1

Cultural Algorithm for Solving the Flexible Job-Shop Problem

Ralis par: Asmi Fatima ezzahhra Cheikhna leaziza

Encadr par: Pr. AHIOD

Plan
2

Introduction Problmes dordonnancement Description du Problme du JOB shop Rappel sur les algorithmes volutionnistes Lalgorithme culturel GENACE: An Efficient Cultural Algorithm for Solving the Flexible Job-Shop Problem Resultants de calcul Conclusion

Introduction
3

Le problme dordonnancement dans un atelier cheminement multiple (jobshop) fait parties de la classe des problmes NP-complet , Lutilisation des Algorithmes volutionnistes plus particulirement lalgorithme culturel permettent de traiter efficacement des problmes de grande taille dans un temps limit.

Notre travail consiste ensuite traiter les particularits dun algorithme culturel bas sur lapproche gntique et sa mise en uvre pour la rsolution de notre problme dordonnancement.

PROBLME DORDONNANCEMENT

Le problme ordonnancement
5

Le problme dordonnancement est le processus de rpartition, dans le temps, de taches sur des ressources, et dont lensemble est soumis certaines contraintes. Un ordonnancement constitue une solution au problme d'ordonnancement, il dcrit l'excution des taches et l'allocation des ressources au cours du temps et vise satisfaire un ou plusieurs objectifs.

Caractristiques du problme
6

Les taches
Une tache i est une entit lmentaire de travail (opration ou ensemble d'oprations) localise dans le temps par une date de dbut ou de fin, dont la ralisation ncessite une dure et qui consomme des moyens

Les contraintes
les tches excuter sont soumises des contraintes qu'il faut satisfaire au moment de la recherche d'une solution optimale Temporelles: " la tache i doit prcder la tache j " Contraintes disjonctive: Lorsque deux tches ne peuvent pas tre excutes en mme temps

Caractristiques du problme
7

Les ressources
les moyens requis pour l'excution des tches, ils sont de deux types :
Consommables et ressources renouvelables

Les critres
exigences qualitatives et quantitatives satisfaire permettant dvaluer la qualit de lordonnancement tabli. la minimisation du maximum des retards sur les dates dachvement des actions

la minimisation des dates dachvement des actions

..etc.

Reprsentations
8

Le diagramme de Gantte
permettant de visualiser dans le temps les diverses tches lies composant un travail et leur avancement

Le graphe Potentiel-Tches La mthode PERT.

DESCRIPTION DU PROBLME DU JOB SHOP

Problmes dordonnancement des ateliers

10

Les problmes dordonnancement sont caractriss par:

le nombre de machines dans latelier et leur disposition, nombres doprations composant les jobs,

des ordres de leurs passages sur les machines

le nombre de machines pouvant raliser une opration.

Description du problme de JOB SHOP

11

Le problme dordonnancement Jop Shop est un problme NP-Complet .

Ce problme est consist dun ensemble de taches excuter sur un ensemble de machines,
chaque tche est dfinit par un ensemble doprations ordonns chaque opration est assign a une machine avec un temps dexcution prdfini.

Lordre des oprations dans les tches et ces machines correspondantes est fix a priori et indpendant de tche a tche.

La rsolution de ce problme consiste ainsi trouver la squence des tches qui minimise le makespan correspondant au temps de fin de la dernire opration dans lordonnancement.

Atelier multi-machines cheminements multiples (Job shop)

12

Ateliers jobs composs de plusieurs oprations et dont les machines sont disposes en parallle JOB SHOP avec RECIRCULATION: Lorsquun job peut passer sur une machine plus dune fois, la gamme est dite bouclante (recirculation). JOB SHOP FLEXIBLE: Cest une extension du problme classique du job shop. La diffrence est que pour le problme du job shop flexible, chaque opration peut tre effectue par une seule machine dans un ensemble de machines. Le problme est ainsi de dterminer la fois une affectation et un squencement des oprations sur les machines en fonction de lobjectif atteindre

RAPPEL SUR LES ALGORITHMES VOLUTIONNISTES

Algorithmes volutionnistes
14

Ces algorithmes sont bass sur le principe de processus d'volution naturelle et les mcanismes d'volution des espces vivantes. Ils travaillent sur une population de solutions en appliquant un processus cyclique compos dune phase de coopration et dune phase dadaptation individuelle qui se succdent tour de rle. Dans la phase de coopration, les solutions de la population courante sont compares entre elles, puis combines, dans le but de produire de nouvelles solutions qui hritent des bons aspects de chaque membre de la population Dans la phase dadaptation individuelle, chaque solution dans la population peut voluer de manire indpendante.

Oprations
15

La slection : choisir les individus qui vont pouvoir suivre et se reproduire pour transmettre leurs caractristiques la gnration suivante Le croisement : cherche combiner les caractristiques des individus parents pour crer des individus enfants dans la gnration future

la mutation: effectue de lgres modifications de certains individus.

