PHD

Politechnika Wrocªawska
Instytut Cybernetyki Technicznej
Maciej Lichtenstein
Szeregowanie zada« i rozdziaª zasobów

w problemach z przezbrojeniami maszyn
(rozprawa doktorska)
PROMOTOR: prof. dr hab. in». Adam Janiak

(Politechnika Wrocªawska)
WSPÓOPIEKUN: prof. Mikhail Y. Kovalyov

(Belarus State University, Minsk)
Wrocªaw 2003
2 Maciej Lichtenstein
Spis tre±ci
Spis tre±ci 3
1 Wst¦p 7
1.1 Wprowadzenie w tematyk¦ . . . . . . . . . . . . . . . . . . . . 7
1.2 Metody rozwi¡zywania problemów szeregowania zada« . . . . 11
1.3 Cele pracy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4 Zakres pracy . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2 Podstawowe informacje dotycz¡ce problemów szeregowania

zada« z przezbrojeniami 16
2.1 Podstawowe denicje . . . . . . . . . . . . . . . . . . . . . . . 16
2.2 Rzeczywiste procesy produkcyjne modelowane przez problemy

szeregowania zada« z przezbrojeniami . . . . . . . . . . . . . . 18
2.2.1 Produkcja elementów plastykowych . . . . . . . . . . . . 18
2.2.2 Proces elektroranacji miedzi . . . . . . . . . . . . . . . 19
2.2.3 Wykonywanie oblicze« na komputerze . . . . . . . . . . . 20
3 Wyniki dotychczasowych bada« dotycz¡cych jednoprocesorowych

problemów szeregowania zada« z przezbrojeniami oraz prob-
lemów szeregowania z parametrami zada« zale»nymi od do-
datkowych zasobów 21
3.1 Wprowadzenie . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2 Wyniki dotychczasowych bada« dotycz¡cych jednoprocesorowych

problemów szeregowania zada« z przezbrojeniami . . . . . . . 22
3.3 Wyniki dotychczasowych bada« dotycz¡cych jednoprocesorowych

problemów szeregowania z parametrami zale»nymi od dodatkowych
zasobów . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.3.1 Wprowadzenie . . . . . . . . . . . . . . . . . . . . . . . . 26
3
SPIS TRECI
3.3.2 Wyniki dotychczasowych bada« dotycz¡cych jednopro-

cesorowych problemów szeregowania z czasami wykony-
wania zada« zale»nymi od dodatkowych zasobów . . . . 27
3.3.3 Wyniki dotychczasowych bada« dotycz¡cych jednoproce-
sorowych problemów szeregowania z terminami dost¦p-
no±ci zada« zale»nymi od dodatkowych zasobów . . . . . 28
3.3.4 Wyniki dotychczasowych bada« dotycz¡cych jednopro-
cesorowych problemów szeregowania zada« z przezbro-
jeniami zale»nymi od dodatkowych zasobów . . . . . . . 29
3.4 Podsumowanie . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4 Jednoprocesorowe problemy szeregowania z przezbrojeniami

i czasami wykonywania zada« zale»nymi od dodatkowych za-
sobów 30
4.1 Wprowadzenie . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.2 Sformuªowanie problemów . . . . . . . . . . . . . . . . . . . . 31
4.3 Reprezentacja rozwi¡zania (harmonogramu) . . . . . . . . . . 33
4.4 Problemy z zasobem podzielnym w sposób ci¡gªy . . . . . . . 34
4.4.1 Minimalizacja dªugo±ci uszeregowania . . . . . . . . . . . 34
4.4.1.1 Problemy minimalizacji dªugo±ci uszeregowania bez zadanych
terminów dost¦pno±ci zada« . . . . . . . . . . . . . 35
4.4.1.2 Problemy minimalizacji dªugo±ci uszeregowania z zadanymi
terminami dost¦pno±ci zada« . . . . . . . . . . . . 37
4.4.1.2.1 Problem z ograniczeniem technologii grupowej
GT . . . . . . . . . . . . . . . . . . . . . . . . 37
4.4.1.2.2 Problem bez ograniczenia technologii grupowej
GT . . . . . . . . . . . . . . . . . . . . . . . . 45
4.4.1.3 Podsumowanie wyników . . . . . . . . . . . . . . . 48
4.4.2 Minimalizacja sumy wa»onych terminów zako«czenia wykony-
wania zada« . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.4.2.1 Wªasno±ci problemu oraz analiza zªo»ono±ci obliczeniowej 50
4.4.2.2 Algorytmy przybli»one . . . . . . . . . . . . . . . . 56
4.4.2.3 Analiza eksperymentalna . . . . . . . . . . . . . . . 59
4.5 Problemy z zasobem podzielnym w sposób dyskretny . . . . . 61
4.5.1 Minimalizacja dªugo±ci uszeregowania . . . . . . . . . . . 61
4.5.1.1 Analiza zªo»ono±ci obliczeniowej . . . . . . . . . . . 61
4.5.2 Minimalizacja sumy wa»onych terminów zako«czenia wykony-
wania zada« . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.5.2.1 Analiza zªo»ono±ci obliczeniowej . . . . . . . . . . . 68
SPIS TRECI

4.6 Podsumowanie wyników rozdziaªu . . . . . . . . . . . . . . . . 75
5 Podstawowe informacje dotycz¡ce problemów szeregowania

zada« wieloprocesorowych 77
5.1 Podstawowe denicje . . . . . . . . . . . . . . . . . . . . . . . 77
5.2 Rzeczywiste procesy produkcyjne modelowane przez problemy
szeregowania zada« wieloprocesorowych . . . . . . . . . . . . . 78
5.2.1 Wykonywanie oblicze« na komputerze . . . . . . . . . . . 79
5.2.2 System rozpoznawania obrazu . . . . . . . . . . . . . . . 79
5.2.3 Harmonogramowanie transportu drog¡ morsk¡ w obr¦bie
portów Hong Kongu . . . . . . . . . . . . . . . . . . . . 80
6 Wyniki dotychczasowych bada« dotycz¡cych problemów sz-

eregowania w systemach przepªywowych oraz problemów sz-
eregowania zada« wieloprocesorowych 82
6.1 Wprowadzenie . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
6.2 Wyniki dotychczasowych bada« dotycz¡cych problemów szere-
gowania zada« w systemach przepªywowych . . . . . . . . . . 83
6.2.1 Wyniki dotycz¡ce zªo»ono±ci obliczeniowej . . . . . . . . 83
6.2.2 Wyniki dotycz¡ce algorytmów optymalnych . . . . . . . . 83
6.2.3 Wyniki dotycz¡ce algorytmów przybli»onych . . . . . . . 84
6.3 Wyniki dotychczasowych bada« dotycz¡cych problemów szere-
gowania zada« wieloprocesorowych . . . . . . . . . . . . . . . 85
6.4 Podsumowanie . . . . . . . . . . . . . . . . . . . . . . . . . . 86
7 Problemy szeregowania zada« wieloprocesorowych w systemach

przepªywowych 87
7.1 Wst¦p . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
7.2 Sformuªowanie problemów . . . . . . . . . . . . . . . . . . . . 87
7.3 Problem uproszczony . . . . . . . . . . . . . . . . . . . . . . . 89
7.3.1 Analiza zªo»ono±ci obliczeniowej . . . . . . . . . . . . . . 90
7.3.2 Algorytm przybli»ony . . . . . . . . . . . . . . . . . . . . 97
7.3.2.1 Reprezentacja grafowa harmonogramu . . . . . . . 99
7.3.2.2 Algorytm Tabu Search (TS) . . . . . . . . . . . . . 103
7.3.2.2.1 Rozwi¡zanie pocz¡tkowe. . . . . . . . . . . . . 104
7.3.2.2.2 Ruchy i s¡siedztwo. . . . . . . . . . . . . . . . 104
7.3.2.2.3 Lista tabu. . . . . . . . . . . . . . . . . . . . 106
7.3.2.2.4 Warunki zatrzymania oraz mechanizmy do-
datkowe. . . . . . . . . . . . . . . . . . . . . . 106
7.3.2.3 Technika przegl¡dania s¡siedztwa. . . . . . . . . . . 106
Szeregowanie zada« i rozdziaª zasobów ... 5

SPIS TRECI
7.3.2.4 Analiza eksperymentalna . . . . . . . . . . . . . . . 109

7.4 Problem ogólny . . . . . . . . . . . . . . . . . . . . . . . . . . 113
7.4.1 Reprezentacja grafowa harmonogramu . . . . . . . . . . 115
7.4.2 Dolne oszacowanie optymalnej warto±ci kryterium . . . . 117
7.4.3 Przybli»one algorytmy konstrukcyjne . . . . . . . . . . . 119
7.4.4 Algorytm Symulowanego Wy»arzania . . . . . . . . . . . 122
7.4.4.1 Rozwi¡zanie pocz¡tkowe . . . . . . . . . . . . . . . 122
7.4.4.2 S¡siedztwo . . . . . . . . . . . . . . . . . . . . . . . 122
7.4.4.3 Temperatura pocz¡tkowa . . . . . . . . . . . . . . . 123
7.4.4.4 Schemat wy»arzania . . . . . . . . . . . . . . . . . 123
7.4.4.5 Warunek zatrzymania . . . . . . . . . . . . . . . . 123
7.4.5 Algorytm Tabu Search . . . . . . . . . . . . . . . . . . . 124
7.4.5.1 Rozwi¡zanie pocz¡tkowe. . . . . . . . . . . . . . . . 124
7.4.5.2 Ruchy i s¡siedztwo. . . . . . . . . . . . . . . . . . . 124
7.4.5.3 Lista tabu. . . . . . . . . . . . . . . . . . . . . . . . 124
7.4.5.4 Warunki zatrzymania oraz mechanizmy dodatkowe. 125
7.4.5.5 Technika przegl¡dania s¡siedztwa. . . . . . . . . . . 125
7.4.6 Analiza eksperymentalna . . . . . . . . . . . . . . . . . . 126
7.5 Podsumowanie . . . . . . . . . . . . . . . . . . . . . . . . . . 133
8 Podsumowanie pracy 134
Bibliograa 138
Rozdziaª 1
Wst¦p
1.1 Wprowadzenie w tematyk¦

Problematyka szeregowania zada« jest jednym z najbardziej dynamicznie
rozwijaj¡cych si¦ obszarów bada« operacyjnych. Wynika to z faktu, »e w
obecnej dobie bardzo istotne jest takie wykorzystanie dost¦pnych zasobów
aby minimalizowa¢ koszty produkcji, a szeregowanie zada« w gªównej mierze
dotyczy wªa±nie modelowania zjawisk zachodz¡cych w ró»nych systemach
produkcyjnych. Dodatkowo, ze wzgl¦du na du»e podobie«stwo systemów in-
formatycznych do systemów produkcyjnych, tematyka ta w naturalny sposób
staªa si¦ obszarem zainteresowa« informatyków. Przykªady rzeczywistych sys-
temów, zarówno produkcyjnych, jak i informatycznych, modelowanych przez
problemy szeregowania zada« przedstawiono w dalszej cz¦±ci pracy.
Problemy szeregowania zada« modeluj¡ rzeczywiste problemy pojawia-

j¡ce si¦ w rzeczywistych systemach produkcyjnych czy informatycznych. S¡ to
przede wszystkim problemy optymalizacji dyskretnej lub dyskretno-ci¡gªej,
które mo»na krótko scharakteryzowa¢ jako problemy przydziaªu dost¦pnych
zasobów (maszyn, procesorów, personelu, nakªadów nansowych, energii,
itp.) do zada« (zlece«), w taki sposób aby zoptymalizowa¢ zadane kryterium.
W problematyce szeregowania zada« pojawiaj¡ si¦ dwa podstawowe poj¦-

cia: zadanie oraz procesor (maszyna). Poj¦cia te mo»na zdeniowa¢ nast¦pu-
j¡co:
Zadanie , jest to zbiór czynno±ci, jakie nale»y wykona¢ aby otrzyma¢ zadany
produkt nalny, np.: obróbka danego póªproduktu przez konkretne urz¡dze-
nie, wykonanie konkretnego programu przez procesor itp. Ka»de zadanie
okre±lone jest przez szereg parametrów takich jak kolejno±¢ wykonywania
czynno±ci, czas wykonywania kolejnych czynno±ci, terminy dost¦pno±ci zada«,
7
ilo±¢ i rodzaj dodatkowych zasobów wymaganych przez zadanie, itp.
Procesor (maszyna) , jest to obiekt wykonuj¡cy czynno±ci skªadaj¡ce si¦

na zadania, np.: procesorem mo»e by¢ obrabiarka (frezarka, tokarka, itp.),
zyczny procesor, stacja przeªadunkowa, itp.
System produkcyjny mo»na reprezentowa¢ jako obiekt, na którego wej±-

cie podawane s¡ zadania oraz zasoby produkcyjne (personel, energia, ±rodki
nansowe, itp.), a na wyj±ciu otrzymujemy wyroby gotowe. W procesie pro-
dukcyjnym zadania przechodz¡ przez pewn¡ liczb¦ stadiów produkcji zgodnie
z okre±lon¡ marszrut¡ technologiczn¡, w celu otrzymania produktów nal-
nych. Ka»de zadanie wymaga wykonania pewnej liczby ±ci±le okre±lonych
technologi¡ czynno±ci, wykonywanych w kolejnych stadiach produkcji. Ze
wzgl¦du na zªo»ono±¢ systemu produkcyjnego (liczb¦ stadiów oraz pewne el-
ementy technologii produkcji) mo»na wyró»ni¢ nast¦puj¡ce podstawowe sys-
temy produkcyjne:
• System jednostadialny jednoprocesorowy ka»de zadanie wymaga

wykonania jednej czynno±ci i wszystkie czynno±ci wykonywane s¡ przez
ten sam procesor.
• System jednostadialny wieloprocesorowy ka»de zadanie wymaga

wykonania jednej czynno±ci; czynno±ci te wykonywane s¡ przez jeden
z dost¦pnych procesorów.
• System wielostadialny przepªywowy (ang. ow shop ) ka»de zadanie

wymaga wykonania takiej samej liczby czynno±ci w kolejnych stadiach;
kolejno±¢ wykonywania poszczególnych czynno±ci jest taka sama dla
ka»dego zadania; w ka»dym stadium jest jeden procesor.
• Hybrydowy wielostadialny system przepªywowy (ang. hybrid

ow shop ) ka»de zadanie wymaga wykonania takiej samej liczby
czynno±ci w kolejnych stadiach; kolejno±¢ wykonywania poszczególnych
czynno±ci jest taka sama dla ka»dego zadania; w ka»dym stadium dost¦pna
jest pewna liczba procesorów.
• System wielostadialny gniazdowy (ang. job shop ) ka»de zadanie

wymaga wykonania pewnej liczby czynno±ci; kolejno±¢ wykonywania
poszczególnych czynno±ci mo»e by¢ ró»na dla ró»nych zada«; w ka»dym
stadium jest jeden procesor.
• Hybrydowy wielostadialny system gniazdowy (ang. hybrid job

shop ) ka»de zadanie wymaga wykonania pewnej liczby czynno±ci;
1 Wst¦p
kolejno±¢ wykonywania poszczególnych czynno±ci mo»e by¢ ró»na dla

ró»nych zada«; w ka»dym stadium dost¦pna jest pewna liczba proce-
sorów.
• System otwarty (ang. open shop ) ka»de zadanie wymaga wyko-

nania pewnej liczby czynno±ci; kolejno±¢ wykonywania poszczególnych
czynno±ci nie jest zadana i mo»e by¢ dowolna; czynno±ci wykonywane
s¡ na jednym z równolegle pracuj¡cych procesorów.
Modelowanie systemów produkcyjnych rozpoczyna si¦ od zidentykowa-

nia samego systemu (okre±lenie liczby procesorów, liczby stadiów, itp.) oraz
okre±lenia zbioru zada« J i ich parametrów. Ka»de zadanie j∈J mo»e za-
wiera¢ caªy szereg parametrów, jednak najcz¦±ciej deniuje si¦ nast¦puj¡ce:
• Oj zbiór czynno±ci zadania,
• pij czas wykonywania i-tej czynno±ci,
• sizeij liczba procesorów wymaganych do wykonania i-tej czynno±ci,
• rj termin dost¦pno±ci zadania (ang. release date ),
• dj oczekiwany termin zako«czenia wykonywania zadania (ang. due

date ),
• d¯j nieprzekraczalny termin zako«czenia wykonywania zadania (ang.

