These Elhayek PDF

Le probl`
eme de bin-packing en deux-dimensions, le cas

non-orient
e : r
esolution approch
ee et bornes inf
erieures.
Joseph El Hayek
To cite this version:

Joseph El Hayek. Le problème de bin-packing en deux-dimensions, le cas non-oriente :
resolution approchee et bornes inferieures.. Modeling and Simulation. Universite de Technologie de Compiègne, 2006. French. <tel-00158728>
HAL Id: tel-00158728

https://tel.archives-ouvertes.fr/tel-00158728
Submitted on 29 Jun 2007
HAL is a multi-disciplinary open access

archive for the deposit and dissemination of scientific research documents, whether they are published or not. The documents may come from
teaching and research institutions in France or
abroad, or from public or private research centers.
Larchive ouverte pluridisciplinaire HAL, est

destinee au depot et à la diffusion de documents
scientifiques de niveau recherche, publies ou non,
emanant des etablissements denseignement et de
recherche francais ou etrangers, des laboratoires
publics ou prives.
par Joseph El Hayek
Le problme de bin-packing en
deux-dimensions, le cas non-orient : rsolution
approche et bornes infrieures
Thse prsente
pour lobtention du grade
de Docteur de lUTC.
a5
a1
a2
a4
a3
Soutenue le : 8 dcembre 2006

Spcialit : Technologie de linformation et des systmes
Le problme de bin-packing en
deux-dimensions, le cas non-orient :
rsolution approche et bornes infrieures
Thse soutenue le 8 dcembre 2006 devant le jury compos de :

MM.
J. Carlier (Prsident, Examinateur)

V. Cung (Rapporteur)
J. Hao (Rapporteur)
M. Hifi (Examinateur)
A. Moukrim (Directeur de thse)
S. Negre (Directeur de thse)
iii
iv
Remerciements
Je tiens remercier mes directeurs de thse, Aziz Moukrim et Stphane Negre

pour leur disponibilit et leur soutien tout au long de ces trois annes de thse. Ce
fut une exprience riche mais aussi agrable.
Jadresse mes sincres remerciements Van-Dat Cung et Jin-Kao Hao pour avoir
accept de rapporter ce travail.
Jexprime ma gratitude Jaques Carlier ainsi qu Mhand Hifi pour mavoir fait
lhonneur de participer mon jury.
Mes remerciements vont aussi au Conseil Rgional de Picardie et au FSE qui ont
apport le financement ncessaire cette thse, ainsi qu lensemble des membres
du laboratoire Heudiasyc, pour leur accueil chaleureux.
Je souhaite galement remercier Franois Clautiaux qui ma fourni plusieurs
supports tels des articles, donnes et sources, qui mont t dune grande utilit,
notamment au dmarrage de la thse. Je remercie tous les membres de lquipe ARO
Heudiasyc, en particulier Antoine Jouglet, avec qui jai eu loccasion de collaborer.
Je remercie galement tous mes collgues qui mont permis de travailler dans une
ambiance excellente.
Merci Dima Abi-Abdallah, Franois Clautiaux, David Savourey et Hermann
Bouly pour avoir relu des chapitres de mon rapport de thse.
Mes remerciements vont aussi tous mes amis, merci de mavoir soutenu pendant
les moments difficiles, et jespre avoir su partager avec vous les moments de joie.
Enfin, je salue et remercie mes parents auxquels je ddie ce travail. Je remercie
galement mes proches, en particulier mes frres Antoine, Pierre, Michel et Dany
ainsi que ma soeur Vra, votre soutien ma t indispensable pour en arriver l.
Table des matires
Remerciements
Table des matires
vii
Liste des tableaux
ix
Liste des figures
xi
Introduction
1 Problmes de bin-packing
1.1 Introduction . . . . . . . . . . . . . . . . . . .
1.2 Classification et contraintes pratiques . . . . .
1.3 Dfinition du problme et notations . . . . . .
1.4 Modles pour le 2BP . . . . . . . . . . . . . .
1.5 Prtraitements . . . . . . . . . . . . . . . . .
1.5.1 Prtraitement de Martello et Vigo . . .
1.5.2 Prtraitement de Boschetti et Mingozzi
1.5.3 Prtraitements de Carlier et al. . . . .
1.6 Heuristiques de rsolutions . . . . . . . . . . .
1.6.1 Le cas 1BP . . . . . . . . . . . . . . .
1.6.2 Le cas 2BP . . . . . . . . . . . . . . .
1.7 Mta-heuristiques . . . . . . . . . . . . . . . .
1.8 Bornes infrieures . . . . . . . . . . . . . . . .
1.8.1 Bornes infrieures pour le 1BP . . . .
1.8.2 Bornes infrieures pour le 2BP |O . . .
1.8.3 Bornes infrieures pour le 2BP |R . . .
1.9 Mthodes exactes . . . . . . . . . . . . . . . .
1.10 Conclusion . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
5
5
6
8
10
11
13
13
14
15
16
17
21
23
23
25
26
26
27
2 Nouveaux prtraitements
29
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2 Notion dobjets orientation dpendante . . . . . . . . . . . . . . . . 29
vii
2.3
2.4
2.5
Prtraitements . . . . . . . . . . . . . . . .
2.3.1 Prtraitement . . . . . . . . . . . .
2.3.2 Prtraitement . . . . . . . . . . . .
2.3.3 Prtraitement . . . . . . . . . . . .
2.3.4 Comparaison des trois prtraitements
Rsultats exprimentaux . . . . . . . . . . .
Conclusion . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
3 Bornes infrieures
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . .
3.2 Aperu de la littrature . . . . . . . . . . . . . . . .
3.2.1 Bornes infrieures pour le 2BP |O . . . . . .
3.2.2 Bornes infrieures pour le 2BP |R . . . . . .
3.3 Nouvelle borne infrieure pour le 2BP |R . . . . . .
3.4 Dominance par rapport aux bornes de la littrature
3.5 Rsultats exprimentaux . . . . . . . . . . . . . . .
3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . .
4 Nouvelle heuristique : IMA
4.1 Introduction . . . . . . . . . .
4.2 Placement des objets, surfaces
4.3 Les rangements stables . . . .
4.4 Lheuristique (IM A) . . . . .
4.5 Rsultats exprimentaux . . .
4.6 Conclusion . . . . . . . . . . .
. . . . . .
maximales
. . . . . .
. . . . . .
. . . . . .
. . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
5 Nouvel algorithme tabou

5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . .
5.2 Les points essentiels dans une mthode tabou . . . . .
5.3 Nouvel algorithme tabou . . . . . . . . . . . . . . . . .
5.3.1 Voisinage . . . . . . . . . . . . . . . . . . . . .
5.3.2 Notion de configurations quivalentes . . . . . .
5.3.3 Heuristique de base . . . . . . . . . . . . . . . .
5.3.4 Fonction dvaluation . . . . . . . . . . . . . . .
5.3.5 Schma de lalgorithme tabou propos (TS-EC)
5.4 Rsultats exprimentaux . . . . . . . . . . . . . . . . .
5.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
34
35
38
40
41
42
45
.
.
.
.
.
.
.
.
47
47
48
48
53
56
58
62
62
.
.
.
.
.
.
65
65
65
68
69
71
73
.
.
.
.
.
.
.
.
.
.
79
79
79
82
82
83
85
87
88
89
93
Conclusion
95
Bibliographie
97
viii
Liste des tableaux
2.1
3.1
4.1
4.2
4.3
Prtraitements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
Comparaison avec la borne de [6] . . . . . . . . . . . . . . . . . . . . . 63
Lheuristique IM A. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
Comparaison du rapport borne suprieure sur borne infrieure. . . . . . 76
Comparaison du nombre de bins moyen utiliss pour ranger lensemble
de tous les objets. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.1 Lalgorithme tabou avec et sans prtraitements. . . . . . . . . . . . . . 90
5.2 Comparaison entre les deux versions. . . . . . . . . . . . . . . . . . . . 91
5.3 Lalgorithme tabou, comparaison avec les meilleurs rsultats de la littrature. 92
ix
Liste des figures
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
2.1
2.2
2.3
2.4
2.5
2.6
2.7
3.1
4.1
4.2
4.3
4.4
5.1
Illustration de la contrainte guillotine. . . . . . . . . . . . . . . . . . . .

Un exemple dinstance 2BP. . . . . . . . . . . . . . . . . . . . . . . . .
Une solution pour le 2BP |O . . . . . . . . . . . . . . . . . . . . . . . .
Une solution pour le 2BP |R . . . . . . . . . . . . . . . . . . . . . . . .
Exemple dapplication du modle de Fekete et Scheppers. . . . . . . . .
Exemple dune solution dun problme de strip packing . . . . . . . . .
Approche FC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Evaluation du cot du placement de ai dans une position donne. . . .
a1 et a2 sont orientation dpendante selon W mais pas selon H . . .
a3 et a4 sont orientation dpendante selon H mais pas selon W . . .
Les sous-ensembles {a1 , a2 } et {a1 , a3 } sont orientation dpendante .
a1 et a2 sont orientation dpendante selon H et W mais ils ne sont
pas orientation dpendante . . . . . . . . . . . . . . . . . . . . . . . .
Illustration de la surface perdue dans le bin selon la prolongation de la
largeur de lobjet a1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Illustration de la surface vide considre selon la prolongation de la plus
grande dimension de lobjet a1 . . . . . . . . . . . . . . . . . . . . . . .
Illustration de la surface rclame dans le bin selon la prolongation de
la largeur de lobjet a1 . . . . . . . . . . . . . . . . . . . . . . . . . . .
Construction dune solution pour IbO . . . . . . . . . . . . . . . . . . .
Les surfaces maximales rsultantes du placement du premier objet dans
le bin, chaque surface tant reprsente par sa diagonale respective. . .
Placement de cinq objets dans le bin, les six surfaces maximales rsultantes
sont reprsentes par leur diagonale . . . . . . . . . . . . . . . . . . . .
Rangement non stable . . . . . . . . . . . . . . . . . . . . . . . . . . .
Illustration de trois surfaces maximales associes au mme coin basgauche. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Exemple de deux configurations quivalentes F et G. . . . . . . . . . .
xi
7
8
9
9
12
18
18
20
30
31
33
33
37
39
40
57
66
67
68
69
84
Introduction
Loptimisation combinatoire est une discipline qui prsente un intrt majeur

tant sur le plan thorique que pratique.
Sur le plan thorique, de nombreux concepts trs novateurs ont t proposs
lors du sicle dernier. Aujourdhui, ces concepts continuent dtre enrichis par une
bibliographie trs riche et trs dense.
Sur le plan pratique, cette discipline connat un regain dintrt majeur, notamment sur le plan logistique, discipline dans laquelle loptimisation joue un rle
essentiel.
Par exemple, les problmes de type bin-packing ont t abords dans la littrature
ds les annes 1950, essentiellement sur des problmes en une dimension. Aujourdhui, la littrature est trs riche sur ce seul sujet et bons nombres darticles traitent
de problmes en deux dimensions. Plus rcemment (depuis une dizaine dannes),
quelques articles sur des problmes en trois dimensions (ou plus) ont t proposs.
Dans la prsente thse, nous traitons le problme de bin-packing en deux dimension. Ce problme consiste dterminer le nombre minimum de rectangles identiques
(les bins) utiliser pour ranger un ensemble donn de rectangles plus petits (les
objets).
Ce problme, fort simple en apparence, est NP-difficile au sens fort. Il se retrouve de faon directe ou indirecte dans de nombreux problmes industriels. De
faon directe, les problmes de dcoupe (Cutting) se modlisent sous la forme de
problmes de bin-packing. Lobjectif est alors de minimiser les chutes de matires
premires. Dautre part, les problmes de chargement ou dassemblage (Loading et
Packing) sont aussi directement issus de la mme problmatique. Dans le domaine
de la logistique, on est par exemple amen minimiser le nombre de containers
ncessaires au transport de marchandise. Cela permet dapporter des amliorations
consquentes aux logiciels consacrs la SCM (Supply Chain Management) ou aux
WMS (Warehouse Management Systems), les systmes de gestion dentrepts. De
faon indirecte, le problme de bin-packing permet aussi de modliser de nombreux
problmes daffectation avec contraintes ainsi que certains problmes dordonnancement. Dans tous les cas, la nature trs riche de cette problmatique a donn naissance
plusieurs classifications dans la littrature. On distingue notamment la contrainte
guillotine, qui impose des coupes allant de bout en bout des bins pour restituer les
INTRODUCTION
objets. Une autre spcificit est la possibilit de tourner les objets de 90 degrs (le
cas non-orient). Cette possibilit est prise en compte dans le cadre de cette thse.
Le problme de bin-packing tant NP-difficile, lnumration de toutes les solutions ralisables pour trouver la meilleure solution savre impossible mme pour un
problme de taille moyenne. Toutefois, on peut aborder la rsolution du problme
par bornes : des bornes suprieures (valuation par excs) et des bornes infrieures
(valuation par dfaut). Les bornes suprieures sont obtenues par des mthodes
de rsolution approche du problme, en particulier des heuristiques et des mtaheuristiques. Ces mthodes fournissent de bons rsultats en un temps raisonnable.
Les rsultats obtenus par ces mthodes sont compars aux bornes infrieures calcules, on a la valeur optimale si la borne suprieure est gale la borne infrieure.
La borne infrieure la plus connue est la borne continue. Elle consiste dans le cas
deux dimensions sommer la surface des objets et la diviser par la surface du
bin, la partie entire suprieure du rsultat tant une borne infrieure valide. Des
bornes infrieures plus performantes ont t proposes dans la littrature. On peut
aussi appliquer des prtraitements sur les instances rsoudre. Les prtraitements
permettent en gnral la rduction de la taille des instances pour pouvoir les rsoudre
dune faon exacte et/ou augmenter la taille de certains objets, et ainsi les bornes
infrieures.
Le premier chapitre est principalement consacr la description des bornes
les plus connues de la littrature. Nous commenons par une description de la
varit de contraintes pratiques qui refltent la varit des problmes rels identifis
comme problmes de bin-packing. Nous citons galement les typologies les plus
connues. Puis, nous donnons la dfinition gnrale du problme et dcrivons des
modles proposs. Nous prsentons galement les prtraitements proposs dans la
littrature. Nous dcrivons ensuite les heuristiques et les mta-heuristiques ainsi que
les bornes infrieures les plus rcentes. Enfin, nous dcrivons plusieurs mthodes
exactes proposes dans la littrature.
Les chapitres 2, 3, 4 et 5, sont consacrs la description de notre contribution
dans la rsolution des problmes de bin-packing en deux dimensions dans le cas
non-orient.
La principale contribution du chapitre 2 est la proposition de trois nouveaux
prtraitements. Nous introduisons en particulier un prtraitement bas sur une
nouvelle notion que nous appelons objets orientation dpendante. Ces prtraitements permettent didentifier les espaces perdus et les valoriser en augmentant
la taille de certains objets. Si un objet prend la taille dun bin, son rangement
optimal devient trivial et il peut alors tre spar de linstance rsoudre. Les
prtraitements cherchent aussi trouver des assemblages optimaux pour quelques
sous-ensembles dobjets, ce qui permet dappliquer des transformations sur les objets. Ces transformations consistent en gnral augmenter la taille des grands
INTRODUCTION
objets et liminer les petits objets sans changer la valeur optimale du problme. Les
nouveaux prtraitements proposs dans le chapitre permettent de rduire la taille de
nombreuses instances. Ils permettent par exemple de rduire 0 la taille de certaines
instances.
Dans le chapitre 3, nous proposons une nouvelle borne infrieure appele LR
CJE .
Nous commenons par la description des bornes infrieures proposes dans la littrature. Nous prsentons ensuite le schma gnral dvaluation. Il consiste transformer linstance dun problme non-orient de taille n en une instance du problme
orient de taille 2n. Nous montrons que si LB est une borne infrieure valide
pour linstance transforme (de taille 2n), alors LB/2 est une borne infrieure
valide de la solution optimale de linstance initiale (de taille n). La borne LR
CJE
consiste appliquer les meilleures bornes infrieures connues dans la littrature
pour le problme orient linstance transforme par le schma gnral propos.
Nous montrons enfin que les bornes infrieures obtenues par lapplication de LR
CJE
dominent thoriquement et pratiquement celles de la littrature.
La principale contribution du chapitre 4 est la proposition dune nouvelle heuristique de rsolution. Cette heuristique est base sur une stratgie Best-Fit adapte au
problme en deux dimensions. Elle consiste choisir chaque tape du rangement,
le meilleur couple (objet, espace). Les espaces vides sont grs par des surfaces
maximales, une notion dfinie et tudie dans le chapitre. Cette faon de grer les
espaces permet de considrer tous les espaces vides prsents dans la configuration.
Nous dmontrons que le nombre de surfaces maximales est en O(n2 ) si le rangement
considr est stable (i.e. chaque objet plac ne peut pas tre dcal davantage en
bas ou gauche). Les rsultats exprimentaux obtenus sur les benchmarks de la
littrature montrent que le nombre de ces surfaces nexcde pas 2n en pratique.
Nous comparons la nouvelle heuristique propose (IM A) avec les heuristiques et
les mta-heuristiques rcentes de la littrature et nous mettons en vidence son
efficacit.
Dans le chapitre 5, nous proposons un nouvel algorithme tabou pour le problme tudi, base sur la notion de configurations quivalentes introduite dans le
chapitre. Nous commenons par une reprsentation gnrale de la mthode tabou.
Nous dcrivons ensuite lheuristique de base et le voisinage utiliss dans le nouvel
algorithme. Nous introduisons la notion de configurations quivalentes, une notion
qui nous permet de rduire le voisinage en liminant les solutions qui prsentent
certaines similarits avec la solution courante, dans le but dchapper plus vite
des optima locaux. Nous dcrivons ensuite la fonction dvaluation utilise et nous
donnons le schma gnral de notre mthode. Nous testons notre algorithme tabou
sur les benchmarks de la littrature : il amliore les bornes suprieures pour plusieurs
instances de la littrature.
INTRODUCTION
Notre contribution dans le cadre de cette thse concerne la proposition de prtraitements, de nouvelles bornes infrieures, une nouvelle mthode heuristique et un
nouvel algorithme tabou pour la rsolution du problme de bin-packing dans le cas
non orient. Nos mthodes, testes sur les benchmarks de la littrature, amliorent
les bornes suprieures et infrieures pour plusieurs instances.
Chapitre 1
Problmes de bin-packing
1.1
Introduction
Etant donn un ensemble dobjets de formes rectangulaires de dimensions quelconques connues et tant donn un bin de forme rectangulaire plus large de dimensions connues, le problme de bin-packing en deux dimensions (2BP ) consiste
dterminer le nombre minimum de bins ncessaires pour ranger sans chevauchement
lensemble de ces objets (les objets ne dbordent pas des bins et ne se chevauchent
pas). Les objets sont rangs de telle faon que leurs artes soient parallles celles
des bins qui les contiennent (on parle de rangement orthogonal). Ce problme a
beaucoup dapplications industrielles. On le retrouve essentiellement dans lindustrie
du tissu, de lacier, du bois, ou du verre sous forme de problme de dcoupe. On
trouve aussi dautres applications comme la planification de tches avec contraintes
de ressources, ou loptimisation du placement de publicits dans un journal. Chaque
application relle prsente ses propres spcificits et contraintes pratiques. Une
extension particulire de ce problme est la possibilit de tourner les objets de 90
degrs.
Le 2BP est une gnralisation du problme de bin-packing en une dimension
(1BP ) qui est connu comme tant un problme NP-difficile. Il en va de mme pour
le 2BP . La bibliographie du problme 2BP est riche. En effet, ce problme a connu
un vif intrt durant les dix dernires annes. La plupart des travaux portent sur le
problme avec orientation fixe des objets.
Dans ce chapitre, nous donnons la dfinition des problmes de bin-packing en
une, deux et N-dimensions. Nous dcrivons aussi les travaux rcents portant sur la
rsolution de ces problmes.
Nous dcrivons, dans la section 1.2, la typologie des problmes et les contraintes
rencontres souvent dans les problmes rels. Nous donnons par la suite (Section 1.3)
la dfinition gnrale du problme de bin-packing. Les modles les plus connus sont
dcrits dans la section 1.4. Dans la section 1.5 nous dcrivons les prtraitements
proposs dans la littrature. Les sections 1.6 et 1.7 sont ddies aux mthodes
de rsolution approche, elles sont respectivement consacres aux heuristiques et
aux mta-heuristiques. Dans la section 1.8, nous exposons les principales bornes
CHAPITRE 1. PROBLMES DE BIN-PACKING
infrieures. La section 1.9 est ddie la description de quelques mthodes exactes.

Enfin, nous concluons.
1.2
Classification et contraintes pratiques
De nombreux problmes pratiques se modlisent sous la forme dun problme de

bin-packing. Cependant, chaque problme rel prsente ses propres spcificits telles
que :
les caractristiques propres aux objets :
objets de formes homognes ou non homognes ;
objets de tailles uniformes ou diffrentes ;
objets dformables ou non dformables ;
etc.
les spcificits propres au problme :
le nombre de dimensions du problme ;
disposer dun seul bin (problme de dcision ou problme de maximisation) ;
chercher minimiser le nombre de bins utiliser ;
chercher minimiser la surface ou le volume global des objets placer ;
etc.
les contraintes propres au problme :
contraintes dquilibre entre les objets ;
contraintes sur lordre dans lequel les objets doivent tre retirs du bin ;
contraintes dorientation dun objet ;
contraintes de poids (par exemple, le poids dun bin complet ne peut pas
excder une limite donne) ;
contraintes de placement, certains objets trs lourds doivent tre placs en
bas, dautres fragiles doivent tre placs en dessus ;
etc.
Dyckhoff et Finke [21] ont propos une typologie qui permet dorganiser les
problmes de dcoupes et de placements en tenant compte de quatre caractristiques
principales :
le nombre de dimensions du problme ;
le type de tche : tous les objets et une slection de bins, ou bien une slection
dobjets et tous les bins ;
les caractristiques des bins : 1 seul bin, des bins de tailles identiques, ou bien
des bins de tailles diffrentes ;
les caractristiques des objets : objets identiques, peu dobjets de formes
diffrentes, plusieurs objets de formes diffrentes ou bien des objets de formes
relativement identiques.
1.2. CLASSIFICATION ET CONTRAINTES PRATIQUES
a4
a5
a5
a3
a4
a3
a1
a1
a2
a2
(a) Contrainte guillotine respecte.
(b) Contrainte guillotine non

respecte.
Figure 1.1 Illustration de la contrainte guillotine.
Une typologie plus rcente a t propose par Wscher et al. [51] dans le but
dinclure les problmatiques rcentes de dcoupe et de rangement, et tablir une
catgorisation complte de tous les problmes connus dans le domaine.
En ce qui concerne le problme de bin-packing en deux dimensions (2BP ), les
deux spcificits les plus rencontres sont les suivantes :
lorientation : les objets peuvent tre orientation fixe (on parle du cas
orient) ou bien ils peuvent tre tourns de 90 degrs (le cas non orient).
Cest cette spcificit qui nous intresse en particulier. Au cours de ce chapitre
nous dveloppons plusieurs travaux effectus autour du problme 2BP , le cas
orient aussi bien que le non orient.
La contrainte guillotine : Si elle est impose, on doit avoir la possibilit de
restituer les objets rangs par des coupes bout bout parallles aux dimensions
de bins. Dans la figure 1.1 nous prsentons deux exemples de solutions : la
solution illustre dans la figure 1.1(a) respecte la contrainte guillotine, ce qui
nest pas le cas de la solution illustre dans la figure 1.1(b).
Dans [45] une classification des problmes 2BP tenant compte des deux spcificits cites ci-dessus a t propose. Un problme en deux dimensions est alors dsign
par 2BP|C1|C2. Le champ C1 prend la valeur R pour indiquer le cas non orient
et la valeur O pour le cas orient. Tandis que le champ C2 indique la prsence ou
labsence de la contrainte guillotine (il prend ainsi la valeur G et F respectivement).
La contrainte guillotine fait lobjet de plusieurs travaux rcents. Tout au long de
ce document nous ne considrons pas la contrainte guillotine, nous allons omettre
le champ C2 et nous parlerons de 2BP |O (resp. 2BP |R) pour dsigner le problme
2BP dans le cas orient (resp. non orient).
a1
a3
a2
a4
(a) Lensemble des objets
B = (10, 12)
(b) Le bin B = (W, H)
Figure 1.2 Un exemple dinstance 2BP.
1.3
Dfinition du problme et notations
Plus formellement, le problme de bin-packing en deux dimensions (2BP) est

dfini de la faon suivante : tant donn un ensemble de n objets rectangulaires
A = {a1 , ..., an } et un nombre illimit de rectangles identiques (les bins) de dimensions plus larges que celles des objets, le problme consiste dterminer le nombre
minimum de bins utiliser pour ranger lensemble des objets sans chevauchement.
Ce problme appartient la famille des problmes de rangement et de dcoupe
(cutting and packing problems : C & P). Plus prcisment, ce problme est not
2SBSBP P (Two-Dimensional Single Bin Size Bin-Packing Problem) selon la typologie de Wscher et al. (cf. [51]).
Nous notons (wi , hi ) les dimensions dun objet ai appartenant lensemble des
rectangles ranger A, et (W, H) les dimensions du bin B : B = (W, H). Nous
considrons, sans perte de gnralit, que les dimensions des objets et du bin sont
des entiers. Une instance I de 2BP |R est alors dfinie par la paire (A, B). La valeur
optimale du nombre de bins ncessaires pour ranger tous les objets dune instance I
est note OP T (I). Nous notons li la plus petite dimension de lobjet ai et Li lautre
dimension. l et L dsignent respectivement la plus petite et la plus grande dimension
du bin, ainsi :
1.3. DFINITION DU PROBLME ET NOTATIONS
a4
a1
a3
a2
Figure 1.3 Une solution pour le 2BP |O
a3
a4
a1
a2
Figure 1.4 Une solution pour le 2BP |R
li = min(wi , hi ) et Li = max(wi , hi )
l = min(W, H) et L = max(W, H)
Un exemple dune instance 2BP est illustr dans la figure 1.2 o I = (A, B) =
({a1 = (6, 8), a2 = (3, 5), a3 = (4, 8), a4 = (4, 2), }, B = (10, 12)). Ainsi pour cet
exemple w1 = 6, h1 = 8, l1 = w1 , L1 = h1 , l = W = 10 et L = H = 12.
Un exemple de solution de cette instance dans le cas non-orient est donne dans
la figure 1.3. Cette solution est optimale. La figure 1.4 reprsente une solution pour
la mme instance, mais en considrant cette fois ci le problme 2BP |R. La possibilit
de tourner les objets de 90 degrs nous a permis de trouver une solution avec un
seul bin.
Le problme de bin-packing en une dimension (1BP ) est dfini dune faon
similaire au 2BP . Une instance 1BP peut tre dfinie comme une instance 2BP
particulire o tous les objets et le bin ont une largeur identique. Alors que la
10
question dorientation des objets se pose pour le 2BP , elle na plus de sens dans le
cas de 1BP .
Le problme de bin-packing unidimensionnel est NP-difficile au sens fort [31]. Il
en est de mme pour le 2BP qui est une gnralisation du problme unidimensionnel.
La dfinition du problme peut se gnraliser dans le cas de N-dimensions. Les
objets et les bins seront de dimensions N .
Dans la section suivante, nous dcrivons quelques modles proposs dans la littrature pour le problme en deux dimensions.
1.4
Modles pour le 2BP
Dans cette section nous dcrivons deux exemples de modles pour le 2BP .
Un premier modle ddi au 2BP a t propos par Gilmore et Gomory [34]
comme une extension de leur approche 1BP [32, 33]. Leur modle est bas sur
lnumration de tous les sous-ensembles dobjets qui peuvent tre rangs dans un
mme bin. Chacun de ces ensembles est reprsent par un vecteur colonne binaire
Vj compos de n lments vij , i = 1, . . . , n tel que :
(
1 si ai appartient au sous-ensemble j
vij =
0 sinon
Soit M la matrice compose des vecteurs Vj (j = 1, ..., m), m tant le nombre de
sous-ensembles qui peuvent tre placs dans un mme bin. La matrice M reprsente
donc lensemble de toutes les configurations de rangements ralisables. Le modle
scrit alors
m
X
xj
(1.1)
(i = 1, . . . , n)
(1.2)
xj {0, 1} (j = 1, . . . , m)
(1.3)
Minimiser
j=1
En respectant les contraintes suivantes :

m
X
vij xj = 1
j=1
Linconvnient majeur de ce modle est le nombre exhaustif de colonnes gnrer. Gilmore et Gomory [32,33] ont prsent pour le 1BP , une mthode pour gnrer
dynamiquement les colonnes au besoin. Elle consiste en la rsolution dun problme
de sac dos unidimensionnel.
Fekete et Schepers [28] ont propos un modle bas sur la thorie de graphes
pour le problme de dcision suivant : est-il possible de placer un ensemble donn
dobjets dans un seul bin ?
1.5. PRTRAITEMENTS
11
Lintrt du modle propos est quil vite un grand nombre de configurations

symtriques. Deux graphes GW = (V, EW ) et GH = (V, EH ), chacun de taille n,
sont considrs, n tant le nombre dobjets. Chaque sommet vi de GW et de GH est
associ un objet ai rang dans le bin. Les deux graphes sont construits de la faon
suivante : une arte est rajoute dans GW (resp. dans GH ) entre les deux sommets
vi et vj si et seulement si les projections des objets ai et aj sur laxe horizontal
(resp. vertical) se chevauchent. Fekete et Schepers montrent quune solution associe
un couple de graphes dintervalles (GW , GH ) est ralisable si les trois conditions
suivantes sont vrifies :
1. Pour chaque ensemble stable SW de GW , on a
2. Pour chaque ensemble stable SH de GH , on a
3. Ew Eh = .
vi Sw
vi Sh
wi W ,
hi H,
Les deux premires conditions signifient que lensemble des objets tient dans le bin,
tandis que la troisime condition signifie quil ny a pas de chevauchement entre
deux objets quelconques rangs dans le bin.
Dautres modles ont t proposs pour le problme de bin-packing et ses variantes. Beasley [2] a propos un modle linaire pour la caractrisation des problme
de dcoupe 2D qui associent un profit chaque objet, lobjectif tant de ranger un
sous-ensemble dobjets dans un bin de faon maximiser la somme des profits des
objets rangs (problme de sac dos). Hadjiconstantinou et Christofides [36] ont
travaill sur un modle similaire. Une modlisation par programmation linaire du
problme de dcoupe guillotine de bande (Strip Packing) en deux dimensions a t
propose rcemment dans la thse de Ben Messaoud [49].
Dans la section suivante nous dcrivons diffrents prtraitements proposs dans
la littrature pour le problme de bin-packing.
1.5
Prtraitements
Dans les problmes difficiles comme le cas du problme de bin-packing, il est

