3

e
confrence Francophone de Modlisation et SIMulation conception, Analyse et Gestion des systmes industriels
MOSIMO1 du 25 au 27 avril 2001 Troyes (France)
- 843 -
ALGORITHMES GNTIQUES MULTICRITRES
POUR LES PROBLMES DE FLOWSHOP
M-H Mabed, M. Rahoual
Institut dInformatique / Universit des Sciences et de
Technologie Houari Boumdienne,
BP 32 El Alia, Bab Ezzouar / ALGER.
Ml: mabed@lifl.fr, rah@ist.cerist.dz
E-G. Talbi, C. Dhaenens
LIFL, Universit de Lille1, Bt.M3
59655 Villeneuve dAscq Cedex France.
Ml : talbi@lifl.fr, dhaenens@lifl.fr
RSUM : Les problmes dateliers tels que le Flow Shop ou le Job Shop sont des problmes cruciaux pour le domaine
industriel. Les critres optimiser sont gnralement la minimisation du temps de terminaison ou celui des retards.
Cependant, rares sont les approches de rsolution qui prennent en compte diffrents critres la fois. Cet article prsente
une approche base sur les Algorithmes Gntiques adapts au cas Multicritre. Diverses stratgies de slection, de
maintien de la diversit de la recherche et dhybridation sont exposes. Leurs performances sont testes et compares.
MOTS-CLS : Algorithmes gntiques, Optimisation Multicritre, Flow Shop, Hybridation, Paralllisme
1. INTRODUCTION
Le problme du Flow Shop est lobjet de nombreuses
tudes. Les mthodes adoptes pour sa rsolution varient
entre les mthodes exactes, telles que le Branch &
Bound (Brah et Hunsucker, 1991), les heuristiques de
recherche (TKindt et Billaut, 2000) et les mta-
heuristiques (Adenso-Diaz, 1991), (Ben-Daya et Al-
Fawzan, 1998), (Murata et Ishibuchi, 1998), (Nowicki,
1999). Cependant, la plupart de ces travaux se rsument
en ltude du problme dans sa forme mono-critre avec
pour objectif principal la minimisation de la date de fin
dexcution (makespan).
Les Algorithmes Gntiques (AG) se sont illustrs par
une grande efficacit face aux problmes doptimisation
combinatoire. Lextension de la mthode pour le cas
multicritre a t labore de diffrentes faons (Talbi,
1999), (Veldhuizan, 1999).
La difficult du cas Multicritre rside dans labsence
dune relation dordre totale qui lie lensemble des
solutions du problme. Sur le plan des AGs, ce manque
apparat dans la difficult de concevoir un oprateur de
slection qui affecte chaque individu une probabilit de
slection proportionnelle la performance de cet
individu. Un autre inconvnient est li la perte
prmature de la diversit ainsi que linstabilit de la
recherche. Do la ncessit de concevoir des techniques
de maintien de la diversit au sein de la population.
La premire section de cet article est consacre la
prsentation du problme de Flow Shop Multicritre.
Nous discuterons des diffrents paramtres optimiser
ainsi que des contraintes satisfaire. Dans la deuxime
section, nous prsentons les diffrents choix de codage,
de fonctions objectifs et doprateurs gntiques. Dans la
troisime section, diffrentes stratgies de slection
seront prsentes et leurs performances compares. Lors
de la quatrime section, nous discuterons des mthodes
de maintien de la diversit implmentes ainsi que leurs
apports sur la qualit des solutions trouves. La cinquime
section sera consacre la prsentation de lhybridation de
lAG Multicritre avec la recherche locale. Lapport de
lhybridation sera ainsi soulign. La sixime section est
ddie la comparaison de la performance de la mthode
par rapport d'autres travaux.
2. PROBLME DE FLOWSHOP MULTICRITRE
Le problme de Flow Shop se prsente comme un ensemble
de N jobs ordonner sur M machines. Les machines sont
des ressources critiques dans le sens o une machine ne
peut tre affecte deux jobs simultanment. Tout job est
compos de M tches conscutives, J
i
={t
i1
, t
i2
, , t
iM
}. La
tche t
ij
reprsente la j
me
tche du job J
i
requrant la
machine m
j
. Par consquent, tous les jobs ont la mme
squence d'usinage sur les machines. A chaque tche t
ij
est
associe une dure dexcution p
ij
, et chaque job J
i
est
limit par une date d
i
avant laquelle il doit obligatoirement
sachever.
L'ordonnancement des tches sur les diffrentes machines
doit s'effectuer de faon optimiser certains critres
"rguliers". Ces critres varient selon la spcificit du
problme trait, et consistent gnralement en la
minimisation de l'un des paramtres suivants (TKindt et
Billaut, 2000) : C
max
(date de fin de lordonnancement),
C (flot moyen), T
max
(maximum des retards), T (somme des
retards), U (nombre de jobs en retard).
Ici, nous nous intressons ltude dun problme de Flow-
Shop de permutation F / perm, d
i
/ (C
max
,T), o les jobs
doivent tre ordonns dans le mme ordre sur toutes les
machines.
MOSIMO1 du 25 au 27 avril 2001 Troyes (France)
- 844 -
3.FLOWSHOP ET ALGORITHMES GNTIQUES
3.1. Codage
Lapplication des AGs un problme donn ncessite une
reprsentation chromosomique dune solution (dans notre
cas, un ordonnancement des jobs). La squence de
passage des jobs sur les machines tant identique (Flow-
Shop de permutation), il suffit de prsenter le
squencement des jobs sur une seule machine. Par
consquent, un ordonnancement est vu comme une
permutation dfinissant lordre de passage des jobs sur les
machines. La position dun job dans le chromosome dfini
son numro dordre dans la squence.
3.2. Dtermination des dates de dbut des tches
Lvaluation dune squence donne, ncessite le calcul des
dates de dbut et de fin des tches. Les critres optimiser
tant rguliers, ce calcul est ralis par la construction de
lordonnancement au plus tt des tches. Le calcul se fait de
manire rcursive, commencer par les tches planifies en
premier, comme suit, avec S
ij
la date de dbut de la tche t
ij
et J
i
le job qui prcde J
i
dans la permutation :