deadline ),
• wj , vj priorytety (wagi), zadania.
Nale»y zwróci¢ uwag¦ na to, »e parametry zada« takie jak czasy wykony-
wania czynno±ci, terminy dost¦pno±ci, itp. mog¡ by¢ wielko±ciami zale»nymi
od dodatkowych zasobów. Wówczas odpowiednie wielko±ci przedstawione
powy»ej s¡ deniowane jako funkcje zale»ne od ilo±ci przydzielonych do-
datkowych zasobów. Oprócz tego mog¡ istnie¢ pewne dodatkowe ograniczenia
dotycz¡ce ilo±ci dost¦pnego zasobu (tzw. zasoby lokalnie, globalnie lub pod-
wójnie ograniczone).
Dodatkowo, mi¦dzy poszczególnymi zadaniami mog¡ istnie¢ ograniczenia
kolejno±ciowe, tzn. mo»e istnie¢ wymaganie, »e i-ta czynno±¢ zadania j∈J
nie mo»e by¢ wykonywana przed zako«czeniem wykonania i-tej czynno±ci
zadania k ∈ J (oznaczane jako j → k ). Ograniczenia tego rodzaju deni-
uje si¦ przez wprowadzenie antyreeksyjnej, antysymetrycznej i tranzytywnej
relacji na zbiorze zada« J. Relacja ta mo»e mie¢ ró»ny charakter i ªatwo

mo»e by¢ okre±lona przez acykliczny graf skierowany, w którym wierzchoªki

reprezentuj¡ zadania, a kraw¦dzie odzwierciedlaj¡ ograniczenia kolejno±ciowe
(je»eli j → k, to istnieje ±cie»ka w grae od wierzchoªka j do k ). Ze wzgl¦du
na to, »e grafy w ten sposób zbudowane mog¡ mie¢ ró»n¡ form¦, wyró»nia
si¦ szereg typów ogranicze« kolejno±ciowych (ªa«cuchy, drzewa, ograniczenia
szeregowo-równolegªe, itp.).
Ponadto, dla ka»dego zadania mo»na okre±li¢ m.in. nast¦puj¡ce wielko±ci:
• Sj termin rozpocz¦cia wykonywania (ang. starting time ),
• Cj termin zako«czenia wykonywania (ang. completion time ),
• Lj = Cj − dj nieterminowo±¢ (ang. lateness ),
• Tj = max{0, Cj − dj } opó¹nienie zadania (ang. tardiness ),
• Ej = max{0, dj − Cj } przyspieszenie zadania (ang. earliness ).
Modelowanie systemu produkcyjnego ko«czy si¦ okre±leniem kryterium

jakie ma by¢ optymalizowane. Najcz¦±ciej rozpatrywane s¡ kryteria mini-
malizacji nast¦puj¡cych wielko±ci:
• Cmax = maxj∈J {Cj } dªugo±¢ uszeregowania (ang. makespan ),
• Lmax = maxj∈J {Lj } maksymalna nieterminowo±¢ (ang. maximum

lateness ),
• Tmax = maxj∈J {Tj } maksymalne opó¹nienie zadania (ang. maximum

tardiness ),
P P
• (wj )Cj = j∈J (wj )Cj suma (wa»onych) terminów zako«czenia
wykonywania zada« (ang. total (weighted) completion time ),
(wj )Tj = j∈J (wj )Tj suma (wa»onych) opó¹nie« zada« (ang. total
P P
•
(weighted) tardiness ),
P P
• (wj )Uj = j∈J (wj )Uj (wa»ona) liczba opó¹nionych zada« (ang.
total (weighted) number of late jobs ),
P P
• (wj )Ej +(vj )Tj = j∈J (wj )Ej +(vj )Tj (wa»ona) suma przyspiesze«
i opó¹nie« zada« (ang. total (weighted) erliness/tardiness ),
1 Wst¦p
Ostatecznie mo»na stwierdzi¢, »e w ogólno±ci problem szeregowania zada«

polega na wyznaczeniu takiego harmonogramu ich wykonywania, który op-
tymalizuje zadane kryterium, przy czym przez harmonogram wykonywa-
nia zada« nale»y rozumie¢ kolejno±¢ wykonywania poszczególnych czynno±ci,
przyporz¡dkowanie czynno±ci do procesorów oraz przydziaª dodatkowych za-
sobów.
1.2 Metody rozwi¡zywania problemów szeregowa-

nia zada«
Ze wzgl¦du na to, »e problemy szeregowania zada« s¡ problemami opty-
malizacji dyskretnej lub dyskretno-ci¡gªej, znakomita wi¦kszo±¢ z nich nale»y
do klasy problemów NP-trudnych, tzn. takich, których nie mo»na rozwi¡za¢
optymalnie w czasie ograniczonym wielomianem zale»nym od rozmiaru prob-
lemu (najcz¦±ciej liczby zada«). W zwi¡zku z tym, przy rozwi¡zywaniu prob-
lemów szeregowania zada«, stosuje si¦ nast¦puj¡ce metody :
• Wielomianowe algorytmy optymalne Algorytmy te dostarczaj¡ rozwi¡za-

nia optymalnego w wielomianowym czasie. Daje si¦ je skonstruowa¢ dla
nielicznej grupy problemów nie nale»¡cych do klasy problemów NP-
trudnych.
• Ponadwielomianowe algorytmy optymalne Algorytmy te konstruuje

si¦ dla problemów NP-trudnych, lub dla takich, których zªo»ono±¢ obliczeniowa
nie zostaªa wykazana. Dostarczaj¡ rozwi¡zania optymalnego, lecz czas
ich dziaªania zale»y pseudowielomianowo lub wykªadniczo od rozmiaru
problemu. Algorytmy te konstruuje si¦ gªównie w oparciu o schematy
programowania dynamicznego, programowania caªkowitoliczbowego lub
metody podziaªu i oszacowa«.
• Algorytmy przybli»one Algorytmy te dostarczaj¡ rozwi¡zania gorszego

od optymalnego, ale dziaªaj¡ w krótkim czasie (wielomianowym). Stosowane
s¡ gªównie do problemów NP-trudnych, lub problemów o nieznanej
zªo»ono±ci obliczeniowej. W±ród algorytmów przybli»onych mo»na wyró»ni¢
nast¦puj¡ce:
Algorytmy konstukcyjne Algorytmy te dostarczaj¡ jednego lub

kilku rozwi¡za«. Podstawow¡ ich zalet¡ jest krótki czas dziaªa-
nia, jednak jako±¢ dostarczanych rozwi¡za« z reguªy jest zªa. Kon-
struowane s¡ gªównie w oparciu o reguªy priorytetowe, uproszcze-
nie (relaksacj¦) problemu (pomini¦cie pewnych ogranicze«) lub
specyczne wªasno±ci problemu.

1.2 Metody rozwi¡zywania problemów szeregowania zada«
Algorytmy typu popraw Algorytmy te rozpoczynaj¡ prac¦ od

pewnego rozwi¡zania pocz¡tkowego (losowego, lub dostarczonego
przez algorytm konstukcyjny) i nast¦pnie iteracyjnie modykuj¡
(poprawiaja) to rozwi¡zanie. Do algorytmów tych nale»y zaliczy¢
algorytm poszukiwania zst¦puj¡cego (ang. Descent Search/Hill Climb-
ing ), algorytm poszukiwania zst¦puj¡cego wielokrotnego
startu i poszukiwanie losowe (ang. Random Search ).
Algorytmy metaheurystyczne Algorytmy te stanowi¡ podgrup¦
algorytmów typu popraw, jednak techniki w nich stosowane wkraczaj¡
w zakres metod stosowanych w Sztucznej Inteligencji, dlatego zostaªy
wyró»nione. Do metod tych nale»¡ takie techniki jak: algorytmy
genetyczne (ewolucyjne), symulowane wy»arzanie, metoda poszuki-
wania z zakazami (ang. Tabu Search ), metody z pami¦ci¡ adap-
tacyjn¡ (ang. Adaptive Memory Search ) poszukiwanie mrówkowe
(ang. Ant Search ), sieci neuronowe, itp.
Schematy aproksymacyjne Rodziny algorytmów dostarczaj¡ce
rozwi¡zanie o zadanej dokªadno±ci. Czas dziaªania tego typu al-
gorytmów zale»y wielomianowo od rozmiaru problemu, oraz do-
datkowo wykªadniczo lub wielomianowo od odwrotno±ci zadanej
dokªadno±ci (mówimy wówczas odpowiednio o wielomianowych
lub w peªni wielomianowych schematach aproksymacyjnych).
W przypadku algorytmów przybli»onych wskazane jest dokonanie ich

analizy pod wzgl¦dem jako±ci dostarczanych rozwi¡za«. Analiza taka jest
niezb¦dna do wskazania zakresu stosowalno±ci takiego algorytmu. Powszech-
nie stosuje si¦ trzy podej±cia przy analizie efektywno±ci algorytmów:
• analiza probabilistyczna W podej±ciu tym bada si¦ w sposób anal-

ityczny statystyczn¡ zbie»no±¢ algorytmu do rozwi¡zania optymalnego.
W literaturze mo»na spotka¢ niewiele przykªadów takiej analizy, ze
wzgl¦du na trudno±ci analitycznego wyznaczenia statystycznych wªas-
no±ci harmonogramów generowanych przez algorytmy.
• analiza najgorszego przypadku W podej±ciu tym bada si¦ tak¡ in-

stancj¦ problemu, dla której algorytm dostarcza najgorszego mo»liwego
rozwi¡zania. Wynikiem takiej analizy jest informacja o tym, »e badany
algorytm, dla dowolnej instancji problemu, nie dostarczy rozwi¡zania
gorszego ni» wyznaczony wska¹nik (np. 10% gorszego od optimum).
Podej±cie to jest powszechnie stosowane w±ród wielu projektantów al-
gorytmów przybli»onych.
1 Wst¦p
• analiza eksperymentalna W podej±ciu tym bada si¦ statystyczne

zachowanie algorytmu dla pewnej (du»ej) próbki instancji problemu.
Zalet¡ tej metody jest jej prostota, natomiast istotn¡ wad¡ jest to, »e
uzyskane wyniki mog¡ nie odzwierciedla¢ zachowania algorytmu dla in-
nych ni» wybrane instancje. W zwi¡zku z tym istotne jest dobranie w
staranny sposób próbki badanych instancji tak, aby pokrywaªy mo»li-
wie szeroki zakres.
Podsumowuj¡c, nale»y zauwa»y¢, »e analiz¦ wybranego problem szere-

gowania zada« nale»aªo by rozpocz¡¢ od wykazania jego zªo»ono±ci obliczeniowej
(wykaza¢ NP-trudno±¢ lub skonstruowa¢ algorytm wielomianowy), a nast¦p-
nie skonstruowa¢ odpowiedni dla niego algorytm (przybli»ony lub optymalny).
Niestety cz¦sto wykazanie zªo»ono±ci obliczeniowej jest bardzo trudne. Wówczas
stosuje si¦ algorytmy przybli»one, gªównie ze wzgl¦du na to, »e z reguªy czas
ich dziaªania jest krótki i jednocze±nie jako±¢ dostarczanych rozwi¡za« jest
na tyle dobra, »e mo»na taki algorytm uzna¢ za efektywny. Ostatnim etapem
jest dokonanie analizy jako±ci rozwi¡za« dostarczanych przez zaproponowane
algorytmy przybli»one i wskaza¢ zakres ich stosowalno±ci.
1.3 Cele pracy

Cele niniejszej pracy mo»na sformuªowa¢ nast¦puj¡co:
Cel 1. Wyznaczenie zªo»ono±ci obliczeniowej oraz wykazanie szczególnych

wªasno±ci wybranych jednoprocesorowych problemów szeregowania, w których
czasy wykonywania zada« i czasy przezbroje« procesorów zale»¡ od dodatkowych
zasobów.
Cel 2. Wyznaczenie zªo»ono±ci obliczeniowej, wykazanie szczególnych wªas-

no±ci oraz skonstruowanie efektywnych algorytmów rozwi¡zania problemu
szeregowania zada« wieloprocesorowych w systemie przepªywowym.
Wy»ej wymienione cele pracy zostaªy sformuªowane na podstawie przeprowad-

zonych przegl¡dów literatury naukowej, z których wynika, »e badane prob-
lemy byªy rozpatrywane w niewystarczaj¡cym zakresie lub nie byªy rozpatry-
wane wcale. Jednocze±nie s¡ one bardzo istotne z teoretycznego, a zwªaszcza z
praktycznego punktu widzenia, poniewa» modeluj¡ wiele rzeczywistych pro-
cesów produkcyjnych i komputerowych.

1.4 Zakres pracy
1.4 Zakres pracy

Niniejsza praca skªada si¦ z dwóch cz¦±ci.
Cze±¢ pierwsza obejmuje rozdziaªy od 2 do 4 i dotyczy jednoprocesorowych
problemów szeregowania zada« z czasami przezbroje« i czasami wykonywa-
nia zada« zale»nymi od zasobów.
Rozdziaª 2 stanowi wprowadzenie do problemów szeregowania zada« z
przezbrojeniami. W rozdziale tym zdeniowane zostaªy podstawowe poj¦-
cia dotycz¡ce rozpatrywanych problemów i przedstawione zostaªy przykªady
rzeczywistych procesów produkcyjnych modelowanych przy u»yciu problemów
z przezbrojeniami. Rozdziaª 3 zawiera przegl¡d literatury naukowej doty-
cz¡cej wybranych jednoprocesorowych problemów szeregowania zada«. Przegl¡d
ten obejmuje klasyczne problemy z przezbrojeniami oraz problemy z parame-
trami zale»nymi od zasobów. Taki podziaª motywowany jest tym, »e w niniejszej
pracy rozpatrywane s¡ problemy ª¡cz¡ce te dwa zagadnienia. Pierwsz¡ cz¦±¢
pracy zamyka rozdziaª 4, w którym przedstawiono rezultaty bada« prowad-
zonych przez autora nad jednoprocesorowymi problemami z przezbrojeniami
i czasami wykonywania zada« zale»nymi od zasobów. Rozdziaª ten zostaª
podzielony na dwie gªówne cz¦±ci: pierwsza (podrozdziaª 4.4) dotyczy prob-
lemów, w których zasoby podzielne s¡ w sposób ci¡gªy; druga (podrozdziaª
4.5) dotyczy problemów, w których zasoby podzielne s¡ w sposób dyskretny.
Druga cz¦±¢ pracy obejmuje rozdziaªy od 5 do 7 i dotyczy problemów

szeregowania zada« wieloprocesorowych w problemach przepªywowych.
Podobnie jak w cz¦±ci pierwszej, w Rozdziale 5 przedstawiono podsta-
wowe denicje poj¦¢ zwi¡zanych z zadaniami wieloprocesorowymi oraz przed-
stawiono kilka przykªadów zastosowa« tego typu problemów. Rozdziaª 6
stanowi przegl¡d rezultatów bada« prowadzonych dotychczas nad proble-
mami przepªywowymi i problemami szeregowania zada« wieloprocesorowych.
Przegl¡d ten zostaª podzielony na dwie cz¦±ci: pierwsza cz¦±¢ dotyczy prob-
lemów przepªywowych, a druga problemów z zadaniami wieloprocesorowymi.
Podziaª ten jest motywowany tym, »e w niniejszej pracy dokonano poª¡czenia
dwóch wy»ej wymienionych problemów. Trzon drugiej cz¦±ci pracy stanowi
Rozdziaª 7, w którym zaprezentowano wyniki bada« prowadzonych przez
autora nad problemami przepªywowymi z zadaniami wieloprocesorowymi.
Pierwsza cz¦±¢ Rozdziaªu 9 dotyczy problemu uproszczonego, dla którego
wykazano szerego wªasno±ci teoretycznych oraz skonstruowano efektywny al-
gorytm oparty o technik¦ tabu search. Cz¦±¢ druga dotyczy problemu bardziej
zªo»onego (ogólnego) i zawiera opis zaproponowanych algorytmów przybli»onych
opartych o techniki tabu search i symulowanego wy»arzania. T¦ cze±¢ pracy
zamyka Podrozdziaª 7.5 b¦d¡cy krótkim podsumowaniem wyników.
1 Wst¦p
Caª¡ prac¦ zamyka krótkie podsumowanie uzyskanych rezultatów oraz

obszerny spis cytowanej literatury.
Najwi¦ksze podzi¦kowania za przyczynienie si¦ do powstania tej pracy

nale»¡ si¦ promotorowi, prof. dr hab. in». Adamowi Janiakowi oraz wspóªopiekunowi
prof. Mikhailowi Y. Kovalyovowi, za wszelkie uwagi, dzi¦ki którym rozprawa
ta przyj¦ªa ostateczny ksztaªt. Autor wyra»a swoj¡ wdzi¦czno±¢ równie» dr
in». Aleksandrowi Bachmanowi za bardzo ksztaªc¡ce, wielogodzinne dyskusje
nad ró»nymi problemami z zakresu szeregowania zada«. Podobnie, sªowa
podzi¦kowania nale»¡ si¦ dr Ceydzie Oguz z The Hong Kong Polytehnic Uni-
versity oraz prof. Yakovovi Zinderowi z Uniwersytetu w Sydney za wspólne
rozwa»anie wielu aspektów ró»nych problemów szeregowania zada« wielopro-
cesorowych. At last but not least dzi¦kuje serdecznie mojej rodzinie, za wiar¦
i cierpliwo±¢.