souvent intressant dappliquer des prtraitements sur linstance tudier avant
de lancer une mthode de rsolution coteuse en terme de temps de calcul. Les
prtraitements peuvent aussi contribuer lamlioration des bornes infrieures en
valorisant les espaces qui seront perdus indpendamment de la mthode de rsolution du problme. Il nexiste pas notre connaissance des prtraitements ddis
au 2BP|R. Dans cette section, nous dcrivons les prtraitements proposs dans la
littrature pour le 2BP |O.
12
v4
a5
a4
v1
a1
a2
v2
v3
a3
v5
(b) graphe GW .
(a) Exemple de solution.
v4
v1
v2
v3
v5
(c) graphe GH .
Figure 1.5 Exemple dapplication du modle de Fekete et Scheppers.
1.5. PRTRAITEMENTS
1.5.1
13
Prtraitement de Martello et Vigo
Martello et Vigo [48] ont propos en 1998 un prtraitement qui consiste chercher dterminer des assemblages optimaux. Soit ai un objet donn de linstance
considre, on cherche trouver lensemble des objets placer avec ai tel que le
rangement du bin contenant ai soit optimal.
Soit Qi lensemble des objets compatibles avec ai :
Qi = {aj A : (hi + hj ) H ou (wi + wj ) W }
Deux cas se prsentent. Dans le premier cas, Qi = , cela signifie quaucun objet
de A \ ai ne peut tre rang avec ai . Le rangement optimal de lobjet ai est trivial, il
doit tre rang seul dans un bin. Dans le deuxime cas, Qi 6= , une borne suprieure
sur le nombre dobjets qui peuvent tre rangs avec ai est alors calcule de la faon
suivante. Les objets de Qi sont considrs par ordre dcroissant de surfaces. La
valeur maximale l telle que la somme des l derniers objets de Qi ne dpasse pas la
valeur HW hi wi , est une borne suprieure sur le nombre dobjets qui peuvent tre
rangs avec ai . Soit aj le premier (le plus large) objet dans qi , un prtraitement est
appliqu dans les deux cas de figures suivants :
l = 1 et pour tout aj dans Qi \ aj , hj hj et wj wj
l = 2 et toute paire dobjets de Qi \aj qui peuvent tre placs avec ai , peuvent
tre placs dans un bin de dimensions gales aux dimensions de aj .
Dans les deux cas, le meilleur choix consiste ranger aj avec ai .
1.5.2
Prtraitement de Boschetti et Mingozzi
Boschetti et Mingozzi [5] ont propos en 2003 un prtraitement qui consiste

mettre jour les dimensions des objets en tenant compte de la surface qui sera
perdue dans le bin o ils seront affects, quelle que soit la configuration considre.
Etant donn un objet ai , il sagit de calculer la largeur wi obligatoirement perdue
lorsque ai est plac dans un bin. Cette valeur peut tre calcule en rsolvant une
variante du problme de subset-sum :
X
wj = wj + max
wi i :
wi i W wj , i {0, 1}
ai A{aj }
ai A{aj }
wj peut tre calcule en O(nW ) par lintermdiaire dune mthode pseudopolynomiale classique.
La largeur wi de lobjet ai peut tre alors mise jour de la faon suivante :
wj wj + (W wj )
14
Le prtraitement est aussi appliqu, dune faon similaire, la hauteur hi de

lobjet ai . Ce prtraitement est appliqu tous les objets de linstance traite, mais
lordre dans lequel les objets sont considrs est important. En effet, si la largeur
dun objet aj entre en jeu dans le calcul de la valeur optimale wi dun objet ai ,
wj aura comme valeur W et wj ne peut plus tre mis jour son tour. Une rgle
heuristique qui consiste considrer les objets par ordre dcroissant de hauteur
(resp. largeur) avant dappliquer le prtraitement sur les hauteurs (resp. largeurs)
des objets est applique dans le but de maximiser le nombre dobjets prtraits.
1.5.3
Prtraitements de Carlier et al.
Carlier et al. [10] ont propos en 2005 deux procdures de rductions sous forme
des fonctions identiquement ralisables (Identically-Feasible Functions) dfinies de la
faon suivante. Etant donne une instance I = (A, B), une fonction f est une IFF
associe la donne I si et seulement si linstance f (D) = ({a1 , . . . , an }, B) obtenue
en appliquant f tous les objets de A est telle que OP T (I) = OP T (f (I)).
Dans la premire IF F appele v1 , tant donne une instance I = (A, B), deux
sous-ensembles particuliers sont considrs : AH le sous-ensemble des objets hauts et
As le sous-ensemble des objets courts qui peuvent tre placs au dessus dun objet
de AH .
Soit q un entier tel que 1 q 21 H.
AH = {ai A : hi > H q}
As = {ai A : hi < q}
Soit m = |AH |. Pour chaque objet ai de AH , un bin Bi de taille (H hi , wi ) est
considr. Soit le problme de dcision P1 suivant : est-il possible de ranger tous les
objets de As dans les bins B1 , . . . , Bm crs ?
Si P1 a une solution, les objets de As peuvent alors tre limins et les hauteurs
des objets de AH sont mises jour, elles prennent la hauteur du bin. La fonction v1q
dfinie ci-aprs est dans ce cas une IFF associe linstance I.
v1q : A A
wi = wi et hi = H if hi > H q
ai 7 ai o wi = 0 et hi = 0 if hi < q
w = w et h = h sinon
i
i
i
i
Soit v1H lapplication itrative de v1q . En ne considrant que les valeurs intressantes de q, celles qui correspondent aux hauteurs des objets, v1H peut tre implante
en O(n (n)) o (n) est la complexit de lalgorithme utilis pour rsoudre
le problme de dcision P1 . Une fonction v1W est dfinie dune faon similaire en
1.6. HEURISTIQUES DE RSOLUTIONS
15
remplaant H par W . La fonction finale v1 est dfinie comme lapplication itrative

de v1W et v1H tant que linstance est modifie.
Dans la deuxime procdure de rduction v2 propose par les auteurs, tant
donne une instance I = (A, B), les deux sous-groupes cibls sont appels AG et
AP , ils contiennent respectivement les grands objets qui occupent plus de la moiti
du bin en hauteur et en largeur et les petits objets qui peuvent tre rangs dans un
mme bin avec un objet de AG . Ils sont dfinis de la faon suivante :
AG = {ai A : wi > W p et hi > H q}
AP = {ai A : wi < p ou hi < q}
o p et q sont deux entiers tels que 1 p 21 W et 1 q 21 H.
Soit P2 le problme de dcision suivant : Est-il possible de ranger les objets de
AP AG dans |AG | bins de taille B ?
Si P2 a une solution, cela signifie que tous les objets de AP peuvent tre placs
dans les bins qui contiennent les objets de AG , ils peuvent alors tre limins, et
chaque objet de AG prend dsormais la taille dun bin. Dans ce cas, la fonction v2p,q
suivante est une IFF associe linstance I :
v2p,q : A A
wi = W et hi = H si wi > W p et hi > H q
ai 7 ai o wi = 0 et hi = 0 si wi < p ou hi < q
i
i
i
i
La fonction v2 consiste appliquer la fonction v2p,q pour toutes les valeurs intressantes des paramtres p et q (i.e. celles qui correspondent la taille dun article de
A). La mthode est en O(n2 (n)), o (n) est la complexit de lalgorithme utilis
pour rsoudre le problme de dcision P2 .
Les problmes de dcisions P1 et P2 dfinis dans les deux prtraitements v1 et
v2 tant des variantes du problme de bin-packing ils sont NP difficiles. Les auteurs
utilisent des heuristiques simples pour rsoudre les problmes de dcision.
Dans la section suivante nous dcrivons quelques mthodes heuristiques proposes dans la littrature de 2BP et 1BP .
1.6
Heuristiques de rsolutions
Comme dans tous les problmes combinatoires, des mthodes heuristiques ont
t proposes pour le problme de bin-packing dans le but de trouver des solutions
de bonne qualit dans un temps raisonnable.
16
Dans cette section, nous prsentons quelques mthodes heuristiques proposes

pour le 1BP , puis nous dcrivons les heuristiques de rsolution rcentes proposes
pour le 2BP qui utilisent des critres gnraliss du 1BP .
1.6.1
Le cas 1BP
Dans cette section, nous dcrivons quelques heuristiques proposes pour le 1BP
(cf. [17] pour un tat de lart et les rsultats danalyse au pire cas). Les stratgies
utilises dans le 1BP ont inspir plusieurs approches de rsolution proposes plus
tard pour des problmes de bin-packing de dimension plus leve.
Stratgie Next Fit (NF). Dans cette stratgie on ne considre quun bin
ouvert la fois. Les objets sont traits selon un ordre donn. Les objets sont rangs
successivement dans le bin ouvert tant quil y a de la place pour lobjet ai en cours,
sinon le bin en cours est ferm et un nouveau bin est ouvert. Une heuristique qui
adopte une stratgie NF a lavantage davoir une complexit temporelle linaire en
fonction du nombre dobjets placer. Par contre, le fait de ne considrer quun seul
bin la fois cause beaucoup de perte despaces exploitables. Le Next Fit Decreasing
(NFD) consiste trier les objets par ordre dcroissant de hauteurs et appliquer la
stratgie NF pour les ranger.
Stratgie First Fit (FF). Initialement un seul bin est considr, et les objets
sont traits selon un ordre donn. Quand il ny a plus de la place dans le premier
bin pour ranger lobjet en cours, un deuxime bin est alors ouvert mais sans fermer
le premier. Dans une tape intermdiaire o on dispose de k bins ouverts numrots
de 1 k selon lordre de leur premire utilisation, un objet ai en cours est rang
dans le bin du plus faible numro qui peut le contenir. Dans le cas o aucun bin ne
peut contenir ai un nouveau bin k + 1 est alors utilis sans fermer les autres. Lordre
selon lequel on traite les objets est crucial pour la qualit de la solution. Un choix
heuristique consiste trier les objets par ordre dcroissant de hauteurs, on parle
dans ce cas dheuristiques First Fit Decreasing.
Stratgie Best Fit (BF). Comme dans la stratgie FF, les algorithmes BF
laissent les bins toujours ouverts. Cependant, le choix du bin dans lequel lobjet ai
en cours va tre plac dpend des valeurs des gaps (hauteurs non utilises) prsentes
dans les bins. Ainsi, ai sera plac dans le bin qui prsente le moindre gap parmi
les bins qui peuvent le contenir. Les heuristiques BF et FF peuvent tre implantes
en O(nlog(n)) en utilisant une structure de donnes approprie [41]. On parle de
Best Fit Decreasing (BFD) quand il sagit de trier les objets ranger dans lordre
dcroissant de hauteurs avant de les ranger suivant une stratgie BF.
Nous citons aussi la stratgie Worst Fit (WF) qui est une variante du BF, suivant
17
laquelle lobjet en cours est plac dans le bin qui peut le contenir et qui prsente
le plus grand gap. Aussi surprenant que cela puisse paratre, cette stratgie peut
produire de meilleures solutions que BF sur certaines instances. Dans une stratgie
dite Any Fit (AF), lobjet en cours est affect un bin choisi alatoirement parmi
lensemble de bins ouverts qui peuvent le contenir.
1.6.2
Le cas 2BP
Plusieurs heuristiques ont t proposes pour le 2BP. Ces heuristiques peuvent

tre divises en deus familles diffrentes [46] : les algorithmes en une phase et les
algorithmes en deux phases. Les algorithmes en une phase consistent ranger directement les objets dans des bins, tandis que les algorithmes deux phases commencent
dabord par ranger les objets dans un bin de hauteur infinie en cherchant une solution
pour le problme de strip-packing (2SP) suivant : tant donn lensemble A dobjets
placer et un bin unique de largeur W et de hauteur infinie, lobjectif est de ranger
tous les objets de A dans le bin en minimisant la hauteur totale utilise. En une
deuxime phase, un algorithme de rsolution pour le problme 1BP consiste utiliser
la solution du 2SP obtenue pour construire le rangement dans les bins utiliser
effectivement (solution pour le 2BP ).
1.6.2.1
Algorithmes en deux phases
Dans la plupart des approches proposes, la premire tape (strip packing)

consiste trier les objets suivant leur hauteur dcroissante (Decreasing Height)
et les placer successivement dans un container de hauteur infinie, en le remplissant
couche par couche, formant ainsi des niveaux dfinis par la hauteur du plus grand
objet par couche. Un exemple de cette premire tape est illustr dans la figure 1.6.
Le premier objet, le plus long, est plac dans le premier niveau qui correspond
larte infrieure du bin. Les autres objets sont rangs suivant une stratgie NF,
FF ou BF par rapport la largeur du bin, on parle respectivement dune stratgie
NFDH, FFDH et BFDH.
Un algorithme en deux phases appel Hybrid First Fit (HFF) a t propos
par Chung et al. [13]. Dans la premire phase, le problme de strip packing est
construit suivant une stratgie FFDH. Soit H1 , . . . , HN L les hauteurs des N L niveaux
rsultants. Observons que H1 H2 . . . HN L puisque les objets ont t tris par
ordre dcroissant des hauteurs. Dans une deuxime tape, une solution du problme
2BP initial est obtenue en rsolvant un problme 1BP avec N L objets ai (i =
1, ..., N L) de taille (W, Hi ) chacun correspondant un niveau (le bin tant de taille
(W, H)).
Une variante de lalgorithme HFF a t propose par Berkey et Wang [4], elle
est appele Hyprid Best Fit (HBF). Elle consiste employer la stratgie BFDH
18
H3
a6
a7
Niveau 3
H2
a4
a5
Niveau 2
H1
a1
a2
a3
Niveau 1
Figure 1.6 Exemple dune solution dun problme de strip packing
ceiling
a6
a4
a1
a2
a3
floor
Figure 1.7 Approche FC
a5
19
pour rsoudre le problme de strip packing (premire phase). Pour la rsolution du

problme 1BP de la deuxime phase (ranger les niveaux obtenus dans des bins finis)
la stratgie BFD est employe.
Lodi et al. [45] ont propos une approche nouvelle pour le rangement par couche.
Cette approche sappelle Floor Ceiling (FC), o la premire phase consiste placer
les objets par couche suivant la stratgie BFDH avec la modification suivante. Notons
floor (resp. ceiling) lhorizontale dfinie par larte suprieure (resp. infrieure) dun
niveau donn. Un objet qui ne tient plus sur le floor dun niveau, peut tre plac,
dcal droite, et accroch au ceiling du niveau (cf. 1.7). Dans la deuxime phase, les
niveaux sont placs dans des bins finis selon une stratgie BFD, ou bien en utilisant
une mthode exacte pour le 1BP . Une autre approche dite Knapsack packing (KP)
a t propose par les auteurs. Dans cette approche, on ne considre quun niveau
la fois. Un niveau initialis est rempli en entier en rsolvant un problme de sac dos
en une dimension (1KP). Dans un problme 1KP , comme pour le 1BP , on dispose
dun bin de hauteur H et dun ensemble dobjets de hauteurs donnes. A chaque
objet ai est associ un profit. Lobjectif est de ranger dans le bin un sous-ensemble
dobjets qui maximise la somme des profits associs. Le profit associ chaque objet
est la surface dans la mthode KP. La deuxime phase est identique celle employe
dans la mthode FC.
Burke et al. [8] ont propos une nouvelle heuristique pour le problme de strip
packing en deux dimensions avec la possibilit de tourner les objets de 90 degrs.
Ils adoptent une stratgie BF : chaque tape du rangement dun objet, lespace
disponible le plus en bas est considr. Lobjet dont une des dimensions remplit au
mieux cet espace y est plac.
1.6.2.2
Algorithmes en une phase
Parmi les algorithmes qui procdent en une phase, nous trouvons quelques uns
qui placent les objets par niveaux comme lalgorithme Finite First Fit (FF) [4]. Cet
algorithme consiste trier les objets par ordre dcroissant des hauteurs. Lobjet en
cours est plac dans le niveau le plus bas du premier bin qui peut le contenir. Si
aucun niveau ne peut contenir lobjet en cours un nouveau niveau est cr dans le
premier bin appropri ou bien en initialisant un nouveau bin.
Parmi les algorithmes qui ne rangent pas les objets par niveau, nous trouvons
essentiellement ceux qui adoptent une stratgie connue sous le non de Bottom-Left
(BL) : Les objets sont considrs dans un ordre donn, et lobjet en cours est plac
dans la position la plus en bas puis le plus gauche possible. Une implantation
efficace a t propose par Chazelle [11] qui permet de trouver des solutions avec
une complexit temporelle en O(n2 ).
Lodi et al. [45] ont propos une approche diffrente appele alternative direction
(AD). Soit z une borne infrieure value pour le problme rsoudre (cf. Section
20
a3
ai
a2
a1
Figure 1.8 Evaluation du cot du placement de ai dans une position donne.
1.8 pour un aperu sur les bornes infrieures). Lapproche AD commence par trier
les objets par ordre dcroissant de hauteurs, puis elle initialise z bins par un sousensemble dobjets suivant une stratgie BFD. Les objets restants sont rangs en
bandes en considrant un bin la fois et allant alternativement de gauche droite
et de droite gauche dans la position le plus en bas possible. Lorsque lobjet ne
peut pas tre plac dans le bin courant, on essaie le bin suivant ou bien on initialise
un nouveau bin si ncessaire.
Une mthode heuristique appele Touching Perimeter (T PRF ) ddie au 2BP |R
a t propose par Lodi et al. [45] en 1999. Cette mthode commence par trier les
objets par ordre dcroissant de leurs surfaces et les orienter horizontalement : chaque
objet est orient tel que son arte de taille maximale soit oriente horizontalement.
Ensuite, z bins vides sont initialiss (z correspondant une borne infrieure connue
pour linstance traiter, cf. Section 1.8). Lalgorithme place lobjet en cours dans
un bin dj ouvert, ou en initialisant un nouveau bin. Lobjet qui initialise un bin
est toujours plac dans le coin bas-gauche du bin. Chaque objet est plac dans une
position normale (cf. Christofides et Witlock [12]) i.e. son arte infrieure touche soit
larte infrieure du bin, soit larte suprieure dun autre objet et son arte gauche
touche soit larte gauche du bin, soit larte droite dun autre objet. Le choix du
bin auquel affecter lobjet et sa position se font en valuant un score dfini comme le
pourcentage du primtre de lobjet qui touche le bin et dautres objets dj placs.
Pour chaque position candidate, le score est valu deux fois en considrant les deux
orientations possibles de lobjet, la valeur la plus leve est considre.
Boschetti et Mingozzi [6] ont propos en 2003 une heuristique itrative appele
HBP qui prend en considration la rotation possible des objets. Ayant un ordre
donn des objets, les auteurs proposent une mthode heuristique appele H1 qui
consiste placer les objets dans lordre en ne considrant quun bin la fois. Lors
du placement dun objet, toutes les positions dites faisables sont considres : lobjet
1.7. MTA-HEURISTIQUES
21
ne chevauche pas sur dautres objets et on ne peut pas le dcaler davantage vers le bas
ou vers la gauche. Une fonction cot est value en considrant les deux orientations
possibles de lobjet pour chaque position faisable. La fonction cot est gale la
somme des surfaces non utilises en dessous et gauche de lobjet. Lobjet est
finalement rang dans la position et lorientation qui produisent le cot le plus faible.
La figure 1.8 illustre les surfaces vides (surfaces hachures) entrant en jeu dans le
calcul du cot du placement de lobjet ai dans sa position actuelle. Le bin en cours est
ferm et un autre est initialis lorsque lensemble de positions faisables par rapport
lobjet courant est vide. Lheuristique HBP consiste lapplication itrative de H1 .
Cinq initialisations de priorits dobjets qui dpendent de leurs caractristiques sont
testes : surface, largeur, hauteur et primtre dcroissant. Soit nbBin le nombre de
bins utiliss nots de b1 bn bBin suivant leur ordre dinitialisation. Une fois tous les
objets sont rangs, les priorits de ces objets sont mises jour en augmentant celles
des objets affects aux bins bk si k > nbBin/2 et diminuant celles des objets autres
objets. Lheuristique H1 est rappele aprs le tri des objets par ordre dcroissant
de priorits. Lheuristique HBP utilise deux rgles de mises jour des priorits des
objets. Les deux rgles consistent multiplier les priorits des objets appartenant
aux derniers bins (resp. premiers bins) par 1+a (resp. 1a). Pour la premire rgle, a
vaut 0.1 tandis que la deuxime rgle consiste tirer la valeur relle a alatoirement
entre 0 et 1 exclu.
Les algorithmes de rsolutions approches dans la littrature ne se limitent pas
aux mthodes heuristiques, certaines approches mta-heuristiques ont t proposes
pour le 2BP , ils font lobjet de la section suivante.
1.7
Mta-heuristiques
Les mta-heuristiques sont des mthodes employes souvent pour la rsolution

approche des problmes fortement combinatoires. On pourrait se rfrer [1] pour
une introduction aux mta-heuristiques.
Parmi les mta-heuristiques proposes pour le problme de bin-packing et ses
variantes, nous citons Dowsland [20] et Jakobs [40] qui ont propos respectivement
un algorithme recuit simul et un algorithme gntique pour le problme de strippacking 2D. Une recherche locale guide a t propose par Faroe et al. [26] pour le
problme de bin-packing 3D, une approche qui peut tre applique pour le cas 2D.
Ci-dessous nous dcrivons deux mthodes de recherche tabou qui ont montr leur
efficacit dans la rsolution des instances 2BP et le 2BP |R en particulier (voir [35]
pour une introduction aux mthodes par recherche tabou).
Lodi et al. [45] ont propos une mthode de recherche tabou que nous notons
T S T P . Cette recherche peut tre applique indpendamment de la mthode de
rsolution adopte pour valuer les voisins.
22
Ayant une solution courante, la mthode T S T P cherche vider un bin pour

amliorer la solution. Une premire tape consiste alors dsigner le bin le plus
facile vider appel le bin cible. Pour choisir le bin cible, les auteurs utilisent la
mme stratgie quils avaient utilise dans leurs travaux prcdents [44]. Soit B(S, i)
lensemble des objets rangs dans le bin i dans la solution courante S. Le bin cible
est celui qui minimize la fonction de remplissage suivante :
P
|B(S, i)|
aj B(S,i) wj hj
R(i) =
WH
n
o est un coefficient positif dtermin exprimentalement. Cette fonction favorise
la slection du bin dont la surface remplie est petite. En cas dgalit, le bin qui
contient le plus dobjets sera slectionn car on estime quil est plus facile de
distribuer des petits objets dans les autres bins que des grands.
Le voisinage utilis consiste dplacer un seul objet aj du bin cible (t) la
fois dans dautres bins en modifiant le rangement des objets appartenant dans k
bins de la solution courante. Les voisins sont valus en utilisant une mthode de
rsolution pour ranger les objets des k bins slectionns et aj . Lalgorithme maintient
k listes tabou. La valeur k est dynamique, sa variation dpend du droulement de
la recherche [45].
Rcemment, Harwig et Barnes en 2006 [38] ont propos une nouvelle mthode
de rsolution par recherche tabou. Lide principale de leur mthode consiste
considrer une fonction objectif slective qui favorise les mouvements des objets
de sorte amliorer la solution en vidant un bin. Cette fonction objectif est base
sur lapproche de lnergie potentielle, une approche qui a t dj utilise par Li
et Milenkivic [43] pour le problme de Strip Packing 2D. Le but principal tant
de minimiser le nombre de bins, comme dans la mthode prcdente, un bin sera
dsign comme candidat pour tre vid. Les auteurs considrent trois types de
mouvements qui acclrent en principe latteinte de lobjectif principal. Les trois
types de mouvement sont les suivants :
excess bin moves. Le bin dsign comme candidat pour tre vid est not excess
bin. Les mouvements qui rduisent la surface occupe dans ce bin (la somme
des surfaces des objets affects au bin) sont favoriss par la fonction objectif.
intra-bin moves. Si deux mouvements diffrents produisent deux configurations
avec le mme rangement dobjet dans un bin, celle qui produit le rangement
le plus compact est favorise.
inter-bin moves. Les mouvements qui produisent les configurations les plus
compactes sont favoriss. Les configurations compactes prsentent des espaces
vides plus importants, ce qui facilite le mouvement dun grand objet du bin
excess.
1.8. BORNES INFRIEURES
1.8
23
Bornes infrieures
Nous avons expos dans les sections prcdentes des mthodes de rsolution
approche pour le problme de bin-packing. Dans cette section nous dcrivons des
mthodes dvaluation par dfaut qui fournissent des bornes infrieures pour les
instances du bin-packing. Ceci permet de juger la qualit des solutions obtenues par
les mthodes de rsolution approche. Les bornes infrieures servent aussi comme
critres darrt dans une mthode mta-heuristique ou un algorithme itratif. Avoir
des bornes infrieures de bonnes qualits permet aussi de rduire la taille des solutions numrer lors de lapplication dune mthode exacte.
Nous synthtisons dans cette section les bornes infrieures proposes dans la
littrature pour le 1BP et le 2BP . Certaines de ces bornes seront dveloppes dans
le chapitre 3 car elles seront utilises pour ltude de la dominance de la nouvelle
borne infrieure propose par rapport celles de la littrature. Certaines mthodes
peuvent tre renommes.
1.8.1
Bornes infrieures pour le 1BP
La borne infrieure la plus connue est la borne continue L0 , elle consiste sommer
la taille des objets de linstance et la diviser par la taille du bin :
P
hi
L0 = ai A
H
Cette borne fournit de bons rsultats lorsque linstance est constitue de petits
objets ou bien dobjets uniformment rpartis dans [0, H] (cf. [3]).
Si linstance prsente un pourcentage lev dobjets de tailles moyennes, les
rsultats obtenus par L0 peuvent vite devenir insatisfaisants.
Martello et Vigo [48] ont montr que la borne continue peut atteindre 21 OP T (I).
V
Ils ont galement propos une borne infrieure pour le 1BP appele LM
1BP . Ils
dcomposent linstance en trois sous-ensembles diffrents : lensemble des grands
objets, des objets moyens et des petits objets dfinis respectivement de la faon
suivante :
AG = {ai A : hi > H q}
AM = {ai A : H q hi > 21 H}
AP = {ai A : 21 H hi q}
V
o q est un entier tel que, 1 q 12 H. La borne propose LM
1BP est compose de
deux bornes : (L et L ). La borne L a t propose initialement dans [47]. Les
deux bornes L et L exploitent le fait que les objets de AP et AM ne peuvent pas
tre placs ensemble. La borne L intgre aussi une valuation du nombre de bins
ncessaires pour ranger les objets de AM et AP , tandis que la borne L intgre une
24
valuation sur le nombre de bins ncessaires pour ranger les objets de AP qui ne
peuvent pas tre placs avec les objets de AM :

P

ai AM AP hi
|AG AM | + max 0,
L = max
|AM |
(1.4)
H
1q 12 H
j
k

P
i
|AP | ai AM Hh
q
j
k
|A
A
|
+
max
0,
L = max
G
M
H

1q 21 H
V
LM
1BP = max(L , L )
(1.5)
(1.6)
Labb et al. [42] ont propos une borne infrieure pour le 1BP qui considre
quatre sous-ensembles dfinis de la faon suivante :
AG = {ai A : hi > H q}
AM 1 = {ai A :
AM 2 = {ai A :
H
2
H
3
< hi H q}
hi
H
}
2
AM 3 = {ai A : k hi H q}
q tant un entier tel que (0 q H3 ). Soit A+
M 2 le sous-ensemble dobjets de AM 2
qui ne peuvent tre rangs avec aucun objet de AG , la borne propose quon note
LL1BP scrit alors :
LL1BP

+ P
|AM 2 |
ai AM 3 hi
= max |AG | + max |AM 1 | +
,
2
H
0q H
3
(1.7)
Bourjoully et Rebetz [7] Montrent que LL1BP domine la borne L de [47].

