Professional Documents
Culture Documents
2
2
1
1
V1 3
4
V4
V3
V2
4
2
T-coloration
avec ensembles
T-coloration avec ensembles
chaque noeud Vi, on associe :
- un entier bi > 1, le nb de couleurs demand par Vi et
- un ensemble Ti d'entiers incluant la valeur 0 (val. interdites entre paire de couleurs)
Colorier chaque noeud Vi eV avec bi >1 couleurs tout en respectant les contraintes :
- la distance entre chaque paire de couleurs d'un mme noeud Vi doit tre diffrente
des valeurs de Ti : Vi e V, m, n e{1...bi}, m = n, | c(Vim) - c(Vin) | e Ti,
- la distance entre chaque paire de couleurs de 2 noeuds adj. Vi et Vj doit tre
diffrente des valeurs de Tij : (Vi,Vj) e E, m{1...bi}, n e{1...bj}, |c(Vim) - c(Vjn)| e Tij
Remarques :
- si Ti = {0,1...di}, alors Vi e V, m,n{1...bi}, m = n, |c(Vim) - c(Vin) > di
- affectation de frquences est une application concrte de la T-coloration
Problmes de coloration
J.K. Hao, Universit d'Angers 47
Problmes de coloration
Mthodes de rsolution
coloration
construction : DSATUR (Brlaz 79), RLF (Recurs. largest First) (Leighton 79)
recuit simul (Chams et al. 87, Johnson et al. 91), tabou (Hertz & de Werra 87)
hybridation (Fleurent & Ferland 94, Morgenstern 94, Costa et al. 95)
T-coloration simple
ordre dynamique (glouton) (Gamst 92)
tabou et recuit simul (Costa 93)
T-coloration avec ensembles
ordre dynamique (glouton) et tabou (Jiang 96)
Algorithmes rcents
Algorithme hybride gntique + tabou pour la coloration
Algorithme tabou pour T-coloration et T-coloration avec ensemble
J.K. Hao, Universit d'Angers 48
Problmes de coloration
Jeux de test
coloration
DIMACS benchmarks
graphes de taille jusqu' 1000 noeuds et 200 couleurs environ
T-coloration
jeux alatoires (pas de benchmark disponible)
+ distance de sparation prise entre 1 et 5
+ nb de couleurs par noeud pris entre 1 et 5
graphes de taille jusqu' 1 000 noeuds (environ 3 000 variables
entires, 4 millions de contraintes) et 2 000 couleurs
Remarque : d'aprs (Johnson et al. 91), aucun algo. exact exist. ne peut
colorier des graphes alatoires de densit 0.5 > 90 noeuds
J.K. Hao, Universit d'Angers 49
Problmes de coloration
Rsultats
coloration
les algorithmes tabou et hybrides dominent les algo. de construction
AG hybrides amliorent les meilleurs rsultats de certains jeux DIMACS
T-coloration
les algorithmes tabou et hybrides dominent l'algorithme DSATUR adapt
les rsultats de l'algo. tabou sont proches de l'estimation thorique
Remarques :
intressant d'initialiser la recherche avec un algo. de construction
J.K. Hao, Universit d'Angers 50
SAT & Max-SAT
Dfinition SAT
- tant donne une conjonction de clauses, dterminer une
affectation des valeurs {0,1} toutes les variables qui rend toutes les
clauses vraies.
- si toutes les clauses ne peuvent pas tre satisfaites, alors
dterminer une affectation qui maximise le nombre de clauses vraies
(Max-SAT).
Remarque : un des problmes NP-Complet les plus tudi avec des
applications varies (VLSI, emploi du temps, ).
J.K. Hao, Universit d'Angers 51
SAT & Max-SAT
Mthodes de rsolution
- algorithmes complets
* Davis & Putnam (depuis 1960) : SATZ (1997), Zchaff (2002)...