Rozdziaª 2
Podstawowe informacje dotycz¡ce
problemów szeregowania zada«
z przezbrojeniami
2.1 Podstawowe denicje

Podstawowymi poj¦ciami pojawiaj¡cymi si¦ w problematyce szeregowa-
nia zada« z przezbrojeniami s¡ rodzina zada« oraz przezbrojenie. W ogólno±ci,
poj¦cia te mog¡ odnosi¢ si¦ do ró»nych czynników czy zjawisk zachodz¡cych
w procesach produkcyjnych, jednak mog¡ by¢ nast¦puj¡co zdeniowane.
Rodzina zada« Zbiór zada« o identycznych lub podobnych wymaganiach

dotycz¡cych sposobu ich wykonywania przez procesory. Z punktu widzenia
problematyki szeregowania zada«, przy przej±ciu z wykonywania jednego
zadania do innego w obr¦bie tej samej rodziny, nie s¡ wymagane »adne do-
datkowe czynno±ci przygotowawcze.
Przezbrojenie jest to pewna dodatkowa czynno±¢ wykonywana przed

wykonywaniem wªa±ciwego zadania, zwi¡zana z przygotowaniem procesora
do jego wykonywania. Wykonanie przezbrojenia zabiera pewien czas i mo»e
wnosi¢ pewien koszt do optymalizowanego kryterium.
W problematyce szeregowania zada« z przezbrojeniami liczb¦ rodzin zada«

cz¦sto oznacza si¦ przez B, pojedyncz¡ rodzin¦ reprezentuje zbiór If , f =
1, .., B , a zbiór rodzin oznaczany jest przez F = {If |f = 1, ..., B}. Takie
oznaczenia b¦d¡ u»ywane w niniejszej pracy.
Przezbrojenie jest ±ci±le zwi¡zane z rodzinami zada«. Wyró»nia si¦ dwa
16
2 Podstawowe informacje dotycz¡ce problemów ...
rodzaje przezbroje«:
przezbrojenie sekwencyjnie niezale»ne czas i/lub koszt przezbrojenia

jest zale»ny tylko od tego, jakie zadanie b¦dzie wykonywane (z której
rodziny).
przezbrojenie sekwencyjnie zale»ne czas i/lub koszt przezbrojenia za-

le»y zarówno od tego która rodzina byªa wykonywana, jak i od tego,
która rodzina b¦dzie wykonywana.
W przypadku przezbroje« sekwencyjnie niezale»nych, z ka»d¡ rodzin¡ If

zwi¡zane jest przezbrojenie o czasie trwania sf i/lub koszcie cf . W przypadku
przezbroje« sekwencyjnie zale»nych czas i/lub koszt przezbrojenia okre±lony
jest dla ka»dej pary rodzin If i Ig i oznaczany jest odpowiednio przez sf g i
cf g , przy czym w ogólno±ci sf g 6= sgf . Je»eli na procesorze wykonywane s¡
kolejno zadania j a nast¦pnie k takie, »e j ∈ If , k ∈ Ig , f 6= g , to mi¦dzy nimi
wykonywane jest przezbrojenie o czasie trwania sf g w przypadku przezbro-
je« sekwencyjnie zale»nych, lub sg w przypadku przezbroje« sekwencyjnie
niezale»nych. Je»eli f = g (zadania j i k nale»¡ do tej samej rodziny) to
przezbrojenie nie jest wykonywane.
Dodatkowo, w przypadku przezbroje« sekwencyjnie zale»nych zakªada si¦,
»e czasy oraz koszty przezbroje« speªniaj¡ nierówno±¢ trójk¡ta, tzn:
sf g ≤ sf h + shg , dla ka»dego f 6= g 6= h
oraz
cf g ≤ cf h + chg , dla ka»dego f 6= g 6= h.

Zaªo»enie to jest do±¢ oczywiste ze wzgl¦du na to, »e je»eli nie byªoby
ono speªnione, to przezbrojenie z rodziny If do rodziny Ig mo»na by byªo
zast¡pi¢ przezbrojeniami z rodziny If do Ih a nast¦pnie z Ih do Ig , bez
wykonywania zada« z rodziny Ih i te dwa przezbrojenia byªyby wykonane
szybciej lub mniejszym kosztem.
Czas lub koszt przezbrojenia mo»e ponadto zale»e¢ od dodatkowych za-

sobów. Wówczas odpowiednio czas i/lub koszt przezbrojenia jest zadany jako
funkcja sf g (uf g ) oraz cf g (uf g ), gdzie uf g jest ilo±ci¡ zasobu przydzielon¡ do
przezbrojenia.
Ostatnim poj¦ciem pojawiaj¡cym si¦ w problematyce szeregowania zada«

z przezbrojeniami jest ograniczenie technologii grupowej GT (ang. Group
Technology ). Ograniczenie to zabrania dzielenia rodzin na mniejsze grupy,

2.1 Rzeczywiste procesy produkcyjne modelowane ...
tzn. je»eli jako pierwsze zostaªo wykonane zadanie j ∈ If , to po nim musz¡

by¢ wykonane wszystkie zadania z tej rodziny, a nast¦pnie mo»e by¢ wykony-
wana nast¦pna rodzina, te» bez przerywania zadaniami z innej rodziny. Wys-
t¦powanie tego ograniczenia najcz¦±ciej uªatwia problem, ze wzgl¦du na to,
»e cz¦sto daje si¦ on sprowadzi¢ do problemu szeregowania caªych rodzin
zada«.
2.2 Rzeczywiste procesy produkcyjne modelowane

przez problemy szeregowania zada« z przezbro-
jeniami
W tym rozdziale zostan¡ podane przykªady rzeczywistych procesów pro-
dukcyjnych, które mog¡ by¢ modelowane przez problemy szeregowania zada«
z przezbrojeniami. Przykªady te dotycz¡ zarówno systemów wytwarzania, jak
i systemów informatycznych.
2.2.1 Produkcja elementów plastykowych

W zakªadzie produkuj¡cym ró»ne elementy plastykowe klienci zamawiaj¡
pewne partie okre±lonych elementów. Poszczególne partie ró»ni¡ si¦ mi¦dzy
sob¡ zarówno ksztaªtem elementów, jak i kolorem. Mo»na jednak w±ród tych
partii wyró»ni¢ pewne grupy partii podobnych - nie ró»ni¡cych si¦ ksztaªtem,
ale tylko nieznacznie kolorem (odcieniem) elementów. Wówczas, po wyko-
naniu pewnej partii elementów, do wykonywania nast¦pnej partii elemen-
tów podobnych nie jest konieczne specjalne przygotowywanie maszyny (np.:
po wykonaniu partii jasnoniebieskich opakowa« wykonujemy takie same,
ale ciemnoniebieskie). Je»eli jednak, po wykonaniu jednej partii elementów,
nast¦pna partia znacznie ró»ni si¦ kolorem lub ksztaªtem elementów, to maszyn¦
nale»y wyczy±ci¢ i/lub wymieni¢ formy wtryskowe przed rozpocz¦ciem jej
wykonywania.
Czas przygotowywania maszyny mo»e zosta¢ skrócony poprzez np.: przy-
dzielenie wi¦kszej liczby pracowników do jej czyszczenia lub zastosowanie
lepszych (dro»szych) ±rodków czyszcz¡cych.
procesorem jest maszyna wykonuj¡ca elementy (wtryskarka),
W systemie tym
zadaniem b¦dzie zlecenie wykonania partii okre±lonych elementów, a rodziny
zada« b¦d¡ stanowi¢ te partie wyrobów, które nie ró»ni¡ si¦ ksztaªtem, ale
ró»ni¡ si¦ nieznacznie kolorem. Przezbrojenie zwi¡zane jest z wyczyszcze-
niem wtryskarki i wymian¡ form wtryskowych, co zabiera pewien okres czasu.
W przypadku gdy czas ten mo»emy skróci¢, przez przydziaª wi¦kszej liczby
pracowników lub zastosowanie dro»szych ±rodków czyszcz¡cych, mamy do

czynienia z czasami przezbroje« zale»nymi od zasobów. Problem szeregowa-
nia polega tu na znalezieniu takiej sekwencji wykonywania zlece«, aby zmin-
imalizowa¢ np. caªkowity czas wykonywania wyrobów. Dodatkowo, w przy-
padku problemu z dodatkowymi zasobami, nale»y wyznaczy¢ przydziaª tych
zasobów do poszczególnych przezbroje«.
2.2.2 Proces elektroranacji miedzi

Proces produkcji miedzi skªada si¦ z czterech etapów: otacji, ranacji
ogniowej, elektroranacji i odlewu. Mied¹ po ranacji ogniowej (tzw. an-
ody miedziane o zawarto±ci zanieczyszcze« ok. 0,7%) podlega elektrora-
nacji, po której uzyskuje si¦ mied¹ katodow¡ o zawarto±ci zanieczyszcze« ok.
0,005%. Proces ten (roztwarzanie) przebiega w wannach elektrolitycznych
(najmniejsz¡ jednostk¡ produkcyjn¡ jest grupa 20 wanien) i jego czas (od
20 do 25 dni) zale»y odwrotnie proporcjonalnie od nat¦»enia dostarczanego
pr¡du elektrycznego. Dokªadniej, czas uzyskania masy katodowej mj [kg] w
i-tej grupie wanien podany nast¦puj¡cym modelem:
mi
pi = ,
ηi kIi
gdzie:
pi - czas elektrolizy w i-tej grupie wanien,
ηi - ±rednia wydajno±¢ pr¡dowa i-tej grupy wanien (ηi ≈ 0, 97),
k - równowa»nik elektrochmiczny, identyczny dla wszystkich grup wanien

(k ≈ 22, 72 kg/kAh),
Ii - nat¦»enie pr¡du dostarczone do i-tej grupy wanien (9,0 kA ≤ Ii ≤ 10,5

kA).
Jak wspominiano powy»ej pojedyncz¡ jednostk¡ produkcyjn¡ jest grupa

ok. 20 wanien elektrolitycznych. W opisywanym procesie jednocze±nie dost¦p-
nych jest ok. 100 takich grup, obsªugiwanych przez pojedyncz¡ suwnic¦ (do
zaªadunku i wyªadunki).
Po zako«czeniu procesu roztwarzania uzyskane katody s¡ wyci¡gane z
wanien, caªa grupa wanien jest wyª¡czana z obiegu pr¡du i elektrolitu, a
nast¦pnie jest czyszczona ze szlamu i innych pozostaªo±ci po elektroranacji.
Po wyczyszczeniu, ªadowana jest nast¦pna porcja anod i grupa wanien jest

2.2 Rzeczywiste procesy produkcyjne modelowane ...
ponownie wª¡czana do obiegu pr¡du i elektrolitu. Caªy proces przygotowa-

nia jednej grupy wanien trwa okoªo 18 godzin i mo»e zosta¢ skrócony przez
przydzielenie wi¦kszej liczby pracowników.
Ze wzgl¦du na to, »e czas elektroranacji oraz czyszczenie wanien mog¡
zosta¢ skrócone przez wykorzystanie dodatkowych, ograniczonych, zasobów
(nat¦»enie pr¡du, liczba pracowników), mamy tu do czynienia z problemem,
w którym zarówno czasy przezbroje«, jak i czasy wykonywania zada« zale»¡
od dodatkowych zasobów.
Problem polega na ustaleniu takiego harmonogramu obsªugi grup wanien
przez pojedyncz¡ suwnic¦ oraz przydzieleniu do zada« i przezbroje« ogranic-
zonych zasobów aby maksymalizowa¢ produktywno±¢, tzn. ilo±¢ wyprodukowanej
miedzi katodowej w jednostce czasu.
2.2.3 Wykonywanie oblicze« na komputerze

Na komputerze jednoprocesorowym nale»y wykona¢ pewne obliczenia na
okre±lonych porcjach danych. Dla ka»dej porcji danych zadany jest czas
oblicze« oraz nieprzekraczalny termin ich zako«czenia. Ka»da porcja danych
wymaga obecno±ci okre±lonego programu w pami¦ci operacyjnej komputera,
jednak ilo±¢ pami¦ci jest ograniczona i tylko jeden program mo»e znajdowa¢
si¦ w danej chwili czasu w pami¦ci. Dla ka»dego programu podany jest
czas jego ªadowania do pami¦ci operacyjnej. Nale»y znale¹¢ tak¡ kolejno±¢
wykonywania oblicze«, aby wszystkie porcje danych zostaªy przetworzone
przed upªywem swojego nieprzekraczalnego terminu zako«czenia.
W problemie tym przez zadanie nale»y rozumie¢ wykonanie oblicze« na
jednej porcji danych, a rodzin¦ zada« stanowi¡ porcje danych wymagaj¡-
cych tego samego programu. Przezbrojenie natomiast jest zwi¡zane jest ªad-
owaniem okre±lonego programu do pami¦ci.
W niniejszym rozdziale podano tylko kilka przykªadów zastosowa« prob-

lematyki szeregowania zada« z przezbrojeniami. Przykªady te mo»na znale¹¢
w wielu gaª¦ziach przemysªu (chemicznego, lotniczego, ci¦»kiego, itp.) oraz
w wielu systemach informatycznych. Tak szerokie zastosowania motywuj¡ do
ci¡gªego rozwijania tej problematyki, co stanowi istotny wkªad w podnoszenie
wydajno±ci systemów produkcyjnych i informatycznych.
Rozdziaª 3
Wyniki dotychczasowych bada«
dotycz¡cych jednoprocesorowych
z przezbrojeniami oraz
problemów szeregowania z
parametrami zada« zale»nymi od
dodatkowych zasobów
3.1 Wprowadzenie
Ze wzgl¦du na to, »e w dalszej cz¦±ci pracy rozpatrywane b¦d¡ jednoproce-
sorowe problemy szeregowania zada«, w których zarówno czasy przezbroje«,
jak i czas wykonywania zada« zale»¡ od dodatkowych zasobów, dokonano
przegl¡du dotychczas uzyskanych rezultatów w tym zakresie. Przegl¡d ten
zostaª podzielony na dwie cz¦±ci. W pierwszej cz¦±ci przedstawiono wyniki
bada« dotycz¡cych jednoprocesorowych problemów szeregowania zada« z
przezbrojeniami, w drugiej cz¦±ci natomiast przedstawiono wyniki dotychcza-
sowych bada« dotycz¡cych jednoprocesorowych problemów szeregowania, w
których parametry zada« (czasy ich wykonywania, terminy dost¦pno±ci) za-
le»¡ od dodatkowych zasobów.
21
3.1 Wyniki dotychczasowych bada« dotycz¡cych...
3.2 Wyniki dotychczasowych bada« dotycz¡cych

jednoprocesorowych problemów szeregowa-
nia zada« z przezbrojeniami
W kolejnych tablicach zebrano wyniki dotychczasowych bada« dotycz¡-
cych problemów szeregowania zada« z przezbrojeniami. Zestawienie wyników
dotyczy rezultatów zwi¡zanych ze zªo»ono±ci¡ obliczeniow¡ problemów i przed-
stawione zostaªo w dwóch cz¦±ciach, osobno dla problemów z przezbrojeni-
ami sekwencyjnie niezale»nymi i osobno dla problemów z przezbrojeniami
sekwencyjnie zale»nymi.
P P
Na wst¦pie nale»y zauwa»y¢, »e ju» klasyczne problemy 1|| Tj i 1|| wj Tj
s¡ odpowiednio NP-trudne [29, 96] i silnie NP-trudne [98], wi¦c wszelkie prob-
P P
lemy z przezbrojeniami i kryterium Tj lub wj Tj posiadaj¡ co najmniej
zªo»ono±¢ ich odpowiedników klasycznych. Podobnie rzecz si¦ ma z proble-
P P
mami z kryterium Ej + Tj oraz wj Ej + vj Tj . W zwi¡zku z tym, w
tablicach nie uwzgl¦dniono problemów z tymi kryteriami.
Tablica 3.1: Wyniki dotycz¡ce zªo»ono±ci obliczeniowej jednoprocesorowych

problemów szeregowania zada« przezbrojeniami sekwencyjnie niezale»nymi i
ograniczeniem technologii grupowej GT
Lp. Problem Rezultat Komentarz/Litaratura
1 1|sf , GT |Cmax O(n) [110]

2 1|sf , GTP |Lmax O(n log n) [129]
3 1|sf , GT | wj C Pj O(n log n) [129]
4 1|sf , dj = df , GT
P | Uj O(n2 ) [134]
5 1|sf , GT P| Uj otwarty [129]
6 1|sf , GT | P wj Uj NP-trudny [88]
7 1|GT | cP f O(n) [129]
8 1|GT |Cmax + P cf O(n) [129]
9 1|GTP |Lmax + P cf O(n log n) [129]
10 1|GT | Pwj Cj +P cf O(n log n) [129]
11 1|GT P | Uj + Pcf otwarty [129]
12 1|GT | wj Uj + cf NP-trudny [88]
3 Wyniki dotychczasowych bada« dotycz¡cych...

