algorithmes génétiques multicritères
Transcription
algorithmes génétiques multicritères
3e conférence Francophone de Modélisation et SIMulation « conception, Analyse et Gestion des systèmes industriels » MOSIM’O1 – du 25 au 27 avril 2001 – Troyes (France) ALGORITHMES GÉNÉTIQUES MULTICRITÈRES POUR LES PROBLÈMES DE FLOWSHOP M-H Mabed, M. Rahoual E-G. Talbi, C. Dhaenens Institut d’Informatique / Université des Sciences et de Technologie Houari Boumèdienne, BP 32 El Alia, Bab Ezzouar / ALGER. Mél: [email protected], [email protected] LIFL, Université de Lille1, Bât.M3 59655 Villeneuve d’Ascq Cedex France. Mél : [email protected], [email protected] RÉSUMÉ : Les problèmes d’ateliers tels que le Flow Shop ou le Job Shop sont des problèmes cruciaux pour le domaine industriel. Les critères à optimiser sont généralement la minimisation du temps de terminaison ou celui des retards. Cependant, rares sont les approches de résolution qui prennent en compte différents critères à la fois. Cet article présente une approche basée sur les Algorithmes Génétiques adaptés au cas Multicritère. Diverses stratégies de sélection, de maintien de la diversité de la recherche et d’hybridation sont exposées. Leurs performances sont testées et comparées. MOTS-CLÉS : Algorithmes génétiques, Optimisation Multicritère, Flow Shop, Hybridation, Parallélisme 1. INTRODUCTION Le problème du Flow Shop est l’objet de nombreuses études. Les méthodes adoptées pour sa résolution varient entre les méthodes exactes, telles que le Branch & Bound (Brah et Hunsucker, 1991), les heuristiques de recherche (T’Kindt et Billaut, 2000) et les métaheuristiques (Adenso-Diaz, 1991), (Ben-Daya et AlFawzan, 1998), (Murata et Ishibuchi, 1998), (Nowicki, 1999). Cependant, la plupart de ces travaux se résument en l’étude du problème dans sa forme mono-critère avec pour objectif principal la minimisation de la date de fin d’exécution (makespan). Les Algorithmes Génétiques (AG) se sont illustrés par une grande efficacité face aux problèmes d’optimisation combinatoire. L’extension de la méthode pour le cas multicritère a été élaborée de différentes façons (Talbi, 1999), (Veldhuizan, 1999). La difficulté du cas Multicritère réside dans l’absence d’une relation d’ordre totale qui lie l’ensemble des solutions du problème. Sur le plan des AGs, ce manque apparaît dans la difficulté de concevoir un opérateur de sélection qui affecte à chaque individu une probabilité de sélection proportionnelle à la performance de cet individu. Un autre inconvénient est lié à la perte prématurée de la diversité ainsi que l’instabilité de la recherche. D’où la nécessité de concevoir des techniques de maintien de la diversité au sein de la population. La première section de cet article est consacrée à la présentation du problème de Flow Shop Multicritère. Nous discuterons des différents paramètres à optimiser ainsi que des contraintes à satisfaire. Dans la deuxième section, nous présentons les différents choix de codage, de fonctions objectifs et d’opérateurs génétiques. Dans la troisième section, différentes stratégies de sélection seront présentées et leurs performances comparées. Lors de la quatrième section, nous discuterons des méthodes de maintien de la diversité implémentées ainsi que leurs apports sur la qualité des solutions trouvées. La cinquième section sera consacrée à la présentation de l’hybridation de l’AG Multicritère avec la recherche locale. L’apport de l’hybridation sera ainsi souligné. La sixième section est dédiée à la comparaison de la performance de la méthode par rapport à d'autres travaux. 