., 120 Semet, F., 8, 245
Peekstok, J., 396 Shchamialiova K., 351
Perny, P., 1, 253 Siarry, 27
Perrin, D., 286 Siarry, P., 186
Pessan, C., 305 Simonin, G., 160
Philippe Chrétienne, 93 Smaoui, S., 340
Picouleau C., 315 Smith, O., 400
Pierre Fouilhoux, 93 Solau, C. , 84
Pinson, É., 83 Souad Larabi Marie-sainte, A., 168
PINSON, E., 52 SOUKI, M., 199
Plateau, A., 215 Souki, M., 202
Plateau, G., 12 Soumis, F., 321
Plateau, M-C., 12 Sourd, F., 293, 353
Plateau, M.-C., 120 Spanjaard, O., 58, 250
Poncelet, D., 176 Suon, M., 224
412 Author Index

Sylla, M., 264 Vanderpooten, D., 231

Vasquez, M., 319
T’kindt, V., 105 Vimont, Y., 319
Talbi, E-G., 207, 276 Viry, P., 205
Talla Nobibon, F., 349
Tchrnev, N., 76 Weber, C., 131
Teghem, J., 71 Weber, Ch., 293
Thanh, P.N., 226 Wenger, P., 268
Thoma-Cosyns, L., 84 Wilbaut, C., 392
Topart H., 315 Wilbaut, C. , 101
Touati, N., 62 Wolfler Calvo, R., 153
Touati, S.A.A, 151 WOLFLER-CALVO, R., 357
Toubaline, S., 231
Toulouse, S., 153 Yugma, C., 355
Trampont, M., 60
Zaourar, L., 21, 398
Véjar, A., 32 Zarate, P., 127