'

+ +
+
+

Sinon ) , (S max
1 et n permutatio la de job premier le pas est n' Si S
1 et n permutatio la de job premier le est Si
1 et n permutatio la de job premier le est Si 0
' ' ) 1 ( 1) - i(j
' j i'
) 1 ( ) 1 (
j i j i j i
i j i
i j i j i
i
ij
p S p
j J p
j J p S
j J
S (1)
3.3. Fonctions Objectifs
Les critres doptimisation considrs sont : la
minimisation du makespan et la somme des retards.
3.4. Oprateurs Gntiques
Appliquer la mthode des AGs un problme donn
ncessite aussi le choix doprateurs gntiques qui
servirons faire voluer la recherche. Nous, nous
sommes inspirs des oprateurs dfinis par (Murata et
Ishibuchi, 1998). Les oprateurs de mutation et de
croisement sont dcrit dans les figures ci-dessous.
Figure 1. Oprateur de mutation
Figure 2. Oprateur de croisement
Loprateur de Mutation consiste au choix alatoire de deux
points dans le chromosome. Une rotation est alors effectue
comme indique dans la figure 1. Loprateur de
croisement, aussi nomm "croisement deux points", consiste
au choix alatoire de deux points de croisement. Un
individu fils est alors gnr en conservant les extrmits de
chromosome de parent1 et en compltant avec les jobs non
dj insrs suivant leur ordre dapparition dans parent2
(figure 2).
4. OPRATEUR DE SLECTION
Labsence dune relation dordre total entre les diffrentes
solutions possibles dun problme multicritre, ncessite de
redfinir la notion doptimalit.
4.1. Dominance et optimalit Pareto
La dominance au sens de Pareto reprsente une relation
dordre partiel sur lensemble des points de lespace de
recherche (nb_obj dsigne le nombre dobjectifs
optimiser).
Figure 3 : Solutions Pareto
x
i
domine x
j
ssi
k 1..nb_obj], f
k
(x
i
) f
k
(x
j
) et
k[1..nb_obj] tq f
k
(x
i
)<f
k
(x
j
) (4)
x
i
est Pareto optimale ssi
x
j
tq x
j
x
i
, x
j
ne domine pas x
i
(5)
Solution Pareto
Solution trouve
Retard
Makespan
f2 = T = [Max(0 , S
jM
+ p
jM