- algorithmes incomplets
* recherche locale : tabou, recuit simul
* GSAT & WalkSAT (92, 94), unitWalk (2002)
* hybride "gntique et tabou" GASAT (2003)
GASAT
- un croisement spcifique fonde sur la satisfaction de clauses
* corriger les clauses fausses
* conserver les clauses vraies
- un algorithme tabou
J.K. Hao, Universit d'Angers 52
Problme de rencontres d'quipages
(PPP - Progressive Party Problem)
Le problme
affecter 29 quipages visiteurs de tailles diffrentes 13 bateaux htes de
capacits diff. pour T priodes de temps conscutives avec les contraintes :
chaque quipage visiteur visite un bateau diffrent pour chaque priode diffrente.
deux quipages ne doivent pas se rencontrer plus d'une fois
la capacit de chaque hte doit tre respecte
Remarques :
problme de base avec T = 6, plus difficile quand T augmente,
pas de solution connue pour T > 8 (en 1996), mais T= 10 une borne sup.
contraintes htrognes, non binaires
J.K. Hao, Universit d'Angers 53
Problme de rencontres d'quipages
(PPP - Progressive Party Problem)
Mthodes de rsolution
- programmation linaire en nombres entiers : chec pour T<6 (Brailsford et al. 96)
- program. par contraintes 1: T = 6 et 7 en 20-30 mn, chec pour T > 8 (Smith et la 96)
- program. par contraintes 2 : T < 7 en quelques sec., T = 8 en quelques heures,
chec pour T>9 (Cosytec 97)
Approche heuristique avec tabou (Galinier & Hao 98)
- une formalisation du problme en CSP :
* var. = un couple (quipage, priode) et dom. = l'ens. des htes D = {1...13}
* contraintes : n-aires
- deux voisinages :
* N1 : changer la valeur d'une seule variable en conflit (quipage, priode)
(changer l'hte d'un quipage qui viole des contraintes)
* N2 : changer les valeurs de 2 variables (une au moins est en conflit)
(changer les htes de 2 quipages d'une mme priode)
- algorithmes de recherche locale (descente, metropolis, tabou)
- valuation et analyse de la performance de 2 voisinages et des algorithmes
J.K. Hao, Universit d'Angers 54
Problme de rencontres d'quipages
(PPP - Progressive Party Problem)
Rsultats
- pour Ts9, solutions en moins de 5 secondes
- chec pour T = 10 (une contrainte non satisfaite)
Remarques :
- rsolution du pb jusqu' T = 9 avec N1 et N2
- N2 plus performant car il permet de rsoudre le pb. jusqu' T= 8 avec la descente
- pas de diffrence significative entre mtaheuristiques utilises (recuit et tabou)
- problme ouvert pour T = 10
=> jusqu' T = 9, problme simple pour la recherche locale
J.K. Hao, Universit d'Angers 55
Planification de tournois sportifs
(SLSP Sports League Scheduling Problem)
Semaine 1
Semaine 2
Semaine 3
Semaine 4
Semaine 5
Semaine 6
Semaine 7
Priode 1
1 vs 2
1 vs 3
5 vs 8
4 vs 7
4 vs 8
2 vs 6
3 vs 5
Priode 2
3 vs 4
2 vs 8
1 vs 4
6 vs 8
2 vs 5
1 vs 7
6 vs 7
Priode 3
5 vs 6
4 vs 6
2 vs 7
1 vs 5
3 vs 7
3 vs 8
1 vs 8
Priode 4
7 vs 8
5 vs 7
3 vs 6
2 vs 3
1 vs 6
4 vs 5
2 vs 4
Exemple dune programmation valide pour 8 quipes
Le problme
Planifier les tournois entre T quipes (T pair) sur T-1 semaines, chaque semaine tant
dcoupe en T/2 priodes avec les contraintes suivantes :
- unicit / semaine : chaque quipe joue exactement 1 fois / semaine,
- double / priode : aucune quipe ne peut jouer plus de 2 fois / priode,
- tournoi simple : chaque quipe joue contre toutes les autres exactement une fois.
Remarque: problme se rsout en temps linaire si (T -1) MOD 3=0 (T=10, 16, 22, 28, 34, 40, 46)
problme encore ouvert sinon (T=12, 14, 18, 20, 24, 26, 30, 32, 36, 38, 42, 44...)