2. PROBLÈME DE FLOWSHOP MULTICRITÈRE Le problème de Flow Shop se présente comme un ensemble de N jobs à ordonner sur M machines. Les machines sont des ressources critiques dans le sens où une machine ne peut être affectée à deux jobs simultanément. Tout job est composé de M tâches consécutives, Ji={ti1, ti2, …, tiM}. La tâche tij représente la jème tâche du job Ji requérant la machine mj. Par conséquent, tous les jobs ont la même séquence d'usinage sur les machines. A chaque tâche tij est associée une durée d’exécution pij, et chaque job Ji est limité par une date di avant laquelle il doit obligatoirement s’achever. L'ordonnancement des tâches sur les différentes machines doit s'effectuer de façon à optimiser certains critères "réguliers". Ces critères varient selon la spécificité du problème traité, et consistent généralement en la minimisation de l'un des paramètres suivants (T’Kindt et Billaut, 2000) : Cmax (date de fin de l’ordonnancement), C (flot moyen), Tmax (maximum des retards), T (somme des retards), U (nombre de jobs en retard). Ici, nous nous intéressons à l’étude d’un problème de FlowShop de permutation F / perm, di / (Cmax ,T), où les jobs doivent être ordonnés dans le même ordre sur toutes les machines. - 843 - MOSIM’O1 – du 25 au 27 avril 2001 – Troyes (France) machines. La position d’un job dans le chromosome défini son numéro d’ordre dans la séquence. 3.FLOWSHOP ET ALGORITHMES GÉNÉTIQUES 3.1. Codage 3.2. L’application des AGs à un problème donné nécessite une représentation chromosomique d’une solution (dans notre cas, un ordonnancement des jobs). La séquence de passage des jobs sur les machines étant identique (FlowShop de permutation), il suffit de présenter le séquencement des jobs sur une seule machine. Par conséquent, un ordonnancement est vu comme une permutation définissant l’ordre de passage des jobs sur les 0 S i ( j −1) + pi ( j −1) S ij = S i' j + p i ' j max (S i(j-1) + p i ( j −1) , S i ' j + pi ' j ) Si J i est le premier job de la permutation et j ≠ 1 (1) Si J i n' est pas le premier job de la permutation et j = 1 Sinon Les critères d’optimisation considérés sont : la minimisation du makespan et la somme des retards. f1 = Cmax = Max (SiM + piM) (2) f2 = T = ∑ [Max(0 , SjM + pjM - di)] (3) Ji ∈ jobs L’évaluation d’une séquence donnée, nécessite le calcul des dates de début et de fin des tâches. Les critères à optimiser étant réguliers, ce calcul est réalisé par la construction de l’ordonnancement au plus tôt des tâches. Le calcul se fait de manière récursive, à commencer par les tâches planifiées en premier, comme suit, avec Sij la date de début de la tâche tij et Ji’ le job qui précède Ji dans la permutation : Si J i est le premier job de la permutation et j = 1 3.3. Fonctions Objectifs Ji ∈ jobs Détermination des dates de début des tâches L’opérateur de Mutation consiste au choix aléatoire de deux points dans le chromosome. Une rotation est alors effectuée comme indiquée dans la figure 1. L’opérateur de croisement, aussi nommé "croisement deux points", consiste au choix aléatoire de deux points de croisement. Un individu fils est alors généré en conservant les extrémités de chromosome de parent1 et en complétant avec les jobs non déjà insérés suivant leur ordre d’apparition dans parent2 (figure 2). 4. OPÉRATEUR DE SÉLECTION 3.4. Opérateurs Génétiques Appliquer la méthode des AGs à un problème donné nécessite aussi le choix d’opérateurs génétiques qui servirons à faire évoluer la recherche. Nous, nous sommes inspirés des opérateurs définis par (Murata et Ishibuchi, 1998). Les opérateurs de mutation et de croisement sont décrit dans les figures ci-dessous. Point1 L’absence d’une relation d’ordre total entre les différentes solutions possibles d’un problème multicritère, nécessite de redéfinir la notion d’optimalité. 4.1. Dominance et optimalité Pareto La dominance au sens de Pareto représente une relation d’ordre partiel sur l’ensemble des points de l’espace de recherche (nb_obj désigne le nombre d’objectifs à optimiser). Point Figure 1. Opérateur de mutation P1 xi domine xj ssi ∀ k∈ 1..nb_obj], fk(xi) ≤ fk(xj) et ∃ k∈[1..nb_obj] tq fk(xi)<fk(xj) (4) xi est Pareto optimale ssi ∀xj tq xj ≠ xi , xj ne domine pas xi (5) Makespan Solution Pareto P2 Solution trouvée Fils Point1 Point2 Retard Figure 3 : Solutions Pareto Figure 2. Opérateur de croisement - 844 - MOSIM’O1 – du 25 au 27 avril 2001 – Troyes (France) Un individu xi a alors une probabilité π(xi) d’être sélectionné (tp désigne la taille de la population courante) : 4.2. AGs et Problèmes