- d
i
)] (3)

J
i
jobs
f1 = Cmax = Max (S
iM
+ p
iM
) (2)
J
i
jobs
Point1 Point
P 1
P 2
Fils
Point1
Point2
MOSIMO1 du 25 au 27 avril 2001 Troyes (France)
- 845 -
(x
i
)= f(x
i
)

/ f(x
j
) (7)
4.2. AGs et Problmes d'optimisation multicritre
Un vaste ventail de techniques dadaptation des AGs au
cas multicritre se retrouvent dans la littrature. Les
diffrences principales entre ces mthodes reposent sur
les modalits dintgration des diffrents objectifs :
1. La phase de slection : l'aspect multicritre apparat
dans la faon dont les individus sont tris suivant
leurs performances en vu dtre slectionns
a. La slection lexicographique : se base sur un
ordre de priorit entre les objectifs, prtabli par
le dcideur.
b. La slection par Ranking : se base sur le calcul
des rangs des individus de la population en
s'appuyant soit sur la notion de dominance telle
que la slection NSGA (Srinivas et Deb, 1995)
et NDS (Fonseca et Fleming, 1995), soit sur la
valeur des fonctions objectifs telles que la
slection WAR (Bentley et Wakefield, 1997) ou
la slection par somme pondre des objectifs
(Hajela et Lin, 1992).
c. La slection parallle : A chaque gnration,
la population est subdivise en nb_obj sous-
populations de tailles gales. A chaque sous-
population est associ un objectif optimiser.
Les individus dune mme sous-population sont
alors slectionns suivant lobjectif qui leur est
attach (Shaffer, 1985).
d. La slection par somme pondre des objectifs
poids variable : Adopte par (Murata et
Ishibuchi, 1998), cette mthode consiste lors de
chaque gnration gnrer de faon alatoire
les poids
1
,
2
, ...
nb_obj
compris entre [0,1] tel
que
1
+
2
+ ...+
n
= 1. Les individus de la
population sont alors slectionns suivant la
formule
1
f
1
(S)+
2
f
2
(S)+... +
n
f
n
(S) pendant
cette gnration l.
2. La phase de reproduction (Reproduction Multi-
sexuelle (Allenson, 1992)): Un objectif correspond
un sexe donn. A chaque individu de la
population est associ un sexe ds sa gnration.
Les individus sont admis la reproduction
seulement s'ils appartiennent des sexes
diffrents.
4.3. Stratgies de slection implmentes
Pour notre tude nous avons implment et test six
stratgies de slection multicritre.
4.3.1 Slection par somme pondre des objectifs
Cette mthode consiste se ramener un problme
mono-critre en combinant linairement les diffrentes
fonctions objectifs :
Un individu x
i
a alors une probabilit (x
i
) dtre
slectionn (tp dsigne la taille de la population courante) :
4.3.2 Slection Parallle
La moiti des lments slectionns le sont par rapport f1,
et lautre moiti par rapport f2.
4.3.3 Slection NSGA
Dans la slection NSGA (Non Dominated Sorting Genetic
Algorithm) (Srinivas et Deb, 1995), les rangs des individus
sont calculs dune manire rcursive commencer par les
individus dominants de la population.
- Soit E
1
, lensemble des individus non domins de la
population courante.
- Soit E
2
, lensemble des individus qui ne sont domins
que par des individus appartenant E
1
.
.....
- Soit E
k
, lensemble des individus qui ne sont domins
que par des individus appartenant Ej, j<k.
La probabilit de slection dun individu x
i
appartenant E
n
suit lexpression de Baker (Talbi, 1999) suivante o S
reprsente la pression de slection et tp la taille de la
population courante :
(8)
Avec R
n
= 1+ |E
n
| +2 *
j [1.. n-1]
|E
j
| (9)
4.3.4 Slection NDS
Dans la slection NDS (Non Dominated Sorting) le rang
dun individu est identique au nombre de solutions
dominant lindividu plus un. La probabilit de slection est
calcule suivant la formule (8)
Rang (x
i
) = | x
j
Population / x
j
domine x
i
| + 1 (10)
4.3.5 Slection WAR
La Weighted Average Ranking consiste calculer le rang de
chaque individu de la population par rapport aux diffrents
objectifs sparment. Le rang dun individu est alors pris
comme tant la somme des rangs. Pour cela on commence
par ordonner les individus par ordre croissant de la fonction
f1 et par ordre croissant de la fonction f2. Les probabilits
de slection sont alors calcules comme pour la slection
NSGA.
Rang(x
i
) = Rang_makespan (x
i
) + Rang_Retard(x
i
) (11)
4.3.6 Slection litiste
La slection litiste consiste maintenir une sorte de
population archive PO* qui contiendra les meilleures
solutions non domines rencontres au long de la recherche.
Cette population participera aux tapes de slection et de
reproduction. Dans ce cas la probabilit de slection dun
individu x
i
de la population courante de rang n correspondra
lexpression suivante, avec A/tp la probabilit de choisir
j [1..tp]
S(tp + 1 R
n
) +R
n
-2
tp(tp - 1

