Ordonnancement robuste sur machines parallèles non liées avec contrôle du compromis performance-robustesse - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2015

Ordonnancement robuste sur machines parallèles non liées avec contrôle du compromis performance-robustesse

Résumé

Mots-clés : Ordonnancement robuste, machines parallèles non liées, scenarii discrets, tolérance d'infaisabilité, fonction de pénalité L'incertitude affecte toutes les décisions relatives à des systèmes dont les données ou le comportement ne sont pas connus avec précision à l'avance. L'incertitude des durées opératoires des tâches est un exemple typique d'incertitude à laquelle les décideurs sont confrontés en phase de planification de la production. Ceci se justifie par de nombreux facteurs tels que : la fluctuation de la demande, l'état des machines, la fatigue de l'opérateur ou le manque d'expérience, la technologie non testée ou non maitrisée, l'état de la tâche en amont…Si par exemple, la sélection des ressources et la séquence des tâches sont déterminées sur la base d'un scénario prévisionnel unique, la solution exécutée est souvent non optimale et / ou infaisable. Les approches déterministes ne permettent pas de calculer des solutions robustes en présence de l'incertitude. Dans ce travail, nous nous intéressons au problème d'ordonnancement sur machines parallèles non liées (R/Split/C max) avec prise en compte de l'incertitude des durées opératoires. Toutes les machines sont qualifiées pour traiter toutes les tâches avec des vitesses de traitement qui diffèrent d'une machine à l'autre. Les durées opératoires des tâches dépendent de la tâche et de la machine. Le splitting est autorisé, et par conséquent les tâches peuvent être traitées en continu ou divisées en tâches partielles à traiter de façon indépendante sur les machines. L'objectif est la minimisation du makespan C max. Le problème (R/Split/C max) est polynomial en déterministe [4]. Il est modélisable par un PL dont l'objectif est la minimisation du C max sous la contrainte de la réalisation de toutes les tâches. Cependant, avec la prise en compte de l'incertitude des durées opératoires tâches, les solutions déterministes sont sous optimales. Nous avons proposé dans un travail antécédent [9], une approche proactive par construction de solutions dans l'objectif de trouver un ordonnancement robuste au sens du pire cas. Nous avons pour cela modélisé l'incertitude des durées opératoires des tâches par des scenarii discrets. Ce modèle est très commun et utile pour structurer l'incertitude d'un point de vue pratique. Il se résume à définir un ensemble fini d'instances qui capturent l'éventail des futures réalisations possibles [4] et nous avons opté pour le critère min-max pour identifier la solution robuste parmi un ensemble de solutions faisables. Toutefois, cette approche favorise des solutions conservatives comme la solution du scénario artificiel du pire cas dans lequel toutes les durées opératoires des tâches prennent la valeur maximale sur l'ensemble des scenarii. Pour remédier à cela, nous proposons un modèle fondé sur la contrepartie robuste du modèle linéaire qui résout le problème (R/Split/C max). L'objectif de la contrepartie robuste dans le cas où les données de la matrice des contraintes du PL sont incertaines est de trouver une solution optimale pour l'ensemble des incertitudes considéré [1], i.e. une solution qui optimise un modèle qui a la même structure que le modèle déterministe (même objectif et mêmes contraintes) en considérant les données de l'ensemble des scenarii simultanément. La contrepartie robuste n'ayant pas de
Fichier non déposé

Dates et versions

hal-01186063 , version 1 (24-08-2015)

Identifiants

  • HAL Id : hal-01186063 , version 1

Citer

Widad Naji, Van-Dat Cung, Marie-Laure Espinouse. Ordonnancement robuste sur machines parallèles non liées avec contrôle du compromis performance-robustesse. 16ème conférence ROADEF, Feb 2015, Marseille, France. ⟨hal-01186063⟩
107 Consultations
0 Téléchargements

Partager

Gmail Facebook X LinkedIn More