ALGORITHME CULTUREL

Algorithme culturel
17

Introduit par Robert G. Reynolds dans les annes 90 Les algorithmes culturels Appartienent la famille des algorithmes volutionnistes quont t dvelopps en se basant sur l'volution du patrimoine culturel au cours du temps et comment celui ci apprend et acquiert des connaissances pendant de nombreuses gnrations. Les algorithmes culturels peuvent galement tre vus comme une extension des algorithmes gntiques

Les composants du CA
18

Un CA possde 3 composants majeurs:

Un espace de la population Un espace de connaissances Un Protocol qui dcrit l'change de connaissances entre ces deux composants

Espaces de Connaissance
19

Lespace de croyances est divis en catgories distinctes. Ces catgories reprsentent des domaines diffrents de la connaissance que la population a de l'espace de recherche.

Les meilleurs individus peuvent tre slectionns en utilisant une fonction de remise en forme qui value la performance de chaque individu dans la population un peu comme dans les algorithmes gntiques.

l'espace de croyances est actualise aprs chaque itration par les meilleurs individus de la population

Espaces de Connaissance
20

Connaissances normatives : Une collection de plages de valeurs souhaitables pour les individus dans lespace de populations, par exemple : un comportement acceptable pour les agents de la population. Connaissances concernant des informations spcifiques sur le domaine du problme Connaissances situationnelles: exemples spcifiques des vnements importants - par exemple succs / chec des solutions Connaissances temporelles : historique de l'espace de recherche - par exemple les tendances temporelles du processus de recherche Connaissance du territoire : Informations sur la topographie de l'espace de recherche

Se qui diffrencie CA des algorithmes volutionnistes tels que les algorithmes d'optimisation par essaims de particules et l'algorithme de colonies de fourmis c'est que le CA utilise 5 connaissances basiques typiques du problme pour la rsolution au lieu d'une ou deux dont la valeur est transmise localement

les catgories de la connaissance de l'espace de croyance peuvent influer sur la population grce la fonction influence. Cette fonction peut affecter la population en modifiant le gnome ou les actions des individus

Espaces de population
21

une population est constitue de plusieurs individus reprsentant des solutions du problme donn Le mcanisme de gnration de la population initiale doit tre capable de produire une population dindividus non homogne qui servira de base pour les gnrations futures. Le choix de la population initiale est important car il peut rendre plus ou moins rapide la convergence vers loptimum global

Un individu est reprsent par un chromosome

Chaque chromosome est reprsent par une chaine (de bit..) ou autres selon le problme etudi

Protocole de communication
22

une interface entre la population et l'espace de connaissances permettant lchange des connaissances entre ces deux espaces

Pseudo-code du CA
23

1. 2. 3. 4.

Initialiser l'espace de la population Initialiser lespace de connaissances

Rptez l'opration jusqu' que la condition darret est satisfaite

Effectuer des actions sur les individus dans l'espace de la population valuer chaque individu en utilisant la fonction de remise en forme Slectionnez les parents pour reproduire une nouvelle gnration Laissez l'espace de croyance modifier le gnome de la descendance en utilisant la fonction Influence

5.

6. 7.

8.

Mettre jour l'espace croyance en utilisant la fonction accept (cela se fait en laissant les meilleurs individus influer sur l'espace de croyances)

Le cycle VIP (voter-hriter-promouvoir)

24

la phase de vote: les membres de la population sont values afin d'identifier leur contribution la l'espace des connaissances en utilisant la fonction d'acceptation (accept).

Ces connaissance sont slectionns ou mis en vote pour contribuer l'espace actuel de connaissance.
L'espace des connaissance est modifie lorsque les connaissance hrites sont combines avec les connaissance qui ont t ajouts par une gnration actuelle, et elle est dtermine l'aide d'un processus de raisonnement qui permet la mise jour de l'espace des connaissance. l'espace des connaissance mis jour est utilis pour influencer lvolution de la population, Une nouvelle population est reproduite l'aide d'un ensemble de base des oprateurs volutionnaires, ensuite cette nouvelle population pourrait tre value ainsi le cycle continu successivement.

CA: Cycle VIP

25

Espace de connaissance
Vote: acceptation Promouvoir : influence reproduction Protocole de communication

Espace de la population
Espace de recherche

Performance

GENACE: AN EFFICIENT CULTURAL ALGORITHM FOR SOLVING THE FLEXIBLE JOB-SHOP PROBLEM
Synthse, analyse et Rsultats

Problmatique
27

Ordonnancement dun atelier flexible cheminement multiple (job shop flexible)

Lobjectif de cet algorithme est de minimiser le makespan: le dlai d'excution maximum de toutes les oprations.