)
(x
i
)=
f(x
i
)=
k

k
f
k
(x
i
)
avec
k
[0, 1] et
k

k
= 1 (6)
MOSIMO1 du 25 au 27 avril 2001 Troyes (France)
- 846 -
un lment de la population Pareto et S la pression de
slection. :
) 1 (
2 ) 1 ( ) (
) (

+ +

tp tp
R R tp S
tp
A tp
x
n n
i
(12)
4.4. Performances des diffrentes stratgies de
slection
Pour comparer les performances des 6 stratgies de
slection implmentes, des tests ont t effectus sur le
problme de Heller 20 jobs, 10 machines (Heller,
1960). Les tests (Figure 4) montrent une amlioration de
la recherche avec l'introduction de l'litisme dans la
phase de slection. Les stratgies Non-Pareto (somme
pondre et slection parallle) semblent tre moins
adaptes au cas multicritre. Les trois stratgies de
slection NSGA, NDS, WAR sont de performances
presque identiques.
Figure 4 : Comparaison des stratgies de slection
5. LE MAINTIEN DE LA DIVERSIT
Les AGs classiques sont rputs pour tre trs sensibles
quant au choix de la population initiale ainsi quaux
mauvais chantillonnages lors de la slection. Cette
fragilit est observable sur le plan de la perte de diversit
ou ce quon appelle aussi la drive gntique. Pour palier
cet inconvnient plusieurs approches visant maintenir
la diversit dans la population ont t proposes :
1. Introduction de nouveaux individus: Cette
technique consiste gnrer de faon alatoire
et tout le long de la recherche de nouveaux
individus et les insrer dans la population
courante.
2. Stochastic Universal Sampling (SUS): (Baker,
1985) propose une technique visant liminer
les drives lies au choix probabiliste. La
slection SUS procde ne choisit que le premier
individu de faon probabiliste (en lanant une
roue biaise), les autres individus tant
slectionns en tournant, dun angle fixe, la roue
partir de sa position courante.
3. Maintien de la distance: Propose par (Mauldin,
1984), cette technique consiste dfinir une valeur
k comme distance minimale autorise entre deux
individus de la population. A la gnration d'un
individu, sa distance par rapport au reste de la
population est calcule. Si l'individu est jug trop
proche dun autre (distance<k) alors il subira une
srie de mutations jusqu' ce que la distance k soit
respecte.
4. Crowding : (Holland, 1975) suggre quaprs la
gnration d'un individu, celui-ci remplace dans la
population l'individu qui lui est le plus semblable.
5. Restriction de Voisinage (Fujita et al., 1998) :
Lide est de permettre la reproduction entre deux
individus sils sont similaires, ou au contraire,
empcher la reproduction entre individus similaires
pour viter l'inceste.
6. Niches cologiques (sharing): Le principe du
Sharing (Goldberg et Richardson, 1987) est la
dgradation de ladquation des individus
appartenant des espaces de recherche de forte
concentration de solutions.
Dans ce dernier procd, la dgradation de ladquation
dun individu est ralise grce une fonction appele
fonction de partage (sh). La fonction de cot rvise
dun individu x
i
note f(x
i
) est gale la fonction de
cot originale f multiplie par le compteur de niche de
lindividu m(x
i
).
f(x
i
) = f(x
i
) m(x
i
) (13)
Le compteur de niche calcule le degr de similarit qu'a un
individu avec le reste de la population.
m(x) =
ypop
sh(dist(x,y)) (14)
La fonction de partage sh est dfinie comme suit :