d'optimisation multicritère Un vaste éventail de techniques d’adaptation des AGs au cas multicritère se retrouvent dans la littérature. Les différences principales entre ces méthodes reposent sur les modalités d’intégration des différents objectifs : 1. La phase de sélection : l'aspect multicritère apparaît dans la façon dont les individus sont triés suivant leurs performances en vu d’être sélectionnés a. La sélection lexicographique : se base sur un ordre de priorité entre les objectifs, préétabli par le décideur. b. La sélection par Ranking : se base sur le calcul des rangs des individus de la population en s'appuyant soit sur la notion de dominance telle que la sélection NSGA (Srinivas et Deb, 1995) et NDS (Fonseca et Fleming, 1995), soit sur la valeur des fonctions objectifs telles que la sélection WAR (Bentley et Wakefield, 1997) ou la sélection par somme pondérée des objectifs (Hajela et Lin, 1992). c. La sélection parallèle : A chaque génération, la population est subdivisée en nb_obj souspopulations de tailles égales. A chaque souspopulation est associé un objectif à optimiser. Les individus d’une même sous-population sont alors sélectionnés suivant l’objectif qui leur est attaché (Shaffer, 1985). d. La sélection par somme pondérée des objectifs à poids variable : Adoptée par (Murata et Ishibuchi, 1998), cette méthode consiste lors de chaque génération à générer de façon aléatoire les poids ω1, ω2, ... ωnb_obj compris entre [0,1] tel que ω1+ω2+ ...+ωn = 1. Les individus de la population sont alors sélectionnés suivant la formule ω1f1(S)+ω2f2(S)+... +ωnfn (S) pendant cette génération là. 2. La phase de reproduction (Reproduction Multisexuelle (Allenson, 1992)): Un objectif correspond à un sexe donné. A chaque individu de la population est associé un sexe dès sa génération. Les individus sont admis à la reproduction seulement s'ils appartiennent à des sexes différents. 4.3. Stratégies de sélection implémentées Pour notre étude nous avons implémenté et testé six stratégies de sélection multicritère. 4.3.1 Sélection par somme pondérée des objectifs Cette méthode consiste à se ramener à un problème mono-critère en combinant linéairement les différentes fonctions objectifs : f(xi)=∑k λk fk(xi) avec λk ∈ [0, 1] et ∑k λk = 1 (6) π(xi)= f(xi) / ∑ f(xj) (7) j ∈ [1..tp] 4.3.2 Sélection Parallèle La moitié des éléments sélectionnés le sont par rapport à f1, et l’autre moitié par rapport à f2. 4.3.3 Sélection NSGA Dans la sélection NSGA (Non Dominated Sorting Genetic Algorithm) (Srinivas et Deb, 1995), les rangs des individus sont calculés d’une manière récursive à commencer par les individus dominants de la population. - Soit E1, l’ensemble des individus non dominés de la population courante. - Soit E2, l’ensemble des individus qui ne sont dominés que par des individus appartenant à E1. ..... - Soit Ek, l’ensemble des individus qui ne sont dominés que par des individus appartenant à Ej, j<k. La probabilité de sélection d’un individu xi appartenant à En suit l’expression de Baker (Talbi, 1999) suivante où S représente la pression de sélection et tp la taille de la population courante : π(xi )= Avec S(tp + 1 – Rn ) +Rn -2 tp(tp - 1 ) Rn = 1+ |En| +2 * ∑ j∈ [1.. n-1] |Ej | (8) (9) 4.3.4 Sélection NDS Dans la sélection NDS (Non Dominated Sorting) le rang d’un individu est identique au nombre de solutions dominant l’individu plus un. La probabilité de sélection est calculée suivant la formule (8) Rang (xi) = | xj ∈ Population / xj domine xi| + 1 (10) 4.3.5 Sélection WAR La Weighted Average Ranking consiste à calculer le rang de chaque individu de la population par rapport aux différents objectifs séparément. Le rang d’un individu est alors pris comme étant la somme des rangs. Pour cela on commence par ordonner les individus par ordre croissant de la fonction f1 et par ordre croissant de la fonction f2. Les probabilités de sélection sont alors calculées comme pour la sélection NSGA. Rang(xi) = Rang_makespan (xi) + Rang_Retard(xi) (11) 4.3.6 Sélection élitiste La sélection élitiste consiste à maintenir une sorte