Fekete et Schepers [27] ont propos de nouvelles bornes infrieures pour le 1BP
en se basant sur le concept des fonctions dual-ralisables proposes par Johnson [41]
et dfinies de la faon suivante.
Dfinition 1.1. Une fonction f : [0, 1] [0, 1] est une Fonction Dual-Ralisable
(DFF) si pour tout ensemble fini S de rels, on a
P
P
x1
f (x) 1
xS
xS
Les DFF ont la particularit suivante : une borne infrieure calcule pour une
instance transforme par une DFF est une borne valide pour linstance initiale. Des
DFF sont appliqus aux instances dans le but de modifier la taille de certains objets
et damliorer le rapport de la somme des longueurs des objets sur la longueur dun
1.8. BORNES INFRIEURES
25
bin (la borne continue). Fekete et Schepers [27] ont propos trois fonctions dualralisables et ont discut les bornes infrieures obtenues.
Haouari et Gharbi [37] ont propos une mthode qui permet de mettre au point
un processus damliorations itratives des bornes infrieures.
Dans la section suivante, nous prsentons trois bornes infrieures proposes dans
la littrature pour le 2BP|O.
1.8.2
Bornes infrieures pour le 2BP |O
La borne continue L0 dans le cas 2D consiste sommer les surfaces des objets et
la diviser par la surface dun bin. Cette borne est loin dtre satisfaisante, elle peut
atteindre un quart de loptimum au pire des cas.
Martello et Vigo [48] proposent trois bornes infrieures pour le 2BP |O. La
premire borne est une gnralisation des bornes quils ont proposes pour le 1D.
V
V
Cette borne est note LM
. Elle est domine par une deuxime borne LM
=
1
2
W
H
max(L2 , L2 ) qui prend explicitement en considration les deux dimensions des
objets. La borne LW
2 considre trois sous-ensembles dobjets suivant leur largeur
dfinis par un paramtre entier 1 p 21 W :
AG = {ai A : wi > W p}
AM = {ai A : W p wi > 12 W }
AP = {ai A : 12 W wi p}
En remarquant que les objets de AP ne peuvent pas tre placs ct des objets
de AG , la borne infrieure LW
2 scrit :
( &P
W
LW
2 (p) = L1 + max 0,
ai AM AP
wi hi (HLW
1
WH
ai Aw
G
hi )W
')
(1.8)
MV
o LW
1 est obtenue en appliquant la borne L1BP la sous-instance constitue des
objets de AG AM . Le second terme de la borne est une valuation du nombre
de bins additionnels exigs pour ranger les objets de AP . La borne LH
2 est calcule
dune faon similaire en permutant H et W.
V
V
Dans la borne LM
, comme dans LM
trois sous-ensembles dobjets sont consi3
2
drs. Cette fois ci, les deux dimensions des objets entrent en jeu dans la dfinition
des trois sous-ensembles AG , AM et AP . Soit p et q deux entiers tels que 1 p 21 W
et 1 q 12 H, les trois sous-ensembles sont dfinis de la faon suivante :
AG = {ai A : wi > W p et hi > H q}

AM = {ai A \ AG : wi > 12 W et hi > 12 H}
AP = {ai A : 21 W wi p et 12 H hi q}
26
V
La borne LM
vaut :
3
(
max
1
1q 2 H
( &
|AG AM | + max 0,
1W
1p 2
|AP |
m(ai , p, q)
ai AM
Wp Hq
'))
(1.9)
o m(ai , p, q) est une valuation du nombre dobjets de taille (p, q) qui peuvent
tre rangs avec ai :
Hh
W wi H q i q
W H hi
+
(1.10)

p
q
p
q
Fekete et Schepers [29] ont propos une nouvelle borne infrieure qui consiste
appliquer les DFF quils ont proposes pour le 1BP sur chaque dimension dune
instance 2BP et appliquer la borne continue sur linstance rsultante.
Boschetti et Mingozzi [5] ont propos une borne infrieure quon note LO
BM .
O,2
O,3
O,4
Cette borne est compose de trois bornes diffrentes LBM , LBM et LBM qui seront
dtailles dans la section 3.2.1.1.
Plus rcemment Carlier et al. ont propos une nouvelle borne infrieure qui
domine les bornes de la littrature de 2BP |O. Elle est base sur la notion des
DFF discrtes et des DFF dpendantes de la donne. Ces notions, ainsi que la
borne infrieure propose, seront dcrites en dtail dans le chapitre 3. En effet,
cette borne sera utilise dans lvaluation de la nouvelle borne que nous proposons
pour le 2BP |R.
1.8.3
Bornes infrieures pour le 2BP |R
Notons que la borne continue L0 est une borne valide pour le 2BP |R, et que
comme dans le cas orient, elle peut atteindre un quart de loptimum.
Dell Amico et al. [19] ont propos une mthode dvaluation des bornes infrieures pour le 2BP |R qui consiste relaxer le problme en dcomposant les objets
R
de linstance initiale en carrs. La borne infrieure (LBDA
) consiste appliquer des
bornes ddies aux instances constitues dobjets carrs proposes par les auteurs.
Boschetti et Mingozzi [6] ont propos une borne infrieure LR
BM qui est compose de deux bornes. La premire consiste transformer les objets en carrs et
appliquer une borne ddie au 2BP |O. La deuxime borne prend explicitement en
considration la caractristique "non-orient".
Ces deux bornes infrieures de la littrature seront dtailles dans le chapitre 3.
1.9
Mthodes exactes
On trouve plusieurs mthodes exactes proposes dans la littrature pour le

problme de bin-packing et ses variantes. La rsolution exacte des problmes NP-
1.10. CONCLUSION
27
difficiles adoptent en gnral des approches programmation linaire, programmation

dynamique, ou bien des mthodes de recherche par sparation et valuation [2, 18,
36, 39]. Nous dcrivons brivement les mthodes les plus rcentes proposes pour le
2BP.
Martello et Vigo [48] ont propos une mthode exacte par sparation et valuation pour le 2BP. Leur mthode commence par calculer une borne suprieure z du
nombre de bins ncessaires pour ranger lensemble des objets. Ensuite, z bins sont
crs. Les objets sont considrs par ordre dcroissant de surface. La mthode tente
daffecter chaque niveau i lobjet ai en cours chaque bin ouvert ou ventuellement
un nouveau bin. A chaque affectation de ai dans un bin Bj , la faisabilit du
rangement des objets affects Bj . Des heuristiques sont utilises dans une premire
tape. Si les heuristiques narrivent pas placer les objets considrs dans Bj , des
mthodes exactes ddies au problme de faisabilit sont utilises. Un bin est ferm
si aucun objet, non encore rang, ne peut tre affect ce bin. Une borne infrieure
est value pour la sous-instance forme des objets affects aux bins non ferms ainsi
que les objets non affects.
Les auteurs ont aussi propos une mthode exacte pour la rsolution du problme
de faisabilit : tester la possibilit de rangement dun ensemble donn dobjets dans
un bin. Elle consiste numrer les possibilits du choix de lobjet ranger et la
position dans laquelle le placer. Les positions considres sont telles que lobjet ne
peut plus tre dcal vers le bas ou vers la gauche. Certaines des solutions numres
sont redondantes, Scheithauer [50] a propos des mthodes pour viter quelques
rptitions.
Fekete et Schepers [30] ont propos une mthode exacte pour le problme de
faisabilit base sur le modle graphe dcrit dans la section 1.4.
Clautiaux et al. [14] ont propos une mthode exacte pour le problme de faisabilit. Leur mthode consiste dans une premire tape dnombrer les possibilits
de placement des objets en ne considrant que les abscisses. Dans cette tape,
les contraintes lies aux ordonnes des objets sont leves. Ensuite, pour chaque
solution trouve dans la premire tape, les ordonnes des objets sont dtermines
en respectant les choix pris pour les abscisses prcdemment.
Les auteurs ont galement propos une mthode exacte pour le 2BP [15] qui
se rsume en une recherche dichotomique de la valeur dune solution optimale.
Cette mthode consiste calculer plusieurs bipartitions de lensemble des objets
et rsoudre les deux sous-problmes rsultants.
1.10
Conclusion
Ltat de lart des problmes de bin-packing est riche. Dans ce chapitre nous
avons dcrit une partie de ces travaux, surtout les plus rcents. Nous remarquons
28
que peu de travaux portent sur le cas non-orient, que ce soit au niveau des mthodes
de rsolution ou bien des valuations par dfaut. Cependant la possibilit de tourner
les objets est une spcificit frquemment rencontre dans les problmes rels, qui
mrite donc dtre tudie.
Chapitre 2
Nouveaux prtraitements
2.1
Introduction
Dans ce chapitre, nous nous intressons aux procdures de prtraitements des

objets ; ceci dans le but de rduire la taille des problmes et de rsoudre de faon
optimale certains sous-ensembles dobjets. La rduction de la taille des instances
est une technique trs avantageuse avant lapplication dalgorithmes de rsolution
coteux en temps de calcul tels que les mta-heuristiques ou les mthodes exactes.
Le prtraitement dune instance donne consiste prendre en considration les
caractristiques de ces objets en les comparant avec celles du bin et des autres objets
de linstance afin de trouver des assemblages optimaux de sous-ensembles dobjets et
de valoriser les surfaces perdues dans le bin. Ils permettent de rduire thoriquement
les tailles des instances et damliorer qualitativement les bornes infrieures.
Plusieurs prtraitements ont t proposs pour le cas orient dans [48], [6] et [10].
A notre connaissance, aucun prtraitement ddi au 2BP |R nest propos dans la
littrature. Nous introduisons dans ce chapitre un nouveau concept dit objets
orientation dpendante. Ces objets trouvent leur possibilit de rotation restreinte
sils sont placs ensemble dans un mme bin. Nous proposons des adaptations des
prtraitements proposs dans la littrature pour le cas orient. Nous proposons ces
diffrents prtraitements sous formes de Fonctions Identiquement Ralisables, une
notion introduite dans [10]. Nous avons test les prtraitements proposs sur des
jeux dessai issus de la littrature [48] et [4]. Ces tests prouvent lefficacit des
prtraitements. En effet, un nombre considrable dobjets est limin pour plusieurs
jeux dessai. De plus, nous obtenons des amliorations significatives de la borne
continue pour plusieurs classes dinstances.
2.2
Notion dobjets orientation dpendante
Dans la version non-oriente du problme 2BP (2BP |R), la rotation de 90 des

objets est permise. En fonction des caractristiques des objets et du bin constituant
une instance donne, la rotation de certains objets peut tre restreinte. Trivialement,
un objet ai A tel que Li > l aura une orientation fixe. Dans cette section, nous
29
CHAPITRE 2. NOUVEAUX PRTRAITEMENTS
30
a2
a1
a2
a1
a2
a1
Figure 2.1 a1 et a2 sont orientation dpendante selon W mais pas selon H
introduisons le concept dobjets orientation dpendante. Les orientations de deux

objets orientation dpendante sont restreintes quand ils sont placs dans un mme
bin.
Afin dintroduire le concept dobjets orientation dpendante, nous commenons
par dfinir la notion dobjets orientation dpendante par rapport une dimension
donne du bin.
Dfinition 2.1. Deux objets ai , aj A sont dits orientation dpendante selon W
(resp. H) ssi ai et aj ne peuvent pas tre placs cte cte selon W (resp. H) dans
un mme bin ou sil existe une configuration unique dans laquelle les deux objets
peuvent tre placs cte cte selon W (resp. H).
En gnral, si deux objets sont orientation dpendante selon une dimension,
cela nimplique pas quils soient orientation dpendante selon lautre dimension.
Lexemple illustr dans la figure 2.1 montre ce fait. Soit une instance I = (A, B) o
B = (10, 14), et a1 = (8, 11), a2 = (2, 3), a3 = (6, 13), a4 = (3, 4) quatre objets dans
A. Les deux objets a1 et a2 sont orientation dpendante selon W puisquil nexiste
quune unique configuration dans laquelle les deux objets peuvent tre placs cte
cte selon W . Par contre, a1 et a2 ne sont pas orientation dpendante selon H. En
effet, il existe deux configurations diffrentes selon lesquels les deux objets peuvent
tre placs cte cte selon H (cf. figure 2.1). La figure 2.2 illustre le fait que les
objets a3 et a4 sont orientation dpendante selon H mais pas selon W . En effet, a3
et a4 ne peuvent pas tre placs cte cte selon H, et il existe deux configurations
diffrentes selon lesquelles les deux objets peuvent tre placs cte cte selon W .
Soit ai , aj deux objets dans A, et , deux nombres binaires arbitraires. Notons :
2.2. NOTION DOBJETS ORIENTATION DPENDANTE
a3
a4
a3
31
a4
Figure 2.2 a3 et a4 sont orientation dpendante selon H mais pas selon W
M(W,H) (i, j, , ) = (Oi () + Oj () W ) et (Oi () H) et (Oj () H)

et
N(W,H) (i, j, , ) = ((Oi () + Oj () > W ) ou (Oi () > H) ou (Oj () > H))
et ((Oi () + Oj () > W ) ou (Oi () > H))
et ((Oi () + Oj () > W ) ou (Oj () > H))
Proposition 2.1. Soit ai , aj deux objets dans A. Les objets ai et aj sont orientation dpendante selon W (resp. H) ssi : , {0, 1}, si M(W,H) (i, j, , ) (resp.
M(H,W ) (i, j, , )) est vrai alors N(W,H) (i, j, , ) (resp. N(H,W ) (i, j, , )) est vrai.
Dmonstration. Soit ai et aj deux objets orientation dpendante selon W . Soit ,
{0, 1} tel que M(W,H) (i, j, , ) est vrai. Cela signifie quil existe une configuration
F1 (une orientation donne de ai et une orientation de aj ) tel que :
ai peut tre rang dans le bin selon cette orientation (Oi () H)
aj peut tre rang dans le bin selon cette orientation (Oj () H)
ai et aj peuvent tre placs cte cte selon W selon les orientations considres (Oi () + Oj () W )
Soit F2 , F3 et F4 les trois autres configurations selon lesquelles les deux objets
pourraient tre placs cte cte selon W . F1 est lunique configuration ralisable
qui permet de placer ai et aj cte cte selon W car les deux objets sont orientation
dpendante selon W . Les configurations F2 , F3 et F4 sont donc irralisables. Cela
est quivalent au fait que N(W,H) (i, j, , ) est vrai. Rciproquement, soit ai et
32
aj deux objets qui ne sont pas orientation dpendante selon W , nous allons
montrer que pour une valeur donne de , {0, 1} : M(W,H) (i, j, , ) est vrai,
et N(W,H) (i, j, , ) est faux. Si ai et aj ne sont pas orientation dpendante selon
W cela signifie quil existe au moins deux configurations diffrentes pour ranger les
deux objets cte cte selon W . Autrement dit, il existe une valeur , {0, 1} tel
que M(W,H) (i, j, , ) est vrai (configuration F1 ). F1 nest pas unique car au moins
une des trois configurations F2 , F3 ou F4 est ralisable. Cela est quivalent au fait
que N(W,H) (i, j, , ) est faux.
Ayant dfini la notion dobjets orientation dpendante selon une dimension
donne du bin, on peut dfinir la notion dobjets orientation dpendante et de
sous-ensemble dobjets orientation dpendante.
Dfinition 2.2. Deux objets ai , aj dans A sont dits orientation dpendante ssi
ils vrifient les deux conditions suivantes :
1. ai et aj sont orientation dpendante selon les deux dimensions du bin (W et
H).
2. Sil existe une configuration FW selon laquelle ai et aj peuvent tre placs cte
cte selon W et une configuration FH selon laquelle les deux objets peuvent
tre placs cte cte selon H, alors FH peut tre dduite de FW par une
rotation simultane des deux objets.
Un sous-ensemble Ado A est dit orientation dpendante ssi ai , aj Ado, les
objets ai et aj sont orientation dpendante.
Un exemple de deux objets orientation dpendante est illustr dans la figure 2.3.
Dans cet exemple, nous considrons linstance suivante, I = (A, B) o B = (10, 12),
et a1 = (5, 9), a2 = (4, 8), a3 = (6, 8) trois objets dans A. Les objets a1 et a2 sont
orientation dpendante. En effet, il existe deux configurations suivant lesquelles a1
et a2 peuvent tre placs dans un mme bin. Une des deux configurations permet
de les placer cte cte selon W et lautre permet de les placer cte cte selon
H. Les objets a1 et a2 sont alors orientation dpendante selon W et H. De plus,
une configuration peut tre dduite de lautre par une rotation simultane des deux
objets. Considrons maintenant les deux objets a1 et a3 . Ces deux objets sont aussi
orientation dpendante selon W puisquils ne peuvent pas tre placs cte cte
selon cette dimension. Ils le sont aussi selon H car il existe une seule configuration
selon laquelle ces deux objets peuvent tre placs cte cte selon H (cf. figure 2.3).
Les objets a1 et a3 sont donc aussi orientation dpendante.
Remarquons que si deux objets dans A sont orientation dpendante selon
W et selon H, ils ne sont pas ncessairement orientation dpendante. En effet
considrons linstance suivante. Soit I = (A, B), o B = (10, 14) et a1 = (11, 8),
a2 = (2, 9) deux objets dans A. Nous remarquons quil existe une configuration
2.2. NOTION DOBJETS ORIENTATION DPENDANTE
a1
a2
a3
a1
a1
33
a2
Figure 2.3 Les sous-ensembles {a1 , a2 } et {a1 , a3 } sont orientation dpendante
a2
a1
a1
a2
Figure 2.4 a1 et a2 sont orientation dpendante selon H et W mais ils ne sont pas
orientation dpendante
unique pour placer a1 et a2 cte cte selon H et une configuration unique pour
laquelle les objets sont placs cte cte selon W . Les deux objets sont alors
orientation dpendante selon H et W , mais ils ne sont pas orientation dpendante
puisque les deux configurations possibles ne peuvent pas tre dduites lune de lautre
par une rotation simultane des deux objets (cf. figure 2.4).
En pratique, nous considrons une famille de sous-ensembles dobjets orientation dpendante paramtre par un entier. Soit un entier p tel que 1 p < L/2,
nous dfinissons le sous-ensemble Adop = {ai A; Li (L p) et li > p}.
Proposition 2.2. Pour une valeur donne du paramtre p tel que 1 p < L/2,
Adop est un sous-ensemble dobjets orientation dpendante dans A.
Dmonstration. Soit ai et aj deux objets de Adop , ils vrifient :
Li + Lj Li + lj > L et li + Lj > L
(2.1)
34
ai et aj sont orientation dpendante selon W . En effet, deux cas se prsentent. Dans

le premier cas, les deux objets ne peuvent pas tre placs cte cte selon W , ce qui
signifie quil nexiste pas et tel que M(W,H) (i, j, , ) est vrai (li + lj > W ).
Dans ce cas ai et aj sont orientation dpendante selon W . Dans le deuxime cas on
suppose que ( , ) tel que M(W,H) (i, j, , ) est vrai. Daprs lquation (2.1), les
seules valeurs possibles pour et pouvant vrifier M(W,H) (i, j, , ) sont telles
que :
M(W,H) (i, j, , ) = (Oi ( ) + Oj ( ) = li + lj W )
et (Oi ( ) = Li H) et (Oj ( ) = Lj H)
Nous pouvons alors facilement vrifier que N(W,H) (i, j, , ) est vrai :
(Oi ( ) + Oj ( ) = Li + Lj > L W ) et (Oi ( ) + Oj ( ) = Li + lj > L W )
et (Oi ( ) + Oj ( ) = li + Lj > L W )
Les objets ai et aj sont alors orientation dpendante selon W . Par symtrie, tout
couple dobjets de Adop est orientation dpendante selon H.
Supposons maintenant, quil existe une configuration FW selon laquelle ai et aj
puissent tre placs cte cte selon W , et une autre configuration FH selon laquelle
les deux objets puissent tre placs cte cte selon H. Daprs lquation (2.1), la
seule possibilit pour placer les objets ai et aj cte cte selon W (resp. H) est de
positionner leurs plus petites dimensions li et lj parallles W (resp. H) dans la
configuration FW (resp. FH ). FW et FH peuvent alors tre dduites lune de lautre
par une rotation simultane des deux objets.
2.3
Prtraitements
Les prtraitements, appliqus aux objets dune instance donne I = (A, B) permettent daugmenter la taille de certains objets, et de rduire la taille de lensemble
A sans modifier le nombre de bins de la solution optimale. De cette faon, les prtraitements permettent damliorer les bornes infrieures et de simplifier linstance.
Dans cette section, nous proposons trois prtraitements nots respectivement ,
et .
Le premier prtraitement () consiste valoriser les surfaces perdues dans le bin.
Il est bas sur une variante du problme de subset-sum. Un prtraitement semblable
est propos dans [5] pour le cas orient. Dautre part, beaucoup de sous-ensembles de
linstance initiale, peuvent tre rsolus loptimum sparment. Ces sous-ensembles
contiennent principalement les grands et les petits objets. Les prtraitements et
sont bass sur cette ide. Ces prtraitements permettent llimination des petits
objets qui nont aucun impact sur la solution optimale, et laugmentation de la taille
2.3. PRTRAITEMENTS
35
des grands objets. Deux procds de rduction bass sur cette ide sont proposs
dans [10] pour le cas orient.
Les trois prtraitements proposs sont bass sur le concept de fonctions identiquement ralisables (IFF : Identical Feasible Functions) dfini dans [10]. Soit I =
(A, B) = ({a1 , ..., an }, B) une instance 2BP. Une fonction f est dite identiquement
ralisable ssi linstance f (I) = (a1 , . . . , an , B) obtenue en appliquant f tous les
objets de lensemble A est telle que OP T (I) = OP T (f (I)).
2.3.1
Prtraitement
Ce prtraitement consiste valuer la surface perdue dans les bins. Lapplication

du prtraitement linstance initiale permet daugmenter la taille de certains
objets. Si un objet donn prend la taille dun bin (W, H), il peut alors tre retir de
linstance initiale car son packing optimal est alors connu.
Lide de ce prtraitement est dvaluer la surface perdue autour de chaque objet
aj A plac dans un bin, tout en prenant en compte la possibilit de tourner les
objets de 90. Pour dterminer cette surface condamne, une variante du problme
de subset-sum est applique sur chaque dimension de lobjet aj . Etant donn un
ensemble dentiers E et un entier z, le problme de subset-sum consiste dterminer
P
le sous-ensemble Ez E tel que ej Ez ej = z.
Pour chaque objet aj , une valeur note S(A, wj , W ) est value. Cette valeur
reprsente la largeur maximale infrieure ou gale W qui peut tre atteinte en
plaant un ensemble dobjets les uns ct des autres, selon la prolongation de
wj (lobjet aj est suppos orient tel que larte de taille wj soit parallle la
largeur du bin de taille W ). Lvaluation de la fonction S tient compte de toutes
les permutations possibles des orientations des objets {ai A {aj }}. Nous posons
S(A, wj , W ) = si wj > W ou hj > H, autrement :
X
S(A, wj , W ) = wj + M ax
(wi + hi )
(2.2)
ai A{aj }
o :
(wi + hi ) (W wj )
(2.3)
ai A{aj }
+ 1
(2.4)
wi H
(2.5)
hi H
(2.6)
{0, 1} et {0, 1}
(2.7)
Lquation (2.3) signifie que la somme des dimensions des objets constituant le
sous-ensemble entrant en jeu dans le calcul de S(A, wj , W ) ne dpasse pas la largeur
36
rsiduelle (W wj ) disponible. Lquation (2.4) garantit que le mme objet nest

pas considr deux fois dans la mme solution. Les quations (2.5), (2.6) et (2.7)
vrifient que lorientation considre des objets slectionns est ralisable.
De mme, S(A, wj , H) reprsente la hauteur maximale infrieure ou gale H,
qui peut tre atteinte en plaant un ensemble dobjets les uns au dessus des autres,
selon la prolongation de wj . Lorientation de aj dans ce cas est telle que wj est
parallle H. Notons quau moins une des deux valeurs S(A, wj , W ) ou S(A, wj , H)
est finie, le cas contraire signifierait que lobjet aj ne peut pas tre plac dans un
bin.
Lvaluation de S(A, wj , W ) est donne dans lalgorithme 1. Les donnes de
cet algorithme sont lensemble A des objets de linstance considre, la dimension
wj de lobjet aj traiter et la largeur W du bin. Nous introduisons la liste A
dobjets tel que A = A \ {aj } = {a1 , ..., an } o n = n 1. La matrice M est
de taille [n ][W wj + 1] (n lignes et W wj + 1 colonnes). Chaque ligne de la
matrice correspond un objet du sous-ensemble A candidat tre plac selon le
prolongement de wj . Les lments de M sont initialiss 0.
Algorithme 1 : Evaluation de S(A, wj , W )
S := ; disp := W wj ;
si ((w1 disp) et (h1 H)) alors
M [0][w1 ] := 1 ; S := Max(S, w1 ) ;
si ((h1 <= disp) et (w1 H)) alors
M [0][h1 ] := 1 ; S := Max(S, h1 ) ;
pour k := 1 n 1 faire
pour l := 0 disp faire
si M [k 1][l] = 1 alors
M [k][l] := 1;
si (((l + wk+1 ) <= disp) et (hk+1 H)) alors
M [k][l + wk+1 ] := 1 ; S := Max(S, l + wk+1 ) ;
si (((l + hk+1 ) <= disp) et (wk+1 H)) alors
M [k][l + hk+1 ] := 1 ; S := Max(S, l + hk+1 ) ;
retourner S + wj ;
j
Proposition 2.3. Soit un objet aj A, la fonction w
dfinie ci dessous applique
lensemble A des objets constituant linstance initiale traiter est une IFF.
j
w
: A A
hi = h(i
ai 7 ai o
wi + min(W S(A, wi , W ), H S(A, wi , H)) si i = j
w
=
w
sinon
i
2.3. PRTRAITEMENTS
37
a3
a2
a2
a1
a1
Figure 2.5 Illustration de la surface perdue dans le bin selon la prolongation de la

largeur de lobjet a1
Dmonstration. Supposons quune configuration optimale est connue pour linstance

transforme I , il est vident que la mme configuration optimale peut tre construite
pour les objets de linstance initiale puisque les surfaces ajoutes aux objets sont
de toute faon perdues. Il suffit donc de placer les objets dans les mmes positions.
Rciproquement, si une configuration optimale est connue pour I alors une configuration optimale de mme cot peut tre construite pour I : il suffit de placer tous
les objets dans les mmes positions. Cela est ralisable puisque les espaces des objets
transforms ne sont pas utiliss quel que soit le rangement considr.
Nous proposons ci-dessous un exemple dapplication du prtraitement sur une
dimension dun objet dune instance donne. Soit linstance suivante :
I = (A, B) : A = {a1 = (4, 6), a2 = (5, 10), a3 = (2, 9), a4 = (9, 11)}, B = (10, 12)
1
Considrons w
. La figure 2.5 illustre les valeurs S(A, w1 , W ) et S(A, w1 , H) obtenues
pour cet exemple. Nous obtenons W S(A, w1 , W ) = 1 et H S(A, w1 , H) = 1,
1
Linstance transforme aprs lapplication de la fonction w
est alors la suivante :
I = (A , B); A = {a1 = (5, 6), a2 = a2 , a3 = a3 , a4 = a4 }