problemów szeregowania zada« z przezbrojeniami sekwencyjnie niezale»nymi
bez ograniczenia technologii grupowej GT
1 1|sf |Cmax O(n) [110]

2 1|sf |Lmax NP-trudny [13]
B
3 1|sf g |L
Pmax O(n ) [33]
4 1|sfP| Cj otwarty [129]
5 1|sf | P wj Cj otwarty [155]
B
6 1|sf | wj C Pj O(n ) [4, 32]
7 1|sf , dj =P df | Uj O(n2 ) [134]
8 1|sf | P Uj NP-trudny wynika z 1|sf |Lmax
B+1
9 1|sfP| Uj O(n ) [110]
10 1|sf | P wj Uj NP-trudny [88]
O(nB wj )
P
11 1|sf | Pwj Uj [124]
12 1|| cP f O(n) [129]
13 1||Cmax + P cf O(n) [129]
14 1||L
Pmax + Pcf NP-trudny [13]
15 1||P Cj + Pcf otwarty [129]
16 1|| Pwj Cj +P cf otwarty [129]
17 1||P Uj + Pcf NP-trudny wynika z 1|sf |Lmax
18 1|| wj Uj + cf NP-trudny [88]


problemów szeregowania zada« z przezbrojeniami sekwencyjnie zale»nymi i
ograniczeniem technologii grupowej GT
Lp. Problem Rezultat Komentarz/Literatura
1 1|sf g , GT |Cmax NP-trudny [110]

2 1|sf g , GT |L
Pmax NP-trudny [162]
3 1|sf g , GT P| Cj otwarty [162]
4 1|sf g , GT | Pwj Cj NP-trudny [106]
5 1|sf g , GT | P Uj NP-trudny wynika z 1|sf g , GT |Lmax
B+1
6 1|sf g , GT P| Uj O(n ) [110]
7 1|sf g , GT | P wj Uj NP-trudny [88]
O(nB wj )
P
8
P | wj Uj
1|sf g , GT [124]
9 1|| cf g,GT P NP-trudny [162]
P
10 1|GT |Cmax + P cf g NP-trudny wynika z 1|GT | P cf g
11 1|GT |L Pmax + Pcf g NP-trudny wynika z 1|GT | P cf g
12 1|GT P | Cj + Pcf g NP-trudny wynika z 1|GT | P cf g
13 1|GT | Pwj Cj +P cf g NP-trudny wynika z 1|GT | P cf g
14 1|GT P | Uj + Pcf g NP-trudny wynika z 1|GT | P cf g
15 1|GT | wj Uj + cf g NP-trudny wynika z 1|GT | cf g

problemów szeregowania zada« z przezbrojeniami sekwencyjnie zale»nymi i
bez ograniczenia technologii grupowej GT
1 1|sf g |Cmax NP-trudny [110]

2 1|sf g |Lmax NP-trudny [162]
B
3 1|sf g |L
Pmax O(n ) [33]
4 1|sf gP| Cj otwarty [129]
5 1|sf g | P wj Cj NP-trudny [106]
B
6 1|sf g | Pwj Cj O(n ) [4, 32]
7 1|sf gP| Uj NP-trudny wynika z 1|sf g |Lmax
8 1|sf g |P wj Uj NP-trudny [88]
9 1|| cP fg NP-trudny [162]
P
10 1||Cmax + P cf g NP-trudny wynika z 1|| P cf g
11 1||L
Pmax + Pcf g NP-trudny wynika z 1|| P cf g
12 1||P Cj + Pcf g NP-trudny wynika z 1|| P cf g
13 1|| Pwj Cj +P cf g NP-trudny wynika z 1|| P cf g
14 1||P Uj + Pcf g NP-trudny wynika z 1|| P cf g
15 1|| wj Uj + cf g NP-trudny wynika z 1|| cf g

W literaturze mo»na równie» znale¹¢ szereg algorytmów, zarówno dokªad-

nych, jak i przybli»onych dla jednoprocesorowych problemów szeregowania
z przezbrojeniami. Przykªadowo, dla problemów z kryterium Lmax opracow-
ano algorytmy dokªadne oparte o technik¦ podziaªu i oszacowa« [48, 135]
i programowania dynamicznego [33] oraz szereg algorytmów przybli»onych
P
[48, 161, 163]. Podobnie dla problemu z kryterium wj Cj zaproponowano
algorytmy dokªadne oparte o technik¦ podziaªu i oszacowa« [22, 104] i pro-
gramowania dynamicznego [32] oraz konstrukcyjne algorytmy przybli»one
[4, 41, 99, 160], jak i metaheurystyczne [23, 49, 103].
Obszerny zbiór rezultatów dotycz¡cych problemów szeregowania z przezbro-
jeniami (zarówno jednoprocesorowych, jak i wieloprocesorowych) mo»na znale¹¢
w pracach [5, 124].

jednoprocesorowych problemów szeregowa-
nia z parametrami zale»nymi od dodatkowych
zasobów
3.3.1 Wprowadzenie
Na wst¦pie nale»y zaznaczy¢, »e w literaturze naukowej rozpatruje si¦
cztery przypadki (modele) problemów z parametrami zale»nymi od zasobów.
Aby przedstawi¢ te modele wprowad¹my nast¦puj¡ce oznaczenia:
F1 (P (~u)) - kryterium czasowe zale»ne od harmonogramu

P P (zale»nego od
rozdziaªu zasobów ~u) np.: Cmax , Lmax , wj Cj itp.,
F2 (~u) - kryterium zasobowe zale»ne tylko od rozdziaªu zasobów

P P ~u - koszt
u»ycia zasobów np.: uj , wj uj itp.
W literaturze rozpatrywane s¡ nast¦puj¡ce modele:
M1 - minimalizacja F1 (P (~u)) + F2 (~u),
M2 - minimalizacja F1 (P (~u)) przy zadanym ograniczeniu F2 (~u) ≤ F̂2 ,
M3 - minimalizacja F2 (~u) przy zadanym ograniczeniu F1 (P (~u)) ≤ F̂1 ,
M4 - minimalizacja F1 (P (~u)) ∧ F2 (~u) podej±cie dwukryterialne.
atwo mo»na zauwa»y¢, »e z NP trudno±ci problemu z modelem M1, M2

lub M3 wynika NP-trudno±¢ modelu M4. Podobnie istnienie wielomianowego
algorytmu dla problemu z modelem M4 implikuje istnienie takiego algorytmu
dla problemów z modelami M1, M2 i M3. Dodatkowo nale»y zauwa»y¢, »e
NP-trudno±¢ problemu z modelem M2 (M3) implikuje NP-trudno±¢ prob-
lemu z modelem M3 (M2) i M4, ale nie implikuje NP-trudno±ci problemu z
modelem M1. Rozwa»ania powy»sze wynikaj¡ z faktu, »e modele M2 i M3
s¡ równowa»ne z punktu widzenia teorii zªo»ono±ci obliczeniowej, poniewa»
ich wersje decyzyjne s¡ identyczne, a w przypadku rozwi¡zywania problemu
M4, otrzymujemy rozwi¡zania problemów M1M3 jako podproblemów.
Z historycznego punktu widzenia, pierwszymi rozpatrywanymi proble-
mami szeregowania z parametrami zale»nymi od zasobów byªy problemy z
czasami wykonywania zale»nymi od zasobów [54, 55, 56, 63, 69, 72, 74, 75, 79,
80] (oraz z tzw. kontrolowanymi czasami wykonywania zada« [123, 150, 151]
stanowi¡ce szczególny przypadek problemów z zasobami). Nast¦pnie roz-
patrywane byªy problemy z terminami dost¦pno±ci zale»nymi od zasobów
[58, 62, 61, 64, 66, 65, 67, 70]. Niewiele rezultatów dotyczy problemów z cza-
sami przezbroje« zale»nymi od zasobów ze wzgl¦du na to, »e jest to dziedzina
rozpatrywana zaledwie od kilku lat [17, 77, 78, 83, 84]
W dalszej cz¦±ci przedstawione zostan¡ rezultaty dotychczasowych bada«
dotycz¡cych problemów szeregowania z parametrami zale»nymi od zasobów i
modelem M2 ze wzgl¦du na to, »e taki model jest rozpatrywany w tej pracy.
3.3.2 Wyniki dotychczasowych bada« dotycz¡cych jedno-

procesorowych problemów szeregowania z czasami
wykonywania zada« zale»nymi od dodatkowych
zasobów
Badania nad problemami z czasami wykonywania zale»nymi od zasobów
prowadzone byªy gªównie w zakresie wykazania zªo»ono±ci obliczeniowej tych
problemów. W pracach [56, 63] wykazano, »e w przypadku z zasobem podziel-
nym w sposób ci¡gªy problemy z ograniczeniami kolejno±ciowymi przy kry-
teriach Cmax , Lmax i Tmax s¡ wielomianowo rozwi¡zywalne odpowiednio w
czasie O(n log n), O(n2 ) i O(n2 ). Ponadto, w pracy [63] wykazano, »e prob-
lem z kryterium Cmax , ograniczeniami kolejno±ciowymi i zadanymi terminami
2
dost¦pno±ci zada« jest rozwi¡zywalny w czasie O(n ).
W pracach [54, 59, 69, 75] rozpatrywane byªy problemy z kryteriami Lmax ,
P P
Tmax , wj Cj i wj Tj przy ograniczeniach kolejno±ciowych i/lub zadanych
terminach dost¦pno±ci zada«. Zªo»ono±¢ obliczeniowa tych problemów wynika
bezpo±rednio z ich klasycznych odpowiedników (s¡ to problemy NP-trudne

lub silnie NP-trudne), jednak w wy»ej wymienionych pracach wykazano sz-

ereg wªasno±ci tych problemów i zaproponowano algorytmy optymalnego
rozdziaªu zasobu przy ustalonej kolejno±ci wykonywania zada«.
Ponadto, w pracach [72, 74, 79, 80] zaproponowano algorytmy przybli»one
oparte o techniki symulowanego wy»arzania, tabu search, algorytmów gene-
tycznych i sieci neuronowych dla rozwi¡zywania szeregu NP-trudnych i silnie
NP-trudnych przypadków tego typu problemów.
W pracy [71] wykazano szereg wªasno±ci oraz zªo»ono±¢ obliczeniow¡ prob-
lemów z zasobem podzielnym w sposób dyskretny. Rezultaty te dotycz¡
gªównie problemów z modelami M3 i M4. Dodatkowo, przyj¦to, »e zasoby
s¡ wprawdzie podzielne w sposób dyskretny, ale z kwantem równym jeden
warto±ci zasobu s¡ wybierane ze zbioru liczb caªkowitych.

procesorowych problemów szeregowania z termi-
nami dost¦pno±ci zada« zale»nymi od dodatkowych
zasobów
W przypadku problemów z terminami dost¦pno±ci zale»nymi od zasobów
istotnym rezultatem jest wykazana w pracy [60] silna NP-trudno±¢ prob-
lemu z kryterium Cmax , przy liniowym modelu terminów dost¦pno±ci. Do-
datkowo, w pracach [60, 70] wykazano, »e problem przy kryterium Cmax
jest NP-trudny (w zwykªym sensie) nawet, gdy wspóªczynnik wykorzysta-
nia zasobu jest taki sam dla wszystkich zada«. Jednocze±nie w pracach tych
wskazano szereg szczególnych przypadków rozwi¡zywalnych wielomianowo.
W pracy [65] wykazano, »e wprowadzenie ogranicze« kolejno±ciowych, ju»
do najprostszego przypadku problemu (kiedy wszystkie parametry modelu
terminu dost¦pno±ci s¡ takie same dla wszystkich zada«) czyni problem NP-
trudnym.
W pracy [70] zaproponowano szereg (25) algorytmów przybli»onych dla
problemu z kryterium Cmax i dla ka»dego z nich dokonano analizy najgorszego
przypadku.
W pracy [57] rozpatrywano problemy z nieliniowymi modelami terminów
dost¦pno±ci zada«. Przyj¦to tam zaªo»enie, »e funkcja f () opisuj¡ca termin
dost¦pno±ci jest ci¡gªa i ±ci±le malej¡ca oraz identyczna dla wszystkich zada«.
−1
Wykazano, »e je»eli funkcja f () oraz funkcja odwrotna f () s¡ wielomianowo
wyliczalne, to problem z kryterium Cmax jest wielomianowo rozwi¡zywalny i
to nawet przy zadanych ograniczeniach kolejno±ciowych.
Praca [81] dotyczy problemów z nieliniow¡ funkcj¡ modeluj¡c¡ terminy
P
dost¦pno±ci zada« (tak¡ sam¡ dla wszystkich zada«) i kryteriami Cj i
P P
wj Cj . Wykazano, »e problem z kryterium
P Cj jest NP-trudny, a prob-
lem z kryterium wj Cj jest silnie NP-trudny. Ponadto wskazano szczególne
przypadki problemu rozwi¡zywalne wielomianowo.
Obszerny zbiór rezultatów dotycz¡cych problemów z terminami dost¦p-
no±ci zale»nymi od zasobów mo»na znale¹¢ w pracy [71].

procesorowych problemów szeregowania zada« z przezbro-
jeniami zale»nymi od dodatkowych zasobów
Problemy szeregowania zada« z czasami przezbroje« zale»nymi od za-
sobów byªy rozpatrywane w bardzo w¡skim zakresie. Jedyn¡ prac¡, w której
zarówno czasy przezbroje« i czasy wykonywania zada« zale»¡ od zasobów jest
[17], jednak przyj¦ty tam model zakªada, »e ilo±¢ zasobu jest przydzielana w
takiej samej ilo±ci do wszystkich zada« i przezbroje«.
W przypadku problemów z czasami przezbroje« zale»nymi od zasobów
zaproponowano szereg algorytmów przybli»onych opartych o techniki symu-
lowanego wy»arzania, tabu search i algorytmów genetycznych w pracach
[6, 19, 20].
Ponadto w pracy [18] opracowano szereg algorytmów rozdziaªu zasobów i
wykazano przypadki rozwi¡zywalne wielomianowo dla problemów z przezbro-
jeniami zale»nymi od zasobów.
3.4 Podsumowanie
Jak wynika z przedstawionego powy»ej przegl¡du literatury dla prob-
lemów jednoprocesorowych z parametrami zale»nymi od zasobów oraz prob-
lemów z przezbrojeniami, problemy w których czasy wykonywania zada« oraz
czasy przezbroje« zale»¡ od zasobów rozpatrywane byªy w bardzo w¡skim
zakresie. W zwi¡zku z tym, celowe jest poª¡czenie tych problemów, w celu
wykazania teoretycznych wªasno±ci oraz dostarczenia gotowych narz¦dzi w
postaci algorytmów rozwi¡zania tego typu problemów.
Dodatkowo, nale»y zauwa»y¢, »e problemy z czasami przezbroje« za-
le»nymi od zasobów nie byªy rozpatrywane w wystarczaj¡cym zakresie.
W zwi¡zku z tym, w niniejszej pracy podj¦to badania nad wybranymi
problemami, w których zarówno czasy wykonywania zada«, jak i czasy przezbro-
je« zale»¡ od zasobów. Wyniki tych bada« przedstawiono w kolejnym rozdziale.
Ponadto, cze±¢ rezultatów tych bada« mo»na znale¹¢ w pracach [77, 78, 83,
84].