J.K. Hao, Universit d'Angers 56
Planification de tournois sportifs
(SLSP Sports League Scheduling Problem)
Mthodes de rsolution
- PLEN avec contraintes de cardinalit (Cplex) : T 12 (McAloon et al. 97)
- PPC avec contraintes de diffrence (ILOG Solver) : T 14 (McAloon et al. 97)
- PPC avec algorithmes de filtrage puissants (ILOG Solver) : T 24 (Rgin 98)
- PPC avec transformation du problme (ILOG Solver) : T 40 (Rgin 99)
Approche heuristique avec tabou (Hamiez & Hao 00)
une formalisation du problme en CSP
une heuristique pour la construction dune solution initiale
voisinage fond sur change entre deux matches (dont un est en conflit)
traitement de contraintes : satisfaction constante et pnalit
longueur de la liste tabou dynamique
J.K. Hao, Universit d'Angers 57
Planification de tournois sportifs
(SLSP Sports League Scheduling Problem)
Rsultats
- solutions trouves jusqu T = 40
- pour T s 20, solutions en quelques secondes
Remarques sur lalgorithme tabou:
- solution initiale joue un rle important
- la faon de traiter les contraintes joue un rle important
- diversification indispensable
Remarque sur le problme :
- beaucoup faire pour rsoudre le problme pour T> 40 quipes
si (T-1) MOD 3 = 0
J.K. Hao, Universit d'Angers 58
, . . . , max b x A c s x c
s
{ }
n
m n m n
x et b A c 1 , 0 , ,
* *
e N e N e N e
Sac--dos multidimensionnel
Dfinition du problme
Etant donn n variables bivalentes et m contraintes linaires
avec
Remarque :
- trs nombreuses applications dans des domaines varis,
- NP-difficile, rsolutions exactes limites des instances n < 90 et m < 5.
J.K. Hao, Universit d'Angers 59
Sac--dos multidimensionnel
Mthodes de rsolution
algorithmes exacts (B&B) (Shih 79)
relaxation (Frville & Plateau 93)
Tabou (Glover & Kochenberger 97, Hanafi & Frville 98) (trs bon rsultats)
gntiques spcialiss (Chu & Beasley 98)
algorithme hybride simplex + tabou (Vasquez & Hao 00d)
Jeux de test
benchmark OR-LIB et dautres (n=100 2500 et m = 5 100)
Rsultats
Lalgorithme hybride fournit les meilleurs rsultats pour lensemble des
benchmarks les plus difficiles.
J.K. Hao, Universit d'Angers 60
2
2
1
1
S1
3
3
S4
S3
S2
4
4 stations
2
Affectation de frquences dans les rseaux radio-mobiles
Le problme
tant donn
1. n stations {S1, S2...Sn}
2. les trafics bi (i e {1...n}), i.e. le nombre de frquences demand par
station
3. les contraintes d'interfrences dfinies par une matrice de rutilisation
M[n,n]
o "co-station": | f
i,g
f
i,h
| > M[i,i], ie{1...n}, g,he{1..Ti}, g=h
o "stations adjacentes": | f
i,g
f
j,h
| > M[i,j],i,je{1...n}, i=j, ge{1..bi},
h e{1..bj}
trouver un plan d'affectation
en minimisant les interfrences avec k frquences donnes (interfrences
mesures en termes de contraintes violes)
Remarque : c'est un problme de coloration gnralis
J.K. Hao, Universit d'Angers 61
Affectation de frquences dans les rseaux radio-mobiles
Mthodes de rsolution existantes
recuit simul (Duque-Anton et al. 93, CNET 95)
rseaux de neurones (Kunz 91)
algorithmes gntiques (Crompton et al. 94)
algorithmes de coloration (Gamst 86, CNET 95)
Algorithmes Tabou et gntiques rcents
(Dorne & Hao 95, Hao & Dorne 96, Renaud & Camanida 97, Hao et al. 98)
Traitements de contraintes
Croisement spcialiss
J.K. Hao, Universit d'Angers 62
Un algorithme tabou
configuration : une affectation respectant les trafics et les contraintes de co-
station
fonction de voisinage N : S 2
S
: s et s' voisins s'ils diffrent par la valeur
d'une seule frqu. en conflit d'une station
liste tabou : attribut mmoris = <station, ancienne_val_de_frqu.>
la longueur de la liste tabou : une fonction linaire de la taille du voisinage
valuation incrmentale des configurations : valeur d'valuation de chaque
mouvement possible (une matrice A de w x k )
aspiration : accepter tout mouvement conduisant une configuration de
qualit suprieure la meilleure configuration rencontre
Affectation de frquences dans les rseaux radio-mobiles
f11f12 f21 f22 f23 f31 f32 f41
S1 S2 S3 S4
J.K. Hao, Universit d'Angers 63
Affectation de frquences dans les rseaux radio-mobiles
Un algorithme tabou
tape 1 (initialisation)
choisir une solution initiale s eS
mmoriser la meilleure solution trouve s* s
initialiser les structures de donnes (liste tabou, matrice A...)
