FiNMATICA ORTEMS

ECOLES NATIONALE D’INGENIEURS DE

TARBES

Méta-heuristiques pour le paramétrage Méta-heuristiques pour le paramétrage automatique d’un logiciel d’ordonnancement automatique d’un logiciel d’ordonnancement

industrielindustriel

El-Djillali TALBIDoctorant systèmes industriels

Journée Bermudes / Métaheuristiques7 février 2003

AgendaAgenda

• Introduction

• ORTEMS scheduler

• ORTEMS optimizer

• Approches d’optimisation

• Exemples

• Conclusions

• Perspectives

IntroductionIntroduction

Le problèmeLe problème

• Grand nombre de paramètres à régler

• Ordonnancement très sensible aux valeurs des paramètres

• Plusieurs objectifs

Comment sélectionner et régler les paramètres par rapport aux objectifs de la production

Indic. 2

Paramètres Indicateurs

Indic. 3

Indic. 1

Logiciel d ’ordonnancement

Param. 1

Param. 2

Param. 3

?

IntroductionIntroduction

ORTEMS schedulerORTEMS scheduler

• Paramètres52 paramètres prédéfinisà chaque paramètre on peut spécifier une valeur

différente par machinepossibilité de créer de nouveaux paramètres

• Indicateurs23 indicateurs de performance personalisables (par

période, par OF, par machine, ...).Possibilité de créer de nouveaux indicateurs

ORTEMS schedulerPa

ram

ètre

s Indicateurs

IntroductionIntroduction

ObjectifsObjectifs

• Concevoir et développer un environnement d’aide

:

à la sélection de paramètres pertinents à l’entrée

d’un système

au réglage de leurs valeurs de manière à optimiser

les indicateurs de performance à la sortie du

système

• Appliquer à des cas industriels réels

IntroductionIntroduction

ApprochesApproches

• Méthodes statistiquesplans d’expérienceanalyse de données

• Systèmes à base de connaissancesystèmes expertsextraction de connaissances à partir de donnéesréseaux de neurone

• Méthodes d ’optimisationmeta-heuristiquesméthodologie des surfaces de réponse

ORTEMS schedulerORTEMS scheduler

Construction du grapheinitial Encours

Graphe Courant

D.T. desNouveaux OF

Vide?

Partition du Graphe

Définition du ConflitNon- Critères d ’Ordonnancement

(choix de l’opération)- Critères de Placement

(choix de la machine)

Résolution du Conflit

Mise à Jour duGraphe

Oui

FIN

ORTEMS SchedulerORTEMS Scheduler

Résolution de conflit par Résolution de conflit par filtragefiltrage

Conflit d ’opérations (ou

de machines)

Choix

Critères d ’ordo (ou de placement)

ORTEMS SchedulerORTEMS Scheduler

Résolution de conflit par Résolution de conflit par

compromiscompromis

Conflit d ’opérations (ou

de machines)

Choix

i

ii CwMin

Critère d ’ordo (ou de placement)

Poids

• Sélectionner les critères à utiliser

• Déterminer les valeurs des poids

?

ORTEMS OPTIMIZERORTEMS OPTIMIZER ArchitectureArchitecture

APIs

Base de donnéestechnique

OptimizerBase de données

XML

SQL

XML/SOAP

XML/SOAP

XML/SOAP

OPTIMIZER(Java)

E-SCM Server(Java)

Profiler(Java)

ApplicationSever

Moteurd ’ordo.

ORTEMS OPTIMIZERORTEMS OPTIMIZER Optimisation en boîte Optimisation en boîte

noirenoire

Evaluer la fonctionobjectif

Valeurs des paramètres

Indicateurs

Moteur d ’ordo.

Recherche denouvelles solutionsORTEMS scheduler

Optimizer

ORTEMS optimizerORTEMS optimizer Fonction objectifFonction objectif

pi : poids

fi(x) : ième indicateur de performance

fi(xi0) : valeur initiale du ième indicateur

fi* : borne inférieur pour le ième indicateur

• Avantage: simplicité

• Inconvénients: difficulté de déterminer les valeurs des poids résultats dépendant de la méthode de normalisation utilisée

i iii

iiii

fxf

fxfpxf

*0

*

• Somme pondérée des indicateurs de performance de l’ordonnancement

ORTEMS OPTIMIZERORTEMS OPTIMIZER

EtapesEtapes

Début

Créer un nouveau réglage

Configuration et définition des objectifs

Algorithme d ’optimisati

on

Visualisation des

résultats

Validation

Fin

Charger un réglage

Sauvegarder le réglage

Moteur d ’ordonnancement

ORTEMS optimizerORTEMS optimizer

Solution

ORTEMS optimizerORTEMS optimizer Mode autonomeMode autonome

Collaborateur CollaborateurCollaborateur

BDT

Planificateur

Tâche de fond

OPTIMIZEROPTIMIZER

Enco

urs

Valeurs des paramètres

Valeurs des paramètres

Encours

Approches d ’optimisationApproches d ’optimisation

Principales difficultésPrincipales difficultés

• Problème multicritère

• Situation en boîte noire

• Fonctions objectifs coûteuses

• Grande dimentionalité

• Environnement dynamique

• Paramètres à valeurs continues

Approches d’optimisationApproches d’optimisation

• Se base sur l’utilisation de meta-heuristiques

Echantillonage aléatoire

Descente aléatoire (multistart, kangourou, …etc)

