Méthodes locales pour la réparation en ordonnancement de
Transcription
Méthodes locales pour la réparation en ordonnancement de
Méthodes locales pour la réparation en ordonnancement de FJSP avec transport Hélène Soubaras Thales Research & Technology, F-91767 Palaiseau (cedex), France [email protected] Mots-clés : ordonnancement, FJSP, problème d’atelier flexible, problème de transport, réparation de plan, recherche tabou, shifting bottleneck 1 Introduction On s’intéresse à la réparation des séquences en ordonnancement du problème FJSP (Flexible JobShop Problem, ou problème d’atelier flexible). Le FJSP est une généralisation du JSP (Job-Shop Problem) au cas où on peut choisir la machine à affecter pour certaines tâches. On a besoin de réparation si, pendant que le plan est en train de s’exécuter, une perturbation le rend invalide ou non optimal. Comme nous l’avons montré dans une précédente publication [2], les méthodes de résolution par recherche locale s’appliquent bien à l’adaptation et la réparation car elles respectent un critère supplémentaire, qui est de limiter le nombre de changements par rapport au plan initial. Ceci est souhaité pour des raisons opérationnelles. Dans la pratique on rencontre souvent des problèmes de FJSP avec transport [3]. Nous proposons de les simplifier à des problèmes de FJSP avec déplacements en s’affranchissant des ressources de transport, et leur étendons nos méthodes locales pour les réparer. 2 Méthodes locales proposées L’idée des méthodes locales est de partir d’une solution initiale et trouver des solutions améliorées itérativement par exploration de voisinage. Le critère optimisé est la durée totale d’exécution du plan, et un 2e critère de distance quadratique temporelle, pour limiter encore les changements par rapport au plan initial, est utilisé en cas d’ex-aequo. Ces méthodes sont étendues aux problèmes avec déplacements en intégrant les temps de déplacements dans les durées des tâches, de façon dynamique au cours de la recherche des solutions locales. 2.1 Recherche tabou Nous avons implémenté l’approche de Mastorelli &Gambardella [1]. Le voisinage consiste à déplacer une tâche en la plaçant sur la file d’une machine échangeable avec sa machine initiale. La liste tabou est la mise en mémoire des solutions déjà explorées afin ne pas les explorer à nouveau. 2.2 Nouvelle approche : algorithme du taquin à potentiel (ou 15-puzzle) C’est une variante de l’approche ci-dessus, qui a été publiée à MCO 2015 [2]. Pour gagner en temps de calcul, on a introduit une présélection des solutions explorées basée sur le calcul d’un potentiel. Le gain en compexité de cette approche par rapport à la recherche tabou est de l’ordre de N T 15 /T tabu = O(N j /N p × N psmodi f s /Nmodi f s ) pour N j jobs et N p tâches au total. Donc, si on prend une valeur de présélection N ps peu élevée, l’algorithme du taquin à potentiel est plus intéressant. 2.3 Shifting bottleneck On propose ici comme 3e approche possible une variante locale du shifting bottleneck (SB) qui consiste à recalculer une solution lorsqu’on a déplacé une tâche d’une machine à une autre. L’heuristique du SB est une méthode classique de résolution des JSP. Zhang [3] l’utilise pour générer une solution initiale à son algorithme génétique, à une affectation des machines donnée (donc un JSP). 3 Application à un essaim de drones Nous appliquons nos méthodes de réparation à la planification de missions de drones. Il y a plusieurs missions de reconnaissances à effectuer, en différents lieux, et il y a plusieurs drones pour peuvent les effectuer. Les missions constituent chacune des jobs avec une tâche unique. On peut remarquer qu’on se ramène ici à un problème de tournée, que nos méthodes savent résoudre. On suppose qu’on a un plan initial minimisant la durée totale d’exécution (ex. Figure 1). Puis on regarde comment réparer le plan si un drone tombe en panne à un moment donné. FIG. 1 – Planification de 3 missions à effectuer par 2 drones 4 Conclusion Nous avons montré que les méthodes locales sont adaptées à la réparation des problèmes de FJSP. Nous en avons proposé une nouvelle, l’algorithme du taquin à potentiel, qui est une variante plus rapide de la recherche tabou. En effet, la réparation de plan doit se faire en temps réel, et donc le temps de calcul est un critère important. Cela diminue l’intérêt des approches génétiques, très en vogue, et qui pourtant s’associent bien aux méthodes locales, mais qui sont gourmandes en temps de calcul. Nous avons montré que ces méthodes continuent à être efficaces pour les problèmes de déplacement. L’algorithme du taquin à potentiel peut aussi prendre en compte des critères multiples et aussi un incertitude sur la durée des tâches. Références [1] LM Gambardella and M Mastrolilli. Effective neighborhood functions for the flexible job shop problem. Journal of Scheduling, 3(3), 1996. [2] Hélène Soubaras. Reactive multiobjective local search schedule adaptation and repair in flexible job-shop problems. In Proc. of MCO (Int. Conf. on Modelling, Computation and Optimization of Information Systems and Management Science), Metz, France, 11–13 May 2015. [3] Qiao Zhang. Contribution à l’ordonnancement d’ateliers avec ressources de transports. PhD thesis, Université de Technologie de Belfort-Montbeliard, 2012.