Rozdziaª 4
Jednoprocesorowe problemy
szeregowania z przezbrojeniami
i czasami wykonywania zada«
zale»nymi od dodatkowych
zasobów
4.1 Wprowadzenie
W niniejszym rozdziale przedstawione zostan¡ nowe wyniki, uzyskane
przez autora niniejszej pracy, dotycz¡ce jednoprocesorowych problemów sz-
eregowania zada« z przezbrojeniami. Podstawowym rezultatem tej cz¦±ci
pracy jest wprowadzenie nowych modeli, które ª¡cz¡ i uogólniaj¡ modele
rozpatrywane dotychczas. Uogólnienie to polega gªównie na tym, »e ª¡czy
wybrane problemy szeregowania zada« z przezbrojeniami z problemami, w
których czas wykonywania zadania zale»y od zasobów (rozpatrywane doty-
chczas oddzielnie). Rozpatrywane tu problemy s¡ takimi, w których zarówno
czas wykonywania zadania, jak i czas przezbrojenia zale»y od zasobów. Dal-
sza cz¦±¢ tego rozdziaªu zawiera ogóln¡ denicj¦ badanych problemów oraz
zaproponowany sposób reprezentacji rozwi¡za« (podrozdziaªy 4.2 i 4.3). Nast¦p-
nie badane s¡ wybrane konkretne problemy, gªównie pod k¡tem zªo»ono±ci
obliczeniowej, a tak»e konstruowane s¡ algorytmy ich rozwi¡zania osobno
dla przypadku z zasobem podzielnym w sposób ci¡gªy (podrozdziaª 4.4) i z za-
sobem podzielnym w sposób dyskretny (podrozdziaª 4.5). Niniejszy rozdziaª
zamyka krótkie podsumowanie uzyskanych wyników.
30
4 Jednoprocesorowe problemy szeregowania z przezbrojeniami . . .
4.2 Sformuªowanie problemów

Dane:
Dany jest zbiór J = {1, ..., n}, n niezale»nych zada« do wykonania na

pojedynczym procesorze. Ponadto, dany jest zbiór F = {If |f = 1, ..., B},
B rodzin tych»e zada«. Ka»de zadanie j ∈ J nale»y do jednej (i tylko jed-
nej) rodziny If ∈ F . Fakt przynale»no±ci zadania j do rodziny If b¦dziemy
oznacza¢ jako j ∈ If . Z ka»d¡ rodzin¡ If ∈ F zwi¡zane jest sekwencyjnie
niezale»ne przezbrojenie o czasie trwania sf ≥ 0. Przezbrojenie to wykony-
wane jest pomi¦dzy ka»dymi dwoma zadaniami j i k takimi, »e j ∈ Ig i
k ∈ If , g 6= f . W przypadku, gdy f = g przezbrojenie nie jest wykonywane.
Czas przezbrojenia sf mo»e liniowo zale»e¢ od dodatkowego zasobu:
s f = b f − af u f , u f ∈ U f , (4.1)
gdzie:
• bf ≥ 0 maksymalny czas przezbrojenia,
• af ≥ 0 wspóªczynnik wykorzystania zasobu,
• uf ≥ 0 ilo±¢ zasobu przydzielona do przezbrojenia,
• Uf zbiór warto±ci zasobu, jakie mog¡ by¢ przydzielone do przezbro-

jenia.
W przypadku zasobów podzielnych w sposób ci¡gªy, zbiór Uf jest przedzi-

aªem, tzn.: Uf = [0, ūf ], gdzie ūf jest maksymaln¡ ilo±ci¡ zasobu jaka mo»e
by¢ przydzielona do przezbrojenia sf . W przypadku zasobów podzielnych
1 αf i
w sposób dyskretny, Uf = {ūf , ..., ūf }, gdzie ūf , i = 1, ..., αf s¡ kole-
jnymi warto±ciami zasobu jakie mog¡ by¢ przydzielone do przezbrojenia. Bez
1 i i+1
utraty ogólno±ci rozwa»a« mo»emy przyj¡¢, »e ūf = 0 oraz ūf < ūf , dla
i = 1, ..., αf −1. Ze wzgl¦du na to, »e czas przezbrojenia nie mo»e by¢ warto±-
bf
ci¡ ujemn¡, nast¦puj¡ce ograniczenia musz¡ by¢ speªnione: ūf ≤ - dla
af
αf bf
zasobów podzielnych w sposób ci¡gªy oraz ūf ≤ - dla zasobów podziel-
af
nych w sposób dyskretny. Zakªada si¦, »e caªkowita ilo±¢ zasobu przydzielona
P
do przezbroje« jest ograniczona, tzn.: uf ≤ Û , gdzie Û ≥ 0 jest zadan¡
caªkowit¡ ilo±ci¡ zasobu.
Dla ka»dego zadania j∈J mog¡ by¢ okre±lone nast¦puj¡ce parametry:
• pj ≥ 0 czas wykonywania,
• rj ≥ 0 termin dost¦pno±ci,

• wj ≥ 0 waga (priorytet).
Dodatkowo dla ka»dego zadania j ∈ J okre±la si¦ parametr hj , którego

znaczenie jest takie, »e je»eli hj = f , to j ∈ If .
Podobnie do czasów przezbroje«, czasy wykonywania zada« mog¡ zale»e¢
od dodatkowego zasobu:
0 0
p j = b j − aj v j , v j ∈ V j , (4.2)
gdzie:
0
• bj ≥ 0 maksymalny czas wykonywania zadania j,
0
• aj ≥ 0 wspóªczynnik wykorzystania zasobu dla zadania j,
• vj ≥ 0 ilo±¢ zasobu przydzielona do zadania j,
• Vj zbiór warto±ci zasobu, jakie mog¡ by¢ przydzielone do zadania j.
W przypadku zasobów podzielnych w sposób ci¡gªy, zbiór Vj jest przedzi-

aªem, tzn.: Vj = [0, v̄f ], gdzie v̄f jest maksymaln¡ ilo±ci¡ zasobu jaka mo»e
by¢ przydzielona do zadania j . W przypadku zasobów podzielnych w sposób
0
α 0
dyskretny, Vj = {v̄j1 , ..., v̄j j }, gdzie v̄ji , i = 1, ..., αj s¡ kolejnymi warto±ci-
ami zasobu jakie mog¡ by¢ przydzielone do zadania j . Bez utraty ogólno±ci
1 i i+1 0
rozwa»a« mo»emy przyj¡¢, »e v̄j = 0 oraz v̄j < v̄j , dla i = 1, ..., αj − 1.
Ze wzgl¦du na to, »e czas wykonywania zadania nie mo»e by¢ warto±ci¡
0
bj
ujemn¡, nast¦puj¡ce ograniczenia musz¡ by¢ speªnione: v̄j ≤ 0
aj
- dla za-
0 0
αj bj
sobów podzielnych w sposób ci¡gªy oraz v̄j ≤ 0
aj
- dla zasobów podzielnych
w sposób dyskretny. Zakªada si¦, »e caªkowita ilo±¢ zasobów przydzielona do

P
zada« jest ograniczona, tzn. j∈J vj ≤ V̂ , gdzie V̂ ≥ 0 jest zadan¡ caªkowit¡
ilo±ci¡ zasobu.
Problem polega na znalezieniu takiej kolejno±ci wykonywania zada«

oraz takiego rozdziaªu (ograniczonych) zasobów do zada« i przezbroje«, aby
optymalizowa¢ zadane kryterium. W pracy rozwa»ane s¡ problemy minimal-
izacji nast¦puj¡cych kryteriów:
• Cmax = maxj∈J Cj dªugo±¢ uszeregowania,

P P
• wj Cj = j∈J wj Cj suma wa»onych terminów zako«czenia wykony-
wania zada«,
gdzie Cj = Sj + pj jest terminem zako«czenia wykonywania zadania j oraz

Sj jest terminem rozpocz¦cia jego wykonywania.
Dodatkowo, w rozwa»anych problemach mo»e wst¦powa¢ ograniczenie
technologii grupowej (GT - ang. Group Technology ), które zabrania dziele-
nia rodzin zada« na mniejsze grupy, tzn. zadania nale»¡ce do jednej rodziny
musz¡ by¢ wykonane kolejno, bez wykonywania mi¦dzy nimi zada« z innej
rodziny.
Powy»ej zdeniowane problemy, b¦d¡ zapisywane zgodnie z notacj¡ trójpolow¡,
w nast¦puj¡cy sposób:
• Je»eli w polu ogranicze« wyst¦powa¢ b¦dzie zapis s f = b f − af u f , to

oznacza¢ to b¦dzie, »e w problemie wyst¦puj¡ przezbrojenia zale»ne od
zasobów.
0 0
• Je»eli w polu ogranicze« wyst¦powa¢ b¦dzie zapis pj = bj − aj vj , to oz-
nacza¢ on b¦dzie, »e w problemie wyst¦puj¡ zadania o czasach wykony-
wania zale»nych od zasobów.
• Je»eli w polu ogranicze« wyst¦powa¢ b¦dzie zapis dscr, to oznacza¢ on

b¦dzie, »e zasoby s¡ podzielne w sposób dyskretny. Je»eli zapis taki
nie b¦dzie wyst¦powaª, oznacza¢ to b¦dzie, »e zasoby s¡ podzielne w
sposób ci¡gªy.
• Je»eli w polu ogranicze« wyst¦powa¢ b¦dzie zapis GT , to oznacza¢ on

b¦dzie, »e w problemie wyst¦puje ograniczenie technologii grupowej.
Przykªadowo, zapis:
0 0
X
1|dscr, sf = bf − af uf , pj = bj − aj vj , GT | wj Cj
oznacza jednoprocesorowy problem szeregowania zada« z kryterium minimal-

izacji sumy wa»onych terminów zako«czenia wykonywania zada«, z ogranicze-
niem technologii grupowej oraz czasami przezbroje« i czasami wykonywania
zada« zale»nymi od zasobów podzielnych w sposób dyskretny.
4.3 Reprezentacja rozwi¡zania (harmonogramu)

Ze wzgl¦du na to, »e rozwa»ane kryteria s¡ regularne, pojedyncze rozwi¡zanie
(harmonogram) mo»e by¢ zdeniowane przez zbiór P = {π, ~v , ~u}, gdzie π jest
permutacj¡ zbioru J okre±laj¡c¡ sekwencj¦ (kolejno±¢) wykonywania zada«,
~v jest wektorem rozdziaªu zasobów do zada« oraz ~u jest wektorem rozdziaªu
zasobów do przezbroje«.

4.4 Problemy z zasobem podzielnym w sposób ci¡gªy
Wektor ~v zdeniowany jest nast¦puj¡co:
~v = [v1 , v2 , ..., vn ]
Pn
i musi speªnia¢ ograniczenie j=1 vj ≤ V̂ .
Aby formalnie zdeniowa¢ wektor ~ u, musimy zdeniowa¢ grupy zada«.
W ka»dej permutacji π mo»emy wyró»ni¢ K (B ≤ K ≤ n) grup kolejnych
zada« nale»¡cych do jednej rodziny. Zilustrujmy to nast¦puj¡cym przykªa-
dem. Je»eli w permutacji π mo»emy wyró»ni¢ K nast¦puj¡cych grup (G(1), ..., G(K)):
π(1), ... ..., π(j − 1), π(j), ..., π(k − 1), π(k), π(k + 1), ... ..., π(n),
| {z } | {z }| {z } | {z } | {z }
G(1) G(i−1) G(i) G(i+1) G(K)
to np. i-ta grupa jest zdeniowana jako G(i) = (π(j), ..., π(k)) i ka»de zadanie
z tej grupy nale»y do tej samej rodziny (np. If ) oraz zadania π(j−1) i π(k+1)
nale»¡ do innych rodzin (nie do If ). Innymi sªowy, pomi¦dzy zadaniami w
obr¦bie jednej grupy nie s¡ wykonywane »adne przezbrojenia.
Oznaczmy przez s(i) przezbrojenie wyst¦puj¡ce przed grup¡ G(i) oraz
przez u(i) ilo±¢ zasobu przydzielonego do tego przezbrojenia. Wówczas wektor
~u zdeniowany jest nast¦puj¡co:
~u = [u(1), u(2), ..., u(K)].

PK
Ka»dy taki wektor speªnia¢ musi nast¦puj¡ce ograniczenie i=1 u(i) ≤ Û .
W przypadku, gdy w problemie wyst¦puje ograniczenie technologii grupowej
GT, wtedy w ka»dej dopuszczalnej sekwencji (permutacji π ) wyst¦puje dokªad-
nie B grup zada« i ka»de przezbrojenie wyst¦puje dokªadnie raz. Wówczas
wektor ~u zdeniowany jest nast¦puj¡co:
~u = [u1 , u2 , ..., uB ]
PB
i speªnia¢ musi ograniczenie f =1 uf ≤ Û .
Ostatecznie, problem polega na znalezieniu takiego harmonogramu
P ∗ = {π ∗ , ~v ∗ , ~u∗ }, który minimalizuje zadane kryterium.
4.4 Problemy z zasobem podzielnym w sposób

ci¡gªy
4.4.1 Minimalizacja dªugo±ci uszeregowania
W tej cz¦±ci pracy rozpatrywane b¦d¡ problemy minimalizacji dªugo±ci
uszeregowania w sytuacji, gdy zasoby s¡ podzielne w sposób ci¡gªy. W pier-
wszej kolejno±ci rozpatrywane b¦d¡ problemy bez okre±lonych terminów dost¦p-
no±ci zada«. Nast¦pnie pokazane zostanie jaki wpªyw na zªo»ono±¢ obliczeniow¡
ma uwzgl¦dnienie tych parametrów zada«.
4.4.1.1 Problemy minimalizacji dªugo±ci uszeregowania bez zadanych

terminów dost¦pno±ci zada«
W tej cz¦±ci pracy rozwa»any b¦dzie problem:
0 0
1|sf = bf − af uf , pj = bj − aj vj |Cmax . (4.3)
Na wst¦pie podanych zostanie kilka wªasno±ci tego problemu, a nast¦pnie

zaproponowany zostanie algorytm rozwi¡zania, bazuj¡cy na przedstawionych
wªasno±ciach.
Wªasno±¢ 1 Istnieje rozwi¡zanie optymalne problemu (4.3) takie, »e rodziny

zada« nie s¡ podzielone na mniejsze grupy.
Dowód. Zauwa»my, »e rozbicie dowolnej rodziny If ∈ F na dwie grupy

spowoduje, »e przezbrojenie sf , zwi¡zane z t¡ rodzin¡ b¦dzie wyst¦powa¢
dwa razy, co wpªyn¡¢ tylko mo»e na zwi¦kszenie dªugo±ci uszeregowania.
Wªasno±¢ 2 Kolejno±¢ wykonywania zada« w obr¦bie rodzin nie ma wpªywu

na dªugo±¢ uszeregowania.
Dowód. Wystarczy zauwa»y¢, »e dla dowolnej permutacji π speªniaj¡cej

Wªasno±¢ 1, warto±¢ kryterium wynosi:
n
X B
X
Cmax = pj + sf
j=1 f =1
i nie zale»y od tej permutacji.
Z Wªasno±ci 1 mo»na wyci¡gn¡¢ nast¦puj¡cy wniosek:
Wniosek 1 Rozwi¡zanie optymalne problemu (4.3) jest jednocze±nie rozwi¡zaniem

tego problemu przy wyst¦powaniu ograniczenia technologii grupowej GT.
Wªasno±¢ 3 Optymalny rozdziaª zasobu do zada« mo»e by¢ zrealizowany w

O(n log n) krokach przy u»yciu nast¦puj¡cego algorytmu:

ALGORYTM R11
Krok 1
0 0
Podstaw: J := J , V̂ := V̂ .
Krok 2
0 0 0
Znajd¹ zadanie j∗ ∈ J takie, »e aj ∗ = maxj∈J 0 aj .
Krok 3
0 0 0 0
Podstaw: vj ∗ := min{v̄j ∗ , V̂ }, V̂ := V̂ − vj ∗ , J :=
0
J \{j ∗ }.
Krok 4
0 0
Je»eli J = ∅ lub V̂ = 0 to STOP. W przeciwnym wypadku
przejd¹ do Kroku 2.
Dowód. Optymalno±¢ tego algorytmu wynika z tego, »e kryterium Cmax

0
zale»y liniowo od warto±ci parametrów aj zada«. W zwi¡zku z tym, najwi¦k-
szy spadek warto±ci kryterium uzyskamy przydzielaj¡c zasób w najwi¦kszej
0
mo»liwej ilo±ci tym zadaniom, które maj¡ najwi¦ksze wspóªczynniki aj .
Wªasno±¢ 4 Optymalny rozdziaª zasobu do przezbroje« mo»e by¢ zrealizowany

w O(B log B) krokach przy u»yciu nast¦puj¡cego algorytmu:
ALGORYTM R12
Krok 1
0 0
Podstaw: F := {1, ..., B}, Û := Û .
Krok 2
0
Znajd¹ przezbrojenie s∗f , f ∗ ∈ F takie, »e af ∗ =
maxf ∈F 0 af .
Krok 3
0 0 0 0
Podstaw: uf ∗ := min{ūf ∗ , Û }, Û := Û − uf ∗ , F :=
0
F \{f ∗ }.
Krok 4
0 0
Je»eli F = ∅ lub V̂ = 0 to STOP. W przeciwnym wypadku
Dowód. Dowód jest analogiczny do dowodu poprzedniej wªasno±ci.