'

<

,
_

Sinon
y x dist Si
y x dist
y x dist sh
0
) , (
) , (
1
)) , ( (

(15)
Dans la formule (15) la constante dsigne le seuil de
dissimilarit (taille des niches). Cest dire la distance au
bout de laquelle deux individus x
i
et x
j
ne sont plus
considrs comme appartenant la mme niche. La
constante permet de contrler et rguler la forme de la
fonction sh. Selon que la distance entre les individus est
calcule dans lespace de dcision (la reprsentation
chromosomique de lindividu) ou dans lespace objectif
(adquation de lindividu) trois possibilits peuvent se
prsenter.
5.1 Sharing Gnotypique
La distance entre individus calcule la diffrence entre les
chromosomes reprsentant les permutations. Ici, la distance
M
a
k
e
s
p
a
n
13
14
14
15
15
16
16
18 23 28 33 38 43
Temps de retard
Elitist NSGA NDS
WAR
+ Pondre Sl. Parallle
MOSIMO1 du 25 au 27 avril 2001 Troyes (France)
- 847 -
entre deux individus x et y est gale au nombre de
ruptures dordre entre x et y.
d1(x, y) = | {(i, j) J x J / i prcde j dans la solution x
et j prcde i dans y} (16)
5.2 Sharing Phnotypique
La distance est la diffrence entre les cots des deux
individus.
d2(x,y) = | f
1
(x) - f
1
(y)| + | f
2
(x) - f
2
(y)| (17)
5.3 Sharing combin
Ce dernier cas reprsente la combinaison des deux
premires approches dans le sens o le calcul de la
distance fait intervenir les deux sortes de distances,
gnotypique et phnotypique. La fonction sh prend dans
ce cas la forme suivante :
( )
( )
( )
( ) ( )

'

< <
<
<

sinon 0
2 y) d2(x, , 1 y) d1(x, si
2 1
, 2 , 1
1
2 y) d2(x, , 1 y) d1(x, si
2
, 2
1
2 y) d2(x, , 1 y) d1(x, si
1
, 1
1
,

y x d y x d
y x d
y x d
y x sh
(18)
La figure 5 reprsente lapport des diffrentes variantes de
diversification sur la recherche. Les tests ont t effectus
sur le problme de Heller 20*10. Les paramtres
concernant la stratgie de diversification sont : =0.9, 1=4
et 2=1. La figure montre que le sharing phnotypique
donne de meilleurs rsultats que le sharing gnotypique,
mme si ce dernier apporte plus de diversit. Le sharing
combin utilise ces deux aspects : performances et
diversification.
137
142
147
152
157
162
180 200 220 240 260 280 300 320 340
retard