de population archive PO* qui contiendra les meilleures solutions non dominées rencontrées au long de la recherche. Cette population participera aux étapes de sélection et de reproduction. Dans ce cas la probabilité de sélection d’un individu xi de la population courante de rang n correspondra à l’expression suivante, avec A/tp la probabilité de choisir - 845 - MOSIM’O1 – du 25 au 27 avril 2001 – Troyes (France) un élément de la population Pareto et S la pression de sélection. : 3. π ( xi ) = (tp − A) S (tp + 1 − Rn ) + Rn − 2 tp tp(tp − 1) (12) 4.4. Performances des différentes stratégies de sélection Pour comparer les performances des 6 stratégies de sélection implémentées, des tests ont été effectués sur le problème de Heller à 20 jobs, 10 machines (Heller, 1960). Les tests (Figure 4) montrent une amélioration de la recherche avec l'introduction de l'élitisme dans la phase de sélection. Les stratégies Non-Pareto (somme pondérée et sélection parallèle) semblent être moins adaptées au cas multicritère. Les trois stratégies de sélection NSGA, NDS, WAR sont de performances presque identiques. 4. 5. 6. Makespan 16 16 15 Dans ce dernier procédé, la dégradation de l’adéquation d’un individu est réalisée grâce à une fonction appelée fonction de partage (sh). La fonction de coût révisée d’un individu xi notée f’(xi) est égale à la fonction de coût originale f multipliée par le compteur de niche de l’individu m(xi). 15 14 14 13 18 23 Elitist WAR 28 33 NSGA + Σ Pondérée 38 43 Temps de retard f’(xi) = f(xi) × m(xi) Sél. Parallèle LE MAINTIEN DE LA DIVERSITÉ Les AGs classiques sont réputés pour être très sensibles quant au choix de la population initiale ainsi qu’aux mauvais échantillonnages lors de la sélection. Cette fragilité est observable sur le plan de la perte de diversité ou ce qu’on appelle aussi la dérive génétique. Pour palier à cet inconvénient plusieurs approches visant à maintenir la diversité dans la population ont été proposées : 1. 2. (13) NDS Le compteur de niche calcule le degré de similarité qu'a un individu avec le reste de la population. Figure 4 : Comparaison des stratégies de sélection 5. sélectionnés en tournant, d’un angle fixe, la roue à partir de sa position courante. Maintien de la distance: Proposée par (Mauldin, 1984), cette technique consiste à définir une valeur k comme distance minimale autorisée entre deux individus de la population. A la génération d'un individu, sa distance par rapport au reste de la population est calculée. Si l'individu est jugé trop proche d’un autre (distance<k) alors il subira une série de mutations jusqu'à ce que la distance k soit respectée. Crowding : (Holland, 1975) suggère qu’après la génération d'un individu, celui-ci remplace dans la population l'individu qui lui est le plus semblable. Restriction de Voisinage (Fujita et al., 1998) : L’idée est de permettre la reproduction entre deux individus s’ils sont similaires, ou au contraire, empêcher la reproduction entre individus similaires pour éviter l'inceste. Niches écologiques (sharing): Le principe du Sharing (Goldberg et Richardson, 1987) est la dégradation de l’adéquation des individus appartenant à des espaces de recherche de forte concentration de solutions. Introduction de nouveaux individus: Cette technique consiste à générer de façon aléatoire et tout le long de la recherche de nouveaux individus et à les insérer dans la population courante. Stochastic Universal Sampling (SUS): (Baker, 1985) propose une technique visant à éliminer les dérives liées au choix probabiliste. La sélection SUS procède ne choisit que le premier individu de façon probabiliste (en lançant une roue biaisée), les autres individus étant m(x) =Σy∈pop sh(dist(x,y)) (14) La fonction de partage sh est définie comme suit : dist(x, y) α 1− Si dist(x, y)<γ γ (15) sh(dist(x, y))= 0 Sinon Dans la formule (15) la constante γ désigne le seuil de dissimilarité (taille des niches). C’est à dire la distance au bout de laquelle deux individus xi et xj ne sont plus considérés comme appartenant à la même niche. La constante α permet de contrôler et réguler la forme de la fonction sh. Selon que la distance entre les individus est calculée dans l’espace de décision (la représentation chromosomique de l’individu) ou dans l’espace objectif (adéquation de l’individu) trois possibilités peuvent se présenter. 