Na podstawie przedstawionych wy»ej wªasno±ci mo»emy sformuªowa¢ nast¦pu-
j¡ce twierdzenie:
Twierdzenie 1 Problem (4.3) jest rozwi¡zywalny w O(n log n) krokach przy

u»yciu nast¦puj¡cego algorytmu:
ALGORYTM A1
Krok 1 Pogrupuj zadania w rodziny i wybierz dowoln¡ sekwencj¦

wykonywania rodzin.
Krok 2 Rozdziel zasób do zada« przy u»yciu Algorytmu R11 .
Krok 3 Rozdziel zasób do przezbroje« przy u»yciu Algorytmu R12 .
Dowód. Dowód powy»szego twierdzenia wynika bezpo±rednio z Wªasno±ci

1-4.
Krok 1 algorytmu A1 mo»e by¢ zrealizowany w O(n) krokach. Kroki 2 i 3

wymagaj¡ odpowiednio O(n log n) i O(B log B) kroków, tak wi¦c zªo»ono±¢
algorytmu A1 wynosi O(n log n).
4.4.1.2 Problemy minimalizacji dªugo±ci uszeregowania z zadanymi

terminami dost¦pno±ci zada«
4.4.1.2.1 Problem z ograniczeniem technologii grupowej GT
W pierwszej kolejno±ci rozpatrywany b¦dzie problem z ograniczeniem
technologii grupowej GT, czyli problem:
0 0
1|rj , sf = bf − af uf , pj = bj − aj vj , GT |Cmax (4.4)
Podobnie jak w przypadku problemu bez zadanych terminów dost¦pno±ci

zada«, najpierw przedstawione zostan¡ pewne wªasno±ci badanego problemu,
a nast¦pnie podane zostan¡ pewne szczególne przypadki badanego problemu,
dla których zaproponowane zostan¡ optymalne algorytmy wielomianowe. Na
koniec przedstawione zostan¡ skonstruowane algorytmy przybli»one dla prob-
lemu ogólnego.
Wªasno±¢ 5 Istnieje rozwi¡zanie optymalne problemu (4.4) takie, »e zada-

nia wewn¡trz rodzin uszeregowane s¡ wg niemalej¡cych warto±ci ich terminów
dost¦pno±ci (rj ).
Dowód. Zaªó»my, »e π jest uszeregowaniem optymalnym takim, »e w jednej

z rodzin (np. If ) dla dwóch kolejno wykonywanych zada« π(j) i π(j + 1)
0
zachodzi rπ(j) > rπ(j+1) . Utwórzmy z uszeregowania π uszeregowanie π takie,
»e zadania π(j) i π(j +1) s¡ wykonywane w odwrotnej kolejno±ci ni» w π , tzn.

0 0
π (j) = π(j + 1) i π (j + 1) = π(j). Dodatkowo oznaczmy przez Sj (Cj ) oraz
0 0
Sj (Cj ) terminy rozpocz¦cia (zako«czenia) wykonywania zada« odpowiednio
0
w uszeregowaniu π oraz π . Zauwa»my, »e:
Cπ(j+1) = Sπ(j+1) + pπ(j+1) = max{Cπ(j) , rπ(j+1) } + pπ(j+1) =

max{max{Cπ(j−1) , rπ(j) } + pπ(j) , rπ(j+1) } + pπ(j+1) =
max{Cπ(j−1) , rπ(j) } + pπ(j) + pπ(j+1) ≥ max{Cπ(j−1) , rπ(j+1) } + pπ(j) + pπ(j+1) =
0 0
Cπ0 (j) + pπ0 (j+1) = Cπ0 (j+1) ,
0
wi¦c Cπ0 (j+1) ≤ Cπ(j+1) .
Ostatecznie mo»emy stwierdzi¢, »e zamiana zada« π(j) i π(j + 1) nie
spowoduje, »e zako«cz¡ si¦ one pó¹niej ni» przed zamian¡. Tak wi¦c mo»emy
uzyska¢ permutacj¦ speªniaj¡c¡ udowadnian¡ wªasno±¢, bez wzrostu warto±ci
kryterium, co dowodzi jej prawdziwo±¢.
Bez utraty ogólno±ci rozwa»a« mo»na zaªo»y¢, »e wszystkie zadania i

przezbrojenia wykonywane s¡ kolejno bez przerw w pracy procesora. Je»eli
tak nie jest, to zawsze mo»na usun¡¢ przerwy przesuwaj¡c zadania b¡d¹
przezbrojenia (ich terminy rozpocz¦cia i zako«czenia wykonywania) w kierunku
rosn¡cych warto±ci czasu, nie zmieniaj¡c warto±ci kryterium. W szczególno±ci
mo»emy zaªo»y¢, »e zadania w obr¦bie jednej rodziny wykonywane s¡ bez
przerw w pracy procesora.
Wprowad¹my nast¦puj¡ce denicje:
Denicja 1 Zagregowanym zadaniem If , zdeniowanym dla ka»dej rodziny

0
0
If ∈ F , b¦dziemy nazywa¢ zadanie o czasie wykonywania pf = j∈If pj i
P
0
terminie dost¦pno±ci rf = rj ∗ − j∈If \{j ∗ } pj , gdzie j ∗ = arg maxj∈If {rj }.
P
Denicja 2 Podwójnie zagregowanym zadaniem If , zdeniowanym dla ka»dej

00
00 0
rodziny If ∈ F , b¦dziemy nazywa¢ zadanie o czasie wykonywania pf = pf +sf
00 0
i terminie dost¦pno±ci rf = rf − sf .
Zauwa»my, »e zarówno czasy wykonywania jak i terminy dost¦pno±ci
zada« powy»ej zdeniowanych s¡ wielko±ciami zale»nymi od zasobów.

00
zada« uszeregowane s¡ wg niemalej¡cych warto±ci rf .
Dowód. Zauwa»my, »e przy ustalonych (optymalnych) warto±ciach wek-
torów ~u i ~v problem (4.4) sprowadza si¦, na mocy Wªasno±ci 5, do prob-
lemu szeregowania B podwójnie zagregowanych zada«, o ustalonych termi-
nach dost¦pno±ci i ustalonych czasach wykonywania. A ten problem jest
wielomianowo rozwi¡zywalny poprzez uszeregowanie zagregowanych zada«

wg niemalej¡cych warto±ci ich terminów dost¦pno±ci [53].
Wªasno±¢ 7 W problemie 4.4, dla ustalonej sekwencji wykonywania zada«

π optymalny rozdziaª zasobów do zada« mo»na uzyska¢ w O(n log n) krokach
przy u»yciu nast¦puj¡cego algorytmu (w opisie algorytmu zakªada si¦, »e per-
mutacja π jest naturalna, tzn. π(j) = j dla j = 1, ..., n):
ALGORYTM R21
Krok 1
0 0
Podstaw: J := J ; V̂ := V̂ ; vj := 0, dla j ∈ J; wyznacz
terminy rozpocz¦cia i zako«czenia wykonywania zada«.
Krok 2
0
Znajd¹ zadanie j1 ∈ J takie, »e j1 = maxj∈J 0 {j|Sj = rj }.
Je»eli takie zadanie nie istnieje, to przejd¹ do Kroku 4.
Krok 3
0 0
Podstaw: J := J \{1, ..., j1 − 1}.
Krok 4
0 0 0
Znajd¹ zadanie j2 ∈ J takie, »e aj2 = maxj∈J 0 {aj }.
Krok 5 Sj −rj
0
Podstaw vj2 = min{v̄j2 , V̂ , minj∈{j2 +1,...,n} { aj
0 }}
2
Krok 6
0 0
Podstaw V̂ := V̂ − vj2 .
Krok 7 Wyznacz terminy zako«czenia wykonywania zada« dla

0
j∈J .
Krok 8
0 0
Je»eli vj2 = v̄j2 , to podstaw J := J \{j2 }.
Krok 9
0 0
Je»eli J =∅ lub V̂ = 0 to STOP. W przeciwnym przy-
padku przejd¹ do Kroku 2.
Zasada dziaªania tego algorytmu (oraz dowód jego optymalno±ci) jest

podobna do zasady dziaªania Algorytmu R11 . Ró»nica polega na tym, »e
Algorytm R21 dodatkowo sprawdza, czy które± z zada« nie oparªo si¦ o
swój termin dost¦pno±ci.
Wªasno±¢ 8 Dla ustalonej sekwencji wykonywania rodzin zada« optymalny

rozdziaª zasobów do przezbroje« mo»na uzyska¢ w O(B log B) krokach przy
u»yciu nast¦puj¡cego algorytmu (w opisie algorytmu zakªada si¦, »e permu-
tacja wykonywania rodzin jest naturalna, tzn. wykonywane s¡ one w kole-
jno±ci 1,2,...,B ):

ALGORYTM R22
Krok 1
0 0
Podstaw: F := {1, ..., B}; Û := Û ; uf := 0, dla f ∈
0
F ; wyznacz terminy rozpocz¦cia i zako«czenia wykonywania
zada«.
Krok 2
0
Znajd¹ zadanie j1 ∈ J takie, »e j1 = maxj∈J 0 {j|Sj = rj }.
Je»eli takie zadanie nie istnieje, to przejd¹ do Kroku 4.
Krok 3
0 0
Podstaw: F := F \{1, ..., hj1 }.
Krok 4
0
Znajd¹ przezbrojenie sf2 , f2 ∈ F , takie, »e af 2 =
maxf ∈F 0 {af }.
Krok 5 Sj −rj
0
Podstaw uf2 = min{ūf2 , Û , minj∈If2 ∪...∪IB { af2
}}
Krok 6
0 0
Podstaw Û := Û − uf2 .
Krok 7 Wyznacz terminy zako«czenia wykonywania zada«.
Krok 8
0 0
Je»eli uf2 = ūf2 , to podstaw F := F \{f2 }.
Krok 9
0 0
Je»eli F =∅ lub Û = 0 to STOP. W przeciwnym przy-
padku przejd¹ do Kroku 2.
Algorytm ten dziaªa wg tej samej zasady co Algorytm R21 .
W dalszej cz¦±ci rozpatrywany b¦dzie szczególny przypadek problemu

(4.4), w którym czasy wykonywania zada« s¡ a priori zadanymi staªymi,
tzn. nie zale»¡ one od zasobów. Problem ten b¦dziemy notowa¢ nast¦puj¡co:
1|rj , sf = bf − af uf , GT |Cmax (4.5)
Zauwa»my, »e w problemie tym zadania zagregowane maj¡ ustalone parame-

try, tzn. nie zale»¡ od zasobów. W zwi¡zku z tym, na mocy Wªasno±ci 5, prob-
lem sprowadza si¦ do wyznaczenia sekwencji wykonywania zagregowanych
zada« (rodzin) i rozdziaªu zasobów do przezbroje«.
Wprowad¹my nast¦puj¡c¡ denicj¦:
Denicja 3 Zagregowane zadanie If dominuje zagregowane zadanie Ig (If ≺ Ig )

0 0 0 0
0 0
je»eli rf − bf ≤ rg − bg − ag ūg .
Mo»emy sformuªowa¢ nast¦puj¡ce twierdzenie:
Twierdzenie 2 Je»eli w problemie (4.5) mi¦dzy ka»dymi dwoma zagregowanymi

0 0 0 0 0 0
zadaniami If i Ig zachodzi relacja dominacji (If ≺ Ig lub Ig ≺ If ), to jest on
rozwi¡zywalny w O(n log n) krokach przy u»yciu nast¦puj¡cego algorytmu:
ALGORYTM A2
Krok 1 Uszereguj zadania zgodnie z Wªasno±ci¡ 5. Wyznacz

parametry zagregowanych zada«.
Krok 2 Uszereguj zagregowane zadania zgodnie z relacj¡ dominacji,

tzn. wyznacz tak¡ sekwencj¦ wykonywania zagregowanych
∗ 0 0 0
zada« π , »e Iπ ∗ (1) ≺ Iπ ∗ (2) ≺ ... ≺ Iπ ∗ (B) .
Krok 3 Wyznacz optymalny rozdziaª zasobów do przezbroje« wg

Algorymtu R22 .
Dowód.
0 0
Nale»y zauwa»y¢, »e je»eli If ≺ Ig , to bez wzgl¦du na ilo±¢ zasobu
przydzielonego do przezbroje« sf i sg , zachodzi¢ b¦d¡ nast¦puj¡ce nierówno±ci:
0 0
rf − sf ≤ rg − sg
00 00
rf ≤ rg .
0
St¡d, na mocy Wªasno±ci 6, zagregowane zadanie If b¦dzie wykonywane
0
przed zagregowanym zadaniem Ig . Je»eli relacja dominacji zachodzi dla ka»dej
pary zagregowanych zada«, to mo»na wyznaczy¢ optymaln¡ sekwencj¦ ich
wykonywania szereguj¡c je zgodnie z t¡ relacj¡.
4.4.1.2.1.1 Algorytmy przybli»one

Ze wzgl¦du na to, »e nie udaªo si¦ wykaza¢ zªo»ono±ci obliczeniowej prob-
lemu tzn. nie wykazano, »e jest to problem NP-trudny ani nie znaleziono
optymalnego algorytmu wielomianowego zaproponowano trzy algorytmy
przybli»one. Ogóln¡ zasad¦ dziaªania tych algorytmów mo»na przedstawi¢ w
nast¦puj¡cych krokach.

ALGORYTM Hi , i ∈ {1, ..., 3}
Krok 1 Uszereguj zadania zgodnie z Wªasno±ci¡ 5. Wyznacz

parametry zagregowanych zada« zakªadaj¡c, »e vj = 0 dla
j = 1, ..., n.
Krok 2 Uszereguj zagregowane zadania (rodziny) zgodnie z reguª¡

i ∈ {1, ..., 3}.
Krok 3 Wyznacz optymalny rozdziaª zasobów do zada« wg Algo-

rymtu R21 .
Krok 4 Wyznacz optymalny rozdziaª zasobów do przezbroje« wg

Algorymtu R22 .
Zaproponowano trzy reguªy szeregowania w Kroku 2, co daje trzy algo-

rytmy przybli»one H1 , H 2 i H 3 . Reguªy te s¡ nast¦puj¡ce:
0
1. Uszereguj zagregowane zadania wg niemalej¡cych warto±ci rf .
0
2. Uszereguj zagregowane zadania wg niemalej¡cych warto±ci rf − bf .
0
3. Uszereguj zagregowane zadania wg niemalej¡cych warto±ci rf − bf +
af ūf .
Zªo»ono±¢ obliczeniowa ka»dego z zaproponowanych algorytmów wynosi

O(n log n).
4.4.1.2.1.2 Analiza eksperymentalna

Aby sprawdzi¢ efektywno±¢ zaproponowanych algorytmów H1 , H2 i H3 ,
wygenerowano 720 instancji badanego problemu dla n ∈ {5, 10, 50, 100},
B ∈ { 41 n, 12 n, 34 n}. Parametry instancji generowane byªy zgodnie z rozkªa-
dem jednostajnym na nast¦puj¡cych przedziaªach: bf ∈ [1; 100], af ∈ [0; 10],
0
b 0 0 b 0
ūf ∈ [0; aff ], bj ∈ [1; 100], aj ∈ [0; 10], v̄j ∈ [0; aj0 ], rj ∈ [0; nj=1 bj ], V̂ ∈
P
j
[1; nj=1 v̄j ]. Wygenerowane instancje podzielono na trzy grupy (G1 , G2 i G3 )
P
ze wzgl¦du na ilo±¢ caªkowitego zasobu przydzielanego do przezbroje«. Ilo±¢
ta byªa generowana z nast¦puj¡cych przedziaªów:
G1 : Û ∈ [0; 0, 33
PB
f =1 ūf ],
G2 : Û ∈ [0, 33
PB PB
f =1 ūf ; 0, 66 f =1 ūf ],
G3 : Û ∈ [0, 66
PB PB
f =1 ūf ; f =1 ūf ].
Dla ka»dej kombinacji parametrów n i B wygenerowano 20 instancji z

ka»dej grupy. Daje to ª¡czn¡ liczb¦ 720 instancji. Ka»d¡ instancj¦ rozwi¡zano
przy u»yciu algorytmów H1 , H2 i H3 oraz dodatkowo instancje dla n = 5 i n =
10 rozwi¡zano optymalnie przez przegl¡d zupeªny. Efektywno±¢ algorytmów
zostaªa zwerykowana przy u»yciu nast¦puj¡cych wska¹ników:
H
i −C ∗
Cmax Hi
• η = ∗
Cmax
max
, dla n = 5 i n = 10, gdzie Cmax jest rozwi¡zaniem
∗
dostarczonym przez algorytm Hi , i ∈ {1, .., 3} oraz Cmax jest rozwi¡zaniem
optymalnym;
Hi −C B
Cmax Hi
• χ= B
Cmax
max
, dla n ∈ {5, 10, 50, 100}, gdzie Cmax jest rozwi¡zaniem
B
dostarczonym przez algorytm Hi , i ∈ {1, .., 3} oraz Cmax jest najlep-
szym rozwi¡zaniem spo±ród znalezionych dla konkretnej instancji.
rednie warto±ci wska¹ników zostaªy zebrane w Tablicy 4.1.