Approche gnrale de la mthode GENACE

28

GENACE : un model de lalgorithme culturel bas sur lapproche gntique et appliqueant les rgles de rpartitions des taches (dispatching rules ou CDRs) pour initialiser lespace de la population

L'espace de recherche dans chaque gne est alors intelligemment guid par des gnralisations des chromosomes individuels qui sont culturellement volu partir des gnrations prcdentes.

Approche gnrale de la mthode GENACE

29

Formulation du FJSP
30

Soit un ensemble de n jobs J={J1,J2,,Jn} index par i Les jobs doivent tre raliss par un ensemble de m machines M={M1,M2,..,Mm} index par k Chaque job ji est compos dune squence linaire de ni oprations {Oi1,Oi2,,Oij,., Oin}. Oijk signifie quune opration j du job i est xecute sur une machine k

le temps de Mise en place est indpendant de la squence et il est inclus dans le temps de traitement

Catgories de FJSP selon la taille des machines

31

FJSP totale (ou T-FJSP)

FJSP partielle (ou P-FJSP):

Mij = M implique que chaque opration Oij peut tre trait sur une seule machine dun ensemble M.

M ij M au moins une opration Oij peut tre traiter sur une seule machine de M

Reprsentation chromosomique
32

1) Representation en chaines:

A string (liste de toutes les oprations de tous les jobs et les machines correspondantes) B string (liste machines et les oprations executes sur chacune),

Reprsentation chromosomique
33

2) Representation en machine et jobs paralelles

un chromosome est cod par une liste des machines fonctionnant en parallle ou par une liste des travaux excuts en parallle.

3) Representation par un tableau daffectation

Reprsentation chromosomique
34

4) Reprsentation de Tay J.C. and Wibowo D concu pour les FJSP : Cette reprsentation possde 2 parties Partie dordre doprations: exemple : soit 2 jobs j1(o11,o12,o13) et j2 (o21,o22) une squence dordonnancement possible (o21,o11,o22,o12,o13) alors un individu est reprsent par la squence (2 1 2 1 1) Partie de machines slectionnes: un tableau de valeurs binaires

Initialisation De GENACE
35

Crer la population initial

The CDR-Bootstrap algorithm : Cet algorithme attribue chaque opration une machine afin dobtenir un temps dattente minimum et minimiser le makespan

Structure de Lespace de connaissance

36

Espace doperations de connaissance (operation belief space ): Contient lensemble des machines qui peuvent executer une opration dun job Le OB-space est modifi aprs chaque k generation par n meilleur chromosome Aide la mutation dans le choix des meilleurs chromosomes Structure= table de bit

Structure de Lespace de connaissance

37

Espace de Chromosomes de connaissance (Chromosome belief space):

m meilleurs chromosomes partir de la population initiale
Algorithme de mise jour du CB-space

Calcul du makespan pour un chromosome

38

Minimise le makespan en affectant des opration dans le temps dattente sur une machine

Oprations
39

La Mutation consiste selectionner la meilleur machine qui pourra xecuter une telle opration partir de l OB-space => Sur un tableau des machines possible on choisis la meilleur qui minimise Le croisement consiste maintenir les lignes dun seul job et changer les lignes des autres jobs entre des tables.

Le grand avantage de la mthode GENACE par rapport aux autres algorithmes gntiques cest quelle utilise les connaissances de lespace de croyance lors de la mutation

Oprations
40

Croisement

Mutation

Sur Partie dordre doprations: croisement 2-point,

Partie de machines slectionnes:

2 nombre alatoire 2<= r1,r2 < l-1 avec l la longueur de la 2eme partie du chromosome, les parties des parents entre les deux valeurs sont changs

Sur Partie dordre doprations: 2 nombre alatoire 2<= r1,r2 < l-1 avec l la longueur de la 1ere partie du chromosome, Les valeurs de chane entre les deux positions sont inverses. Partie de machines slectionnes: la mutation applique dans cette partie est influence par le OB -space

RSULTATS DE CALCUL

Paramtres
42

Implment en C++, PC 2GH Meilleurs rsultats aprs 5 excutions Taille de la population=100 Probabilit de croisement= 0.75 Probabilit de mutation = 0.3

Nombre de gnrations= 200

Taille de CB-space= 10 Nombre de chromosomes dans la gnration courante qui influence le CB-space =5 Nombre de chromosomes dans la gnration courante qui influence le OB-space =10

Cas dun T-FJSP:10 jobs/10 machines

43

Rsultat optimal aprs 20 gnrations avec un makespan = 7

Comparaison
44

Cas dun P-FJSP: 8 jobs/8machines

45

Rsultat optimal aprs 28gnrations avec un makespan = 14

Comparaison
46

Conclusion
47

Les rsultats exprimentaux montrent que GENACE obtient de meilleures limites suprieures de 11 des 13 problmes FJSP de rfrence, avec des facteurs d'amlioration de 2% 48%. Il offre des meilleurs rsultats par rapport autres algorithmes gntiques

48

Merci pour votre attention!