5.1 Sharing Génotypique La distance entre individus calcule la différence entre les chromosomes représentant les permutations. Ici, la distance - 846 - MOSIM’O1 – du 25 au 27 avril 2001 – Troyes (France) entre deux individus x et y est égale au nombre de ruptures d’ordre entre x et y. d1(x, y) = | {(i, j) ∈ J x J / i précède j dans la solution x et j précède i dans y} (16) 5.2 Sharing Phénotypique La distance est la différence entre les coûts des deux individus. d2(x,y) = | f1(x) - f1(y)| + | f2(x) - f2(y)| (17) 5.3 Sharing combiné Ce dernier cas représente la combinaison des deux premières approches dans le sens où le calcul de la distance fait intervenir les deux sortes de distances, génotypique et phénotypique. La fonction sh prend dans ce cas la forme suivante : d 1 (x , y ) si d1(x, y) < γ 1, d2(x, y) ≥ γ 2 1 − γ1 d 2 (x , y ) 1 − si d1(x, y) ≥ γ 1, d2(x, y) < γ 2 sh (x , y ) = γ2 d 1 (x, y ) d 2 (x , y ) si d1(x, y) < γ 1, d2(x, y) < γ 2 1− γ 1γ 2 0 sinon (18) La figure 5 représente l’apport des différentes variantes de diversification sur la recherche. Les tests ont été effectués sur le problème de Heller 20*10. Les paramètres concernant la stratégie de diversification sont : α=0.9, γ1=4 et γ2=1. La figure montre que le sharing phénotypique donne de meilleurs résultats que le sharing génotypique, même si ce dernier apporte plus de diversité. Le sharing combiné utilise ces deux aspects : performances et diversification. makespan 162 157 152 147 142 137 180 200 Sans Sharing 220 240 260 280 300 Sharing Génotypique Sharing Phénotypique 320 340 retard Sharing Composé Figure 5 : Apport de la diversification A noter, que l'apport de la diversification n'apparaît qu'après un nombre de générations important, d'où la nécessité de prendre un nombre limite de générations très élevé ( > 40 000). 6. HYBRIDATION LOCALE AVEC LA RECHERCHE Le procédé d’hybridation consiste à générer pour chaque individu de la population Pareto trouvé, l'ensemble de son voisinage. Les voisins non dominés dans la population Pareto sont insérés dans celle-ci, et les solutions nouvellement dominées sont supprimées. Ce procédé est réitéré jusqu’à ce qu'aucun voisin d’aucune solution Pareto ne soit inséré dans la population Pareto. 530 Notre intérêt s’est porté sur l’utilisation de la recherche locale (RL) comme moyen d’accélération et de raffinement de la recherche. L’idée dans ce cas est de lancer l’AG en premier lieu afin d’approcher la frontière Pareto, après quoi la recherche locale s’occupera du raffinement des solutions trouvées par l’AG afin de mieux approcher l’ensemble des solutions Pareto. Le principe de l’hybridation est simple, une fois l’AG terminé, la recherche locale est lancée avec pour entrée l'ensemble Pareto obtenu. 528 526 524 522 520 518 516 500 L’utilisation de la recherche locale nécessite premièrement le choix de la manière de générer le voisinage d’une solution donnée. Nous, nous sommes inspirés pour cela de l’opérateur de mutation. Le voisinage d’une solution correspond à l’ensemble des permutations générées suite au déplacement d’un job. 600 700 800 non hyride 900 1000 Hybride Figure 6 : Apport de la recherche locale - 847 - 1100 MOSIM’O1 – du 25 au 27 avril 2001 – Troyes (France) Les mesures de performance de l’AG hybride montre que la recherche locale ne présente aucun intérêt pour les problèmes de petites tailles notamment Heller 20*10. Cependant l’apport de l’hybridation se fait sentir dès que la taille du problème augmente. Les tests présentés dans la figure 6 sont réalisés sur le problème de Heller avec 100 jobs et 10 machines. dus à (Taillard, 1993), offre un bon support de comparaison. D'une part, ces problèmes sont très référencés dans la littérature (Ben-Daya rt Al-Fawzan, 1998), (Holland, 1975). D'autre part, chaque problème est caractérisé par une valeur LB correspondant à la borne inférieure du makespan et d'une valeur UB correspondant à la meilleure solution obtenue par Taillard pour ce problème. 