Recuit simulé

Algorithmes génétiques

Approches d’optimisationApproches d’optimisation

Sélection de paramètresSélection de paramètres

• Sélection à priori (avant optimisation)utilisation de l’expérience pour réduire l’espace des

paramètres

• Sélection à postériori (après optimisation)élimination des paramètres inutiles

• Sélection au cours de l’optimisationSélection aléatoire séquentielle (en arrière et en

avant)Sélection par échantillonage aléatoireSélection par opérateurs génétiques

Approches d’optimisationApproches d’optimisation

Descente aléatoire (1) Descente aléatoire (1)

• Descente aléatoire + selection aléatoire en arrièrecodage reeldeux opérateurs de mutation :

m1 : sélectioner d’un paramètre quelconque et changer sa valeur aléatoirement (Exchange and linear move)

m2 : éliminer un paramètre choisis aléatoirementChoix de la mutation à appliquer :

i : nombre de paramètres sélectionnés dans la solution c > 0, ts entier > 0

Appliquer une sélection aléatoire en arrière à la fin

sinon exp

0

2

it

c

tisi

iP

s

s

m

Approches d’optimisationApproches d’optimisation

Descente aléatoire (2) Descente aléatoire (2)

• Descente aléatoire + selection par échantillonage aléatoirecodage reelsolutions initiales sélectionnées par echantillonage

aléatoiresystème de voisinages :

Les paramètres sélectionnés sont les seuls à être changés à chaque descente aléatoire

kiik rxxxxN ,00 /

,* avec 1 kk rcr 1,0c Kk ...,,2,1et

Approches d’optimisationApproches d’optimisation

algorithmes génétiques (1) algorithmes génétiques (1)

• Codage réel

• Population initiale générée avec un nombre fixe de paramètres sélectionnés

• Deux opérateurs de mutation:changer aléatoirement les valeurs de paramètres

sélectionnésajouter et éliminer le même nombre de paramètres

• “recombination” discrête

• opérateur de sélection de solutions dans la population : ranking selection

Exemple 1Exemple 1

• Compagnie travaillant dans la soutraitance en industrie aérospatiale.

• 152 machines et 8557 opérations

• RCGA (40 taille population, 40 crossover, Pm 0.2, Nbre parm. Pop. init. 8)

• Nombre de paramètres dans la solution obtenus (450 itérations, 15 heures de calcul : PIII 660 mhz) : 9

• Après une sélection aléatoire en arrière : 3 paramètres ont été retenus.

Indicateur Poids Goal Valeurinitial

Aprèsoptimisation

Retard OF moyen 100% 0 jours 41 jours 21 jours

Makespan 10% 0 jours 600 jours 198 jours

Exemple 1Exemple 1

Nombre de paramètres sélectionnés

Fonction objectif pour la solution courante

Exemple 2Exemple 2

Indicateur Poids Goal Valeurinitial

Après deschangementsmanuels

Aprèsoptimisation

Retard moyen 100% 10 jours 45 jours 37 jours 18 jours

Retard troisièmequartile

100% 10 jours 76 jours 59 jours 34 jours

Makespan 30% 200 jours 560 jours 560 jours 372 jours

• Compagnie de parfums et arômes.

• 136 machines et 1329 opérations à ordonnancer.

• Nombre de paramètres sélectionnés 10 sur 52.

Exemple 2Exemple 2

Robustesse de la solutionRobustesse de la solution

Retard OF moyen

0

5

10

15

20

25

30

35

40

45

50

18/03/02 25/03/02 01/04/02 08/04/02 15/04/02

avant

solution18-03-02

ConclusionsConclusions

• Point positif :Résultats spectaculaires dans certains cas Intérêt d ’utiliser des méta-heuristiques pour

automatiser la configuration des logiciels d ’ordonnancement

• Limites :temps d ’ordo. doit être faible (pas plus d ’une

dizaine de minutes)Non robustesse de la solutionRésultats de l ’ordo limités dans beaucoup de

situations Indicateurs difficiles à spécifier dans certains cas

Perspectives (1)Perspectives (1)

• Application à d ’autres types de paramètres :action sur le planning (voie très prometteuse)paramètres du SRP…etc

• Sélection de paramètres :opérateurs génétiques permettant la sélectionpopulation based instance learningtests statistiques sur les solutions visitées fast random hill climbingméthode taboo

• Parallélisation de l ’optimisation.

Perspectives (2)Perspectives (2)

• Accélérer l ’ordonnancement ( ordo. rapide et ordo. Partiel).

• méthodologie des surfaces de réponses

• Pareto optimisation

• Robustesse de la solution