Une IFF semblable hj , est applique la dimension hj de lobjet aj . Le prtraij
tement consiste appliquer les fonctions w
et hj pour tout aj A. Pour tout
objet aj A, lvaluation de S(A, wj , W ) est en O(W ). Le prtraitement appliqu
tous les objets est donc en O(nW ). Lordre dans lequel les tailles des objets sont
majores est important car si une dimension wi dun objet ai est employe dans la
mise jour dune dimension dun autre objet aj , wi ne peut plus tre mis jour
son tour. En effet, min(W S(A, wi , W ), H S(A, wi , H)) sera gale 0. Afin de
38
maximiser le nombre dobjets qui pourraient tre transforms par ce prtraitement,

une rgle heuristique est employe pour ordonner les objets avant de les traiter. Les
objets sont tris selon les largeurs (resp. hauteurs) dcroissantes avant dappliquer
j
w
(resp. hj ), j = 1, ..., n.
2.3.2
Prtraitement
Le prtraitement se situe dans le cadre des procdures de rduction des instances de 2BP |R. Dans ce prtraitement, les petits objets qui, en gnral, nont pas
un grand impact sur la valeur optimale de la solution sont limins. La taille dautres
objets est par contre augmente, ce qui augmente le nombre dobjets contraignants
(les grands objets). Ceux ci ont en effet, gnralement, un rle plus important sur
la valeur optimale de la solution des instances considres.
Ce prtraitement est bas sur la prsence dobjets orientation dpendante dans
linstance initiale. Pour cela nous considrons la famille des sous-ensembles dobjets
orientation dpendante Adop introduite dans la section 2.2. Pour chaque sousensemble dobjets orientation dpendante paramtr par p, nous considrons le
sous-ensemble Ap dobjets qui ont une dimension suffisamment petite pour quils
puissent tre placs dans la prolongation de la plus grande dimension dun des objets
de Adop . Lide est de chercher liminer les objets de Ap et de mettre jour les
dimensions des objets de Adop .
Nous rappelons que Adop = {ai A; Li (L p) et li > p} o p est un
entier positif, tel que 1 p < L/2. Le sous-ensemble Ap scrit par consquent :
Ap = {ai A; li p}. Remarquons que Adop Ap = . Ap est lensemble des
objets dans A qui ont une dimension suffisamment petite pour tre placs dans la
prolongation de la plus grande dimension dun des objets de Adop .
Pour chaque objet ai dans Adop , plac dans un bin, nous considrons la surface
vide rsultante selon sa plus grande dimension Li . Si les deux orientations possibles
de lobjet dans le bin sont ralisables, un bin correspondant la plus petite des
deux surfaces rsultantes est considr. Cest le cas de la surface S2 de lexemple
illustr dans la figure 2.6. Dans le cas dun objet orientation fixe (Li > l), un
bin correspondant la surface vide obtenue selon sa plus grande dimension Li est
considr :
Bi =
(
(l Li , li ) si l Li
(L Li , li ) sinon
(2.8)
Soit P le problme de dcision suivant : est-il possible de placer tous les objets de
Ap dans les surfaces considres selon les prolongations des plus grandes dimensions
des objets de Adop dans les bins Bi ?
Do la proposition suivante :
2.3. PRTRAITEMENTS
39
S1
a1
a1
S2
Figure 2.6 Illustration de la surface vide considre selon la prolongation de la plus

grande dimension de lobjet a1
Proposition 2.4. Si P a au moins une solution, la fonction p dfinie ci dessous

est alors une IF F associe linstance I = (A, B).
p : A A
li
ai 7 ai o i
li
li
= li et Li = l si (ai Adop et Li l)
= li et Li = L si (ai Adop et Li > l)
= 0 et Li = 0 si ai Ap
= li et Li = Li sinon
Dmonstration. Supposons quune configuration optimale est connue pour linstance transforme I . Une configuration optimale pour linstance initiale I peut tre
construite en plaant les objets de A \ Ap dans les mmes positions. Puisquaucun
objet de A \ Ap ne peut tre plac dans les surfaces considres suivant le prolongement de la plus grande dimension des objets de Aodp , ces surfaces sont disponibles.
Les objets de Ap sont alors placs dans ces surfaces (cela est ralisable puisque le
problme de dcision a une solution). Rciproquement, si une configuration optimale
est connue pour I, une configuration optimale du mme cot peut tre construite
pour I . Il sagit de placer les objets dans les mmes positions en dcalant si ncessaire
les objets dans le bin.
Nous proposons ci aprs un exemple dapplication de la fonction p une instance
donne.
Soit linstance suivante, I = (A, B) : A = {a1 = (4, 8), a2 = (2, 2), a3 =
(6, 7), a4 = (3, 4), a5 = (7, 4), a6 = (1, 6), a7 = (2, 5)} et B = (10, 10). pour p = 3,
Adop = {a1 , a3 , a5 }, les bins considrs pour le problme de dcision P sont :
40
a2
a1
a4
a5
a7
a6
a3
a1
a5
a3
Figure 2.7 Illustration de la surface rclame dans le bin selon la prolongation de la

largeur de lobjet a1
{(2, 4), (3, 4), (3, 6)}. Ap = {a2 , a4 , a6 , a7 }. La figure 2.7 montre un placement possible des objets de Ap dans les bins considrs. La rponse au problme P est alors
affirmative. Linstance est alors transforme comme suit : A = {a1 = (4, 10), a3 =
(6, 10), a5 = (10, 4)}, il en rsulte alors llimination des objets de Ap .
Le problme de dcision P qui consiste vrifier la faisabilit de placement
des objets de Ap dans les bins Bi considrs est une variante du problme de binpacking, lui aussi NP-difficile. En pratique, une heuristique de rsolution est utilise
pour rsoudre ce problme.
La mme procdure est applique linstance I pour toutes les valeurs possibles
de lentier p. En ne considrant que les valeurs intressantes du paramtre p, celles
qui correspondent aux dimensions des objets, ce prtraitement est en O(n (n))
o (n) est la complexit de lalgorithme de rsolution du problme de dcision.
2.3.3
Prtraitement
Comme le prtraitement , ce prtraitement prend en considration la prsence

de sous-ensembles dobjets particuliers dans linstance. Cette fois, les sous-ensembles
considrs sont composs des grands et petits objets.
Soit p un entier tel que 1 p 21 L. Nous dfinissons le sous-ensemble suivant
Alarge = A1large A2large , o A1large = {ai A : (Li l) et (li > L p)} et A2large =
{ai A : (Li > l) et (li > l p) et (Li > L p)}. Nous posons Asmall = {ai A :
li < p}.
Alarge reprsente lensemble des "grands" objets dans A : deux objets ai et aj
dans Alarge ne peuvent pas tre placs dans un mme bin quelles que soient les
orientations considres. Le sous-ensemble Asmall contient tous les objets qui peuvent
tenir avec au moins un objet de Alarge dans un mme bin. Si tous les objets de Asmall
peuvent tre placs dans les espaces libres disponibles autour des objets de Alarge , ils
2.3. PRTRAITEMENTS
41
peuvent alors tre limins puisquils nauront aucun impact sur la solution optimale,
et chaque objet de Alarge prend la taille dun bin (W, H).
S
Soit A = Alarge Asmall et I linstance de 2BP |R suivante : I = (A , B). Si
OP T (I ) = |Alarge |, la proposition suivante est alors dmontre dune faon similaire
la proposition 2.4.
Proposition 2.5. Si (OP T (I ) = |Alarge |) alors, la fonction p suivante est une
IF F associe linstance I.
p : A A
wi = l et hi = L si ai Alarge
ai 7 ai o wi = 0 et hi = 0 si ai Asmall
i
i
i
i
En limitant les valeurs de p celles qui correspondent aux dimensions des objets,
ce prtraitement est en O(n (n)) o (n) est la complexit de lalgorithme de
rsolution de linstance I .
2.3.4
Comparaison des trois prtraitements
Les trois prtraitements , et proposs sont complmentaires. Nous donnons

trois exemples qui illustrent cette complmentarit.
Dans le premier exemple, nous considrons linstance 2BP |R suivante. I =
(A, B) avec A = {a1 = (3, 5), a2 = (2, 3), a3 = (6, 5)} et B = (10, 10). Le prtraitement ne peut pas tre appliqu aux objets de cette instance cause de labsence
de grands objets (comme ils sont dfinis dans la section 2.3.3). Nous pouvons essayer
dappliquer le prtraitement pour p = 4 : Aod4 = {a3 }, Ap = {a1 , a2 } mais a1
et a2 ne tiennent pas dans lespace disponible au dessus de a3 , ce qui ne permet
pas dappliquer le prtraitement . Par contre, Lapplication du prtraitement
la dimension w3 de lobjet a3 permet de le transformer en a3 = (7, 5). En effet
S(A, w3 , W ) = S(A, w3 , H) = 9 (cf. Section 2.3.1).
Nous donnons un autre exemple o seul le prtraitement peut tre appliqu.
Soit I = (A, B) tel que A = {a1 = (4, 8), a2 = (2, 2), a3 = (6, 7), a4 = (3, 4), a5 =
(7, 4)} et B = (10, 10). Le prtraitement ne peut tre appliqu aucun objet
de linstance considre. En effet, pour tout objet ai de A, lvaluation de la fonction S(A, wi , D) ou de S(A, hi , D) donne comme valeur D (D = W = H). Le
prtraitement peut tre envisag (pour p = 5) mais les objets du sous-ensemble
correspondant Asmall = {a1 , a2 , a4 , a5 } ne peuvent pas tre tous placs dans la surface
disponible autour de a3 , le seul lment de Alarge . Par contre le prtraitement peut
42
tre appliqu I pour p = 3, Aod3 = {a1 , a3 , a5 }, Les bins correspondants pour

le problme de dcision considrer sont de dimensions {(2, 4), (3, 6), (3, 4)}. Une
heuristique simple permet de vrifier que les objets a2 et a4 de Ap peuvent tre placs
dans les bins considrs. Par consquent, le problme de dcision est ralisable et
linstance initiale peut alors tre transforme en A = {a1 = (4, 10), a3 = (6, 10), a5 =
(10, 4)}.
Considrons maintenant linstance suivante : I = (A, B) tel que A = {a1 =
(7, 8), a2 = (9, 2), a3 = (1, 3)} et B = (10, 10). Comme dans le cas de lexemple
prcdent, le prtraitement ne peut tre appliqu aucun objet de linstance
considre. En effet, pour tout objet ai de A, lvaluation de la fonction S(A, wi , D)
comme S(A, hi , D) donne comme valeur D. En essayant le prtraitement , pour
p = 1, Aod1 = {a2 }. Mais a3 , lunique objet de A1 , ne peut pas tre plac sans
chevauchement dans le bin (2, 1) considr au dessus de a2 . Pour les autres valeurs
possibles de p (2, 3 et 4) on a Aod2 = Aod3 = Aod4 = {a1 } et A2 = A3 = A4 =
{a2 , a3 }. Mais les objets a2 et a3 ne tiennent pas dans le bin (2,7) considr au dessus
de lobjet a1 . Le prtraitement ne peut donc pas tre appliqu cette instance.
Il reste tester le prtraitement . Pour p = 4, Alarge = {a1 }, Asmall = {a2 , a3 }.
Une simple heuristique russit placer a2 et a3 dans lespace disponible autour de
a1 . Nous pouvons alors liminer les objets a2 et a3 et mettre jour la taille de a4 .
Lobjet prend dsormais la taille dun bin (10, 10).
Ces trois exemples que nous venons de prsenter montrent que les trois prtraitements , et sont complmentaires. Il sera intressant dappliquer dune faon
itrative les trois prtraitements aux diffrentes instances du problme. Lefficacit
de cette mthode est montre dans la section 2.4 (rsultats exprimentaux). En effet,
lapplication itrative des trois prtraitements domine lunique application de lun
dentre eux.
2.4
Rsultats exprimentaux
Dans cette section nous prsentons les rsultats numriques des prtraitements
(, et ). Nous avons test nos algorithmes sur des benchmarks proposs dans la
littrature ( [4] et [48]). Ces benchmarks se dcomposent en dix classes dinstances,
gnres alatoirement. Les six premires classes ont t proposes dans [4] tandis
que les quatres dernires ont t proposes dans [48]. Chaque classe est compose
de cinq groupes qui diffrent par le nombre dobjets (n = 20, 40, 60, 80, 100).
Chaque groupe contient dix instances diffrentes. Le benchmark contient au total
500 instances diffrentes.
Les caractristiques des instances qui constituent les six classes de [4] sont les
2.4. RSULTATS EXPRIMENTAUX
Classe
I
Problme
HxW
10x10
II
30x30
III
40x40
IV
100x100
100x100
VI
300x300
VII
100x100
VIII
100x100
IX
100x100
100x100
n
20
40
60
80
100
20
40
60
80
100
20
40
60
80
100
20
40
60
80
100
20
40
60
80
100
20
40
60
80
100
20
40
60
80
100
20
40
60
80
100
20
40
60
80
100
20
40
60
80
100
98.50
98.50
99.00
99.00
99.00
100.00
100.00
100.00
100.00
100.00
100.00
100.00
100.00
100.00
100.00
100.00
100.00
100.00
100.00
100.00
100.00
100.00
99.83
99.88
100.00
100.00
100.00
100.00
100.00
100.00
100.00
99.75
100.00
100.00
100.00
100.00
100.00
100.00
100.00
100.00
97.00
98.75
99.33
99.75
99.90
100.00
100.00
100.00
100.00
100.00
% objets
96.50
97.00
97.50
99.00
99.00
100.00
100.00
100.00
100.00
100.00
95.50
100.00
100.00
97.50
100.00
100.00
100.00
100.00
100.00
100.00
92.50
97.25
97.67
98.38
97.40
100.00
100.00
100.00
100.00
100.00
99.00
100.00
99.50
99.50
99.90
100.00
100.00
99.83
99.50
100.00
94.50
99.00
97.00
97.75
97.30
90.50
97.00
95.67
99.62
99.20
restants
all
73.50 72.50
72.50 70.75
71.50 71.50
74.25 74.25
86.30 86.30
100.00 100.00
100.00 100.00
100.00 100.00
100.00 100.00
100.00 100.00
83.00 80.50
76.25 76.25
91.00 91.00
90.25 87.62
81.70 81.70
100.00 100.00
100.00 100.00
100.00 100.00
100.00 100.00
100.00 100.00
66.50 61.50
56.25 55.50
57.67 57.17
56.00 55.75
76.00 74.80
100.00 100.00
100.00 100.00
100.00 100.00
100.00 100.00
100.00 100.00
98.50 98.50
98.00 98.00
100.00 99.50
99.75 99.38
100.00 99.90
100.00 100.00
100.00 100.00
100.00 99.83
100.00 99.50
100.00 100.00
3.00
0.00
7.00
5.00
3.83
2.50
3.62
3.50
2.90
2.60
68.00 65.50
89.25 86.75
98.83 95.50
99.50 99.12
100.00 99.20
43
surface totale/surface dun bin

init
all
5.79 5.79 5.82 5.96 6.06
11.60 11.60 11.61 12.03 12.17
17.93 17.93 17.95 18.42 18.83
24.81 24.81 24.81 25.31 25.81
29.98 29.98 29.98 30.25 30.46
0.64 0.64 0.64 0.64 0.64
1.29 1.29 1.29 1.29 1.29
1.99 1.99 1.99 1.99 1.99
2.76 2.76 2.76 2.76 2.76
3.33 3.33 3.33 3.33 3.33
3.81 3.81 3.83 3.96 4.11
7.71 7.71 7.71 8.10 8.37
12.03 12.03 12.03 12.19 12.27
16.67 16.67 16.69 16.82 16.89
20.08 20.08 20.08 20.66 20.89
0.61 0.61 0.61 0.61 0.61
1.23 1.23 1.23 1.23 1.23
1.92 1.92 1.92 1.92 1.92
2.67 2.67 2.67 2.67 2.67
3.21 3.21 3.21 3.21 3.21
4.78 4.82 4.83 5.14 5.36
9.69 9.70 9.74 10.56 10.78
15.14 15.16 15.19 16.15 16.47
20.97 20.98 20.99 21.94 22.51
25.29 25.30 25.33 26.16 26.39
0.53 0.53 0.53 0.53 0.53
1.08 1.08 1.08 1.08 1.08
1.68 1.68 1.68 1.68 1.68
2.33 2.33 2.33 2.33 2.33
2.81 2.81 2.81 2.81 2.81
4.24 4.27 4.26 4.25 4.29
9.14 9.15 9.15 9.15 9.18
13.41 13.42 13.41 13.41 13.42
19.35 19.35 19.36 19.35 19.36
23.34 23.34 23.35 23.34 23.35
4.34 4.36 4.35 4.34 4.36
9.21 9.22 9.21 9.21 9.22
13.60 13.61 13.61 13.60 13.61
19.09 19.09 19.09 19.09 19.10
23.62 23.62 23.62 23.62 23.62
8.91 9.73 9.44 14.03 14.30
17.57 17.99 17.68 26.88 27.40
27.18 27.63 27.84 42.99 43.45
36.52 36.66 36.93 56.77 57.10
44.53 44.61 45.16 68.59 69.10
3.27 3.28 3.32 3.46 3.56
6.32 6.32 6.33 6.39 6.42
8.99 8.99 9.02 8.99 9.02
11.72 11.72 11.72 11.72 11.72
14.70 14.70 14.71 14.70 14.71
Tableau 2.1 Prtraitements
0.00
0.01
0.01
0.02
0.03
0.00
0.01
0.03
0.05
0.08
0.00
0.01
0.02
0.04
0.06
0.01
0.03
0.06
0.12
0.18
0.00
0.02
0.03
0.06
0.09
0.02
0.08
0.17
0.32
0.52
0.00
0.01
0.03
0.06
0.08
0.01
0.02
0.03
0.06
0.09
0.00
0.01
0.02
0.03
0.06
0.01
0.02
0.04
0.08
0.12
temps
0.00
0.01
0.02
0.05
0.07
0.00
0.00
0.00
0.00
0.00
0.01
0.05
0.15
0.30
0.63
0.00
0.00
0.00
0.00
0.00
0.01
0.06
0.25
0.68
1.14
0.00
0.00
0.00
0.00
0.00
0.00
0.02
0.05
0.18
0.37
0.01
0.02
0.06
0.17
0.37
0.01
0.03
0.07
0.22
0.46
0.00
0.04
0.09
0.30
0.64
CPU
0.00
0.02
0.05
0.14
0.30
0.00
0.00
0.00
0.00
0.00
0.01
0.05
0.26
0.62
0.97
0.00
0.00
0.00
0.00
0.00
0.01
0.07
0.47
1.03
2.81
0.00
0.00
0.00
0.00
0.00
0.00
0.03
0.06
0.25
0.49
0.00
0.03
0.07
0.26
0.46
0.00
0.00
0.01
0.00
0.01
0.01
0.05
0.19
0.47
0.96
all
0.01
0.02
0.08
0.20
0.39
0.00
0.01
0.03
0.05
0.07
0.02
0.10
0.42
0.85
1.53
0.01
0.03
0.06
0.11
0.18
0.02
0.14
0.66
1.49
3.81
0.02
0.08
0.17
0.32
0.52
0.01
0.06
0.15
0.48
0.92
0.01
0.06
0.15
0.48
0.86
0.00
0.02
0.05
0.12
0.26
0.01
0.10
0.30
0.83
1.63
44
suivantes :
Classe 1 : wi et hi gnrs alatoirement suivant une loi uniforme dans [1, 10],
W = H = 10.
W = H = 30.
W = H = 40.
W = H = 100.
W = H = 100.
W = H = 300.
Les problmes proposs dans [48] refltent mieux la ralit puisque les instances
dune mme classe ne sont pas gnres du mme interval comme cest le cas des six
premires classes dcrites ci dessus. En effet, les auteurs considrent quatre types
diffrents dobjets :
Type 1 : wj et hj gnrs alatoirement suivant une loi uniforme dans [2/3W, W ]
et [1, 1/2H] respectivement.
Type 2 : wj et hj gnrs alatoirement suivant une loi uniforme dans [1, 1/2W ]
et [2/3H, H] respectivement.
Type 3 : wj et hj gnrs alatoirement suivant une loi uniforme dans [1/2W, W ]
et [1/2H, H] respectivement.
Type 4 : wj et hj gnrs alatoirement suivant une loi uniforme dans [1, 1/2W ]
et [1, 1/2H] respectivement.
Les objets dans les instances des classes 7, 8, 9 et 10 sont gnres de la faon
suivante :
Classe 7 : type 1 avec une probabilit de 70%, types 2, 3 et 4 avec une
probabilit de 10% pour chaque type.
2.5. CONCLUSION
45
La taille des bins pour ces quatre dernires classes est gale (100,100). Ces jeux
dessai (les dix classes) sont disponibles sur le Web ladresse suivante :
http ://www.or.deis.unibo.it/research_pages/ORinstances/ORinstances.htm.
Le tableau 2.1 montre les rsultats des trois prtraitements proposs. Les trois
premires colonnes du tableau prsentent les attributs des groupes dinstances constituant le benchmark : la classe, les dimensions du bin utilis pour placer les objets et
le nombre dobjets par instance. Chaque ligne reprsente la moyenne des rsultats
sur les 10 instances qui constituent un groupe dans une classe. Deux rsultats sont
prsents : le premier est le pourcentage dobjets de taille diffrente de (W, H) restant
dans linstance. Le deuxime rsultat est le rapport de la surface totale des objets
restant aprs prtraitement sur la surface dun bin (borne infrieure continue).
La partie rserve pour le pourcentage des objets restants est constitue de quatre
colonnes. Les trois premires reprsentent les rsultats obtenus, en appliquant respectivement les prtraitements , et sparment. La dernire colonne (intitule
all) reprsente les rsultats obtenus par lapplication itrative de , et : les trois
prtraitements sont appliqus lun aprs lautre tant que linstance est modifie. La
colonne init reprsente la borne infrieure continue initiale (sans prtraitements).
Le prtraitement fournit les meilleurs rsultats en moyenne aussi bien en terme
de rapport de surfaces quen terme de pourcentage dobjets restants. Cependant,
pour les classes 7 et 8, par exemple, cest le prtraitement qui fournit en moyenne
les meilleurs rsultats. En effet, cette classe est constitue principalement dobjets
"longs et assez larges", ce qui favorise le prtraitement . Dans la plupart des cas,
le prtraitement est moins efficace pour liminer des objets ou pour augmenter la
somme des surfaces et par consquence la borne continue. Mais, lapplication itrative des trois prtraitements (colonne all) donne des rsultats strictement meilleurs
quun des trois prtraitements appliqu sparment. En effet, en augmentant par
exemple la taille de certains objets, on parvient ainsi mettre en vidence des
assemblages qui napparaissaient pas auparavant, les trois prtraitements tant indpendants.
2.5
Conclusion
Nous avons introduit la notion dobjets orientation dpendante. Cette notion

permet de prendre en considration des contraintes de rduction des liberts de rotation de certains objets dune instance donne. Nous avons galement propos trois
diffrents prtraitements pour le 2BP |R. Les rsultats numriques montrent lintrt
de ces prtraitements, en terme de simplification de linstance, et laugmentation de
la somme de la surface des objets de linstance et, par consquent, la borne continue.
Ces travaux ont t soumis pour une publication internationale [22] et prsents en
46
congrs [23].
Chapitre 3
Bornes infrieures
3.1
Introduction
Plusieurs bornes infrieures ont t proposes pour le problme de bin-packing.

La plupart de ces travaux ont t ddis la version 2BP |O : [5], [48], [29], [9]
et [10]. Deux bornes infrieures ont t proposes pour le 2BP |R dans [19] et [5].
Dans ce chapitre, nous proposons un nouveau schma gnral pour lvaluation
des bornes infrieures dans le cas de bins carrs. Ce schma consiste en la construction dune instance 2BP |O avec 2n objets partir dune instance de 2BP |R de
taille n. Chaque objet apparat deux fois dans linstance (dans ses deux orientations
possibles). Nous montrons que si linstance initiale a besoin de z bins, linstance
de taille 2n aura besoin de 2z bins au plus, pour placer lensemble des objets de
linstance. Nous pouvons alors appliquer des bornes ddies au 2BP |O linstance
de taille 2n. Nous montrons que dans le cas de bins carrs, les bornes proposes dans
[10], utilises dans le schma gnral dvaluation, dominent celles de la littrature.
Ces rsultats sont confirms par une tude exprimentale. Dans le cas de bins non
carrs, un prtraitement de linstance est propos, il permet de se rapporter au cas
des bins carrs. Les rsultats de dominance ne sappliquent nanmoins plus.
Ce chapitre est divis en six sections. La section 3.2 est consacre aux diffrentes
mthodes dvaluation par dfaut de la littrature utilises dans ce chapitre, notamment les bornes infrieures proposes dans [10] et [5] utilises dans le schma gnral
de lvaluation des nouvelles bornes infrieures, ainsi que les bornes infrieures
proposes pour le twobpr ( [19] et [5]). Dans la section 3.3 nous proposons une
nouvelle borne infrieure pour le 2BP |R. Les rsultats de dominance de la nouvelle
borne par rapport celles de la littrature sont tudies dans la section 3.4. Puis
nous exposons les rsultats exprimentaux de notre nouvelle borne sur des instances
de la littrature et nous les comparons avec les bornes dj proposes (Section 3.5).
Enfin, nous concluons (Section 3.6).
47
CHAPITRE 3. BORNES INFRIEURES
48
3.2
Aperu de la littrature
Nous dcrivons dans cette section les diffrentes bornes infrieures proposes
dans la littrature pour 2BP |O qui vont nous servir dans ce chapitre, ainsi que les
bornes infrieures proposes pour le 2BP |R par rapport auxquels nous tudions la
dominance thorique et pratique.
3.2.1
Bornes infrieures pour le 2BP |O
Dans cette section nous dcrivons dans un premier temps la borne propose par
Boschetti et Mingozzi [5] et utilise dans [10] pour renforcer la borne introduite par
les auteurs. Puis, nous dcrivons la borne propose par Carlier et al. [10] qui sera
utilise dans la nouvelle borne propose pour le 2BP |R.
3.2.1.1
La borne de Boschetti et Mingozzi [5]
La borne infrieure LO
BM propose par Boschetti et Mingozzi [5] est compose de
O,3
O,4
trois bornes diffrentes LO,2
BM , LBM et LBM .
La borne LO,2
BM repose sur lobservation de quatre diffrents types dobjets les
grands, hauts, larges et les petits que nous notons respectivement A2G , A2H , A2L
et A2P . Etant donn un couple dentiers (p, q), tel que 1 p 12 W et 1 q 12 H,
les quatre groupes sont dfinis de la faon suivante :
A2G = {ai A : wi > W p et hi > H q}.
A2H = {ai A \ A2G : wi p et hi > H q}.
A2L = {ai A \ A2G : wi > W p et hi q}.
A2P = {ai A \ A2G A2H A2L : wi p et hi q}.
Remarquons que chaque objet de A2G ncessite un bin pour le ranger et que les
objets de A2G ne peuvent pas tre placs avec des objets de A2H , A2L et A2P dans
un mme bin. La borne LO,2
BM scrit :
{|A2G | + max{L2 (p, q), L2 (p, q)}}
LO,2
BM = max
1
(3.1)
1q 2 H
1W
1p 2
o L2 (p, q) et L2 (p, q) sont deux valuations sur le nombre minimum de bins requis
pour ranger les objets de A2H , A2L et A2P .
La borne L2 (p, q) exploite le fait quaucun objet de A2H ne peut tre plac au
dessus dun autre objet de A2H A2L A2P . Elle est obtenue en calculant la borne
infrieure pour linstance 1BP suivante. Le bin est de taille W H. Pour chaque objet
ai A2H , un objet de taille wi H est considr. Pour chaque objet ai A2L , un
objet de taille W hi est considr. Pour chaque objet ai A2P , un objet de taille
wi hi est considr.
3.2. APERU DE LA LITTRATURE
49
La borne L2 (p, q) est base sur lobservation suivante. Un objet quelconque de

A2H ne peut pas tre plac dans le mme bin quun objet de A2L . De plus, les objets
de A2H ne peuvent pas tre placs lun au dessus de lautre, et les objets de A2L
ne peuvent pas tre placs lun cot de lautre. L2 (p, q) est alors valu comme
H
W
la somme de deux bornes infrieures LW
2 (p, q) et L2 (p, q). L2 (p, q) est une borne
infrieure valide pour le problme 1BP o le bin est de taille W , et pour chaque
objet ai A2H un objet de taille wi est considr, tandis que LH
2 (p, q) et une borne
infrieure pour le problme 1BP o le bin est de taille H, et pour chaque objet
ai A2L un objet de taille hi est considr.
Thorme 3.1. (Boschetti et Mingozzi [5]) LO,2
BM est une borne valide pour le
2BP |O.
La borne LO,3
BM prend explicitement en considration les deux dimensions des
objets. Lensemble A des objets est dcompos en trois sous-ensembles qui dpendent
de deux paramtres p et q : les grands objets (A3G ), les objets moyens (A3M ) et les
petits objets A3P . Soit p et q deux entiers tel que 1 p 21 W et 1 q 21 H,
A3M = {ai A \ A3G : wi > 21 W et hi > 21 H}.
A3P = {ai A \ A3G A3M : wi p et hi q}.
Remarquons que deux objets quelconques de A3G A3M ne peuvent pas tre
placs dans un mme bin. |A3G A3M | est alors une borne infrieure valide. La
borne LO,3
BM est complte par une rsolution des problmes de sac dos 1KP pour
dterminer le nombre de bins ncessaires au rangement des petits objets. Ainsi,
quatre valeurs MW (W, A3P ), MH (H, A3P ), MW (W wi , A3P ) et MH (H hi , A3P )
correspondant chacune la solution dun problme 1KP formalis par les quations
(3.2) et (3.3) sont calculs (o dim est un entier positif). Ce problme peut tre
rsolu en temps linaire si les objets de A3P sont tris par ordre croissant de largeur
ou de hauteur selon le problme.
MW (dim, A3P ) = M ax{
i :
MH (dim, A3P ) = M ax{
ai A3P
wi i dim, i {0, 1}}
(3.2)
hi i dim, i {0, 1}}
(3.3)
ai A3P
ai A3P
i :
ai A3P
MW (W, A3P ) (resp. MH (H, A3P )) correspond au nombre maximum dobjets de

A3P qui peuvent tre rangs cte cte selon W (resp. les uns au dessus des autres
selon H) dans un bin. MW (W wi , A3P ) (resp. MH (H hi , A3P )) correspond au
nombre maximum dobjets de A3P qui peuvent tre rangs cte cte selon W
(resp. les uns au dessus des autres selon H ) dans un bin contenant lobjet ai de
A3M .
50
Soit m (ai , A3P ) une borne suprieure pour le nombre dobjets de A3P qui
peuvent tre rangs avec lobjet ai , la borne LO,3
BM scrit :
P

|A3P | ai A3M m (ai , A3P )
O,3
LBM = max
|A3G A3M | + max 0,
MW (W, A3P )MH (H, A3P )
1q 21 H
1W
1p 2
(3.4)
Notons que, MW (W, A3P )MH (H, A3P ) est une borne suprieure pour le nombre
dobjets de A3P qui peuvent tre rangs ensemble dans un bin.
m (ai , A3P ) = MW (W wi , A3P )MH (H hi , A3P )
+ (MW (W, A3P ) MW (W wi , A3P ))(MH (H hi , A3P ))
(3.5)
+ (MW (H, A3P ) MW (H hi , A3P ))(MH (W wi , A3P ))

2BP |O.
La borne LO,4
BM utilise des techniques darrondi qui consiste rduire les dimensions des petits objets et de crotre celles des grands objets. Lampleur de la
rduction de dimensions des petits objets dpend de la valeur de la dimension en
question et dun paramtre p ou q selon quon traite la largeur ou la hauteur. Le
nombre de petits objets qui peuvent tre rangs avec un grand objet ai devant rester
inchang aprs lapplication des techniques darrondi. Ainsi les auteurs considrent
cinq sous-ensembles dfinis de la faon suivante :
A4M = {ai A \ A4G : wi > 21 W et hi > 21 H}.
A4H = {ai A : 12 W wi p et hi > 12 H}.
A4L = {ai A : wi > 12 W et 12 H hi q}.
A4P = {ai A : 21 W wi p et 12 H hi q}.
Cette borne exploite les observations suivantes. Deux objets quelconques de
(A4G A4M ) ne peuvent pas tre placs dans un mme bin. Aucun objet de A4H
A4G A4P ne peut tre plac dans le mme bin quun objet de A4G . La borne
LO,4
BM est alors compose de deux termes, le premier est gal la taille de lensemble
A4G A4M , le deuxime est une borne infrieure valide pour le nombre de bins
ncessaires pour ranger les objets de A4H A4L A4P qui ne peuvent pas tre
placs dans le mme bin que les objets de A4M .
LO,4
BM
m
(a
,
p,
q)
i
ai A\A4G
k
j
k
j
= max |A4G A4M | + max 0,
H
W

1p W
2
p
q
1q H
2
(3.6)
51
i
i
i
i
Hh
W w
Hq Wp Hh
si ai A4M
W w
p
q
p
q
wi H wi Hhi si a A4
i
H
p
k
p
q
m (ai , p, q) =
hi
W wi
hi
W
p q p q si ai A4L
w i hi
p q si ai A4P