tape 2 (choix et terminaison)
choisir un des meilleurs voisins non tabou s'eN(s) tq s"eN(s), f(s') < f(s")
s s' (mme si s' est moins performant que s)
terminer si max_itr est effectu (ou si s n'est plus amliore pendant
max_itr)
tape 3 (mise jour)
s* s si f(s) < f(s*)
rendre le dernier mouvement tabou pendant k itrations
mettre jour d'autres structures de donnes (matrice A...)
aller l'tape 2
J.K. Hao, Universit d'Angers 64
Affectation de frquences dans les rseaux radio-mobiles
Jeux de test fictifs et rels (fournis par le CNET)
nb de frquences par station : 1 4
distance de sparation de frquences de co-station : 2 4
distance de sparation de frquences de stations adjacentes : 1 3
de grande taille, jusqu'
1 000 variables entires
54 valeurs par variables
35 000 contraintes
Rsultats
Lalgorithme tabou et lalgo. gntique spcialis dominent largement
l'approche classique de construction
Les croisements standards jouent un rle marginal
J.K. Hao, Universit d'Angers 65
Rseaux urbain : 50 km x 46 km
568 sites potentiels
56792 points de mesure du signal radio
17393 STP
6652 TTP pour 2988.08 erlang
Positionnement dantennes pour les rseaux radio-mobiles
Matrice de perte en propagation du signal radio
o pour chaque site les valeurs de lattnuation du signal radio sur tous les STP
Antennes
o diffrents types : omnidirectionnelle, directionnelle large ou petite ouverture
o paramtres : puissance (26 55 dBm), azimut (0 359), tilt (-15 0)
o nombre dmetteurs (TRX) : 1 7 selon trafic assurer
Zone gographique
o un ensemble S de points de service (STP en bleu) : seuil de qualit Sq du signal radio
dfini par un niveau de champ (-82 dBm2Wincar,-90 dBm8W outdoor,...),
o un ensemble T c S de points de trafic (TTP en blanc) : estimation de trafic en erlang,
o un ensemble L de sites candidats pour le positionnement dantennes
J.K. Hao, Universit d'Angers 66
Positionnement dantennes pour les rseaux radio-mobiles
Dterminer
un sous ensemble de sites parmi les sites candidats,
pour chaque site slectionn, le nombre et le type dantennes,
pour chaque antenne, la valeur de chacun de ses 3 paramtres (puiss, tilt et azimut).
Les contraintes impratives
Couverture : tous les STP doivent tre couverts par une antenne,
Connexit locale : toute cellule constitue une seule composante connexe (en V8),
Hand-over : toute cellule doit avoir des points de recouvrement avec ses voisines.
Objectifs
minimiser le nombre de sites slectionns,
minimiser les interfrences gnres par les antennes,
maximiser le trafic support par le rseau,
maximiser le rendement des metteurs de chaque antenne.
Remarques :
o trs grande combinatoire pour le choix dun positionnement ralisable
o grande complexit de calcul pour vrifier les contraintes et pour valuer les objectifs
o importante demande de ressource mmoire ( 200 500 MO de donnes par jeux)
J.K. Hao, Universit d'Angers 67
Contexte
quelques tudes pour les rseaux micro cellulaires (indoor), rien pour les
rseaux cellulaires de grande taille
Projet europen ESPRIT 4 ARNO (Algorithms for Radio Network Optimisation)
Mthodes heuristiques tudies :
o recuit simul, tabou, gntique, rseaux de neurone
o heuristiques spcifiques
Une approche heuristique fonde sur la mthode tabou (Vasquez & Hao 00a)
Pr-traitement pour rduire par une heuristique la combinatoire
Optimisation par mthode tabou pour rechercher des solutions ralisables
Post-optimisation par raffinement local pour amliorer la solution
Remarques :
Une mta-heuristique seule nest pas suffisante pour aborder le problme
Positionnement dantennes pour les rseaux radio-mobiles
J.K. Hao, Universit d'Angers 68
Rseaux Sites potent. Min. sites Min. cellules STP
Construction
Autoroute 250 25 75 29954
Rural 320 22 65 72295
Petite zone urbaine 568 24 70 17393
Ville grand trafic 244 21 61 48512
Extension
Autoroute 250 25 75 29954
Rural 320 47 140 80854
Petite zone urbaine 568 63 189 42492
Ville grand trafic 244 113 337 48512
Positionnement dantennes : rsultats
Caractristiques des rseaux
J.K. Hao, Universit d'Angers 69
Un rseau urbain : 50 km x 46 km
- 568 sites potentiels
- 56792 points de mesure du signal radio
- 17393 points de service (STP)
- 6652 points de trafic (TTP) pour 2988.08 erlang
Positionnement dantennes : rsultats
Contraintes :
o toutes les contraintes satisfaites : couverture, connexit locale et hand-over.