Tablica 4.1: rednie wska¹niki efektywno±ci algorytmów H1 , H2 i H3 .
Algorytm H1 H2 H3
n B Grupa η̄[%] χ̄[%] η̄[%] χ̄[%] η̄[%] χ̄[%]
5 2 G1 12,76 7,21 10,35 6,24 15,97 11,08
10 3 G1 8,01 4,25 4,24 4,02 14,56 10,98
50 12 G1 4,08 2,54 8,10
100 25 G1 3,69 2,18 7,58
5 3 G1 11,17 7,03 9,24 5,37 13,89 9,97
10 5 G1 7,69 3,58 6,42 2,90 12,99 9,35
50 25 G1 2,64 2,06 7,88
100 50 G1 2,55 1,46 7,05
5 4 G1 9,43 5,12 9,01 4,98 12,31 9,78
10 8 G1 5,22 3,01 4,87 3,22 12,04 8,88
50 37 G1 1,97 1,25 7,00
100 75 G1 1,80 1,22 7,06
5 2 G2 18,69 12,36 18,46 11,79 20,68 19,54

10 3 G2 17,54 10,98 18,03 11,25 20,60 17,06
50 12 G2 12,25 13,00 16,06
100 25 G2 10,40 10,36 14,77
5 3 G2 18,04 10,06 17,30 11,00 19,45 18,03
10 5 G2 16,79 9,10 17,01 10,99 18,40 17,99
50 25 G2 7,04 10,54 12,34
100 50 G2 6,99 9,23 11,68
5 4 G2 12,24 11,91 12,06 7,89 19,03 15,30
10 8 G2 11,36 10,34 12,45 10,34 19,20 15,02
50 37 G2 6,14 5,20 9,87
100 75 G2 5,57 5,03 8,89
5 2 G3 22,45 18,50 25,94 20,45 9,42 7,29

10 3 G3 22,51 17,91 20,68 18,64 8,02 5,75
50 12 G3 15,38 17,10 5,01
100 25 G3 12,47 16,36 4,21
5 3 G3 20,04 17,69 21,64 18,64 7,65 4,25
10 5 G3 18,22 17,06 24,36 17,25 6,61 4,24
50 25 G3 15,40 12,03 1,52
100 50 G3 10,91 11,67 0,49
5 4 G3 17,65 10,98 20,11 17,64 4,21 2,21
10 8 G3 14,50 10,00 18,67 11,25 3,99 2,34
50 37 G3 9,65 11,40 0,68
100 75 G3 7,61 8,64 0,02
Podstawowym wnioskiem pªyn¡cym z analizy eksperymentalnej jest to, »e

jako±¢ dostarczanych rozwi¡za« jest tym lepsza im wi¦ksza jest liczba zada«.
Jest to do±¢ oczywisty wniosek zwa»ywszy na fakt, »e wraz ze wzrostem liczby
zada« rosn¡ warto±ci kryterium, co powoduje spadek warto±ci wspóªczyn-
ników η i χ. Mo»na równie» zaobserwowa¢, »e jako±¢ dostarczonych rozwi¡za«
jest tym lepsza im wi¦cej jest rodzin. Wynika to gªównie z faktu, »e za-
proponowane algorytmy s¡ modykacjami algorytmu optymalnego zapro-
ponowanego przez Jacksona [53] dla problemu bez przezbroje«. W zwi¡zku
z tym, im wi¦ksza liczba rodzin, tym mniej zada« wchodzi w ich skªad, a to
przybli»a badany problem do problemu rozpatrywanego przez Jacksona.
Kolejne obserwacje s¡ nast¦puj¡ce: dla instancji z grupy G1 najlepszy
okazaª si¦ algorytm H2 , G3 najlepiej sprawdzaª si¦
a dla instancji z grupy
algorytm H3 . W przypadku instancji z grupy G2 wszystkie algorytmy za-
chowywaªy si¦ podobnie, z bardzo niewielk¡ przewag¡ algorytmu H2 . S¡ to
oczekiwane rezultaty ze wzgl¦du na to, »e reguªa szeregowania rodzin w al-
gorytmie H2 zakªada niejako, »e przezbrojenia nie otrzymaj¡ zasobów, a w
algorytmie H3 , »e przezbrojenia otrzymaj¡ maksymaln¡ ilo±¢ zasobu. Bior¡c
pod uwag¦ sposób generowania instancji i zasady dziaªania zaproponowanych
algorytmów, takich wyników nale»aªo oczekiwa¢.
4.4.1.2.2 Problem bez ograniczenia technologii grupowej GT

W dalszej cz¦±ci pracy rozpatrywany b¦dzie problem bez ograniczenia
technologii grupowej GT, tzn. problem:
0 0
1|rj , sf = bf − af uf , pj = bj − aj vj |Cmax (4.6)
Dla tego problemu zaproponowane zostan¡ wielomianowe algorytmy rozdzi-

aªu zasobów przy ustalonej sekwencji wykonywania zada«. Nast¦pnie wykazane
zostanie, »e znalezienie optymalnej sekwencji wykonywania zada« przy ustalonych
wektorach rozdziaªu zasobu jest problemem NP-trudnym.
Na wst¦pie zauwa»my, »e w dowolnej sekwencji wykonywania zada« π,

mo»emy wyró»ni¢ grupy zada« nale»¡cych do jednej rodziny. Traktuj¡c te
grupy jako kolejne, oddzielne rodziny zada«, mo»emy z powodzeniem dokona¢
agregacji tych grup zada« (Denicje 1 i 2) oraz dokona¢ optymalnego rozdzi-
aªu zasobów do zada« i przezbroje« przy u»yciu algorytmów R21 i R22 (Wªas-
no±ci 7 i 8).
O ile optymalny rozdziaª zasobów przy ustalonej sekwencji wykonywania
zada« mo»e by¢ zrealizowany w czasie wielomianowym, to znalezienie opty-
malnej sekwencji przy ustalonych wektorach rozdziaªu zasobu nie mo»e by¢

zrealizowane w czasie ograniczonym wielomianem. Wynika to z nast¦puj¡cego

twierdzenia:
Twierdzenie 3 Problem (4.6) jest NP-trudny nawet, gdy czasy wykonywa-

nia zada« i czasy przezbroje« nie zale»¡ od zasobów.
Dowód. Problem (4.6) w sytuacji gdy czasy wykonywania zada« i czasy

przezbroje« nie zale»¡ od zasobów b¦dziemy notowa¢ nast¦puj¡co:
1|rj , sf |Cmax . (4.7)
Aby wykaza¢ NP-trudno±¢ problemu 4.7, transformacji wielomianowej

dokonano z NP-trudnego [13] problemu:
1|sf |Lmax . (4.8)
Oznaczmy przez DL decyzyjn¡ wersj¦ problemu (4.8) oraz przez DC

decyzyjn¡ wersj¦ problemu (4.7).
Decyzyjna wersja problemu (4.8) zdeniowana jest nast¦puj¡co:
DL:
0 0 0
Dany jest zbiór J = {1, ..., n } n zada« do wykonania na poje-
0
dynczym procesorze. Ka»de zadanie j ∈ J okre±lone jest przez czas jego
0
wykonywania pj ≥ 0 oraz oczekiwany termin zako«czenia jego wykonywania
0 0 0 0 0
dj ≥ 0. Oznaczmy przez F = {If |f = 1, ..., B } zbiór B rodzin zada«.
0
Dodatkowym parametrem hj ka»dego zadania jest przynale»no±¢ do jednej
0 0
z rodzin, tzn. je»eli hj = f , to zadanie j nale»y do rodziny If . Z ka»d¡
0 0
rodzin¡ If skojarzony jest czas przezbrojenia sf , wykonywany przed ka»d¡
grup¡ zada« z tej rodziny. Pytanie: czy istnieje takie uszeregowanie zada«,
0 0
»e maksymalna nieterminowo±¢ Lmax = maxj∈J 0 {Lj } = maxj∈J 0 {0, Cj − dj }
0
jest nie wi¦ksza ni» L̂, gdzie Cj jest terminem zako«czenia wykonywania
zadania j?
Dla porz¡dku przedstawmy równie» decyzyjn¡ wersj¦ problemu (4.7).
DC: Dany jest zbiór J = {1, ..., n} n zada« do wykonania na poje-
dynczym procesorze. Ka»de zadanie j ∈ J okre±lone jest przez czas jego
wykonywania pj ≥ 0 oraz oczekiwany termin jego dost¦pno±ci rj ≥ 0. Oz-
naczmy przez F = {If |f = 1, ..., B} zbiór B rodzin zada«. Dodatkowym
parametrem hj ka»dego zadania jest przynale»no±¢ do jednej z rodzin, tzn.
je»eli hj = f , to zadanie j nale»y do rodziny If . Z ka»d¡ rodzin¡ If skojar-
zony jest czas przezbrojenia sf , wykonywany przed ka»d¡ grup¡ zada« z tej
rodziny. Pytanie: czy istnieje takie uszeregowanie zada«, »e dªugo±¢ uszere-
gowania Cmax = maxj∈J {Cj } jest nie wi¦ksza ni» Ĉ ?
Transformacja wielomianowa z problemu DL do DC dana jest nast¦pu-
j¡co:
0 0 0 0 0
n = n ; B = B ; F = F ; sf = sf , dla f = 1, ..., B ; pj = pj dla j = 1, .., n;
0 0
rj = d − dj + shj dla j = 1, .., n; Ĉ = L̂ + d, gdzie d = maxj∈J 0 {dj }.
W obu problemach pojedyncze rozwi¡zanie mo»e by¢ reprezentowane per-
0 0 0 0
mutacj¡ zada«. Niech permutacja π = (π (1), ..., π (n )) oznacza dowolne
rozwi¡zanie problemu DL oraz niech permutacja π = (π(1), ..., π(n)) taka,
0
»e π(j) = π (n − j + 1) (j = 1, ..., n) oznacza odpowiadaj¡ce mu rozwi¡zanie
problemu DC.
W ka»dej permutacji mo»na wyró»ni¢ K grup zada«. Oznaczmy przez
0 0 0
G (i) (G(i)) i-t¡ grup¦ zada« w permutacji s (i) (s(i)) π (π ), oraz przez
0
zwi¡zane z ni¡ przezbrojenie procesora. atwo zauwa»y¢, »e G (i) = G(K−i+
0
1) oraz, »e s (i) = s(K −i+1) (i = 1, .., K ), tzn. w i-tej grupie w rozwi¡zaniu
0
π wykonywane s¡ te same zadania co w grupie (K −i+1)-szej w rozwi¡zaniu
π (z tym, »e wykonywane s¡ w odwrotnej kolejno±ci) i poprzedza je taki sam
0
czas przezbrojenia. Bez utraty ogólno±ci mo»emy zaªo»y¢, »e permutacja π
0 0
jest permutacj¡ naturaln¡ tj. π (j) = j , dla j = 1, ..., n i takie zaªo»enie
przyjmiemy w dalszej cz¦±ci dowodu.
0
Dla ka»dej pary rozwi¡za« π i π zachodzi nast¦puj¡cy lemat:
Lemat 1 Je»eli w rozwi¡zaniu π problemu DL, dla zadania j ∗ zachodzi

0
Lj ∗ = Lmax , to w odpowiadaj¡cym mu rozwi¡zaniu π problemu DC, wykony-

wanie zadania j ∗ rozpoczyna si¦ dokªadnie w jego terminie dost¦pno±ci (Sj ∗ =
rj ∗ ).
Dowód Lematu 1. Oznaczmy przez Cmax dªugo±¢ uszeregowania w prob-

0
lemie DL. Zaªó»my ponadto, »e zadanie j wykonywane jest w grupie G(i)

∗
w problemie DL. Wówczas dla tego zadania zachodzi: Lmax = Lj ∗ ≥ Ln0 =

0 0
Cmax − dn0 ≥ Cmax − d, a st¡d:
0 0 0
Cj ∗ − dj ∗ + d ≥ Cmax . (4.9)
Pn−j ∗ 0
Pn 0 Pi PK 0
Zauwa»aj¡c, »e: k=1 pπ(k) = k=j ∗ +1 pk i k=1 s(k) = k=K−i+1 s (k) +
0 0 P 0 0 0
s(i) oraz, »e Cmax − Cj ∗ = nk=j ∗ +1 pk + K
P
k=K−i+1 s (k), na podstawie (4.9)
otrzymujemy:
0
n K
0 0
X X
d − dj ∗ + s(i) ≥ pk + s (k) + s(i)
k=j ∗ +1 k=K−i+1
i dalej:
n−j ∗ i
X X
rj ∗ ≥ pπ(k) + s(k) = Cπ(n−j ∗ ) . (4.10)
k=1 k=1

Poniewa» Sj ∗ = max{rj ∗ , Cπ(n−j ∗ ) }, z (4.10) wiemy, »e zadanie rozpocznie

si¦ w swoim terminie dost¦pno±ci w rozwi¡zaniu π problemu DC, co ko«czy
dowód Lematu 1.
0
Oznaczmy przez l pierwsze zadanie w permutacji π , dla którego zachodzi
Ll = Lmax . Zadanie to, b¦dzie ostatnim zadaniem w permutacji π, którego
termin rozpocz¦cia wykonywania Sl = rl . Zaªó»my, »e zadanie l wykonywane
jest w grupie G(i) w permutacji π . Z Lematu 1 wynika nast¦puj¡ca zale»no±¢:
n K l K−i
0 0
X X X X
Cmax = rl + pπ(k) + s(k) = rl + pk + s (k) =
k=l k=i+1 k=1 k=1
l K−i l K−i+1
0 0 0 0 0 0
X X X X
d − dl + s(i) + pk + s (k) = d − dl + pk + s (k).
k=1 k=1 k=1 k=1
0 Pl 0 PK−i+1 0
Nast¦pnie zauwa»aj¡c, »e Cl = k=1 pk + k=1 s (k), otrzymujemy:
0 0
Cmax = d − dl + Cl = Ll + d = Lmax + d (4.11)
Ostatecznie z równania (4.11) mo»emy wywnioskowa¢, co nast¦puje:

DL⇒DC) Je»eli problem DL ma rozwi¡zanie takie, »e Lmax ≤ L̂, to
(
problem DC ma rozwi¡zanie takie, »e Cmax ≤ Ĉ .
(DC⇒DL) Je»eli problem DC ma rozwi¡zanie takie, »e Cmax ≤ Ĉ , to
problem DL ma rozwi¡zanie takie, »e Lmax ≤ L̂.
Ostatecznie, poniewa» problem DL jest NP-zupeªny, to mo»emy stwierdzi¢,
»e problem DC jest równie» NP-zupeªny, a jego wersja optymalizacyjna jest
NP-trudna, co ko«czy dowód.
4.4.1.3 Podsumowanie wyników

W powy»szym rozdziale analizowano problemy minimalizacji dªugo±ci
uszeregowania w sytuacji, gdy zasoby przydzielane do przezbroje« i do zada«
s¡ podzielne w sposób ci¡gªy. W pierwszej kolejno±ci wykazano, »e problem
bez okre±lonych terminów dost¦pno±ci zada« jest rozwi¡zywalny wielomi-
anowo, zarówno w przypadku wyst¦powania ograniczenia technologii grupowej,
jak i bez tego ograniczenia.
Dla problemów, w których terminy dost¦pno±ci zada« s¡ okre±lone, wykazano,
»e rozdziaª zasobów przy ustalonej sekwencji wykonywania zada« mo»e by¢
zrealizowany w wielomianowym czasie. Ponadto, wykazano, »e w szczegól-
nym przypadku gdy wyst¦puje relacja dominacji mi¦dzy rodzinami zada«
problem z ograniczeniem technologii grupowej jest wielomianowo rozwi¡zy-
walny.
Jednocze±nie wykazano, »e przy braku ograniczenia technologii grupowej,

ju» problem znalezienia optymalnej sekwencji wykonywania zada« przy ustalonych
wektorach rozdziaªu zasobów jest problemem NP-trudnym. Ponadto, zapro-
ponowano trzy algorytmy przybli»one dla problemu z ograniczeniem tech-
nologii grupowej.
Szczegóªowe wyniki tego rozdziaªu zebrano w Tablicy 4.2.
Tablica 4.2: Wyniki dotycz¡ce problemów minimalizacji dªugo±ci uszeregowa-

nia z zasobami podzielnymi w sposób ci¡gªy (skrót r.z. oznacza algorytm op-
tymalnego rozdziaªu zasobów przy ustalonej kolejno±ci wykonywania zada«).
Lp. Problem Rezultat Odno±nik

0 0
1 1|sf = bf − af uf , pj = bj − aj vj |Cmax O(n log n) Tw. 1
0 0
2 1|sf = bf − af uf , pj = bj − aj vj , GT |Cmax O(n log n) Wn. 1
0 0
3 1|rj , sf = bf − af uf , pj = bj − aj vj , GT |Cmax r.z. O(n log n) Wª. 7 i 8
4 1|rj , (≺), sf = bf − af uf , GT |Cmax O(n log n) Tw. 2
5 1|rj , sf |Cmax NP-trudny Tw. 3