7. TESTS ET PERFORMANCES L'étude comparative des travaux d'optimisation multicritère se heurte généralement au problème d'absence de benchmarks. Ceci est dû aux spécificités du problème traité. Seul le makespan peut être considéré comme un critère de comparaison. Les problèmes (taxx) Problème Dimension ma_ta01_bi ma_ta02_bi ma_ta11_bi ma_ta12_bi ma_ta21_bi ma_ta31_bi ma_ta41_bi ma_ta51_bi 20x5 20x5 20x10 20x10 20x20 50x5 50x10 50x20 Le tableau 1 présente les résultats de tests effectués sur 8 instances de Taillard étendues au cas bi-critère notées ma_taxx_bi. MM désigne le meilleur makespan obtenu, MR le meilleur retard enregistré. dév mesure l'écart entre le meilleur makespan obtenu et UB. |PO| indique le nombre d'individus du front Pareto obtenus. SEED LB UB MM Dév MR |PO| Nb générations 873654221 379008056 587595453 1401007982 479340445 1328042058 1958948863 1539989115 1232 1290 1448 1479 1911 2712 2907 3480 1278 1359 1582 1659 2297 2724 3037 3886 1278 1359 1586 1674 2330 2735 3126 3990 0% 0% 0.25% 0.9% 1.43% 0.4% 2.93% 2.67% 453 491 1508 1342 1062 3629 6653 11379 4 6 28 21 32 11 24 32 50 000 50 000 80 000 80 000 200 000 200 000 200 000 300 000 Tableau 1: Performances de l'algorithme génétique hybride Les résultats montrent la capacité de l'algorithme à trouver des solutions de bonne qualité pour le makespan. Les petites déviations sont justifiables. En effet l’algorithme proposé est indépendant du problème traité car aucune heuristique ne minimisant le makespan ou le retard n'est utilisée. De plus, l'ensemble Pareto trouvé est assez dispersé ce qui nous offre un bon échantillonnage du front Pareto. L'algorithme proposé n'étant pas guidé par des heuristiques adaptées au problème de flow shop, reste très lent. La parallélisation de l'algorithme s'impose donc comme un moyen pour combler cette lacune. La réduction de temps d'exécution d'une génération rendra moins coûteux l'augmentation de la taille de la population ou le nombre limite de générations. 8. CONCLUSION ET PERSPECTIVES Nous avons construit notre approche par introduction progressive de concepts tels que la sélection, le maintien de la diversité et l'hybridation. A chaque étape nous avons illustré l'apport du mécanisme introduit, ce qui nous permet de formuler les conclusions suivantes. Les stratégies de sélection Pareto (NSGA, NDS, WAR) sont mieux adaptées au cas multicritère. L'efficacité de telles méthodes est améliorée avec l'introduction de l'élitisme lors de la phase de sélection. Cependant, le risque de la dérive génétique et de l'instabilité de la recherche reste présent. Les stratégies de diversification permettent de prévenir de tels problèmes. Trois variantes de la méthode de sharing ont été développées. Le Sharing Phénotypique apparaît être le plus intéressant pour obtenir une frontière Pareto plus large et mieux dispersée, la diversification génotypique, quant à elle, fournit des résultats de meilleures qualités. La combinaison des deux concepts améliore considérablement la recherche. Ensuite, la recherche locale a été utilisée comme moyen de raffinement et d'accélération de la recherche. Nous lançons l'AG en premier afin d'avoir une première approximation de la frontière Pareto. La recherche locale améliore ensuite ces solutions. L'apport de l'hybridation apparaît surtout pour des problèmes de grande taille. Nous avons proposé, l'extension des problèmes de (Taillard, 1993) au cas bi-critère afin de pouvoir tester notre méthode. Les tests effectués montrent la capacité de l'AG à atteindre des solutions de faible makespan. L'AG ainsi conçu reste assez lent à cause des mécanismes de sélection et de diversification. La parallélisation se présente alors comme moyen intéressant pour surmonter cet inconvénient. La réduction du temps d'une génération, pousse à l'utilisation de populations de taille plus grande et à l'augmentation du nombre limite de générations. Ce