Hybridation d’une Méthode Glouton et d’une Recherche Locale

Weinberg BenjaminWeinberg Benjamin

Laboratoire d’InformatiqueLaboratoire d’Informatique

Fondamental de Lille, FranceFondamental de Lille, France

Motivation

Appréhender la difficulté effective du problèmeAppréhender la difficulté effective du problème Apprendre les spécificités du problème:Apprendre les spécificités du problème:

Ce qui fait que certaines heuristiques marchent mieux Voir les méthodes qui donnent une solution dans Voir les méthodes qui donnent une solution dans

un temps raisonnableun temps raisonnable AG, RS convergent vers une solution optimale (random

le fait aussi) Quelle heuristique pour un problème nouveauQuelle heuristique pour un problème nouveau

Adaptation du problème

Fonction objectiveFonction objective h1: nombre de contraintes violées (CI & CEM) h2: la distance moyenne entre la différence entre

les fréquences de trajets contraints et la contrainte de séparation

Minimiser h1, en cas de «litige» maximiser h2. StratégieStratégie

k := 11; on cherche une affectation C tq h1(C) = 0 Puis on recommence avec k := k-1

Codage

f1,p1f2,p2 fi,pi fn,pn… … trajets

1 1 0 1… … affectés

0 45 63 195… …Permutation: trajets regroupés par liens

0 2 46 200… …Indice des «débuts» des liens

0 1 5 1… … Nb violations

Méthode ADSD

Origine de la méthodeOrigine de la méthode une recherche locale voisinage: changement de valeur à un lien.

Modifier toutes les valeurs en une seule Modifier toutes les valeurs en une seule passe!passe! => voisinage = totalité de l’espace de

recherche?? Désallocation de variables pour se déplacer Désallocation de variables pour se déplacer

plus efficacementplus efficacement

ADGR

Parcours d’une partie du voisinageParcours d’une partie du voisinage Pour chaque lien cherche la meilleure valeur Parcours aléatoire des liens Choix de la valeur locale à la variable Mettre à jour la note de la conf. + les tableaux

«affecté» et «nb violations» Maintien des contraintesMaintien des contraintes

de domaines d’égalité de fréquences

AD

Désallocation de certaines variablesDésallocation de certaines variables Politique choisie:Politique choisie:

Les liens dont au moins un trajet viole des contraintes

Nécessité du tableau des contraintes violéesNécessité du tableau des contraintes violées Mise à jour de ce tableau à moindre coup pendant

une évaluation

ADSD (algo)

TQ critère non atteint FAIRETQ critère non atteint FAIRE SI SI ADGRADGR améliore suffisamment conf. améliore suffisamment conf.

ALORSALORS SI conf. est meilleur ALORSSI conf. est meilleur ALORS mémoriser conf.mémoriser conf. FSI.FSI. SINONSINON ADAD (conf.) (conf.) FSIFSI FAITFAIT

Expérimentation (I)

Code en C ANSICode en C ANSI Run sur des PC linux 933MhzRun sur des PC linux 933Mhz Option d’optimisation -O3Option d’optimisation -O3

Paramètres:Paramètres: Pente minimale: 0.05 Nb itérations de pente faible avant ouverture: 1 Nb Itérations séparant le changement d’ordre des

liens: 5

Expérimentation (II)

7766fapp0fapp099

11111111

fapp0fapp088

10101100

fapp0fapp077

771100

fapp0fapp066

11111111

fapp0fapp055

6666fapp0fapp044

8888fapp0fapp033

5544fapp0fapp022

5544fapp0fapp011

11111100

fapp1fapp100

5566test03test037777test02test024444test01test01111111

11fapp1fapp155

11111111

fapp1fapp144

11111111

fapp1fapp133

11111111

fapp1fapp122

11111111

fapp1fapp111

991111

test04test04

--1111

fapp2fapp233

--1111

fapp2fapp222

--1111

fapp2fapp211

--1100

fapp2fapp200

--1111

fapp1fapp199

--1111

fapp1fapp188

--44fapp1fapp177

--1111

fapp1fapp166

Conclusion & Perspectives

Base A plus facile que la Base BBase A plus facile que la Base B Peu RobustePeu Robuste De bon résultats sur Base ADe bon résultats sur Base A

Modifier h2Modifier h2 Appliquer des mécanismes + sophistiqués Appliquer des mécanismes + sophistiqués

qu’une simple désallocationqu’une simple désallocation Utiliser un algorithme à population (AG hybride)Utiliser un algorithme à population (AG hybride)