m
a
k
e
s
p
a
n
Sans Sharing Sharing Gnotypique Sharing Phnotypique Sharing Compos
Figure 5 : Apport de la diversification
A noter, que l'apport de la diversification n'apparat
qu'aprs un nombre de gnrations important, d'o la
ncessit de prendre un nombre limite de gnrations
trs lev ( > 40 000).
6. HYBRIDATION AVEC LA RECHERCHE
LOCALE
Notre intrt sest port sur lutilisation de la recherche
locale (RL) comme moyen dacclration et de
raffinement de la recherche. Lide dans ce cas est de
lancer lAG en premier lieu afin dapprocher la frontire
Pareto, aprs quoi la recherche locale soccupera du
raffinement des solutions trouves par lAG afin de
mieux approcher lensemble des solutions Pareto. Le
principe de lhybridation est simple, une fois lAG
termin, la recherche locale est lance avec pour entre
l'ensemble Pareto obtenu.
Lutilisation de la recherche locale ncessite
premirement le choix de la manire de gnrer le
voisinage dune solution donne. Nous, nous sommes
inspirs pour cela de loprateur de mutation. Le
voisinage dune solution correspond lensemble des
permutations gnres suite au dplacement dun job.
Le procd dhybridation consiste gnrer pour chaque
individu de la population Pareto trouv, l'ensemble de son
voisinage. Les voisins non domins dans la population
Pareto sont insrs dans celle-ci, et les solutions
nouvellement domines sont supprimes. Ce procd est
ritr jusqu ce qu'aucun voisin daucune solution Pareto
ne soit insr dans la population Pareto.
516
518
520
522
524
526
528
530
500 600 700 800 900 1000 1100
non hyride Hybride
Figure 6 : Apport de la recherche locale
MOSIMO1 du 25 au 27 avril 2001 Troyes (France)
- 848 -
Les mesures de performance de lAG hybride montre
que la recherche locale ne prsente aucun intrt pour les
problmes de petites tailles notamment Heller 20*10.
Cependant lapport de lhybridation se fait sentir ds que
la taille du problme augmente. Les tests prsents dans
la figure 6 sont raliss sur le problme de Heller avec
100 jobs et 10 machines.
7. TESTS ET PERFORMANCES
L'tude comparative des travaux d'optimisation
multicritre se heurte gnralement au problme
d'absence de benchmarks. Ceci est d aux spcificits du
problme trait. Seul le makespan peut tre considr
comme un critre de comparaison. Les problmes (taxx)
dus (Taillard, 1993), offre un bon support de
comparaison. D'une part, ces problmes sont trs rfrencs
dans la littrature (Ben-Daya rt Al-Fawzan, 1998),
(Holland, 1975). D'autre part, chaque problme est
caractris par une valeur LB correspondant la borne
infrieure du makespan et d'une valeur UB correspondant
la meilleure solution obtenue par Taillard pour ce
problme.
Le tableau 1 prsente les rsultats de tests effectus sur 8
instances de Taillard tendues au cas bi-critre notes
ma_taxx_bi. MM dsigne le meilleur makespan obtenu, MR
le meilleur retard enregistr. dv mesure l'cart entre le
meilleur makespan obtenu et UB. |PO| indique le nombre
d'individus du front Pareto obtenus.
Problme Dimension SEED LB UB MM Dv MR |PO| Nb gnrations
ma_ta01_bi 20x5 873654221 1232 1278 1278 0 % 453 4 50 000
ma_ta02_bi 20x5 379008056 1290 1359 1359 0 % 491 6 50 000
ma_ta11_bi 20x10 587595453 1448 1582 1586 0.25% 1508 28 80 000
ma_ta12_bi 20x10 1401007982 1479 1659 1674 0.9% 1342 21 80 000
ma_ta21_bi 20x20 479340445 1911 2297 2330 1.43% 1062 32 200 000
ma_ta31_bi 50x5 1328042058 2712 2724 2735 0.4% 3629 11 200 000