qui a pour effet d'améliorer la qualité du front Pareto trouvé. - 848 - MOSIM’O1 – du 25 au 27 avril 2001 – Troyes (France) La méthode de la recherche tabou a été utilisée avec succès au problème de Flow Shop. L'hybridation de l'AG avec la méthode peut offrir de meilleurs résultats. Reste aussi à tester la puissance de la méthode pour des problèmes de Flow Shop à plus de deux critères. La comparaison graphique étant impossible dans ce cas, des critères d’évaluation de performances plus élaborés doivent être utilisés tels que la notion de contribution (Talbi, 1999), et d'entropie (T’Kindt et Billaut, 2000). REFERENCES Adenso-Diaz, B., 1991. Restricted neightborhood in the tabu search for flow-shop problem. European Journal of Operational Research, Vol 61, p. 318. Allenson. R., 1992. Genetic Algorithms with gender for multi-function optimization. Technical Report EPCC-SS92-01, Edinburg Parallel Computing Center, Edinburg, Scotland. Baker. J.E., 1985. Adaptive selection methods for Getic Algorithms. Proceeding of international conference on gGetic Algorithms and their application, p. 101. Ben-Daya, M. and M. Al-Fawzan, 1998. A tabu search approach for the Flow shop scheduling problem. European Journal of Operational Research, Vol 109, p. 88. Bentley P.J. and J.P. Wakefield, 1997. Find an acceptable Pareto-optimal solutions using multiobjective Genetic Algorithms. Springer Verlag, London Page 231. Brah, S.B. and J.L. Hunsucker, 1991. Branch & Bound algorithm for the flow-shop with multiple processors. European Journal of Operational Research, Vol 51, p. 88. Fonseca, C. and P. Fleming, 1995. Multiobjective genetic algorithms made easy: selection, sharing and mating restrictions. IEEE Int. Conf On Genetic Algorithms in Engineering System: Innovations and Applications, p.45. Fourman. M.P., 1985. Compaction of symbolic layout using genetic algorithms. Conf on Genetic Algorithms and their Applications, Pittesburgh. Fujita, K., N. Hirokawa, S. Akagi, S. Kimatura and H. Yokohata, 1998. Multi-objective optimal design of automotive engine using genetic algorithm. In Proc. of DETC'98 - ASME Design Engineering Technical Conferences. Goldberg, D.E. and J. Richardson, 1987. Genetic algorithms with sharing for multimodal function optimization. In second Int. Conf. on Genetic Algorithms ICGA'2, p. 41. Hajela, P. and C. Lin, 1992. Genetic search strategies in multicriterion optimal design. Structural Optimisation, vol 4. Heller. J., 1960. Some Numerical Experiments For a MxJ Flow Shop And Its Decision Theoretical Aspects. Operational Research, Vol 8, page 178. Holland, J.H., 1975. Adaptation in natural and artificial systems. Michigan Press Univ., Ann Arbor, MI, USA. Mauldin. M.L., 1984. Maintaining diversity in genetic search. Proc. of nat. Conf. on artificial intelligence, p 247. Murata, T., and H. Ishibuchi, 1998. A Multi-objectives Genetic Local Search Algorithm and Its Application Flow-shop Scheduling. IEEE Transaction System. Vol 28, N°3, p. 392. Nowicki E., 1999. The permutation Flow shop with buffers: A tabu search approach. European Journal of Operational Research, Vol 116, p. 205. Schaffer. J.D., 1985. Multiple objective optimization with vector evaluated genetic algorithms, In J. J. Grefenstette, editor, IGGA Int. Conf on Genetic Algorithms, Page 93. Lawrence Erbaum. Srinivas, N., and K. Deb., 1995. Multiobjective optimization using non-dominated sorting in genetic algorithms Evolutionary Computation 2(8): p. 221. Taillard E., 1993. Benchmarks for basic scheduling problems. E. J. of Operational Research, Vol 64, p. 278. Talbi E.G., 1999. Métaheuristiques pour l'optimisation combinatoire multi-objectif : Etat de l'art. Rapport interne, Université de sciences et Technologies de Lille, France. T’Kindt, V., and J.C. Billaut, 2000. L’ordonnancement multicritère. Presses Universitaires de Tours. Veldhuizen D.A., 1999. Multiobjective Evolutionary Algorithms: Classification, Analyses, and New Innovations. Dissertation Presented to the Graduate School of Engineering of the Air Force Institute of Technology. - 849 -