2BP |O.
3.2.1.2
La borne de Carlier et al. [10]
Carlier et al. [10] proposent une nouvelle borne infrieure ddie au 2BP |O qui
domine les bornes de la littrature. Cette borne repose sur le concept des fonctions
redondantes ou DFF discrtes dfinies de la faon suivante.
Dfinition 3.1. Une Fonction Redondante (RF), ou DFF dicrte f est une application discrte de [0, X] dans [0, X ] (X et X entiers) telle que :
x1 + x2 + . . . + xk X f (x1 ) + f (x2 ) + . . . + f (xk ) f (X) = X .
A partir de cette section, nous parlons de DFF pour faire rfrence aux DFF
discrtes.
Les DFF sont dfinies indpendamment de linstance. Une autre classe de fonctions qui dpendent de la taille des objets dans linstance considre a t dfinie par
les auteurs. Il sagit des DFF dpendantes de la donne appeles DDFF (cf. dfinition
3.2).
Dfinition 3.2. Soit A = {a1 , . . . , an }, c1 , c2 , . . . , cn n valeurs entires et C un
entier tel que C ci pour i = 1, . . . , n. Une Fonction Dual-Ralisable Dpendante
de la Donne (DDFF) f associe C et c1 , c2 , . . . , cn est une application discrte de
[0, C] dans [0, C ] telle que
A1 A,
ai A1
ci C
f (ci ) f (C) = C
ai A1
Les DDFF ont un comportement similaire aux DFF sur un exemple spcifique
donn. Les DDFF peuvent prendre en compte les caractristiques de linstance
comme le nombre doccurrences de chaque valeur, et peuvent ainsi conduire des
bornes infrieures qui amliorent strictement celles obtenues par lapplication des
DFF.
Les auteurs considrent deux familles de DFF (f0k et f2k )et une famille de DDFF
(f1k ). f0k est directement drive dune famille classique de DFF propose dans [27].
52
f2k est une amlioration sur une DFF utilise dans [6]. (f1k ) est une nouvelle famille
de DDFF. Etant donn une valeur entire C et un autre entier k = 1, ..., C/2, les
trois fonctions sont dfinies ci aprs.
Une dimension dun objet ai , peut tre augmente jusqu la taille dun bin si
aucun autre objet dans linstance ne peut tre rang avec ai suivant la prolongation
de la dimension considre. La famille de DFF f0k propose consiste supprimer les
objets de taille infrieure k et augmenter la taille des objets strictement suprieure
C k.
f0k : [0, C] [0, C]
C si x > C k
x 7 x si C k x k
0 sinon
La fonction f1k est dfinie pour une valeur de lentier C et une liste dentiers
c1 , c2 , . . . , cn (A = a1 , ..., an ). Soit A le sous-ensemble dobjets suivant : A = {ai
A : 21 C ci k}. Etant donn un entier X, soit M (X, J) le nombre maximal
dobjets dans J qui peuvent tre placs cte cte sans dpasser X. M (X, J) est la
valeur optimale pour le problme de sac dos en une dimension (1KP) induit par
lensemble A et la taille X. la nouvelle DDFF f1k scrit alors :
f1k : [0, C] [0, M (C, J)]
M (C, J) M (C x, J)
x 7 1
si x > 12 C
si 12 C x k
sinon
La fonction f2k repose sur des techniques darrondi qui consiste augmenter la
taille des grands objets et rduire celle des petits, elle est dfinie de la manire
suivante :

C
k
f2 : [0, C] 0, 2
k
C Cx
1
2 ( k k ) si x > 2 C
x 7 Ck
si x = 21 C

2 x
si 1 C > x
k
Carlier et al. [10] introduisent une borne infrieure pour le 1BP note L1D
CCM [10]
1D
et ils montrent quelle domine thoriquement la borne LM V propose dans [48].
Ce rsultat est utilis par les auteurs pour montrer la dominance thorique de la
nouvelle borne infrieure quils proposent par rapport aux bornes de la littrature,
en particulier LO,2
BM [5].
1BP

L1D
Lfu (ci )
CCM = max
u{0,1,2}
53
o Lfu est dfinie de la faon suivante :

Lfu = max
1k C
2
(& P
k
ai A fu (ci )
fuk (C)
')
Puis ils introduisent des nouvelles bornes infrieures pour le 2BP |O suivant le
schma dfini dans [29]. Pour u = 0, 1, 2 et v = 0, 1, 2 ils dfinissent :
L2D
(fu ,fv ) =
max
,1l H
1k W
2
2
(& P
k
l
ai A fu (wi )fv (hi )
fuk (W )fvl (H)
')
L2D 1, CCM est une borne infrieure valide pour le 2BP , elle est gale la borne
continue maximale obtenue en appliquant les DDF (ou DDFF) proposes.
L2D
1,CCM =
max
u{0,1,2},v{0,1,2}
L(fu ,fv )
(3.7)
Cette borne est renforce par la borne L2D 2, CCM obtenue en utilisant la borne
O,2
O,2
1D
L1D
CCM la place de LM V dans la borne LBM . En effet, la borne LBM ne peut pas
tre calcule par lintermdiaire des DFF.
La nouvelle borne infrieure valide pour le 2BP est note LO
CCM , Elle domine les
bornes de la littrature [10] :
2D
2D
LO
CCM = max{L1,CCM , L2,CCM }
(3.8)
Notons que les DFF f0 et f2 proposes par les auteurs sont des fonctions croissantes et superadditives, elles vrifient donc la relation suivante : x + y z implique
f (x) + f (y) f (z) pour f {f0 , f2 }.
3.2.2
Bornes infrieures pour le 2BP |R
Dans cette section nous dcrivons deux bornes infrieures pour le 2BP |R proposes dans la littrature. Remarquons que la borne continue est aussi une borne
infrieure valide pour le 2BP |R. Premirement, nous dcrivons la borne infrieure
propose dans [19] o les auteurs proposent de dcouper les objets de linstance
initiale en carrs. Une borne infrieure ddie au problme de placement des objets
carrs est alors applique linstance obtenue. La borne infrieure LR
BM propose
R,1
R,2
dans [6] est compose de deux bornes LBM et LBM . La premire consiste transformer les objets en carrs et appliquer par la suite une borne infrieure ddie au
2BP |O. La deuxime borne prend explicitement en considration les deux dimensions des objets et la possibilit de rotation de 90 degrs.
54
3.2.2.1
R
La borne LBDA
de DellAmico et al. [19]
R
Le calcul de la borne LBDA
se fait en deux tapes. Dans la premire tape,
chaque objet ai A est dcompos en plusieurs carrs. Ces objets carrs sont obtenus
par un algorithme pseudo-polynomial appel CUTSQ. Initialement chaque rectangle
r(i)
r(i)
est considr dans lorientation r tel que wi
hi (orientation horizontale).
Chaque itration de CUTSQ, consiste couper de chaque rectangle (wi , hi ) le nombre
maximal de carrs de taille (hi , hi ), et de tourner le rectangle rsiduel de 90 degrs
pour conserver une orientation horizontale. Dans une deuxime tape, une borne
ddie au problme de rangement des carrs est applique linstance rsultante
note IS = (AS , B). Soit lj la dimension dun objet aj dans AS . AS est alors divis
en cinq sous-groupe de la faon suivante (le bin est considr dans une orientation
horizontale : W H). Etant donn un entier k tel que 0 k 12 H, les cinq
sous-ensembles dobjets sont dfinis de la faon suivante :
A1 = {aj AS : lj > W k}
A2 = {aj AS : W k lj > 12 W }
A3 = {aj AS : 21 W lj > 21 H}
A4 = {aj AS : 21 H lj k}
A23 = {aj A2 A3 : lj > H k}
R
LBDA
= max1
0k 2 H
|A1 | + L+
2
P lj (H lj )) )
l
(W
H
L
j
o
n
aj A23
aj A2 A3 A4
max 0,
WH
R
est une borne infLBDA
est une borne infrieure valide pour le 2BP |R, o L
rieure valide sur le nombre de bins ncessaire pour ranger les objets de A2 A3 ,
elle est base sur les observations suivantes. Chaque objet de A1 A2 exige un bin,
aucun objet de A3 ne peut tre plac avec un objet de A1 ou au dessus dun objet
de A2 et un objet au plus de A3 peut tre plac ct dun objet de A2 . Les auteurs
considrent alors le sous-ensemble A3 des objets de A3 qui peuvent tre rangs dans
est alors complte par une
les bins qui contiennent les objets de A2 . La borne L
borne infrieure pour le nombre de bins ncessaires pour ranger les objets de A3 \A3 :
& P
'
l
|A3 \ A3 |
aj A3 \A3 j
k
L = |A2 | + max
, j
W
H/2+1
R
Le dernier terme de la borne LBDA
est une borne infrieure sur le nombre de
bins quon doit ajouter pour ranger les objets de A4 .
55
R
Dans le cas de bins carrs (W, W ) et pour une valeur donne de k, la borne LBDA
peut tre crite de la faon suivante :
R
L DA (k)
3.2.2.2
= |A1 A2 | + max{0,
2
aj A2 A4 (lj )
W2
|A2 |}
La borne LR
BM de Boschetti et Mingozzi [6]
Boschetti et Mingozzi [6] proposent une nouvelle borne infrieure note LR

BM .
R,1
Cette borne est calcule comme le maximum de deux bornes infrieures LBM et
LR,2
BM .
La borne infrieure LR,1
BM consiste transformer les objets de linstance 2BP |R
initiale en des objets orientation fixe. Ainsi, tant donne une instance initiale
I = (A, B), les dimensions des objets de A sont transformes de la faon suivante :
aj
7 aj = (wj , hj ) o
(
wj = min(wj , hj ) et hj = min(wj , hj ) si wj H et hj W
wj = wj et hj = hj sinon
aj 7 aj = (wj , hj ), o wj = min(wj , hj ) si (wj H et hj W ) et wj = wj

sinon. hj = min(wj , hj ) si (wj H et hj W ) et hj = hj sinon.
Ainsi si un objet donn ne peut pas tre tourn (objet orientation fixe) il
est laiss inchang. Dans lautre cas, seul le plus grand carr inclus dans lobjet
rectangulaire est considr. Les objets rsultants sont alors orientation fixe. LR,1
BM
consiste alors appliquer la borne infrieure LO
BM propose dans [5] pour le 2BP |O.
La borne infrieure LR,2
BM prend en considration les deux dimensions des objets
ainsi que la possibilit de les tourner de 90 degrs. Deux sous-groupes diffrents sont
considrs : A = {ai A : wi 6= wi } et A = A \ A . Etant donn deux entiers k
et l tel que 1 k 21 H et 1 l 12 W , une borne infrieure valide LR,2
BM peut tre
crite de la faon suivante :
LR,2
BM = max
k,l
et
(& P
n
k,l (i)

W
i=1
H
k
l
l,W
k,H
min (wi ) (hi ),

k,l (i) =
l,W (hi ) k,H (wi )
l,W (wi ) k,H (hi )
')
si ai A
si ai A
56
k,X (x) =
(

Xx
X
xk
k
if x >
if x
X
2
X
2
Notons que k,X est une version de la fonction f2k dcrite dans la section 3.2.1.2,
o un objet de taille X2 peut avoir une image plus petite.
R,2
La borne finale propose dans [6] est alors max(LR,1
BM , LBM ). Nous notons cette
borne LR
BM .
3.3
Nouvelle borne infrieure pour le 2BP |R
Nous adoptons dans ce chapitre, la notation suivante. Soit une instance I =

(A, B) donne. A reprsente lensemble des objets de linstance, A = {a1 , ..., an } tel
que ai = (wi , hi ) ai A. Un objet ai considr dans son orientation initiale est
de taille (wi1 , h1i ) = (wi , hi ). Si ai est tourn de 90 degrs, sa taille est alors note
(wi2 , h2i ), telle que wi2 = h1i and h2i = wi1 . Une orientation de lensemble des objets
est une application de A dans {1, 2} qui associe chaque objet ai une orientation
r(i).
Dans cette section, nous proposons une nouvelle mthode dvaluation des bornes
infrieures pour le 2BP |R dans le cas de bins carrs. Cette mthode consiste
construire une nouvelle instance 2BP |O partir de linstance 2BP |R. Chaque objet
de linstance 2BP |R apparat deux fois dans la nouvelle instance 2BP |O (dans ses
deux orientations possibles). Nous proposons par la suite une gnralisation de cette
borne pour quelle puisse tre applique dans le cas de bins non carrs.
Soit I R = (A, B) une instance de 2BP |R. A = {a1 , . . . , an } est lensemble
des objets de linstance et B = (W, W ) (bins carrs). Considrons maintenant le
bO , B), avec A
bO = {a1 , . . . , a2n }, tel que
problme 2BP |O suivant. IbO = (A
1. wi = wi1 et hi = h1i pour i {1, . . . , n}
2
2. wi = win
et hi = h2in pour i {n + 1, . . . , 2n}
Le thorme 3.4 tablit que IbO a besoin au plus du double du nombre de bins
ncessaires pour I R .
Thorme 3.4. Si z bins sont ncessaires pour ranger les objets de I R , il existe
alors une solution IbO avec 2z bins.
Dmonstration. Considrons la solution de I R qui a besoin de z bins. Dans cette

solution, chaque objet ai est utilis une seule fois dans une de ses deux orientations
possibles. Une solution avec 2z bins peut alors tre trouve pour IbO en utilisant la
mme configuration pour les objets qui sont dans I R , et ranger les objets restants
en tournant les z premiers bins de 90 (cf. Figure 3.1).
3.3. NOUVELLE BORNE INFRIEURE POUR LE 2BP |R
57
4
9
1
5
2
8
6
8
9
5
2
3
8
6
7
2
1
6
5
Figure 3.1 Construction dune solution pour IbO
La figure 3.1 montre la construction dune solution avec quatre bins pour IbO (les
quatre bins du dessous) partir dune solution avec deux bins connue pour I R (les
deux bins du dessus). La configuration des objets placs dans les deux premiers bins
est identique la solution du problme initial. La configuration du troisime (resp.
quatrime) bin est obtenue en tournant de 90 degrs la configuration du premier
(resp. deuxime) bin.
Corollaire 3.1. Si LB O est une borne infrieure valide pour le 2BP |O, alors
LB O (IbO )/2 est une borne infrieure valide de la solution optimale de I R .
Daprs le corollaire 3.1, toute borne infrieure pour le 2BP avec orientation
fixe des objets peut tre utilise pour calculer une borne infrieure pour le cas
non-orient. Nous utilisons la borne LO
CCM propose dans [10] aprs une lgre
k
modification. La lgre modification sur LO
CCM concerne la famille f1 de DDFF :
dans la nouvelle borne que nous proposons, les deux objets orientation fixe issus
du mme objet dorigine peuvent tre placs dans un mme bin (si cela nest pas
permis, la borne reste valide). Dans ce cas, dans le sous-groupe dpendant de la
donne entrant en jeu dans le calcul de la fonction f1k , nous ne considrons quun
seul objet par couple (lobjet dont la dimension considre est la plus petite). La
nouvelle borne infrieure obtenue est note LR
CJE . Elle est de mme complexit que
la borne infrieure utilise (LO
).
Elle
est
en
O(n3 ).
CCM
Dans le cas de bins non carrs, la mthode propose peut toujours tre utilise.
Nous supposons sans perte de gnralit que W > H. Dans ce cas, nous transformons
le bin (W, H) en un bin (W, W ). Pour viter une relaxation excessive du problme,
58
un objet factice de taille (W, W H) est ajout chaque bin pour remplir la surface
ajoute. Cette procdure est mise en place de la faon suivante. z objets factices
sont ajouts la nouvelle instance 2BP |O considre. Si la borne infrieure est
suprieure z, la mthode est relance avec la valeur z + 1. La valeur initiale donne
z peut tre gale un, ou une borne infrieure connue pour le problme. Lors de
lutilisation de la fonction f1k , il faut sassurer quun objet factice au plus entre en
jeu dans la solution du problme du sac dos.
3.4
Dominance par rapport aux bornes de la littrature
Dans cette section, nous montrons que la borne infrieure LR

CJE propose dans
la section prcdente domine les mthodes proposes dans [19] et [6], dans le cas de
bins carrs. Pour cela, nous introduisons une nouvelle borne note LR,t
CJE , qui domine
R
les bornes de la littrature et qui est domine par LCJE .
Soit F lensemble des fonctions f0k et f2k valides pour une instance I = (A, B)
R,2
donne. La borne LR,t
CJE gnralise la borne LBM propose dans [6].
&
'
1
1
2
2
X
min
{f
(w
)g(h
),
f
(w
)g(h
)}
i
i
i
i
LR,t
CJE = max
f,gF
f
(W
)g(W
)
a A
i
Proposition 3.1. LR,t

CJE est une borne infrieure valide pour le 2BP |R.
Dmonstration. Si nous explorons toutes les orientation possibles des objets de
linstance I et valuons les bornes infrieures pour les problmes 2BP |O rsultants,
la valeur minimale obtenue est une borne infrieure pour I. Notons R lensemble de
toutes les orientations r possibles des objets.
')
(
&
X f (wr(i) )g(hr(i) )
i
i
OP T (I) min max
rR
f,gF
f
(W
)g(W
)
a A
i
Cette expression est suprieure ou gale :

')
&
(
X min{f (wr(i) )g(hr(i) ), f (hr(i) )g(wr(i) )}
i
i
i
i
min max
rR f,gF
f
(W
)g(W
)
a A
i
Or lorientation choisie pour les objets naffecte pas cette dernire expression. Lexpression ci aprs est alors une borne infrieure pour I.
&
'
X min{f (w1 )g(h1 ), f (w2 )g(h2 )}
i
i
i
i
max
f,gF
f
(W
)g(W
)
a A
i
3.4. DOMINANCE PAR RAPPORT AUX BORNES DE LA LITTRATURE 59

R
Nous allons maintenant montrer que LR,t
CJE est domine par LCJE . Ce rsultat
sera utilis pour montrer que LR
CJE domine les bornes de la littrature.
R
Proposition 3.2. La borne LR,t
CJE est domine par LCJE dans le cas de bins carrs.
Dmonstration. Considrons une version simplifie de LR

CJE , o seules f0 et f2 sont
utilises. La borne rsultante est la suivante :
LB =
&
'
n
2n
nX
X
1
f (wi1 )g(h1i )
f (wi1 )g(h1i ) o
max
+
2 f,gF i=1 f (W )g(W ) i=n+1 f (W )g(W )
Par dfinition de linstance IbO , pour i = 1, . . . , n, nous avons wi1 = h2i+n et

2
h1i = wi+n
. La dernire quation peut alors tre crite de la faon suivante :
&
LB = max
f,gF
or
)'
( n
X 1 f (w1 )g(h1 ) + f (w2 )f (h2 )
i
i=1
f (W )g(W )
(f (wi1 )g(h1i ) + f (wi2 )g(h2i ))/2

est suprieure ou gale
min{f (wi1 )g(h1i ), f (wi2 )g(h2i )}
R
la borne simplifie domine alors LR,t
CJE . Il en est de mme pour LCJE .
Nous allons maintenant montrer que LR,t

CJE domine la borne de [19]. Pour cela,
nous commenons par dcrire un rsultat concernant les DFF. Le lemme 3.1 explique
que le fait de dcouper les objets avant lapplication dune borne infrieure ne peut
pas amliorer la qualit de la borne quand LR,t
CJE est utilise. Le lemme est vrai pour
le cas de dcoupes horizontales ainsi que verticales.
Lemme 3.1. Soit deux DFF f et g, et quatre valeurs wa , wb , w et h tel que wa +wb =
w, nous avons :
min{f (wa )g(h),g(wa )f (h)} + min{f (wb )g(h), g(wb )f (h)}
min{f (w)g(h), g(w)f (h)}
Dmonstration. Comme f est superadditive, nous avons :
f (wa ) + f (wb ) f (w)
cela implique que
f (wa )g(h) + f (wb )g(h) f (w)g(h)
60
do :
min{f (wa )g(h), g(wa )f (h)} + min{f (wb )g(h), g(wb )f (h)} f (w)g(h).
En utilisant la mme proprit pour g, nous obtenons :
g(wa )f (h) + g(wb )f (h) g(w)f (h)
nous avons alors :
min{f (wa )g(h), g(wa )f (h)} + min{f (wb )g(h), g(wb )f (h)} g(w)f (h)
Le lemme est par consquent vrai.
Notons que le rsultat sapplique aussi dans le cas o wa = h, comme dans la
mthode LR
DA [19].
R
Proposition 3.3. LR
CJE domine la borne L DA de [19] dans le cas de bins carrs.
Dmonstration. Dans la borne L R

DA [19] les objets (rectangles) dune instance I
sont dcoups rcursivement en rectangles plus petits. Montrons maintenant que la
borne infrieure L R
DA (k) applique pour une valeur donne de k peut tre calcule
par le biais de DFF.
Si L R
DA (k) = |A1 A2 |, elle est alors infrieure ou gale la borne continue
W
calcule pour linstance transforme

en appliquant f02 sur les deux dimensions.
P
(wi )2
ai A2 A4
, elle est alors gale la borne continue
Si L R
DA (k) = |A1 | +
W2
calcule pour linstance transforme en appliquant f0k sur les deux dimensions.
Dans les deux cas, la borne peut alors tre obtenue en appliquant deux DFF
dans F.
Nous montrons maintenant que toute mthode qui consiste dcouper les objets
de linstance initiale et calculer par la suite une borne infrieure, par lintermdiaire
des DFF, pour linstance rsultante ne peut pas donner des rsultats meilleurs que
lapplication de la mme borne linstance initiale.
Soit ai un objet de A, et Ji lensemble des objets obtenus par des dcoupes
rcursives de lobjet ai . Daprs le lemme 3.1, nous savons que la surface rsultante
de ai transform aprs lapplication de LR,t
CJE est suprieure ou gale la somme
des surfaces de deux premires dcoupes de ai . En utilisant ce rsultat dune faon
rcursive, nous constatons que la surface de ai modifie par deux DFF est suprieure
la surface totale des objets de Ji modifi par DFF. En sommant les ingalits
R,t
R
R
obtenues, nous trouvons que LR,t
CJE est suprieure LDA . Or LCJE domine LCJE
dans le cas de bins carrs, elle domine alors de mme LR
DA .
Nous allons maintenant montrer que notre borne domine la borne LR

BM de [6].
3.4. DOMINANCE PAR RAPPORT AUX BORNES DE LA LITTRATURE 61

R
Proposition 3.4. LR
CJE domine la borne LBM de [6] dans le cas de bins carrs.
Dmonstration. Dans le cas de bins carrs, la borne LR,1

BM (cf. Section 3.2) consiste
considrer linstance obtenue en gardant le carr le plus large dans chaque objet de
O,2
F,4
linstance initiale, puis appliquer les trois bornes LBM
, LF,3
BM et LBM dcrites dans [5]
(cf. Section 3.2).
O,2a
Pour le 2BP |R, dans le cas de bins carrs, la borne LBM
est quivalente la cration dune instance 1BP telle que chaque objet ai a la taille suivante (min{wi , hi })2 ,
la taille du bin tant W 2 . Les DFF sont alors appliques (cf. Section 3.2). Dans LR
CJE ,
O,2
linstance considre est compose des objets plus larges que ceux de LBM . Comme
O,2a
la borne infrieure intrieure LO
CCM utilise la mme technique que LBM , avec des
DFF qui dominent celles de [5], elle domine alors cette borne (rappelons que les
DFF sont superadditives).
Quand la plus petite des deux dimensions est garde, seuls les objets larges
O,2b
en terme de hauteur et de largeur sont considrs dans la borne LBM
. La borne
W
obtenue ne peut donc pas tre suprieure la borne obtenue en appliquant f02
chaque dimension.
Carlier et al. [10] ont montr que LO,3
BM peut tre calcule par lintermdiaire de
k
deux fonctions f1 . La surface totale des objets considrs est videment suprieure
quand LR
CJE est applique. Bien que les DFF sont superadditives, les DDFF ne
le sont pas, mais rappelons que lensemble des valeurs dpendant de la donne
R,1
J considrs dans LR
CJE est le mme que celui considr dans LBM . En effet, en
utilisant lamlioration sur la borne LO
CCM propose dans la section 3.3, seule la
1
1
valeur min{wi , hi } est considre. Elle est identique la valeur considre dans
LR,1
BM . La surface obtenue pour chaque objet, est alors suprieure ou gale la surface
totale obtenue en utilisant la mthode de [5,6]. En sommant les ingalits obtenues,
nous vrifions la rgle de dominance.
Carlier et al. [10] ont aussi montr que LO,4
BM peut tre calcule par lintermdiaire
k
de deux DFF qui sont domines par f2 . En se rfrant au lemme 3.1 et Proposition
O,4
3.2 nous dduisons que LR
CJE domine la borne LBM .
R,t
Finalement la borne LR,2
BM [6] est obtenue partir du schma de la borne LCJE
en utilisant une version simplifie de f2k , elle est alors domine par LR,t
CJE . Daprs la
R,2
R
proposition 3.2, la borne LBM est alors domine par LCJE .
R
La borne LR
BM est donc domine par LCJE .
Dans le cas de bins non carrs, les rsultats de dominance montrs ne sont plus
valides. Lexemple donn ci aprs illustre ce fait. Soit linstance I = (A, B) suivante
tel que : A = {(4, 1), (4, 1), (3, 3)} est B = (6, 3). La mthode de [6] dtermine
un ensemble dobjets qui ne peuvent pas tre tourns : (4, 1) et (4, 1). f03 est alors
applique la largeur et f01 la hauteur, La borne infrieure rsultante est gale
lexpression suivante : (6 1 + 6 1 + 3 3)/(6 3) = 21/18 = 2. Si
62
notre mthode tait utilise, la nouvelle instance cre serait la suivante : A =

{(6, 3), (3, 6), (4, 1), (4, 1), (3, 3), (3, 3), (1, 4), (1, 4)} et B = (6, 6). La valeur obtenue
par notre borne est gale un bin, tandis que la borne infrieure calcule par la
mthode de [6] est gale deux.
Le lemme 3.1 ne peut pas tre appliqu dans le cas des DDFF, puisque les
DDFF ne sont pas superadditives. Les borne obtenues en utilisant f1k dans le schma
de [19] peuvent alors aboutir des rsultats qui ne sont pas domins parLR
CJE .
Cependant, des rsultats exprimentaux que nous avons obtenus nont men
aucune amlioration sur notre mthode quand f1k tait utilise sur des instances
transformes en carrs.
3.5
Nous avons test nos algorithmes sur des benchmarks proposs dans la littrature
[4, 48] et dcrits dans le chapitre 2.
Dans le tableau 3.1, nous comparons nos rsultats avec ceux de [6], qui sont les
meilleurs rsultats connus dans la littrature. Chaque ligne reprsente la moyenne
obtenue pour un groupe de dix instances dune classe donne, tandis que les lignes
intitules Avg. sont consacres aux moyennes par classe. Le tableau 3.1 montre
les valeurs des bornes infrieures obtenues (colonne LB). Dans la colonne CPU
nous montrons en secondes le temps CPU consomm pour le calcul de la borne
infrieure. La colonne intitule BM concerne les rsultats de [6], tandis que les
colonnes intitules CJE concernent les rsultats obtenus par notre nouvelle borne
quand la version modifie de LO
CCM [10] est utilise (cf. Section 3.3).
Nous constatons que la nouvelle borne infrieure (LR
CJE ) fournit des rsultats
strictement meilleurs que ceux obtenus par la borne de [6]. Les rsultats thoriques
sont confirms par les rsultats exprimentaux.
3.6
Conclusion
Nous avons propos dans ce chapitre un nouveau schma de calcul de bornes

infrieures pour le problme de bin-packing dans le cas non-orient. Ce schma
consiste composer une instance 2BP |O partir dune instance 2BP |R. En utilisant
une borne infrieure interne efficace pour le 2BP |O, nous avons obtenue une borne
infrieure pour le 2BP |R qui domine les bornes de la littrature dans le cas des bins
carrs. Les rsultats exprimentaux confirment la dominance thorique. Ce travail
a t accept pour une publication internationale [16].
Notre schma de calcul peut tre amlior en tenant compte de la prsence des
objets orientation fixe dans linstance. Cette spcificit nest pas prise en compte
3.6. CONCLUSION
63
Class
I
Problme
H W
10 10
II
30 30
III
40 40
IV
100 100
100 100
VI
300 300
VII
100 100
VIII
100 100
IX
100 100
100 100
LB
n
20
40
60
80
100
Avg.
20
40
60
80
100
Avg.
20
40
60
80
100
Avg.
20
40
60
80
100
Avg.
20
40
60
80
100
Avg.
20
40
60
80
100
Avg.
20
40
60
80
100
Avg.
20
40
60
80
100
Avg.
20
40
60
80
100
Avg.
20
40
60
80
100
Avg.
BM
6.6
12.7
19.5
26.9
31.0
19.34
1.0
1.9
2.5
3.1
3.9
2.48
4.7
9.0
13.2
18.1
21.5
13.30
1.0
1.9
2.3
3.0
3.7
2.38
5.9
11.3
16.9
23.5
27.2
16.96
1.0
1.5
2.1
3.0
3.2
2.16
4.7
9.7
14.0
19.8
23.9
14.42
4.9
9.6
14.1
19.7
24.2
14.50
14.3
27.5
43.5
57.3
69.3
42.38
3.9
6.9
9.4
12.2
15.3
9.54
CJE
6.6
12.8
19.5
27.0
31.3
19.44
1.0
1.9
2.5
3.1
3.9
2.48
4.7
9.1
13.2
18.2
21.5
13.34
1.0
1.9
2.3
3.0
3.7
2.38
5.9
11.3
17.1
23.6
27.2
17.02
1.0
1.5
2.1
3.0
3.2
2.16
4.7
9.9
14.0
20.0
23.9
14.50
5.0
9.7
14.2
19.7
24.2
14.56
14.3
27.5
43.5
57.3
69.3
42.38
3.9
7.0
9.5
12.2
15.3
9.58
CPU
CJE
0.00
0.00
0.00
0.00
0.00
0.000
0.00
0.00
0.00
0.00
0.00
0.000
0.00
0.00
0.00
0.01
0.02
0.006
0.00
0.00
0.00
0.00
0.01
0.002
0.00
0.00
0.02
0.04
0.09
0.030
0.00
0.00
0.00
0.03
0.04
0.014
0.00
0.01
0.03
0.06
0.11
0.042
0.00
0.01
0.03
0.06
0.11
0.042
0.00
0.00
0.01
0.02
0.03
0.012
0.00
0.00
0.02
0.04
0.07
0.026
Tableau 3.1 Comparaison avec la borne de [6]
64
actuellement dans notre mthode ce qui pourrait laffaiblir dans le cas de bins non
carrs.
La mthode propose peut tre adapte au problme de bin-packing en trois
dimensions. Dans ce cas, linstance construire serait compose de 6n objets.
Chapitre 4
Nouvelle heuristique : IMA
4.1
Introduction
Comme nous lavons vu au chapitre 1, plusieurs stratgies de rangement ont