ma_ta41_bi 50x10 1958948863 2907 3037 3126 2.93% 6653 24 200 000
ma_ta51_bi 50x20 1539989115 3480 3886 3990 2.67% 11379 32 300 000
Tableau 1: Performances de l'algorithme gntique hybride
Les rsultats montrent la capacit de l'algorithme
trouver des solutions de bonne qualit pour le makespan.
Les petites dviations sont justifiables. En effet
lalgorithme propos est indpendant du problme trait
car aucune heuristique ne minimisant le makespan ou le
retard n'est utilise. De plus, l'ensemble Pareto trouv
est assez dispers ce qui nous offre un bon
chantillonnage du front Pareto. L'algorithme propos
n'tant pas guid par des heuristiques adaptes au
problme de flow shop, reste trs lent. La paralllisation
de l'algorithme s'impose donc comme un moyen pour
combler cette lacune. La rduction de temps d'excution
d'une gnration rendra moins coteux l'augmentation de
la taille de la population ou le nombre limite de
gnrations.
8. CONCLUSION ET PERSPECTIVES
Nous avons construit notre approche par introduction
progressive de concepts tels que la slection, le maintien
de la diversit et l'hybridation. A chaque tape nous
avons illustr l'apport du mcanisme introduit, ce qui
nous permet de formuler les conclusions suivantes.
Les stratgies de slection Pareto (NSGA, NDS, WAR)
sont mieux adaptes au cas multicritre. L'efficacit de
telles mthodes est amliore avec l'introduction de
l'litisme lors de la phase de slection.
Cependant, le risque de la drive gntique et de l'instabilit
de la recherche reste prsent. Les stratgies de
diversification permettent de prvenir de tels problmes.
Trois variantes de la mthode de sharing ont t
dveloppes. Le Sharing Phnotypique apparat tre le plus
intressant pour obtenir une frontire Pareto plus large et
mieux disperse, la diversification gnotypique, quant
elle, fournit des rsultats de meilleures qualits. La
combinaison des deux concepts amliore considrablement
la recherche.
Ensuite, la recherche locale a t utilise comme moyen de
raffinement et d'acclration de la recherche. Nous lanons
l'AG en premier afin d'avoir une premire approximation de
la frontire Pareto. La recherche locale amliore ensuite ces
solutions. L'apport de l'hybridation apparat surtout pour des
problmes de grande taille.
Nous avons propos, l'extension des problmes de (Taillard,
1993) au cas bi-critre afin de pouvoir tester notre mthode.
Les tests effectus montrent la capacit de l'AG atteindre
des solutions de faible makespan.
L'AG ainsi conu reste assez lent cause des mcanismes
de slection et de diversification. La paralllisation se
prsente alors comme moyen intressant pour surmonter cet
inconvnient. La rduction du temps d'une gnration,
pousse l'utilisation de populations de taille plus grande et
l'augmentation du nombre limite de gnrations. Ce qui a
pour effet d'amliorer la qualit du front Pareto trouv.
MOSIMO1 du 25 au 27 avril 2001 Troyes (France)
- 849 -
La mthode de la recherche tabou a t utilise avec
succs au problme de Flow Shop. L'hybridation de l'AG
avec la mthode peut offrir de meilleurs rsultats. Reste
aussi tester la puissance de la mthode pour des
problmes de Flow Shop plus de deux critres. La
comparaison graphique tant impossible dans ce cas, des
critres dvaluation de performances plus labors
doivent tre utiliss tels que la notion de contribution
(Talbi, 1999), et d'entropie (TKindt et Billaut, 2000).
REFERENCES
Adenso-Diaz, B., 1991. Restricted neightborhood in the