Objectifs :
o nombre de sites / antennes : 34 / 52 (35 direct. petite ouverture, 17 direct. large
ouverture)
o interfrences : niveau trs bas
o trafic assur : 85%
o rendement des metteurs : trs bon
Remarque : les approches par pnalits nont pas trouv de solution ralisable.
J.K. Hao, Universit d'Angers 70
Un rseau autoroute : 39km x 168km
-250 sites potentiels
-29954 STP
Positionnement dantennes : rsultats
Contraintes :
toutes les contraintes satisfaites : couverture, connexit locale et
hand-over.
Objectifs :
nombre de sites/antennes : 58 / 103
1 omni-directionnelle, 67 direct. petite ouverture, 35 direct. large
ouverture
interfrences : niveau trs bas
trafic assur : moyen
rendement des metteurs : trs bon
J.K. Hao, Universit d'Angers 71
Planification journalire de prises de vues d'un satellite
Le problme
tant donn :
un ensemble P de photographies (mono ou stro) planifier pour le jour suivant ;
une pondration (l'agrgation de certains critres) pour chaque photo ;
les diffrentes possibilits de ralisation de chaque photographie :
trois pour les mono (une des trois camras utilisables - avant, milieu et arrire),
une seule pos. pour les stro ( raliser conjoint. par les camras avant et arrire)
un ensemble de contraintes binaires et ternaires respecter imprativement (non
chevauchement et respect des temps de transitions entre prises de vues...)
une contrainte de mmoire : non dpassement de la capacit en mmoire d'une camra
par la somme des photos ralises sur la camra.
dterminer un sous-ensemble P'_P tel que :
la somme des pondrations associes l'ensemble des photos de P' soit maximale
toutes les contraintes soient respectes.
Remarque :
peut tre formalis comme un un sac--dos en variable 0/1 sous contraintes logiques
J.K. Hao, Universit d'Angers 72
Planification de prises de vues
Mthodes de rsolution
algorithme exact (Verfaillie et al. 96)
algorithmes gloutons (Agnse et al. 95)
algorithme tabou (Agnse et al. 95)
Un algorithme tabou rcent (Vasquez & Hao 00b)
une formalisation du pb. en sac--dos 0/1 sous contraintes (au lieu de CSP)
un algorithme tabou intgrant :
une technique de relaxation de la contrainte de mmoire
un voisinage efficace
une technique d'valuation incrmentale rapide
une gestion dynam. de la liste tabou fonde sur les frqu. de mouvements
Calcul des bornes suprieures (Vasquez & Hao 00c)
Programmation dynamique et tabou (partition de graphes)
J.K. Hao, Universit d'Angers 73
Planification de prises de vues
Jeux de test (dfinis par le CNES, disponibles sur l'internet)
deux types
sans contrainte de mmoire (optimum connu)
avec contrainte de mmoire (optimum non connu)
de grande taille, jusqu'
900 variables entires
17 000 contraintes (binaires, ternaires et n-aines)
Rsultats
jeux sans contrainte de mmoire : solution optimale en moins de deux minutes
jeux avec contrainte de mmoire :
quelques secondes pour atteindre les meilleures solutions connues
amlioration des meilleures solutions connues en quelques minutes
J.K. Hao, Universit d'Angers 74
Conclusions
L'approche mtaheuristique est trs prometteuse pour la rsolution
de problmes combinatoires de grande chelle
Lapproche mtaheuristique pourrait tre combine avec dautres
mthodes exactes ou heuristiques
Une bonne performance ncessite souvent :
d'une formalisation adquate du problme
d'une adaptation "intelligente" d'une mtaheuristique :
+ l'intgration des connaissances spcifiques du problme
+ des structures de donnes efficaces