t proposes dans la littrature pour la rsolution des problmes de bin-packing.
Il sagit des stratgies Next Fit, First Fit, Best Fit, Worst Fit et Any Fit. Dans ce
chapitre, nous proposons une nouvelle heuristique de rsolution base sur la stratgie
"Best Fit" adapte au problme en deux dimensions.
Plusieurs heuristiques ont t proposes dans la littrature pour le 2BP |R (cf. Section 1.6). La plupart de ces heuristiques consistent affecter les objets aux bins
dans un ordre prdfini. Les critres de choix de placement des objets varient dune
mthode lautre. Dans la nouvelle heuristique propose (IM A), aucun pr-ordre
des objets nest ncessaire. A chaque tape de rangement dun objet, on cherche le
"meilleur" couple : objet ranger dans une orientation donne et sa position, parmi
tous les couples ralisables.
Le chapitre comporte quatre sections. Dans un premier temps (Section 4.2), nous
introduisons la notion de surfaces maximales. Cette notion nous permet de considrer
toutes les surfaces vides dans le bin sans redondance ni perte de surface. Nous
prsentons plusieurs proprits propres ces surfaces. Puis, nous abordons la notion
des rangements stables et discutons du nombre maximal de surfaces prsentes dans
un rangement stable (Section 4.3). La section 4.4 est consacre la nouvelle heuristique IM A base sur le choix du meilleur couple (objet placer, surface maximale
accueillante) chaque tape du rangement dun objet. Nous proposons lalgorithme
de rsolution correspondant et discutons du critre de choix du meilleur couple.
Finalement, nous testons notre heuristique sur des benchmarks de la littrature
(Section 4.5). Nous comparons lheuristique IM A avec les mthodes de rsolution
approche les plus rcentes de la littrature et nous montrons son efficacit.
4.2
Placement des objets, surfaces maximales
La rsolution dune instance donne I = (A, B) dun problme de bin-packing

en deux dimensions, dans le cas non-orient, consiste placer les diffrents objets de
65
CHAPITRE 4. NOUVELLE HEURISTIQUE : IMA
66
ai
dyi
ai
yi
xi
dxi
(a) Objet plac dans une position
quelconque
(b) Objet plac dans le coin basgauche
Figure 4.1 Les surfaces maximales rsultantes du placement du premier objet dans le
bin, chaque surface tant reprsente par sa diagonale respective.
A dans les bins en associant chaque objet ai de A un bin dans lequel ai est rang,
sa position (xi , yi ) dans le bin et son orientation. Dans cette section, nous dcrivons
la reprsentation dune solution. Le placement des objets est bas sur la notion de
surfaces maximales introduite dans cette section. Nous discutons aussi de la mise
jour de la liste des surfaces maximales aprs chaque rangement dun objet.
Pour chaque objet ai plac dans un bin dans une orientation donne, nous notons
(xi , yi ) sa position (les coordonnes de son coin bas-gauche) par rapport au coin bagauche du bin, le centre du repre orthogonal (x,y). Nous notons par dxi et dyi les
projections respectives des artes de lobjet sur les axes Ox et Oy. Ainsi, dxi = wi
et dyi = hi si ai est plac dans son orientation initiale, ou dxi = hi et dyi = wi si ai
est tourn de 90 degrs (voir figure 4.1(a)).
Dfinition 4.1. Etant donne une liste de surfaces vacantes, une surface est dite
maximale si elle nest contenue en totalit dans aucune autre surface.
Les surfaces maximales possdent les deux proprits suivantes. Ces deux proprits sont des consquences directes de la dfinition 4.1.
Proprit 4.1. Chacun des quatre bords dune surface maximale donne dans un
bin touche au moins un autre objet dj plac ou bien une des quatre artes du bin.
Proprit 4.2. Deux surfaces maximales dans un mme bin ayant leurs coins basgauche la mme position, ne peuvent avoir ni la mme largeur ni la mme hauteur.
De plus, tant donnes deux surfaces maximales ma1 et ma2 qui ont leurs coins basgauche la mme position, si la hauteur (resp. largeur) de ma1 est suprieure la
hauteur (resp. largeur) de ma2 , alors la largeur (resp. hauteur) de ma1 est infrieure
la largeur (resp. hauteur) de ma2 .
4.2. PLACEMENT DES OBJETS, SURFACES MAXIMALES
67
ma5
ma4
ma6
a3
a5
ma1
a2
ma2
a1
a4
ma3
Figure 4.2 Placement de cinq objets dans le bin, les six surfaces maximales rsultantes
sont reprsentes par leur diagonale
Lors du processus de rangement des objets, les surfaces rsiduelles sont gres
par une liste de surfaces maximales. Initialement, la liste des surfaces maximales
dun bin ouvert vide est tout simplement constitu de la surface du bin. Le premier
objet rang est plac dans une surface maximale correspondante au premier bin
ouvert. Quand on place un objet dans une surface, cette surface est dcompose
en quatre nouvelles surfaces au plus : la surface rsiduelle gauche, droite, au
dessus et en dessous de lobjet. Ce cas de figure est illustr dans la figure 4.1(a).
Dans toutes les mthodes de rsolution proposes dans la prsente thse, lors du
rangement des objets, ils sont placs de telle sorte que les coins bas-gauches des
objets placs concident avec les coins bas-gauches des surfaces qui les accueillent.
Ainsi, le placement du premier objet dans la surface disponible (le bin) entrane
llimination de cette surface et la cration de deux surfaces au plus (cf. figure
4.1(b)). A une tape donne du packing un nouvel objet est plac dans une surface
maximale qui peut le contenir. La surface dans laquelle lobjet a t plac est
alors limine et la liste des surfaces disponibles est mise jour. Seules les surfaces
maximales sont maintenues.
Dans la figure 4.2 nous montrons un rangement intermdiaire o cinq objets
(a1 , ..., a5 ) sont placs dans un bin. Les surfaces maximales (ma1 , ..., ma6 ) rsultantes
dans le bin sont reprsentes par leur diagonale.
68
a3
a2
a1
Figure 4.3 Rangement non stable
4.3
Les rangements stables
Lors du placement dun objet dans une surface maximale donne, deux cas se
prsentent. Dans le premier cas, lobjet est soutenu par ses bords bas et gauche, il est
dit dans ce cas rang dans une position bl-stable. Dans le second cas, au moins un de
ses deux bords nest pas soutenu. Un rangement des objets est dit stable si chaque
stade de rangement des objets, seules les positions bl-stables sont considres. Un
exemple de rangement non stable est illustr dans la figure 4.3. Lobjet a3 dans la
figure nest pas plac dans une position bl-stable car son arte du bas nest soutenu ni
par autre objet ni par une des artes du bin. Le rangement illustr dans la figure 4.2
prsente un packing stable. Dans lalgorithme de rsolution propos dans la section
4.4, seuls les rangements stables sont considrs.
Lors dun rangement stable, un nouvel objet est alors plac dans une surface
maximale qui peut le contenir et qui prserve un rangement stable. La surface dans
laquelle lobjet a t plac est alors limine et la liste des surfaces disponibles est
mise jour.
Nous allons maintenant montrer, en utilisant les proprits 4.1 et 4.2 dcrites
dans la section prcdente, la proposition suivante :
Proposition 4.1. Le nombre de surfaces maximales une tape quelconque dun
rangement stable est en O(n2 ).
Dmonstration. Daprs la proprit 4.1, chaque coin bas-gauche dune surface maximale est ncessairement issu de la projection de deux artes dobjets ou la projection
dune arte dun objet sur une arte du bin. Nous dduisons donc, que le nombre
de coins bas-gauches des surfaces maximales prsentes dans un bin l est infrieur ou
gal Cn2 n2 o n = 4(nl + 1), nl tant le nombre dobjets placs dans le bin
4.4. LHEURISTIQUE (IM A)
69
a2
a2
ma1
ma1
a1
a1
ma2
ma2
ma3
(a) Premier cas, a1 nest pas plac dans une

position bl-stable.
ma3
(b) Second cas, a2 nest pas plac dans une

position bl-stable.
Figure 4.4 Illustration de trois surfaces maximales associes au mme coin bas-gauche.
l. Nous montrons maintenant que, dans le cas dun rangement stable, on ne peut
associer que deux surfaces maximales au plus chaque coin bas-gauche.
Supposons que trois surfaces maximales ma1 , ma2 et ma3 , dans un rangement
stable, soient associes au mme coin bas-gauche et montrons que cest une contradiction. Soient a1 et a2 deux objets qui touchent respectivement les bords droit
et haut de ma2 . La figure 4.4 illustre les deux cas de figures possibles considrant
les objets a1 et a2 sans chevauchement. Les allures considres des trois surfaces
maximales sont dduites de la proprit 4.2. Nous pouvons facilement constater
que, pour les deux cas de figures, le rangement nest pas stable. Dans le premier
cas (cf. figure 4.4(a)), la stabilit gauche de lobjet a1 nest pas respecte, et dans
lautre cas (cf. figure 4.4(b)) la stabilit bas de lobjet a2 nest pas respecte. Nous
dduisons que le nombre de surfaces maximales dans un bin l est en O(n2l ). Soit
nbBin, le nombre de bins utiliss pour ranger lensemble de tous les objets dune
P
O(n2l )
instance donne. Le nombre total des surfaces maximales est alors en nbBin
l=1
P
qui est en O(n2 ) car nbBin
nl = n.
l=1
4.4
Lheuristique (IM A)
Dans cette section, nous proposons une nouvelle heuristique pour la rsolution
des instances 2BP |R. Dans les mthodes heuristiques proposes dans la littrature,
les auteurs procdent un tri des objets puis ils les placent par ordre dans les bins
suivant diffrentes stratgies (cf. Section 1.6). Dans la nouvelle heuristique propose
aucun pr-ordre des objets nest impos. Le choix de lobjet placer, dans une
70
tape donne du rangement, dpend des caractristiques des surfaces maximales

disponibles et des critres considrs.
Ainsi, dans la nouvelle heuristique appele IM A (Item Maximal Area), chaque
tape du rangement dun nouvel objet, un choix est fait sur le couple : (lobjet
placer dans une orientation donne, la surface maximale qui va laccueillir). A chaque
couple (objet, surface) ralisable correspond un seul placement (le coin bas-gauche
de lobjet concide avec celui de la surface maximale qui va le contenir). Le choix du
couple est gr par un certain critre qui dpend des caractristiques des objets et
des surfaces considres. Cette stratgie du rangement peut tre considre comme
une stratgie Best-Fit adapte au 2BP |R.
Lheuristique IM A est donn dans lalgorithme 2. Etant donne une instance
I = (A, B) rsoudre, nous considrons deux listes diffrentes. La premire liste A
contient les objets non rangs. Initialement A vaut A, lensemble de tous les objets
constituant linstance I. La deuxime liste Lma est la liste des surfaces maximales
disponibles. Elle est initialement constitue dune seule surface : la surface du premier
bin. A chaque tape de placement dun objet, un choix est fait pour choisir le couple
(objet ranger, la surface maximale acceuillante) des listes A et Lma, ainsi que
lorientation de lobjet. Ce choix est dtermin laide dun critre heuristique qui
prend en considration les caractristiques des objets et des surfaces maximales.
Soit simultanment ai A un objet non rang considr dans une orientation
dtermine, et ma Lma, une surface maximale disponible qui peut contenir ai
suivant lorientation considre et dans une position bl-stable. Soient wma et hma les
projections des artes de ma sur les axes x et y successivement. Notons q1 , q2 , q3 et
q4 quatre nombres rels tel que :
0 qk 1; k = 1, ..., 4 et
qk = 1
k=1,...,4
Le critre peut alors tre crit de la faon suivante :
O(ai , ma) =q1 (wi hi )/(wma hma )
q2 (dxi /wma )
q3 (dyi /hma )
2
q4 (wi2 + h2i )/(wma
+ h2ma )
Le couple (objet placer, surface maximale accueillante) est alors le couple de

(A , Lma) qui maximise le critre cit ci dessus. Les valeurs donnes aux paramtres
q1 , ..., q4 influencent fortement la solution finale fournie. Par exemple, si la valeur
donne q1 est assez grande (proche de 1), le couple (a , ma ) dsign serait celui
qui prsente des surfaces les plus proches. Les termes pondrs par q1 et q4 sont
71
indpendants de lorientation des objets, tandis que lorientation considre des

objets affecte les termes pondrs par q2 et q3 .
Une fois le couple (a , ma ) et lorientation de a sont choisis, lobjet est plac
dans ma et la liste Lma est mise jour. La procdure est rpte jusquau rangement de tous les objets. Si le nombre de bins utiliss est infrieur la solution
record nbBinM in, celle ci est alors mise jour. La procdure est rpte aprs
un changement des valeurs des paramtres qk suivant les pas step1, step2 et step3
dtermins exprimentalement.
Pour dterminer la complexit dune itration de lheuristique IM A donne dans
lalgorithme 2, notons C le nombre maximal de surfaces maximales prsentes dans
la liste Lma une tape quelconque du rangement. Lors du placement dun objet,
le cot de la dsignation du couple (a , ma ) est en O(nC). Placer lobjet a dans
ma et mettre jour la liste Lma est en O(C 2 ). Par consquent, la complexit
globale pour ranger les n objets dune instance I est en O(n2 C + nC 2 ). Or, C est
en O(n2 ) (cf. proposition 4.1), la complexit temporelle de lheuristique IM A est
alors en O(n5 ). Nous montrons dans la section 4.5 que, pour les jeux dessais de la
littrature, le nombre de surfaces maximales ne dpasse jamais n, ce qui explique le
temps CPU avantageux de notre heuristique.
4.5
Nous avons test lheuristique IM A sur les jeux dessai de la littrature proposs
dans [4] et [48] et dcrits dans la section 2.4. Nous avons compar notre heuristique
avec les rsultats les plus rcents de la littrature. Nous rappelons que le benchmark
utilis est compos de dix classes dobjets gnres alatoirement et que chaque classe
est compose en cinq groupes, chaque groupe ayant une taille dinstance diffrente.
Dans le tableau 4.1, nous testons lheuristique IM A sur les instances du benchmark considr. Nous montrons les rsultats de deux versions : avec et sans prtraitements. Dans le premier cas, les prtraitements , et proposs dans le chapitre
2 sont appliqus lun aprs lautre tant que linstance est modifie, lheuristique
IM A est ensuite applique linstance transforme. Les rsultats concernent le
nombre de bins utiliss pour ranger lensemble des objets (nbBin), et le temps CPU
correspondant en secondes (CP U ). Nous notons M Amax le nombre maximum de
surfaces maximales prsentes en une tape quelconque du rangement, tandis que
M Aaverage prsente la moyenne de cette valeur (M Amax ) releve chaque accs la
liste des surfaces maximales. Chaque ligne du tableau prsente la moyenne de ces
valeurs sur les dix instances constituant un groupe dune classe donne sauf pour
la valeur M Amax qui correspond la valeur maximale. Le tableau 4.1 permet de
constater que, pour les deux versions testes (avec et sans prtraitements), le nombre
72
de surfaces maximales ne dpasse en pratique jamais la taille n de linstance quelle

que soit linstance du benchmark considr. Cela explique la rapidit de lheuristique
propose. Nous constatons aussi que la rsolution du problme prtrait est plus
rapide que la rsolution du problme initial pour la plupart des instances testes.
Notons aussi que la solution obtenue par la version avec prtraitement est meilleur
que celle sans prtraitement pour un groupe dinstances dans la classe 3 (n = 80).
Dans le tableau 4.2, nous comparons lheuristique propose avec les mthodes de
rsolution approche les plus rcentes de la littrature : la mthode tabou propose
dans [45] note T ST P , lheuristique itrative HBP propose dans [6] et la mthode
tabou AT S BP propose dans [38]. Pour chaque mthode, le rapport G entre le
nombre de bins obtenus par la mthode de rsolution et la borne infrieure propose
dans [19] est utilise pour mesurer les performances de T S T P et de AT S BP
(rsultats issus de [45] et [38]). Tandis que la borne infrieure propose dans [6] est
utilise dans le rapport G concernant lheuristique HBP , la mme borne infrieure
est utilise, dans les rsultats affichs pour IM A, applique aux objets prtraits. Les
colonnes CP U reprsentent les temps CPU (en secondes) correspondant chaque
algorithme de rsolution. Notons que lalgorithme T S T P a t excut sur un
processeur "Silicon Graphics INDY R10000sc 195Mhz", HBP a t excut sur un
processeur "Pentium 3 Intel 933 MHz", et IM A a t excut sur un processeur
"Pentium 4 Intel 2.66 GHz". En se rfrant au tableau 4.2, nous constatons quavec
des temps CPU trs comptitifs, le rapport obtenu en utilisant lheuristique IM A est
meilleur que celui des trois autres mthodes pour toutes les classes de ce benchmark.
Pour pouvoir comparer les rsultats obtenus par les diffrentes mthodes de rsolution indpendamment de la borne infrieure utilise, nous avons besoin des valeurs
des nombres de bins utiliss dans chaque mthode. Ce rsultat nest pas communiqu
dans les articles correspondants. Par contre, grace aux rsultats communiqus dans
le mmoire du doctorat de Harwig et aux rsultats que Boschetti nous a envoys,
nous pouvons comparer les nombres de bins utiliss par chacune des trois mthodes
de rsolution suivantes : IM A, HBP et AT S BP (cf. tableau 4.3). Les rsultats
montrent que pour les classes 1 et 3 lheuristique HBP fournit des rsultats meilleurs
en moyenne compare AT S BP . Pour toutes les autres classes les rsultats
obtenus par AT S BP sont meilleurs ou quivalents aux ceux du HBP .
Lheuristique IM A que nous avons propose fournit sur ces instances des rsultats qui dominent les heuristiques de la littrature. La mthode tabou AT S BP de
la littrature ne produit de meilleurs rsultats que pour une unique classe (la classe
10). Les rsultats obtenus par IM A sont meilleurs pour les autres classes, malgr le
temps de calcul beaucoup plus important pour la mthode tabou.
4.6. CONCLUSION
4.6
73
Conclusion
Dans ce chapitre, nous avons propos une nouvelle heuristique de rsolution

des instances 2BP |R. Les positions dinsertions possibles des objets sont dfinies
par des surfaces vides non redondantes appeles surfaces maximales. Lheuristique
IM A choisit, de faon adquate, chaque tape de la procdure du rangement des
objets, lobjet placer, son orientation et la surface maximale dans laquelle il va
tre plac. Les rsultats exprimentaux montrent lefficacit de notre heuristique
par rapport aux mthodes de rsolution approche proposes dans la littrature. Ce
chapitre correspond au travail soumis une revue internationale [22] et prsent
dans un congrs [25].
74
Algorithme 2 : Lheuristique IM A
Donnes : I = (A, B) (une instance 2BP |R), step1, step2 et step3 (trois
nombres rels).
nbBinMin := n ;
pour (q1 := 0, q1 1 ; q1 := q1 + step1) faire
pour (q2 := 0, q2 1 q1 ; q2 := q2 + step2) faire
pour (q3 := 0, q3 (1 q1 q2 ) ; q3 := q3 + step3) faire
q4 := 1 (q1 + q2 + q3 ) ;
A := A ;
Initialisation de la liste Lma des surfaces maximales disponibles.
Initialement elle contient une seule surface maximale : un bin vide
la position (0, 0), lorigine des axes x et y ;
nbBin := 1 ;
tant que (|A | =
6 0) faire
rapMax := 0 ; pour (i := 1; i |A |; i + +) faire
pour (j := 1; j |Lma|; j + +) faire
si (ai peut tre plac dans maj sans chevauchement et
O(ai , maj ) > rapM ax) alors
rapM ax = O(ai , maj ) ; a = ai ; ma = maj ; (les
deux orientations de ai sont testes)
si (rapM ax > 0) alors
placer lobjet a dans la surface maximale ma , et mettre
jour la liste Lma ;
A = A \ {a } ;
sinon
rinitialiser Lma avec un bin ; nbBin := nbBin + 1 ;
si (nbBin < nbBinM in) alors
nbBinM in := nbBin ;
retourner nbBinMin ;
4.6. CONCLUSION
Classe
I
Problme
HxW
10x10
II
30x30
III
40x40
IV
100x100
100x100
VI
300x300
VII
100x100
VIII
100x100
IX
100x100
100x100
75
avec prtraitement
sans prtraitement
n nbBin CP U M Amax M Aavg nbBin CP U M Amax M Aavg
20
6.6
0,003
3.0
2.3
6.6
0,001
3.0
2.9
40
12.9 0,067
4.0
2.7
12.9 0,078
4.0
2.9
60
19.5 0,001
3.0
2.4
19.5 0,006
4.0
2.8
27.0 0,110
4.0
2.4
27.0 0,123
4.0
2.9
80
100 31.3 0,321
6.0
3.6
31.3 0,361
6.0
3.7
1.0
0,001
11.0
8.9
1.0
0,001
11.0
9.4
20
40
1.9
0,003
10.0
7.5
1.9
0,001
10.0
8.3
60
2.5
0,000
12.0
9.0
2.5
0,006
10.0
8.6
3.1
0,015
11.0
8.8
3.1
0,007
14.0
8.6
80
100
3.9
0,024
11.0
9.2
3.9
0,026
10.0
8.5
20
4.7
0,001
5.0
3.4
4.7
0,000
5.0
3.9
9.4
0,126
7.0
3.9
9.4
0,143
7.0
4.5
40
60
13.5 0,242
8.0
4.5
13.5 0,242
8.0
4.8
80
18.4 0,359
6.0
4.3
18.5 0,509
6.0
4.9
9.0
5.2
22.2 1,254
9.0
5.7
100 22.2 1,173
20
1.0
0,000
17.0
10.2
1.0
0,001
17.0
10.3
40
1.9
0,001
15.0
10.8
1.9
0,006
15.0
10.7
2.5
0,432
18.0
11.4
2.5
0,459
18.0
10.9
60
80
3.1
0,323
14.0
11.2
3.1
0,318
14.0
11.0
3.7
0,032
16.0
10.7
3.7
0,040
16.0
10.9
100
20
5.9
0,000
5.0
2.6
5.9
0,000
5.0
3.9
40
11.4 0,067
7.0
2.8
11.4 0,071
7.0
4.4
17.4 0,334
6.0
3.3
17.4 0,429
6.0
4.7
60
80
23.9 0,228
6.0
3.4
23.9 0,400
6.0
4.7
100 27.9 1,154
7.0
4.7
27.9 1,298
7.0
5.5
1.0
0,000
12.0
10.5
1.0
0,000
12.0
10.5
20
40
1.7
0,304
25.0
15.4
1.7
0,312
25.0
15.4
60
2.1
0,009
20.0
13.8
2.1
0,006
20.0
12.8
3.0
0,012
14.0
12.0
3.0
0,015
15.0
12.4
80
100
3.2
0,300
16.0
13.9
3.2
0,482
16.0
12.8
20
5.2
0,065
5.0
4.0
5.2
0,079
5.0
4.3
10.4 0,276
7.0
5.0
10.4 0,309
7.0
4.9
40
60
14.7 0,537
7.0
5.6
14.7 0,615
7.0
5.5
80
21.2 1,228
7.0
5.6
21.2 1,317
7.0
5.6
7.0
5.3
25.3 1,928
7.0
5.3
100 25.3 1,789
20
5.3
0,057
6.0
4.0
5.3
0,063
5.0
4.0
10.4 0,342
7.0
5.2
10.4 0,354
7.0
5.2
40
60
15.0 0,632
7.0
5.4
15.0 0,704
7.0
5.4
80
20.8 1,127
7.0
5.3
20.8 1,168
7.0
5.3
9.0
5.8
25.7 1,904
9.0
5.8
100 25.7 1,812
20
14.3 0,000
0.0
0.0
14.3 0,001
4.0
2.4
40
27.5 0,000
1.0
0.6
27.5 0,003
4.0
2.5
43.5 0,000
1.0
0.5
43.5 0,004
4.0
2.9
60
80
57.3 0,000
1.0
0.8
57.3 0,012
4.0
3.2
100 69.3 0,000
1.0
0.7
69.3 0,014
4.0
2.7
4.1
0,039
9.0
3.9
4.1
0,040
9.0
5.2
20
40
7.3
0,120
6.0
4.5
7.3
0,146
7.0
5.4
60
10.1 0,473
8.0
5.9
10.1 0,533
8.0
5.9
12.8 0,786
8.0
6.8
12.8 0,876
9.0
6.8
80
100 15.8 1,001
9.0
6.9
15.8 1,089
10.0
7.1
Tableau 4.1 Lheuristique IM A.
76
Classe
I
Problme
WxH
10x10
II
30x30
III
40x40
IV
100x100
100x100
VI
300x300
VII
100x100
VIII
100x100
IX
100x100
100x100
n
20
40
60
80
100
Average
20
40
60
80
100
Average
20
40
60
80
100
Average
20
40
60
80
100
Average
20
40
60
80
100
Average
20
40
60
80
100
Average
20
40
60
80
100
Average
20
40
60
80
100
Average
20
40
60
80
100
Average
20
40
60
80
100
Average
IM A
G
CP U
1,0000 0,003
1,0157 0,067
1,0000 0,001
1,0037 0,110
1,0064 0,321
1,0052 0,100
1,0000 0,001
1,0000 0,003
1,0000 0,000
1,0000 0,015
1,0000 0,024
1,0000 0,009
1,0000 0,001
1,0330 0,126
1,0227 0,242
1,0166 0,359
1,0326 1,173
1,0210 0,380
1,0000 0,000
1,0000 0,001
1,0870 0,432
1,0333 0,323
1,0000 0,032
1,0241 0,158
1,0000 0,000
1,0088 0,067
1,0296 0,334
1,0127 0,228
1,0257 1,154
1,0154 0,357
1,0000 0,000
1,1333 0,304
1,0000 0,009
1,0000 0,012
1,0000 0,300
1,0267 0,125
1,1064 0,065
1,0722 0,276
1,0500 0,537
1,0653 1,228
1,0586 1,789
1,0705 0,779
1,0816 0,057
1,0833 0,342
1,0638 0,632
1,0558 1,127
1,0620 1,812
1,0693 0,794
1,0000 0,000
1,0000 0,000
1,0000 0,000
1,0000 0,000
1,0000 0,000
1,0000 0,000
1,0513 0,039
1,0429 0,120
1,0632 0,473
1,0492 0,786
1,0327 1,001
1,0478 0,484
TS TP
G CP U
1.05 18.00
1.04 30.02
1.04 34.00
1.06 48.08
1.03 47.92
1.044 35.60
1.00 0.01
1.10 0.01
1.00 0.01
1.03 6.10
1.00 0.01
1.026 1.23
1.06 18.00
1.09 42.17
1.08 54.15
1.07 60.07
1.07 60.18
1.074 46.91
1.00 0.01
1.00 0.01
1.10 0.09
1.07 12.00
1.03 6.00
1.040 3.62
1.04 12.01
1.07 42.00
1.06 45.23
1.07 54.14
1.07 60.12
1.062 42.70
1.00 0.01
1.40 0.03
1.05 0.05
1.00 0.01
1.07 12.00
1.104 2.42
1.11 30.00
1.08 48.06
1.06 59.45
1.10 60.12
1.08 60.36
1.086 51.60
1.10 30.01
1.10 54.22
1.07 56.17
1.08 60.11
1.09 60.14
1.088 52.13
1.00 0.06
1.01 18.85
1.01 18.03
1.01 30.51
1.01 36.86
1.008 20.86
1.12 6.01
1.06 24.01
1.06 30.44
1.05 39.04
1.05 43.38
1.068 28.58
HBP
G
CP U
1.0000 0.005
1.0162 0.127
1.0000 0.028
1.0036 0.253
1.0093 1.011
1.0058 0.285
1.0000 0.005
1.0000 0.226
1.0000 0.021
1.0000 0.336
1.0000 0.054
1.0000 0.128
1.0000 0.017
1.0488 0.361
1.0241 0.599
1.0178 1.104
1.0354 2.817
1.0252 0.980
1.0000 0.006
1.0000 0.027
1.1000 2.775
1.0667 4.081
1.0333 3.647
1.0400 2.107
1.0000 0.011
1.0254 0.330
1.0393 1.790
1.0213 2.238
1.0325 5.471
1.0237 1.968
1.0000 0.017
1.2000 3.368
1.0000 0.207
1.0000 0.308
1.0667 11.089
1.0533 2.998
1.1100 0.198
1.0833 1.142
1.0769 3.027
1.1008 5.356
1.0841 8.133
1.0910 3.571
1.0800 0.182
1.0929 1.280
1.0923 3.158
1.0816 5.439
1.0868 8.150
1.0867 3.642
1.0000 0.017
1.0000 0.077
1.0000 0.199
1.0000 0.389
1.0000 0.568
1.0000 0.250
1.1000 0.125
1.0486 0.445
1.0672 2.094
1.0492 3.363
1.0455 5.540
1.0621 2.313
AT S BP
G
CP U
1.03 0.13
1.04 4.11
1.04 4.27
1.06 0.97
1.03 1.20
1.040 2.14
1.00 0.13
1.00 1.46
1.00 1.14
1.00 22.61
1.00 4.25
1.000 5.92
1.02 11.35
1.09 0.38
1.08 64.85
1.07 9.94
1.06 68.85
1.064 30.94
1.00 0.14
1.00 0.25
1.05 28.80
1.07 36.16
1.03 9.19
1.030 14.91
1.04 1.31
1.06 41.21
1.06 74.59
1.06 143.01
1.05 196.23
1.054 91.27
1.00 0.17
1.10 5.97
1.00 25.92
1.00 0.42
1.07 7.64
1.034 8.02
1.11 0.77
1.07 99.28
1.04 613.98
1.08 259.78
1.07 231.66
1.074 241.09
1.10 1.34
1.08 77.91
1.07 51.74
1.07 529.40
1.08 232.88
1.080 178.65
1.00 0.26
1.01 1.25
1.01 2.54
1.01 1.65
1.01 52.69
1.008 11.68
1.12 0.36
1.06 3.93
1.06 235.17
1.05 78.27
1.04 269.68
1.066 117.48
Tableau 4.2 Comparaison du rapport borne suprieure sur borne infrieure.
4.6. CONCLUSION
77
Classe
I
Problme
WxH
10x10
II
30x30
III
40x40
IV
100x100
100x100
VI
300x300
VII
100x100
VIII
100x100
IX
100x100
100x100
n
20
40
60
80
100
Average
20
40
60
80
100
Average
20
40
60
80
100
Average
20
40
60
80
100
Average
20
40
60
80
100
Average
20
40
60
80
100
Average
20
40
60
80
100
Average
20
40
60
80
100
Average
20
40
60
80
100
Average
20
40
60
80
100
Average
nombre de bins
IM A HBP AT S BP
6.6
6.6
6.6
12.9 12.9
12.9
19.5 19.5
19.5
27.0 27.0
27.0
31.3 31.3
31.4
19.46 19.46
19.48
1.0
1.0
1.0
1.9
1.9
1.9
2.5
2.5
2.5
3.1
3.1
3.1
3.9
3.9
3.9
2.48 2.48
2.48
4.7
4.7
4.7
9.4
9.4
9.4
13.5 13.5
13.6
18.4 18.4
18.6
22.2 22.2
22.3
13.64 13.64
13.72
1.0
1.0
1.0
1.9
1.9
1.9
2.5
2.5
2.4
3.1
3.2
3.2
3.7
3.8
3.8
2.44 2.48
2.46
5.9
5.9
5.9
11.4 11.5
11.4
17.4 17.5
17.5
23.9 24.0
23.9
27.9 28.0
28.0
17.30 17.38
17.34
1.0
1.0
1.0
1.7
1.7
1.6
2.1
2.1
2.1
3.0
3.0
3.0
3.2
3.4
3.4
2.20 2.24
2.22
5.2
5.2
5.2
10.4 10.5
10.4
14.7 15.1
14.6
21.2 21.8
21.3
25.3 25.9
25.5
15.36 15.70
15.40
5.3
5.3
5.3
10.4 10.5
10.4
15.0 15.4
15.1
20.8 21.3
20.8
25.7 26.3
26.0
15.44 15.76
15.52
14.3 14.3
14.3
27.5 27.5
27.6
43.5 43.5
43.5
57.3 57.3
57.3
69.3 69.3
69.3
42.38 42.38
42.40
4.1
4.1
4.1
7.3
7.3
7.3
10.1 10.0
9.9
12.8 12.8
12.8
15.8 16.0
15.9
10.02 10.04
10.00
Tableau 4.3 Comparaison du nombre de bins moyen utiliss pour ranger lensemble de
tous les objets.
Chapitre 5
Nouvel algorithme tabou
5.1
Introduction
Les mta-heuristiques sont des approches de rsolution efficaces pour un trs