tabu search for flow-shop problem. European
Journal of Operational Research, Vol 61, p. 318.
Allenson. R., 1992. Genetic Algorithms with gender for
multi-function optimization. Technical Report
EPCC-SS92-01, Edinburg Parallel Computing
Center, Edinburg, Scotland.
Baker. J.E., 1985. Adaptive selection methods for Getic
Algorithms. Proceeding of international conference
on gGetic Algorithms and their application, p. 101.
Ben-Daya, M. and M. Al-Fawzan, 1998. A tabu search
approach for the Flow shop scheduling problem.
European Journal of Operational Research, Vol
109, p. 88.
Bentley P.J. and J.P. Wakefield, 1997. Find an
acceptable Pareto-optimal solutions using
multiobjective Genetic Algorithms. Springer
Verlag, London Page 231.
Brah, S.B. and J.L. Hunsucker, 1991. Branch & Bound
algorithm for the flow-shop with multiple
processors. European Journal of Operational
Research, Vol 51, p. 88.
Fonseca, C. and P. Fleming, 1995. Multiobjective
genetic algorithms made easy: selection, sharing
and mating restrictions. IEEE Int. Conf On Genetic
Algorithms in Engineering System: Innovations and
Applications, p.45.
Fourman. M.P., 1985. Compaction of symbolic layout
using genetic algorithms. Conf on Genetic
Algorithms and their Applications, Pittesburgh.
Fujita, K., N. Hirokawa, S. Akagi, S. Kimatura and H.
Yokohata, 1998. Multi-objective optimal design of
automotive engine using genetic algorithm. In Proc.
of DETC'98 - ASME Design Engineering Technical
Conferences.
Goldberg, D.E. and J. Richardson, 1987. Genetic algorithms
with sharing for multimodal function optimization. In
second Int. Conf. on Genetic Algorithms ICGA'2, p.
41.
Hajela, P. and C. Lin, 1992. Genetic search strategies in
multicriterion optimal design. Structural Optimisation,
vol 4.
Heller. J., 1960. Some Numerical Experiments For a MxJ
Flow Shop And Its Decision Theoretical Aspects.
Operational Research, Vol 8, page 178.
Holland, J.H., 1975. Adaptation in natural and artificial
systems. Michigan Press Univ., Ann Arbor, MI, USA.
Mauldin. M.L., 1984. Maintaining diversity in genetic
search. Proc. of nat. Conf. on artificial intelligence, p
247.
Murata, T., and H. Ishibuchi, 1998. A Multi-objectives
Genetic Local Search Algorithm and Its Application
Flow-shop Scheduling. IEEE Transaction System. Vol
28, N3, p. 392.
Nowicki E., 1999. The permutation Flow shop with buffers:
A tabu search approach. European Journal of
Operational Research, Vol 116, p. 205.
Schaffer. J.D., 1985. Multiple objective optimization with
vector evaluated genetic algorithms, In J. J.
Grefenstette, editor, IGGA Int. Conf on Genetic
Algorithms, Page 93. Lawrence Erbaum.
Srinivas, N., and K. Deb., 1995. Multiobjective
optimization using non-dominated sorting in genetic
algorithms Evolutionary Computation 2(8): p. 221.
Taillard E., 1993. Benchmarks for basic scheduling
problems. E. J. of Operational Research, Vol 64, p.
278.
Talbi E.G., 1999. Mtaheuristiques pour l'optimisation
combinatoire multi-objectif : Etat de l'art. Rapport
interne, Universit de sciences et Technologies de
Lille, France.
TKindt, V., and J.C. Billaut, 2000. Lordonnancement
multicritre. Presses Universitaires de Tours.
Veldhuizen D.A., 1999. Multiobjective Evolutionary
Algorithms: Classification, Analyses, and New
Innovations. Dissertation Presented to the Graduate
School of Engineering of the Air Force Institute of
Technology.