grand nombre de problmes difficiles de loptimisation combinatoire, elles permettent
en gnral dobtenir de trs bonnes solutions. Lefficacit de la mthode de recherche
tabou a t vrifie pour la rsolution du problme de bin-packing en particulier
dans [45] et [38]. Dans ce chapitre, nous proposons un nouvel algorithme tabou dans
lequel nous vitons dexplorer des solutions configurations quivalentes.
Nous synthtisons dans la section 5.2 les points essentiels dans une mthode
tabou en gnral. Nous proposons par la suite un nouvel algorithme tabou pour
la rsolution du problme 2BP |R (Section 5.3). Nous commenons par la description du voisinage considr. Nous introduisons ensuite la notion de configurations
quivalentes. Puis nous prsentons lheuristique de base utilise pour valuer les
solutions, la fonction dvaluation utilise, et le schma du nouvel algorithme tabou.
Dans la section 5.4, nous exposons les rsultats numriques obtenus par le nouvel
algorithme et nous les comparons avec les rsultats de la littrature. Nous comparons
aussi quelques variantes de notre mthode entre elles.
5.2
Les points essentiels dans une mthode tabou
En gnral, les mta-heuristiques sont utilises dans la rsolution approche des

problmes combinatoires dans le but de trouver une solution de bonne qualit en un
temps raisonnable. Une mta-heuristique, contrairement aux algorithmes gloutons,
remet en question les choix pris au cours de la rsolution du problme.
Certaines mthodes sappuient sur ltude de populations de solutions, comme
par exemple les algorithmes gntiques. Cette mthode consiste gnrer une nouvelle population partir dune population courante, en profitant des caractristiques
juges bonnes dans les individus de celle ci. Dautres mta-heuristiques adaptent
le comportement de certaines socits comme dans le cas des colonies de fourmis
qui communiquent entre elles indirectement par une modification lgre de leur
environnement. Dautres mthodes, partant dun point initial (solution courante
79
80
CHAPITRE 5. NOUVEL ALGORITHME TABOU
initiale) explorent les solutions voisines et mettent jour la solution courante suivant
une certaine stratgie dpendante de la mthode utilise. Cest le cas des mthodes
tabou et le recuit simul (voir [1] pour une introduction plus complte sur les mtaheuristiques).
Etant donn un problme combinatoire rsoudre, soit E lensemble des solutions
ralisables. Nous supposons, sans perte de gnralit, que le problme rsoudre
consiste minimiser une fonction f dpendante de la solution :
minf (S)
SE
Nous dcrivons brivement dans la suite les notions de base dune mthode tabou.
Transformation lmentaire et voisinage. Une transformation est dfinie
de la faon suivante :
Dfinition 5.1. Une transformation est une opration qui permet de modifier une
solution S de E en une autre solution S = (S) de E.
Une transformation est dite lmentaire (ou locale) si elle ne modifie que faiblement la structure. Une transformation locale transforme une solution en une autre
solution dans laquelle on peut reconnatre des lments, ou une structure particulire
propre la solution initiale.
Le voisinage dune solution donne peut tre dfini laide des transformations
locales :
Dfinition 5.2. Soit un ensemble de transformations locales L. Le voisinage N (S)
dune solution S est lensemble des solutions que lon peut obtenir en appliquant une
fonction L S.
Le choix du voisinage (la transformation lmentaire appliquer) est trs important, il affecte fortement la qualit de la solution obtenue.
Point initial. Dans une mthode tabou, on doit partir dune solution initiale. Le
plus souvent, cette solution est donne par une heuristique de rsolution approprie
au problme rsoudre.
Mise jour de la solution courante : chapper aux optima locaux. Un
optimum local est dfini de la faon suivante :
b f (S)
b f (S).
Dfinition 5.3. Un optimum local Sb est tel que S N (S),
A chaque itration dune mthode tabou, on passe dune solution courante SC

une nouvelle solution choisie dans son voisinage (N (SC )). La solution S , choisie
5.2. LES POINTS ESSENTIELS DANS UNE MTHODE TABOU
81
pour mettre jour la solution courante SC , est celle qui minimise la fonction
dvaluation parmi les voisins SC :
S N (SC ), f (S ) f (S).
(5.1)
La solution courante est mise jour : S devient la nouvelle solution courante.

Supposons qu litration i la solution courante SC (i) tait un optimum locale
par rapport au voisinage et la fonction dvaluation considrs, la mthode tabou
accepte alors de mettre jour la solution courante en dgradant la solution : SC (i+1)
est choisie dans ce cas comme la solution qui dgrade le moins la solution courante
SC (i). Cette mthode permet dchapper aux optima locaux et daller explorer
dautres solutions la recherche dun optimum global (i.e. la solution qui minimise
f dans lensemble E de toutes les solutions ralisables). Remarquons qu litration
i + 1 la solution qui minimise f parmi les voisins de SC (i + 1) pourrait tre SC (i)
puisque cette solution est un optimum local ce qui implique que SC (i + 2) serait
gale SC (i). Dans ce cas, la mthode risque dosciller entre les solutions SC (i)
et SC (i + 1). La mthode tabou est principalement conue pour viter ce genre de
cyclage en rendant certains mouvements tabous i.e. non acceptables.
Notons que lvaluation des voisins dpend de la faon dont le problme est cod.
Dans le cas dun codage direct, lvaluation est immdiate. Dans le cas dun codage
indirect, une heuristique de rsolution est le plus souvent utilise pour valuer les
voisins.
Mouvements tabous. Lors de la mise jour dune solution courante qui
dgrade la solution actuelle, linverse du mouvement lmentaire qui a t appliqu
pour ce passage est sauvegard dans une liste dite tabou : ce mouvement sera interdit
pendant un certain nombre ditrations. Ainsi chaque itration, la solution courante
est mise jour en la substituant par la solution voisine qui minimise f parmi les
voisins obtenus par des mouvements non tabous. Le nombre ditrations durant
lequel le critre tabou est maintenu sur les mouvements tabous dpend de la taille
de la liste tabou qui est gre comme une File (premier entr, premier sorti). La
taille de la liste tabou affecte fortement la qualit des solutions obtenues, elle est
dtermine exprimentalement.
A cause de linterdiction de certains mouvements (les mouvements tabous), on
risque parfois de ne pas considrer certaines solutions qui peuvent tre plus intressantes que la solution record (la meilleure solution rencontre). Pour y remdier, on
value tous les voisins dune solution courante mme ceux qui sont tabous (obtenus
par des mouvements tabou) et on enlve, temporairement, le critre tabou sur un
voisin tabou S si on le juge assez intressant i.e. si f (S) est infrieure un certain
niveau appel niveau daspiration.
La liste des mouvements tabous nest pas toujours suffisante pour sloigner
dun optimum local. Une opration appele diversification peut tre utilise au sein
82
dun algorithme tabou. Elle consiste effectuer une transformation non-locale sur la
solution courante. On obtient donc une nouvelle solution, qui a de grandes chances
de ne plus tre proche de loptimum local, tout en conservant des proprits de la
solution prcdente. Une autre mthode pus radicale, consiste tirer alatoirement
une solution, compltement nouvelle, partir de laquelle on relance la mthode
tabou. On peut se rfrer [35] pour une tude plus dtaille des mthodes tabou.
Nous proposons maintenant un nouvel algorithme tabou pour la rsolution du
problme 2BP dans le cas non-orient.
5.3
Nouvel algorithme tabou
Dans cette section nous dcrivons un nouvel algorithme tabou pour le 2BP |R
base sur la notion de configurations quivalentes. Cet algorithme est not T S EC
(Tabu Search algorithm avoiding Equivalent Configurations). Nous commenons par
la description du voisinage considr.
5.3.1
Voisinage
Une solution courante Sc du problme correspond un ordre donn reprsent

par une liste c telle que : c [i] dsigne le ime objet placer. Lvaluation de la
solution courante consiste appliquer lheuristique de base dcrite dans la section
5.3.3.
Les transformations locales considres sont des mouvements dinsertions. Un
voisin de la liste c rsulte de linsertion dun objet c [i] la position occupe par
un autre objet c [j]. Si i > j, cette insertion seffectue en dcalant droite les objets
c [k] : k = j, ..., i 1, lobjet c [i] est alors plac la position j. Si i < j, [i] est
plac aprs lobjet [j] en dcalant les objets [k] : k = i + 1, ..., j, gauche.
La taille du voisinage dune solution courante est en O(n2 ). En effet, chaque voisin
consiste choisir un objet insrer (parmi les n objets de linstance considre) et
une position dans laquelle il sera insr (parmi n1 positions possibles). Le voisinage
dune solution courante Sc , correspondant toutes les insertions possibles, est not
N (Sc ).
Dans lalgorithme tabou TS-EC nous rduisons le voisinage considr en interdisant la mise jour de la solution courante par une autre solution qui lui soit
"similaire". Dans la section suivante, nous introduisons la notion de configurations
quivalentes pour dfinir les similarits entre les solutions par rapport aux objets
placs par bin.
5.3. NOUVEL ALGORITHME TABOU
5.3.2
83
Notion de configurations quivalentes
Dans cette section, nous introduisons la notion de configurations quivalentes en

se basant sur certaines similarits quon peut dtecter entre les solutions.
Soit I = (A, B) une instance 2BP donne. Une configuration (rangement) S =
(B(S, 1), ..., B(S, m)) dans m (note nbBin(S)) bins est une partition de A en m
sous-ensembles A1 , ..., Am , tel que chaque sous-ensemble dobjets Aj correspond
une solution de bin-packing dans un bin B(S, j) sans chevauchement des objets.
Pour chaque objet ai , nous notons BS (ai ), le bin contenant ai dans la configuration
S.
Dfinition 5.4. Deux configurations F et G sont dites quivalentes si et seulement
si k = 1, ..., nbBin(F ) il existe un entier k {1, ..., nbBin(G)} tel que B(F, k) =
B(G, k ).
Soit une instance I = (A, B) telle que B = (10, 12) et,
A = {a1 = (4, 9), a2 = (5, 4), a3 = (4, 3), a4 = (5, 6),
a5 = (6, 8), a6 = (3, 9), a7 = (11, 5), a8 = (4, 5)}
Deux solutions F et G de cette instance, sont reprsentes dans la figure 5.1.
En examinant les deux configurations, nous constatons que B(F, 1) = B(G, 2) =
{a3 , a5 , a6 }, B(F, 2) = B(G, 1) = {a1 , a2 , a4 } et B(F, 3) = B(G, 3) = {a7 , a8 }. Les
deux configurations sont alors quivalentes.
La caractristique suivante des configurations quivalentes est dduite immdiatement de la dfinition 5.4.
Proposition 5.1. Deux configurations F et G sont dites quivalentes SSi (ai , aj )
A2 , BF (ai ) = BF (aj ) BG (ai ) = BG (aj ).
En se servant de la proposition 5.1, la reconnaissance de deux configurations
quivalentes peut tre effectue en O(n2 ). En effet, il suffit de vrifier pour chaque
ai et aj dans A si :
BF (ai ) = BF (aj ) ssi BG (ai ) = BG (aj )
Proposition 5.2. Lidentification de configurations quivalentes est en O(n).
Dmonstration. Ayant deux configurations F et G, si nbBin(F ) 6= nbBin(G), il est
clair, daprs la dfinition 5.4, que les configurations F et G ne sont pas quivalentes.
Maintenant si nbBin(F ) = nbBin(G), nous proposons un algorithme didentification
des configurations quivalentes (Algorithme 3) en O(n). La structure de donnes
considre est celle introduire au dbut de cette section : tant donn une configuration S = (B(S, 1), ..., B(S, nbBin(S))), B(S, j) = {aj1 , ..., ajt } est le sous-ensemble
84
a3
a4
a6
a5
a7
a1
B(F, 1)
a2
a8
B(F, 2)
B(F, 3)
(a) Configuration F .
a6
a1
a7
a2
a4
B(G, 1)
a5
a3
B(G, 2)
a8
B(G, 3)
(b) Configuration G.
Figure 5.1 Exemple de deux configurations quivalentes F et G.
Algorithme 3 : Algorithme didentification des configurations quivalentes

Donnes : F et G deux configurations telles que nbBin(F ) = nbBin(G)
Rsultat : F LAG : une variable qui vaut 1 si F et G sont des configurations
quivalentes, sinon elle vaut 0.
F LAG := 1 ; j := 1 ;
tant que (j nbBin(F )) et (F LAG = 1) faire
Soit {aj1 , ..., ajt } lensemble des objets rangs dans le bin B(F, j) ;
k := 2 ;
tant que (k t) et (F LAG = 1) faire
si BG (ajk ) 6= BG (aj1 ) alors
F LAG := 0 ;
retourner F LAG ;
k := k + 1 ;
j := j + 1 ;
retourner F LAG ;
85
des objets placs dans le bin j et BS (ai ) reprsente le bin contenant ai dans la
configuration S. Lalgorithme 3 est constitu dune boucle principale et une boucle
intrieure. La boucle principale est rpte nbBin(F ) fois au plus. A chaque itration
j de la boucle principale, la boucle intrieure vrifie que les objets {aj2 , ..., ajt }
sont placs dans le mme bin qui contient aj1 dans la configuration G (aj1 est un
reprsentant du bin B(F, j)). La boucle intrieure est rpte |B(F, j))| fois au plus,
puisque chaque objet plac dans le bin B(F, j) est visit une seule fois au plus. A la
fin de litration j de la boucle principale, deux cas se prsentent. Dans le premier
cas, F lag = 0 cela signifie quil existe au moins un objet aju (2 u t) tel que
aj1 et aju sont placs dans le mme bin dans la configuration F et ils sont placs
dans des bins diffrents dans G. Les deux configurations sont par consquent non
quivalentes. Dans le deuxime cas, F lag = 1 ce qui signifie que tous les objets sont
placs dans le mme bin dans G et que les deux configurations sont quivalentes. La
P
)
complexit temporelle de lalgorithme 3 est alors en : nbBin(F
|B(F, j)| = n.
j=1
Dans la section suivante nous dcrivons lheuristique de base utilise au sein du

nouvel algorithme tabou.
5.3.3
Heuristique de base
Dans cette section nous dcrivons lheuristique de base utilise dans lvaluation
des solutions. Cette heuristique consiste placer les objets dans un ordre prdfini.
Etant donn un ordre des objets, lheuristique range les objets un par un
de sorte minimiser localement le nombre de bins utiliss. Un critre heuristique
est utilis pour choisir la surface maximale disponible la plus adquate pour placer
lobjet en cours. Lobjet est plac dans la surface maximale retenue tel que son coin
bas-gauche concide avec le coin bas-gauche de la surface. Si aucune surface ne peut
contenir lobjet en cours, un nouveau bin est ajout la liste Lma des surfaces
maximales.
Le critre considr est le mme que celui utilis dans lheuristique IMA (section
4.4). Lobjet courant ai est donc plac dans la surface maximale qui, parmi les
surfaces qui peuvent le contenir, maximise un certain critre. Pour un objet ai et
une surface maximale ma donns, ce critre scrit :
O(ai , ma) =q1 (wi hi )/(wma hma )
q2 (dxi /wma )
q3 (dyi /hma )
q4 (wi2
2
h2i )/(wma
+
+
h2ma )
o les paramtres q1 , q2 , q3 et q4 sont des rels tels que 0 qk 1; k = 1, ..., 4 et
86
Algorithme 4 : Lheuristique de base

Donnes : une instance I = (A, B), un ordre des objets et quatre nombres
rls q1 , q2 , q3 et q4 .
Initialiser la liste des surfaces maximales (Lma) avec un bin vide la position
(0, 0), lorigine des axes x et y ;
nbBin := 1 ;
i := 1 ;
tant que (i 6= n) faire
rapMax := 0 ;
pour (j := 1; j |Lma|; j + +) faire
si ([i] peut tre plac dans maj sans chevauchement et
O(ai , maj ) > rapM ax) alors
rapM ax = O(ai , maj ) ; a = ai ; ma = maj ; (Les deux orientation
de ai sont testes)
si (rapM ax > 0) alors
placer lobjet a dans la surface maximale ma , et mettre jour la
liste Lma ;
i := i + 1 ;
sinon
ajouter Lma une nouvelle surface maximale correspondante un
nouveau bin ;
nbBin := nbBin + 1 ;
retourner nbBin ;
q1 + q2 + q3 + q4 = 1, wma et hma sont les projections des dimensions de la surface

ma sur les axes x et y.
Soit C le nombre maximum de surfaces maximales prsentes dans la liste Lma
une tape quelconque du rangement. Chaque placement dun objet ncessite un
parcours de la liste Lma pour choisir la surface qui maximise le critre cit ci-dessus
(cf. Algorithme 4). Placer lobjet a dans ma et mettre jour la liste Lma est en
O(C 2 ). Le placement de tous les objets de lordre est alors en O(n(C + C 2 )) =
O(nC 2 ). Comme on ne considre que des rangements stables, nous avons tabli dans
la section 4.3 que Le nombre de surfaces maximales (C) une tape quelconque dun
rangement stable est en O(n2 ). Lheuristique de base considre est donc en O(n5 ).
Mais les rsultats numriques (Section 5.4) montrent que, pour les benchmarks de
la littrature, le nombre de surfaces maximales C ne dpasse jamais 2n.
Dans la section suivante nous prsentons la fonction dvaluation adopte.
5.3.4
87
Fonction dvaluation
Le problme rsoudre tant de minimiser le nombre de bins qui peuvent

contenir lensemble des objets dune instance 2BP |R donne, la fonction dvaluation
peut tre dfinie comme le nombre de bins utiliss. Cependant, une telle fonction
dvaluation ne serait pas assez slective pour pouvoir choisir la nouvelle solution
courante chaque itration de la mthode tabou. En effet, ayant une solution
courante donne, plusieurs solutions voisines auraient un nombre de bins utiliss
identiques, et ceci indpendamment du voisinage considr. Nous proposons alors
une fonction dvaluation contenant dautres mesures discriminantes, pour trancher
entre des solutions ayant le mme nombre de bins.
A chaque itration tabou, la solution courante SC doit tre mise jour en
la remplaant par la meilleure solution de son voisinage. Si plusieurs candidats
produisent le mme nombre de bins, nous favorisons la solution qui contient le bin
avec la plus petite surface occupe (la somme des surfaces des objets rangs dans
le bin). En cas dgalit, nous considrons la solution qui a le nombre le plus grand
dobjets placs dans le bin le moins rempli.
Etant donne une solution S, soit Area(B(S, j)) (resp. nbItem(B(S, j))) la
somme des surfaces des objets (resp. le nombre dobjets) rangs dans le bin j de S :
X
Area(B(S, j)) =
wi hi
ai B(S,j)
nbItem(B(S, j)) = |B(S, j)|

Nous notons aussi M inArea(SC ), lensemble de bins dont la surface remplie est gale
nbBin(S)
min Area(B(SC , j)).

j=1
nbBin(S)
M inArea(S) = {j : Area(B(S, j )) = min Area(B(S, j))}

j=1
Pour chaque voisin SN de la solution courante SC , la fonction dvaluation f (SN )

scrit de la faon suivante :
f (SN ) = M1 nbBin(SN ) + M2
nbBin(SN )
min
j=1
max
jM inArea(SN )
Area(B(SN , j))
(5.2)
nbItem(B(SN , j))
o
M2 = n et M1 = nW H
Le voisin qui minimise la fonction dvaluation dcrite ci-dessus est utilis pour
la mise jour de la solution courante. Si plusieurs voisins ont la mme valeur du
cot minimal, lun deux est tir alatoirement suivant une loi uniforme pour mettre
jour la solution courante.
88
5.3.5
Schma de lalgorithme tabou propos (TS-EC)
Etant donne une instance I rsoudre, notre mthode commence par chercher
une solution courante initiale. La solution initiale est donne par lheuristique IM A
propose dans le chapitre 4. Rappelons que, dans chaque tape de placement dun
objet, lheuristique IMA choisit le couple (objet placer, la surface qui va laccueillir)
ainsi que lorientation de lobjet. Lordre initial des objets correspond donc lordre
dans lequel IMA a choisi de les placer dans la dernire itration amliorante de
lheuristique.
Nous considrons une liste tabou conue comme une file de taille dtermine
exprimentalement. Dans nos rsultats exprimentaux la taille de la liste tabou
vaut min(10, n/4). Initialement, la liste est vide.
Ayant une solution courante SC correspondant un ordre donn C des objets,
nous explorons le voisinage de la solution courante. Tous les mouvements dinsertions
possibles sont tests (cf. Section 5.3.1). Chaque voisin est valu en appliquant
lheuristique de base dcrite dans la section 5.3.3. Le choix des valeurs des paramtres
(q1 , q2 , q3 , q4 ) du critre utilis dans lheuristique de base pour choisir la surface
la plus adapte pour ranger lobjet courant est dtermin exprimentalement. Il
consiste alterner avec les valeurs suivantes :
(0.25, 0.25, 0.25, 0.25).
(0.7, 0.2, 0.1, 0).
(0, 0.2, 0.1, 0.7).
La solution courante est mise jour par la solution voisine qui minimise la
fonction dvaluation dcrite dans la section 5.3.4.
Lobjet, dont linsertion a men la nouvelle solution courante (nouvel ordre
courant des objets), est ajout la liste tabou. Toute insertion de cet objet est
interdite tant quil figure dans la liste tabou. Le nombre ditrations durant lesquelles
lobjet est maintenu tabou est gal la taille de la liste tabou.
Cette procdure est rpte tant que la solution trouve ne correspond pas une
borne infrieure connue et que le temps de calcul na pas dpass un temps limite
(fix dans nos rsultats exprimentaux 120 secondes).
Plusieurs mouvements dinsertion mnent en pratique des configurations quivalentes la configuration courante. Il suffit, par exemple, de modifier les positions
des objets dans le bin sans modifier leurs affectations aux diffrents bins. Nous
rduisons le voisinage considr en excluant les configurations quivalentes la
solution courante, dans le but dacclrer la procdure dloignement dun optimum
local. Les versions adoptant le voisinage complet et rduit sont compares dans la
section suivante.
Notons que nous acceptons de mettre jour la solution courante par une solution voisine qui rsulte de linsertion dun objet tabou si cette insertion amliore
89
strictement la solution record.

La complexit de lheuristique de base est en O(nC 2 ) (cf. Section 5.3.3), o C
est le nombre maximum de surfaces maximales prsentes une tape donne du
rangement. La complexit dune itration tabou est alors en O(n3 C 2 ) tant donn
que le voisinage considr est en O(n2 ) (cf. Section 5.3.1) et que la complexit dune
itration tabou est gale la complexit de lheuristique base. Les rsultats exprimentaux dans la section suivante montrent que le nombre de surfaces maximales
(C) ne dpasse jamais 2n.
5.4
Dans cette section, nous rapportons les rsultats des tests de notre algorithme
tabou sur le benchmark propos dans [4] et [48] (cf. Section 2.4 pour une description
des instances).
Dans le tableau 5.1, nous comparons deux versions de lalgorithme tabou T S
EC dcrit dans la section 5.3.5 avec et sans prtraitements. Nous rappelons que le
voisinage considr dans T S EC est le voisinage rduit, les configurations quivalentes la solution courante ntant pas retenues comme candidates pour la mise
jour de la solution. Un temps limite de 120 secondes est choisi pour la rsolution
dune instance. Un deuxime critre darrt correspondant une borne infrieure
connue pour linstance rsoudre est considr. Nous montrons les rsultats qui
concernent le nombre de bins utiliss pour ranger lensemble des objets (nbBin),
le temps CPU correspondant lexcution de la mthode en secondes (CP U ), le
nombre maximum de surfaces maximales prsentes en une tape quelconque du
rangement (M Amax ) ainsi que le nombre moyen (M Aaverage ). Les valeurs correspondent la moyenne calcule pour chaque groupe de dix instances dune classe.
Pour la valeur M Amax , les rsultats affichs correspondent la valeur maximale
pour chaque groupe dinstances. La ligne intitule Average correspond la moyenne
calcule par classe. En se rfrant au tableau 5.1, nous constatons lavantage de la
version avec prtraitements, en effet cette version fournit des solutions meilleures
que la version sans prtraitements pour trois classes du benchmark (les classes 1,
3 et 10). Les deux versions sont presque quivalentes en terme du temps de calcul.
Remarquons que pour les deux versions, la valeur M Amax est en O(n). La version
avec prtraitement est retenue par la suite.
Dans le tableau 5.2, nous comparons la version T S EC avec celle qui permet
la mise jour dune solution courante par une configuration quivalente (T S).
Nous rapportons dans les rsultats le nombre de configurations quivalentes (donc
interdites) en moyenne par itration tabou de lalgorithme T S EC. Le tableau 5.2
montre que lalgorithme T S EC est strictement meilleur que T S. En effet il utilise
un nombre de bins plus petit pour les classes 1 et 7, et le mme pour les autres
90
Classe
I
Problme
HxW
10x10
II
30x30
III
40x40
IV
100x100
100x100
VI
300x300
VII
100x100
VIII
100x100
IX
100x100
100x100
avec prtraitement
sans prtraitement
n
nbBin CP U M Amax M Aavg nbBin CP U M Amax M Aavg
20
6.6
0.009
3
2.3
6.6
0.003
3
2.8
12.8 12.298
24
6.5
12.9
24.017
28
7.4
40
60
19.5
0.005
4
2.5
19.5
0.014
3
2.7
27.0
12.156
34
5.4
27.0
12.048
35
5.9
80
100
31.3
25.225
44
11.3
31.3
24.778
43
11.2
Average 19.44 9.938
44
5.600
19.46 12.172
43
6.000
1.0
0.000
10
8.7
1.0
0.000
10
8.6
20
40
1.9
0.008
10
7.8
1.9
0.002
9
7.2
60
2.5
0.005
10
8.2
2.5
0.008
10
8.0
3.1
0.017
13
9.5
3.1
0.009
11
9.0
80
100
3.9
0.022
11
8.9
3.9
0.025
12
9.5
Average 2.48
0.010
13
8.620
2.48
0.008
12
8.460
4.7
0.003
5
3.4
4.7
0.008
5
3.9
20
40
9.3
29.250
44
15.1
9.4
36.059
45
15.8
60
13.5
36.514
62
20.7
13.5
36.472
62
21.1
18.4 37.811
73
24.0
18.5
49.467
72
30.9
80
100
22.2
92.511
88
57.9
22.2
91.227
88
58.2
88
24.220 13.66 42.646
88
25.980
Average 13.62 39.217
20
1.0
0.000
15
9.9
1.0
0.000
15
9.6
40
1.9
0.003
14
10.2
1.9
0.002
14
9.9
2.5
24.156
54
18.1
2.5
24.211
53
17.9
60
80
3.1
12.967
67
16.2
3.1
13.139
67
16.2
100
3.7
0.042
16
10.6
3.7
0.044
16
11.0
7.434
67
13.000
2.44
7.478
67
12.920
Average 2.44
20
5.9
0.000
5
2.7
5.9
0.002
5
4.0
40
11.4
12.058
48
6.9
11.4
12.086
48
8.4
17.4
60.680
76
32.4
17.4
60.975
77
38.5
60
80
23.9
36.194
86
19.3
23.9
37.842
100
31.7
100
27.9
93.392
108
70.6
27.9
92.694
110
75.6
108
26.380 17.30 40.719
110
31.640
Average 17.30 40.464
20
1.0
0.003
14
11.9
1.0
0.000
14
11.9
40
1.7
24.030
42
20.3
1.7
24.126
42
20.2
2.1
0.009
19
12.6
2.1
0.013
18
12.6
60
80
3.0
0.016
16
12.4
3.0
0.017
17
12.5
3.2
0.477
17
14.0
3.2
0.487
17
13.8
100
Average 2.20
4.906
42
14.240
2.20
4.928
42
14.200
20
5.2
60.003
29
14.0
5.2
60.009
28
15.5
10.3
76.517
52
34.5
10.3
82.167
54
37.2
40
60
14.6
73.380
72
43.1
14.6
73.333
74
44.7
80
21.2 124.581
96
90.2
21.2 124.495
98
92.1
25.3 135.275
115
108.6
25.3 134.069
117
109.3
100
Average 15.32 93.951
115
58.080 15.32 94.814
117
59.760
20
5.3
48.006
28
12.3
5.3
48.009
29
13.4
10.4
96.255
51
40.4
10.4
96.388
53
41.3
40
60
15.0
97.302
73
56.6
15.0
97.442
73
56.9
80
20.8 112.964
96
79.5
20.8 114.280
97
81.6
25.7 134.120
113
108.0
25.7 135.488
113
108.8
100
Average 15.44 97.729
113
59.360 15.44 98.321
113
60.400
14.3
0.000
0
0.0
14.3
0.003
4
2.4
20
40
27.5
0.000
1
0.6
27.5
0.003
4
2.5
60
43.5
0.000
1
0.5
43.5
0.008
4
2.9
57.3
0.000
1
0.8
57.3
0.022
4
3.2
80
100
69.3
0.000
1
0.7
69.3
0.023
4
2.7
Average 42.38
0.000
1
0.520
42.38
0.012
4
2.740
4.1
24.003
25
7.3
4.1
24.006
25
8.4
20
40
7.3
36.056
45
16.1
7.3
36.106
49
17.5
60
9.9
52.063
65
37.3
10.0
62.348
66
40.0
12.8
73.492
85
51.3
12.8
74.200
86
51.5
80
100
15.8
67.216
102
51.3
15.8
63.956
100
51.2
102
32.660 10.00 52.123
100
33.720
Average 9.98 50.566
Tableau 5.1 Lalgorithme tabou avec et sans prtraitements.
Classe
I
Problme
WxH
10x10
II
30x30
III
40x40
IV
100x100
100x100
VI
300x300
VII
100x100
VIII
100x100
IX
100x100
100x100
n
20
40
60
80
100
Average
20
40
60
80
100
Average
20
40
60
80
100
Average
20
40
60
80
100
Average
20
40
60
80
100
Average
20
40
60
80
100
Average
20
40
60
80
100
Average
20
40
60
80
100
Average
20
40
60
80
100
Average
20
40
60
80
100
Average
Bins
6.6
12.8
19.5
27.0
31.3
19.44
1.0
1.9
2.5
3.1
3.9
2.48
4.7
9.3
13.5
18.4
22.2
13.62
1.0
1.9
2.5
3.1
3.7
2.44
5.9
11.4
17.4
23.9
27.9
17.30
1.0
1.7
2.1
3.0
3.2
2.20
5.2
10.3
14.6
21.2
25.3
15.32
5.3
10.4
15.0
20.8
25.7
15.44
14.3
27.5
43.5
57.3
69.3
42.38
4.1
7.3
9.9
12.8
15.8
9.98
91
T S EC
CP U nbCE
0.009
0.00
12.298 31.00
0.005
0.00
12.156 64.34
25.225 103.09
9.938 39.68
0.000
0.00
0.008
0.00
0.005
0.00
0.017
0.00
0.022
0.00
0.010
0.00
0.003
0.00
29.250 37.05
36.514 64.25
37.811 133.15
92.511 278.55
39.217 102.60
0.000
0.00
0.003
0.00
24.156 27.56
12.967 19.22
0.042
0.00
7.434
9.36
0.000
0.00
12.058 11.49
60.680 114.84
36.194 75.83
93.392 281.24
40.464 96.68
0.003
0.00
24.030 14.78
0.009
0.00
0.016
0.00
0.477
0.00
4.906
2.96
60.003 22.41
76.517 109.41
73.380 165.48
124.581 358.55
135.275 584.32
93.951 248.04
48.006 31.17
96.255 142.36
97.302 178.62
112.964 297.66
134.120 503.86
97.729 230.74
0.000
0.00
0.000
0.00
0.000
0.00
0.000
0.00
0.000
0.00
0.000
0.00
24.003 7.44
36.056 34.84
52.063 98.25
73.492 169.12
67.216 189.43
50.566 99.82
Bins
6.6
12.9
19.5
27.0
31.3
19.46
1.0
1.9
2.5
3.1
3.9
2.48
4.7
9.3
13.5
18.4
22.2
13.62
1.0
1.9
2.5
3.1
3.7
2.44
5.9
11.4
17.4
23.9
27.9
17.30
1.0
1.7
2.1
3.0
3.2
2.20
5.2
10.4
14.7
21.2
25.3
15.36
5.3
10.4
15.0
20.8
25.7
15.44
14.3
27.5
43.5
57.3
69.3
42.38
4.1
7.3
9.9
12.8
15.8
9.98
TS
CP U
0.003
24.048
0.002
12.019
25.019
12.218
0.002
0.000
0.008
0.011
0.020
0.008
0.002
27.953
36.497
37.608
92.258
38.863
0.000
0.002
24.525
13.144
0.036
7.541
0.000
12.048
60.636
36.880
91.052
40.123
0.000
24.176
0.008
0.019
0.479
4.936
60.005
84.220
72.922
125.608
134.780
95.506
48.006
96.155
97.248
112.953
134.322
97.737
0.000
0.000
0.002
0.000
0.000
0.000
24.003
36.081
60.334
75.070
65.783
52.254
Tableau 5.2 Comparaison entre les deux versions.
92
Classe
I
Problme
WxH
10x10
II
30x30
III
40x40
IV
100x100
100x100
VI
300x300
VII
100x100
VIII
100x100
IX
100x100
100x100
n
20
40
60
80
100
Average
20
40
60
80
100
Average
20
40
60
80
100
Average
20
40
60
80
100
Average
20
40
60
80
100
Average
20
40
60
80
100
Average
20
40
60
80
100
Average
20
40
60
80
100
Average
20
40
60
80
100
Average
20
40
60
80
100
Average
IM A
Bins CP U
6.6 0,003
12.9 0,067
19.5 0,001
27.0 0,110
31.3 0,321
19.46 0,100
1.0 0,001
1.9 0,003
2.5 0,000
3.1 0,015
3.9 0,024
2.48 0,009
4.7 0,001
9.4 0,126
13.5 0,242
18.4 0,359
22.2 1,173
13.64 0,380
1.0 0,000
1.9 0,001
2.5 0,432
3.1 0,323
3.7 0,032
2.44 0,158
5.9 0,000
11.4 0,067
17.4 0,334
23.9 0,228
27.9 1,154
17.30 0,357
1.0 0,000
1.7 0,304
2.1 0,009
3.0 0,012
3.2 0,300
2.20 0,125
5.2 0,065
10.4 0,276
14.7 0,537
21.2 1,228
25.3 1,789
15.36 0,779
5.3 0,057
10.4 0,342
15.0 0,632
20.8 1,127
25.7 1,812
15.44 0,794
14.3 0,000
27.5 0,000
43.5 0,000
57.3 0,000
69.3 0,000
42.38 0,000
4.1 0,039
7.3 0,120
10.1 0,473
12.8 0,786
15.8 1,001
10.02 0,484
AT S T P
Bins CP U
6.6
0.13
12.9 4.11
19.5 4.27
27.0 0.97
31.4 1.20
19.48 2.14
1.0
0.13
1.9
1.46
2.5
1.14
3.1 22.61
3.9
4.25
2.48 5.92
4.7 11.35
9.4
0.38
13.6 64.85
18.6 9.94
22.3 68.85
13.72 30.94
1.0
0.14
1.9
0.25
2.4 28.80
3.2 36.16
3.8
9.19
2.46 14.91
5.9
1.31
11.4 41.21
17.5 74.59
23.9 143.01
28.0 196.23
17.34 91.27
1.0
0.17
1.6 5.97
2.1 25.92
3.0
0.42
3.4
7.64
2.22 8.02
5.2
0.77
10.4 99.28
14.6 613.98
21.3 259.78
25.5 231.66
15.40 241.09
5.3
1.34
10.4 77.91
15.1 51.74
20.8 529.40
26.0 232.88
15.52 178.65
14.3 0.26
27.6 1.25
43.5 2.54
57.3 1.65
69.3 52.69
42.40 11.68
4.1
0.36
7.3
3.93
9.9 235.17
12.8 78.27
15.9 269.68
10.00 117.48
Bins
6.6
12.8
19.5
27.0
31.3
19.44
1.0
1.9
2.5
3.1
3.9
2.48
4.7
9.3
13.5
18.4
22.2
13.62
1.0
1.9
2.5
3.1
3.7
2.44
5.9
11.4
17.4
23.9
27.9
17.30
1.0
1.7
2.1
3.0
3.2
2.20
5.2
10.3
14.6
21.2
25.3
15.32
5.3
10.4
15.0
20.8
25.7
15.44
14.3
27.5
43.5
57.3
69.3
42.38
4.1
7.3
9.9
12.8
15.8
9.98
T S EC
CP U
G
0.009 1,000
12.298 1,000
0.005 1,000
12.156 1,000
25.225 1,000
9.938 1,000
0.000 1,000
0.008 1,000
0.005 1,000
0.017 1,000
0.022 1,000
0.010 1,000
0.003 1,000
29.250 1,025
36.514 1,024
37.811 1.012
92.511 1.035
39.217 1.019
0.000 1,000
0.003 1,000
24.156 1,100
12.967 1.033
0.042 1,000
7.434 1,027
0.000 1,000
12.058 1,014
60.680 1,027
36.194 1,013
93.392 1,028
40.464 1,016
0.003 1,000
24.030 1,200
0.009 1,000
0.016 1,000
0.477 1,000
4.906 1,040
60.003 1,110
76.517 1,042
73.380 1,042
124.581 1,061
135.275 1,058
93.951 1,063
48.006 1,060
96.255 1,073
97.302 1,063
112.964 1,057
134.120 1,062
97.729 1,063
0.000 1,000
0.000 1,000
0.000 1,000
0.000 1,000
0.000 1,000
0.000 1,000
24.003 1,100
36.056 1,049
52.063 1,047
73.492 1,049
67.216 1,034
50.566 1,056
Opt
10
10
10
10
10
10
10
10
10
10
10
10
10
8
7
8
3
7.2
10
10
8
9
10
9,4
10
9
6
7
3
7
10
8
10
10
10
9.6
5
6
4
0
0
3
7
3
2
1
0
2.6
10
10
10
10
10
10
8
7
6
4
5
6
Tableau 5.3 Lalgorithme tabou, comparaison avec les meilleurs rsultats de la

littrature.
5.5. CONCLUSION
93
classes. Le temps de calcul est quivalent pour les deux algorithmes.

Enfin, nous comparons lalgorithme tabou T S EC avec lheuristique IM A
propose dans le chapitre 4, et la mthode tabou AT S BP [38]. Le nouvel algorithme tabou propos russit amliorer les rsultats de lheuristique IM A pour
les classes 1, 3, 7 et 10. Lalgorithme T S EC compar AT S BP permet
damliorer plusieurs instances des diffrentes classes du benchmark considr. Les
deux rsultats supplmentaires montrs pour T S EC concernent le rapport entre
le nombre de bins obtenus par lalgorithme et la borne infrieure LR
CJE propose
dans le chapitre 3. Le nombre dinstances rsolues dune faon optimale est not
Opt. Avec le nouvel algorithme tabou et la nouvelle borne infrieure, nous rsolvons
dune faon optimale 374 instances des 500.
5.5
Conclusion
Nous avons introduit dans ce chapitre la notion de configurations quivalentes et

propos un algorithme didentification de telles configurations en O(n). Cette notion
nous a servi pour la proposition dun nouvel algorithme tabou pour le problme
2BP |R. Nous avons montr exprimentalement lefficacit de la mthode propose.
Ces travaux ont donn lieu une prsentation dans une confrence internationale
avec actes (Incom 2006) [24].
Conclusion
Nous avons trait dans cette thse le problme de bin-packing en deux dimensions
dans le cas non orient (2BP |R). Ce problme appartient la classe des problmes
NP-difficiles. Notre contribution concerne plus prcisment les prtraitements des
instances, les valuations par dfaut et la rsolution approche du problme. Nos
mthodes ont t testes exprimentalement sur les benchmarks de la littrature
[4, 48].
Nous avons propos trois prtraitements (, et ) sous forme de fonctions
identiquement ralisables (des fonctions qui, appliques une instance donne, ne
changent pas sa valeur optimale). Le premier prtraitement consiste valuer les espaces perdus dans le bin. Il utilise une variante du problme de sub-set sum applique
chaque dimension des objets. Les deux autres prtraitements consistent identifier
des sous-ensembles particuliers dans linstance et trouver leur rangement optimal.
Les trois prtraitements proposs sont complmentaires, leur application itrative a
permis de rduire la taille de nombreuses instances du benchmark de la littrature et
damliorer de faon significative la borne continue. Nous avons introduit la notion
dobjets orientation dpendante qui nous a servi dans le prtraitement . Lintrt
majeur de cette notion est de dfinir des sous-ensembles dobjets dont la possibilit
de rotation est contrainte sils sont placs dans un mme bin.
Nous avons aussi propos une nouvelle mthode dvaluation des bornes infrieures pour le 2BP |R. Toute borne infrieure propose pour le problme 2BP |O
peut servir lvaluation des bornes infrieures pour le 2BP |R. La nouvelle borne
infrieure LR
CJE utilise la borne de Carlier et al. [10] pour lvaluation par dfaut des
instances 2BP |O considres. Nous avons montr que LR
CJE domine thoriquement
les bornes de DellAmico et al. [19] et de Boschetti et Mingozzi [6]. La nouvelle borne
teste exprimentalement, permet damliorer strictement les bornes infrieures de
la littrature.
Nous avons galement propos une nouvelle mthode heuristique (IM A) pour la
rsolution des instances du problme tudi. Elle adapte une stratgie Best Fit pour
le placement des objets. Nous avons test notre heuristique avec les mthodes de
rsolution approche de la littrature (lheuristique HBP [6] et la mthode tabou
AT S BP [38]). Les rsultats obtenus en appliquant IM A dominent ceux de la
95
96
CONCLUSION
mthode HBP . Elle fournit de meilleurs rsultats que la mthode tabou AT S BP

pour plusieurs classes. La classe 10 est la seule classe pour laquelle AT S BP fournit
en moyenne des rsultats meilleurs que IM A. Les instances de cette classe feront
lobjet dune tude particulire.
Nous avons propos un nouvel algorithme tabou. Nous avons introduit la notion
de configurations quivalentes pour dfinir certaines similarits entre les solutions.
Dans lalgorithme tabou propos, nous interdisons la mise jour de la solution
courante par une autre solution qui lui soit quivalente. Notre mthode amliore
les rsultats de la littrature pour toutes les classes du benchmark considr. Les
mthodes proposes dans la prsente thse nous ont permis de rsoudre dune faon
optimale 374 instances des 500 instances constituant le benchmark considr.
Les perspectives de ce travail sont nombreuses. Nous les prsentons en quatre
points :
Les bons rsultats obtenus par les prtraitements proposs nous encouragent
approfondir davantage ltude des prtraitements tenant compte de la possibilit de tourner les objets de 90 degrs.
Nous travaillons sur une nouvelle dfinition des "configurations quivalentes"
en cherchant introduire de nouvelles formes de similarit entre les solutions.
On peut ainsi, par exemple, chercher dfinir les configurations quivalentes
en terme de surfaces maximales prsentes dans les bins.
Etant donns les rsultats fort encourageants obtenus sur de nombreux points,
nous envisageons aujourdhui la conception dune mthode exacte pour le
2BP |R. Les prtraitements et les bornes proposs dans cette thse pourraient
jouer un rle prdominant pour envisager de rsoudre de nombreuses instances
non rsolues de la littrature.
Lensemble des travaux proposs dans cette thse est adaptable au problme
de bin-packing 3D. Il est aussi intressant dtudier la possibilit dadapter
les mthodes proposes dautres variantes du problme comme par exemple
lintroduction de la contrainte guillotine ou dautres types de contraintes frquemment rencontres, le problme de strip packing, etc.
Bibliographie
[1] E. Aarts et J. K. Lenstra. Local Search in Combinatorial Optimization. Series

in Discrete Mathematics and Optimization. John Wiley and Sons, 1997.
[2] J. E. Beasley. An exact two-dimensional non-guillotine cutting tree search
procedure. Operations Research, 33 :4964, 1985.
[3] B. E. Bengtsson. Packing rectangular pieces - a heuristic approach. The
computer journal, 25 :353357, 1982.
[4] J. O. Berkey et P. Y. Wang. Two-dimensional finite bin-packing algorithms.
Journal of Operational Research Society, 38 :423429, 1987.
[5] M. A. Boschetti et A. Mingozzi. The two-dimensional finite bin packing
problem. part I : New lower bounds for the oriented case. 4OR, 1 :2742,
2003.
[6] M. A. Boschetti et A. Mingozzi. The two-dimensional finite bin packing
problem. part II : New lower and upper bounds. 4OR, 1 :135147, 2003.
[7] J.M. Bourjolly et V. Rebetz. An analysis of lower bounds procedures for the
bin packing problem.
[8] E. K. Burke, G. Kendall, et G. Whitwell. A new placement heuristic for the
orthogonal stock-cutting problem. Operations Research, 52(4) :655671, 2004.
[9] A. Caprara, M. Locatelli, et M. Monaci. Bilinear packing by bilinear programming. In Michael Jnger and Volker kaibel, editors, Integer Programming
and Combinatorial Optimization, 11th International IPCO Conference, Berlin,
Germany, June 8-10, 2005, volume 3509 of Lecture Notes in Computer Science,
pages 377-391, Springer, june 8-10 2005.
[10] J. Carlier, F. Clautiaux, et A. Moukrim. New reduction procedures and lower
bounds for the two-dimensional bin-packing problem with fixed orientation.
Computers O. R., 2006.
97
98
Bibliographie
[11] B. Chazelle. The bottom-left bin-packing heuristic : an efficient implementation.

IEEE Trans. Comput., C-32 :697707, 1983.
[12] N. Christophides et C. Whitlock. An algorithm for two-dimensional cutting
problems. Operations Research, 25 :3044, 1977.
[13] F.R.K. Chung, M.R. Garey, et D.S. Johnson. On packing two-dimensional bins.
SIAM J. alg. Disc. Meth., 3(1) :6676, 1982.
[14] F. Clautiaux, J. Carlier, et A. Moukrim. A new exact method for the orthogonal
packing problem. European Journal of Operational Research, (to appear), 2006.
[15] F. Clautiaux, J. Carlier, et A. Moukrim. A new exact method for the twodimensional bin-packing problem with fixed orientaion. Operations Research
Letters, (to appear), 2006.
[16] F. Clautiaux, A. Jouglet, et J. El Hayek. A new lower bound for the nonoriented two-dimensional bin-packing problem. Operations Research Letters, to
appear, 2006.
[17] E. G. Coffman, Jr., M. R. Garey, et D. S. Johnson. Approximation algorithms
for bin packing - an updated survey. In G. Ausiello, M. Lucertini, et P. Serafini,
editors, Algorithms design for computer system design, pages 49106. SpringVerlag, New York, 1984.
[18] V.-D. Cung, M. Hifi, et B. Le Cun. Constrained two-dimensional cutting
problem : a best-first branch-and-bound exact algorithm. International
Transactions in Operational Research, 7 :185210.
[19] M. Dell Amico, M. Martello, et D. Vigo. A lower bound for the non-oriented
two-dimensional bin packing problems. dam, 118 :1324, 2002.
[20] K. A. Dowsland. Some experiments with simulated annealing techniques for
packing problems. European Journal of Operational Research, 68 :389399,
1993.
[21] U Dyckhoff, H.and Finke. Cutting and Packing in Production and Distribution :
Typology and Bibliography. (eds. Mueller, W.A. and Schuster, P.) SpringerVerlag, New York, 1992.
[22] J. El hayek, A. Moukrim, et S. Negre. New resolution algorithm and
pretreatments for the two-dimensional bin-packing problem. Computers and
Operations Research (in minor revision), 2006.
Bibliographie
99
[23] J. El hayek, A. Moukrim, et S. Negre. Prtraitements et rsolution approche

pour le problme de bin-packing en deux dimensions, le cas non orient. Congrs
de la ROADEF, LILLE, fvrier 2006.
[24] J. El hayek, A. Moukrim, et S. Negre. A tabu search method for the non-oriented
two-dimensional bin-packing problem. INCOM conference, SAINT-ETIENNE,
may 2006.
[25] J. El hayek, A. Moukrim, et Negre S. Le problme de bin-packing en deux
dimensions : nouveaux prtraitements et heuristique de rsolution pour le cas
non orient. Confrence MOSIM, RABAT, avril 2006.
[26] O. Faroe, D. Pisinger, et M. Zachariasen. Guided local search for the threedimensional bin-packing problem. INFORMS J. Comput., 15 :267283, 2003.
[27] S. Fekete et J. Schepers. New classes of fast lower bounds for bin packing
problems. Mathematical Programming, 91 :1131, 2001.
[28] S. Fekete et J. Schepers. A combinatorial characterization of higher-dimensional
orthogonal packing. Mathematics of Operations Research, 29 :353368, 2004.
[29] S. Fekete et J. Schepers. A general framework for bounds for higher-dimensional
orthogonal packing problems. Mathematical Methods of Operations Research,
60 :311329, 2004.
[30] S. Fekete, J. Schepers, et J. van der Veen. An exact algorithm for higherdimensional orthogonal packing. To appear in Operations Research, 2006.
[31] M. R. Garey et D. S. Johnson. Computers and intractability, a guide to the
theory of NP-completeness. Freeman, New York, 1979.
[32] P. Gilmore et R. Gomory. A linear programming approach to the cutting stock
problem. Ops. Res., 9 :849859, 1961.
[33] P. Gilmore et R. Gomory. A linear programming approach to the cutting stock
problem - part II. Ops. Res., 11 :863888, 1963.
[34] P. Gilmore et R. Gomory. Multistage cutting stock problems of two and more
dimensions. Ops. Res., 13 :94120, 1965.
[35] F. Glover et M. Laguna. Tabu search. Kluwer Academic Publishers, 1997.
100
Bibliographie
[36] E. Hadjiconstantinou et N. Christophides. An exact algorithm for general, orthogonal, two-dimensional knapsack problem. European Journal of Operational
Research, 83 :3956, 1995.
[37] M. Haouari et A. Gharbi. Fast lifting procedures for the bin packing problem.
Discrete Optimization, 2 :201218, 2005.
[38] J. Harwig et J.W. Barnes. An adaptive tabu search approach for 2-dimensional
orthogonal packing problems. to appear in Military Operations Research, 2006.
[39] Mhand Hifi. An improvement of viswanathan and bagchis exact algorithm
for constrained two-dimensional cutting stock. Computers and Operations
Research, 24 :727736, 1997.
[40] S. Jakobs. On genetic algorithms for the packing of polygons. European Journal
of Operational Research, 88 :165181, 1996.
[41] D. S. Johnson. Near optimal bin packing algorithms, 1973. Dissertation,
Massachussetts Institute of Technology, Cambridge, Massachussetts.
[42] M. Labb, G. Laporte, et H. Mercure. Capacitated vehicle routing on trees.
Ops. Res., 39(6) :1622, 1991.
[43] Z. Li et V. Milenkovic. Compaction and separation algorithms for non-convex
polygons and their applications. European Journal of Operational Research,
84 :539561, 1995.
[44] A. Lodi, S. Martello, et D. Vigo. Neighborhood search algorithm for the
guillotine non-oriented two-dimensional bin packing problem. Meta-Heuristics :
Advances and Trends in Local Search Paradigms of Optimization, S. Voss, S.
Martello, I.H. Osman, and C. Roucairol, (eds.), kluwer Academic Publishers,
Boston :125139, 1998.
[45] A. Lodi, S. Martello, et D. Vigo. Heuristic and metaheuristic approaches for a
class of two-dimensional bin packing problems. INFORMS J. Comput., 11 :345
357, 1999.
[46] A. Lodi, S. Martello, et D. Vigo. Recent advances on two-dimensional bin
packing problems. Discrete Applied Mathematics, 123 :379396, 2002.
[47] S. Martello et P. Toth. Lower bounds and reduction procedure for the bin
packing problem. Discrete Applied Mathematics, 28 :5970, 1990.
Bibliographie
101
[48] S. Martello et D. Vigo. Exact solution of the two-dimensional finite bin packing
problem. Management Sci., 44 :388399, 1998.
[49] S. Ben Messaoud. Caractrisation, Modlisation et Algorithmes pour des
Problmes de Dcoupe Guillotine. PhD thesis, Universit de Technologie de
Troyes, France, 2005.
[50] G. Scheithauer. Equivalence and dominance for problems of optimal packing
of rectangles. Ricerca Operativa, 83 :334, 1997.
[51] G. Wscher, H. Haussner, et H. Schumann. An improved typology of cutting
and packing problems. European Journal of Operational Research, to appear,
2006.
Titre :
Le problme de bin-packing en deux-dimensions, le cas non-orient : rsolution approche et bornes infrieures
Rsum :
Notre travail porte sur le problme de bin-packing qui consiste dterminer le
nombre minimum de grands rectangles (bins) ncessaires pour ranger un ensemble de
petits rectangles (objets). Ce problme doptimisation combinatoire est NP-difficile
au sens fort. Nous proposons des prtraitements des objets permettant la valorisation
des espaces perdus dans les bins et la diminution de la taille du problme rsoudre.
Nous proposons une nouvelle mthode dvaluation de bornes infrieures tenant
compte de la possibilit de tourner les objets de 90 degrs. Nous procdons une
rsolution approche du problme grce deux nouvelles mthodes : une heuristique
et un algorithme de recherche tabou.
Mots-cls :
optimisation combinatoire, bin-packing, mta-heuristiques, bornes infrieures.
Title:
The two-dimensional bin-packing problem, the non-oriented case : resolution algorithms and lower bounds.
Abstract:
We treat the bin-packing problem which involves packing a given set of rectangles
(items) into a minimum number of larger identical rectangles called bins. This combinatorial problem is strongly NP-hard. We propose pretreatments that allow the
valorization of the lost areas in the bins and the reduction of the size problem. We
attempt the resolution of the problem by computing lower and upper bounds. We
propose a new scheme of computing lower bounds taking into account the possibility
of rotating the items by 90 degrees. We propose a new heuristic method and a new
tabu search algorithm for computing upper bounds.
Key-words:
combinatorial optimization, bin-packing, meta-heuristics, lower bounds.
102

These Elhayek PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

These Elhayek PDF

Uploaded by

Copyright:

Available Formats

Le probl`

eme de bin-packing en deux-dimensions, le cas

To cite this version:

HAL Id: tel-00158728

HAL is a multi-disciplinary open access

Larchive ouverte pluridisciplinaire HAL, est

par Joseph El Hayek

Soutenue le : 8 dcembre 2006

Thse soutenue le 8 dcembre 2006 devant le jury compos de :

J. Carlier (Prsident, Examinateur)

Je tiens remercier mes directeurs de thse, Aziz Moukrim et Stphane Negre

Table des matires

Table des matires

Liste des tableaux

Liste des figures

5 Nouvel algorithme tabou

Liste des tableaux

Liste des figures

Illustration de la contrainte guillotine. . . . . . . . . . . . . . . . . . . .

Loptimisation combinatoire est une discipline qui prsente un intrt majeur

CHAPITRE 1. PROBLMES DE BIN-PACKING

infrieures. La section 1.9 est ddie la description de quelques mthodes exactes.

Classification et contraintes pratiques

De nombreux problmes pratiques se modlisent sous la forme dun problme de

1.2. CLASSIFICATION ET CONTRAINTES PRATIQUES

(b) Contrainte guillotine non

Figure 1.1 Illustration de la contrainte guillotine.

CHAPITRE 1. PROBLMES DE BIN-PACKING

(a) Lensemble des objets

(b) Le bin B = (W, H)

Figure 1.2 Un exemple dinstance 2BP.

Dfinition du problme et notations

Plus formellement, le problme de bin-packing en deux dimensions (2BP) est

1.3. DFINITION DU PROBLME ET NOTATIONS

Figure 1.3 Une solution pour le 2BP |O

Figure 1.4 Une solution pour le 2BP |R

CHAPITRE 1. PROBLMES DE BIN-PACKING

Modles pour le 2BP

En respectant les contraintes suivantes :

Lintrt du modle propos est quil vite un grand nombre de configurations

Dans les problmes difficiles comme le cas du problme de bin-packing, il est

CHAPITRE 1. PROBLMES DE BIN-PACKING

(a) Exemple de solution.

Figure 1.5 Exemple dapplication du modle de Fekete et Scheppers.

Prtraitement de Martello et Vigo

Prtraitement de Boschetti et Mingozzi

Boschetti et Mingozzi [5] ont propos en 2003 un prtraitement qui consiste

CHAPITRE 1. PROBLMES DE BIN-PACKING

Le prtraitement est aussi appliqu, dune faon similaire, la hauteur hi de

Prtraitements de Carlier et al.

1.6. HEURISTIQUES DE RSOLUTIONS

remplaant H par W . La fonction finale v1 est dfinie comme lapplication itrative

CHAPITRE 1. PROBLMES DE BIN-PACKING

Dans cette section, nous prsentons quelques mthodes heuristiques proposes

1.6. HEURISTIQUES DE RSOLUTIONS

Plusieurs heuristiques ont t proposes pour le 2BP. Ces heuristiques peuvent

Algorithmes en deux phases

Dans la plupart des approches proposes, la premire tape (strip packing)

CHAPITRE 1. PROBLMES DE BIN-PACKING

Figure 1.6 Exemple dune solution dun problme de strip packing

Figure 1.7 Approche FC

1.6. HEURISTIQUES DE RSOLUTIONS

pour rsoudre le problme de strip packing (premire phase). Pour la rsolution du