4.4.2 Minimalizacja sumy wa»onych terminów zako«czenia

wykonywania zada«
W tym rozdziale pracy rozpatrywane b¦d¡ problemy minimalizacji sumy
wa»onych terminów zako«czenia wykonywania zada« w sytuacji, gdy zasoby
podzielne s¡ w sposób ci¡gªy oraz nie s¡ zadanie terminy dost¦pno±ci zada«
przy ograniczeniu technologii grupowej. Spowodowane to jest faktem, »e
problem z okre±lonymi terminami dost¦pno±ci zada« i bez ograniczenia tech-
nologii grupowej, jest ju» w klasycznej postaci (tj. bez przezbroje« i zasobów)
problemem NP-trudnym [98]. Ponadto, dla problemów tego typu (nawet z
przezbrojeniami zale»nymi od zasobów) opracowano efektywne algorytmy
metaheurystyczne oparte o techniki ewolucyjne, symulowanego wy»arzania i
tabu search, które mog¡ z ªatwo±ci¡ by¢ uogólnione do problemów, w których
zarówno czasy przezbroje« i czasy wykonywania zada« zale»¡ od zasobów
[6, 19, 20].
Reasumuj¡c, rozpatrywany b¦dzie problem:
0 0
X
1|sf = bf − af uf , pj = bj − aj vj , GT | wj Cj . (4.12)
4.4.2.1 Wªasno±ci problemu oraz analiza zªo»ono±ci obliczeniowej

W pierwszej kolejno±ci wykazanych zostanie kilka wªasno±ci tego prob-
lemu oraz wskazane zostan¡ szczególne przypadki rozwi¡zywalne wielomi-
anowo. Nast¦pnie zaproponowane zostan¡ algorytmy przybli»one do rozwi¡za-
nia problemu ogólnego.
Wªasno±¢ 9 Istnieje rozwi¡zanie optymalne problemu (4.12) takie, »e zada-

nia wewn¡trz rodzin uszeregowane s¡ wg reguªy SWPT (ang. Shortest Weighted
p
Processing Time rst [138]), tj. wg niemalej¡cych warto±ci ilorazów wjj .
Dowód. Zaªó»my, »e znane jest rozwi¡zanie optymalne, w którym uszere-
gowanie zada« okre±lone jest permutacj¡ π . Zaªó»my równie», »e permutacja
ta nie speªnia reguªy SWPT, tzn. istniej¡ co najmniej dwa zadania π(j) i
π(j + 1) nale»¡ce do tej samej rodziny takie, »e
pπ(j) pπ(j+1)
≥ (4.13)
wπ(j) wπ(j+1)
Warto±¢ kryterium dla permutacji π wynosi:
X
T (π) = wj Cj = T0 + wπ(j) Cπ(j) + wπ(j+1) Cπ(j+1) =
j∈J
T0 + wπ(j) pπ(j) + wπ(j+1) (pπ(j) + pπ(j+1) ) + Sπ(j) (wπ(j) + wπ(j+1) ),
P
gdzie T0 = j∈J \{π(j),π(j+1)} wj Cj .
0
Utwórzmy uszeregowanie π z rozwi¡zania π π(j) i π(j +
takie, »e zadania
0
1) wykonywane s¡ w nim w odwrotnej kolejno±ci, tzn. π (j) = π(j + 1) i
0
π (j + 1) = π(j). Zauwa»my, »e po takiej zamianie, terminy rozpocz¦cia i
zako«czenia wykonywania pozostaªych zada« nie zmieni¡ si¦. W zwi¡zku z
tym, warto±¢ kryterium wynosi:
0
X
T (π ) = wj Cj = T0 + wπ0 (j) Cπ0 (j) + wπ0 (j+1) Cπ0 (j+1) =
j∈J
T0 + wπ(j+1) Cπ0 (j) + wπ(j) Cπ0 (j+1) =

T0 + wπ(j+1) pπ(j+1) + wπ(j) (pπ(j) + pπ(j+1) ) + Sπ(j) (wπ(j) + wπ(j+1) ),
Nast¦pnie, uwzgl¦dniaj¡c nierówno±¢ (4.13), mamy:
0
T (π) − T (π ) = wπ(j) pπ(j) + wπ(j+1) (pπ(j) + pπ(j+1) )−
wπ(j+1) pπ(j+1) − wπ(j) (pπ(j) + pπ(j+1) ) =
wπ(j+1) pπ(j) − wπ(j) pπ(j+1) ≥ 0,
a st¡d:
0
T (π) ≥ T (π ).
Ostatecznie, mo»emy stwierdzi¢, »e zamiana zada« π(j) i π(j + 1) nie

przyniesie pogorszenia warto±ci kryterium, wi¦c dla ka»dego rozwi¡zania (op-
tymalnego) mo»na uzyska¢ rozwi¡zanie zgodne z reguª¡ SWPT o nie gorszej
warto±ci kryterium.
Wªasno±¢ 10 Przy ustalonej sekwencji wykonywania zada« π , optymalny

rozdziaª zasobów do zada« mo»e by¢ zrealizowany w czasie O(n2 ) przy u»y-
ciu nast¦puj¡cego algorytmu (w opisie algorytmu zakªada si¦, »e permutacja
zada« jest naturalna, tzn. π(j) = j , dla j = 1, ..., n):

ALGORYTM R31
Krok 1
0 0
Podstaw: J := J , V̂ := V̂ .
Krok 2 ∗ 0 0 Pn
Znajd¹zadanie j ∈ J takie, »e aj ∗ k=j ∗ wk =
0 Pn
maxj∈J 0 {aj k=j wk }.
Krok 3
0 0 0
Podstaw: vj ∗ := min{v̄j ∗ , V̂ }, V̂ := V̂ − vj ∗ ,
0 0 ∗
J := J \{j }.
Krok 4
0 0
Dowód. Dowód optymalno±ci tego algorytmu jest analogiczny do dowodu

optymalno±ci algorytm R11 .
Wªasno±¢ 11 Przy ustalonej sekwencji wykonywania zada« π , optymalny

rozdziaª zasobów do przezbroje« mo»e by¢ zrealizowany w czasie O(n2 ) przy
u»yciu nast¦puj¡cego algorytmu (w opisie algorytmu zakªada si¦, »e w per-
mutacji π rodziny zada« wykonywane s¡ w kolejno±ci I1 , ..., IB ):
ALGORYTM R32
Krok 1
0 0
Podstaw: F := {1, ..., B}, Û := Û .
Krok 2 Znajd¹
0
przezbrojenie sf ∗ f ∗ ∈ F takie, »e
PB P PB P
af ∗ k∈Ig wk = maxf ∈F {af k∈Ig wk }.
0
g=f ∗ g=f
Krok 3
0 0 0
uf ∗
Podstaw: := min{ūf ∗ , Û }, Û := Û − uf ∗ ,
0 0 ∗
F := F \{f }.
Krok 4
0 0
Je»eli F = ∅ lub Û = 0 to STOP. W przeciwnym wypadku
Dowód. Dowód optymalno±ci tego algorytmu jest analogiczny do dowodu

optymalno±ci algorytm R31 .
Denicja 4 Zagregowanym zadaniem (okre±lonym dla ka»dej P rodziny If ∈

0
F ), b¦dziemy nazywa¢ zadanie o czasie wykonywania pf = sf + j∈If pj oraz
0
wadze wf = j∈If wf .
P
Nale»y zwróci¢ uwag¦ na to, »e czasy wykonywania zagregowanych zada«

s¡ wielko±ciami zale»nymi od zasobów w sposób nieliniowy.

zada« uszeregowane s¡ wg reguªy SWPT, tj. wg niemalej¡cych warto±ci ilo-
0
pj
razów 0
wj
.
Dowód. Oznaczmy przez

P Tf warto±¢ wnoszon¡ do kryterium przez zadania
z rodziny If , tzn. Tf = j∈If wj Cj . Zaªó»my dodatkowo, »e do rodziny If
nale»¡ zadania a, ..., b i »e s¡ wykonywane w tej wªa±nie kolejno±ci. Niech
0
Sf oznacza termin rozpocz¦cia wykonywania rodziny (termin rozpocz¦cia
wykonywania przezbrojenia sf ). Wówczas:
0 0
X
Tf = wj Cj = (Sf + sf + pa )wa + (Sf + sf + pa + pa+1 )wa+1 + ...
j∈If
0
+(Sf + sf + pa + pa+1 + ... + pb−1 )wb−1 +
0
(Sf + sf + pa + pa+1 + ... + pb−1 + pb )wb =
b b b−1 b b−1 b
0 0 0 0
X X X X X X
(Sf + sf + pj ) wj − wk pj = (Sf + pf )wf − wk pj .
j=a j=a k=a j=k+1 k=a j=k+1
Pb Pb−1 0
Zauwa»my, »e skªadnik k=a wk j=k+1 pj nie zale»y od terminu Sf (zale»y
od kolejno±ci wykonywania zada« w obr¦bie rodziny, a ta, jak wiemy z Wªas-
no±ci 9, powinna by¢ zgodna z reguª¡ SWPT). W zwi¡zku z tym, caª¡ rodz-
in¦ mo»emy traktowa¢ jako pojedyncze zagregowane zadanie o parametrach
danych w Denicji 4. Dalsza cz¦±¢ dowodu przebiega tak samo jak dowód
Wªasno±ci 9, przy czym nale»y rozpatrywa¢ nie pojedyncze zadania ale caªe
rodziny zada« (zagregowane zadania).
W dalszej cz¦±ci rozpatrywane b¦d¡ dwa nast¦puj¡ce szczególne przy-

padki problemu:
X
1|sf = bf − af uf , GT | wj Cj . (4.14)
0 0
X
1|pj = bj − aj vj , | wj Cj . (4.15)
Sformuªujmy nast¦puj¡ce twierdzenie:

Twierdzenie 4 Je»eli problem (4.15) rozwi¡zywalny jest w czasie t(n), to

problem (4.14) rozwi¡zywalny w czasie O(n log n)t(B).
Dowód. Zauwa»my, »e po agregacji zada« w problemie (4.14), zgodnie z

Denicj¡ 4, otrzymamy zagregowane zadania o czasach wykonywania za-
le»nych liniowo od zasobu, tzn.:
0 00
X
pf = p j + b f − af u f = b f − af u f .
j∈If
Z Wªasno±ci 9 wiemy, jak zadania s¡ uszeregowane wewn¡trz rodzin i mo»e

to by¢ zrealizowane w czasie O(n log n). W zwi¡zku z tym, problem ten
sprowadza si¦ do problemu szeregowania B zagregowanych zada« przy kry-
PB 0
terium minimalizacji f =1 wf Cf (patrz dowód Wªasno±ci 6), czyli taki sam
jak problem (4.15). W zwi¡zku z tym, je»eli problem (4.15) jest rozwi¡zy-
walny w czasie t(n), to problem (4.14) mo»na rozwi¡za¢ w czasie O(n log n)t(B).
W zwi¡zku z Twierdzeniem 4, w dalszej cz¦±ci rozpatrywany b¦dzie prob-

lem (4.15), poniewa» jest on ªatwiejszy w analizie, a wszelkie rezultaty b¦d¡
prawdziwe równie» dla problemu (4.14).
Zauwa»my, »e optymalny rozdziaª zasobów przy ustalonej permutacji dla
problemu (4.15) mo»na uzyska¢ przy u»yciu Algorytmu R31 . Na tej podstawie
sformuªowana zostaªa nast¦puj¡ca wªasno±¢:
Wªasno±¢ 13 Istnieje rozwi¡zanie optymalne problemu (4.15), w którym co

najwy»ej jedno zadanie ma przydzielon¡ po±redni¡ warto±¢ zasobu (0 < vj <
v̄j ). Pozostaªe zadania albo maj¡ przydzielon¡ maksymaln¡ mo»liw¡ ilo±¢ za-
sobu (vj = v̄j ) albo nie maj¡ przydzielonego zasobu wcale (vj = 0).
Dowód. Dowód tej wªasno±ci wyniki bezpo±rednio z zasady dziaªania Al-

gorytmu R31 .
Niech σ = (σ(1), ..., σ(n)) b¦dzie permutacj¡ zada« tak¡, »e v̄σ(j) ≤

v̄σ(j+1) , dla j = 1, ..., n − 1. Niech nv oznacza maksymaln¡ liczb¦ zada«,
które mog¡ otrzyma¢ zasób, tzn.:
( )
Xnv
nv = arg max nv v̄σ(j) < V̂ + 1.

1≤nv ≤n
j=1
Wówczas, na podstawie Wªasno±ci 13, mo»na sformuªowa¢ nast¦puj¡ce twierdze-

nie:
Twierdzenie 5 Problem (4.15) jest rozwi¡zywalny w czasie:

n
O n log n = O(nnv +1 log n),
nv
przy u»yciu nast¦puj¡cego algorytmu:
ALGORYTM A3
Krok 1 Wyznacz wszystkie mo»liwe wektory ~u rozdziaªu zasobów

speªniaj¡ce Wªasno±¢ 13.
Krok 2 Dla ka»dego wyznaczonego w kroku pierwszym wektora ~v

wyznacz optymaln¡ permutacj¦ π zada« zgodnie z Wªasno±ci¡
12. Wyznacz warto±¢ funkcji kryterialnej dla ka»dej z par (π, ~v ).
Krok 3 Wybierz t¡ par¦ (π, ~v ), która daje najmniejsz¡ warto±¢

funkcji kryterialnej.
Dowód. atwo zauwa»y¢, »e wektorów rozdziaªu zasobów speªniaj¡cych

n

Wªasno±¢ 13 jest nie wi¦cej ni» (Krok 1 Algorytmu A3 ). Krok drugi tego
nv
algorytmu wymaga O(n log n) czasu, wiec caªy algorytm mo»na zrealizowa¢

n

w czasie O nv
n log n .
Nale»y zwróci¢ uwag¦ na to, »e Algorytm A3 jest wielomianowy, gdy
V̂ = const (tzn. nie stanowi danych wej±ciowych problemu). Wynika to z
zaªo»enia, »e wszystkie parametry problemu s¡ wielko±ciami caªkowitymi -
wówczas nv ≤ V̂ . W ogólno±ci jest to oczywi±cie algorytm wykªadniczy, jed-
nak jego efektywno±¢ (czas dziaªania) jest lepsza ni» algorytmu opartego o
przegl¡d zupeªny. Wynika to z faktu, »e liczba wektorów speªniaj¡cych Wªas-
n
no±¢ 13 jest niewielka gdy caªkowita ilo±¢ zasobu jest du»a (nu ), lub gdy
2
n
caªkowita ilo±¢ zasobu jest maªa (nu ).
2

Denicja 5 Zadanie j dominuje zadanie k (j ≺ k ), je»eli

0 0 0
bj b − ak v̄k
≤ k . (4.16)
wj wk
Na podstawie powy»szej denicji mo»na sformuªowa¢ nast¦puj¡ce twierdze-

nie:
Twierdzenie 6 Je»eli w problemie (4.15) mi¦dzy ka»dymi dwoma zadani-

ami j i k zachodzi relacja dominacji (tzn. j ≺ k lub k ≺ j ), to jest on
rozwi¡zywalny w czasie O(n2 ) przy u»yciu nast¦puj¡cego algorytmu:
ALGORYTM A4
Krok 1 Uszereguj zadania zgodnie z relacj¡ dominacji, tzn.

wyznacz tak¡ sekwencj¦ wykonywania zada« π ∗ , »e
∗ ∗
π (1) ≺ π (2) ≺ ... ≺ π ∗ (n).

rymtu R31 .
Dowód. Wystarczy zauwa»y¢, »e je»eli nierówno±¢ (4.16) zachodzi, to nieza-

le»nie od ilo±ci przydzielonego zasobu zadanie j powinno by¢ wykonywane
przed zadaniem k (na mocy Wªasno±ci 12). W zwi¡zku z tym, je»eli mi¦dzy
ka»dymi dwoma zadaniami zachodzi relacja dominacji, to mo»emy wyznaczy¢
optymaln¡ sekwencj¦ ich wykonywania w czasie O(n log n) i nast¦pnie dokona¢
2
optymalnego rozdziaªu zasobów w czasie O(n ) (zªo»ono±¢ Algorytmu R31 ).
4.4.2.2 Algorytmy przybli»one

Do rozwi¡zania problemu (4.15) zastosowano cztery algorytmy przybli»one
oznaczone odpowiednio H4 , H5 , H6 i H7 . Zasada dziaªania algorytmów H4
H5 i H6 mo»e by¢ przedstawiona w nast¦puj¡cych krokach:
ALGORYTM Hi , i ∈ 4, 5, 6
Krok 1 Uszereguj zadania zgodnie z reguª¡ i.

rymtu R31 .
Zastosowano nast¦puj¡ce reguªy szeregowania w Kroku 1:
0 0
4. Wyznacz permutacj¦ π tak¡, »e bπ(j) ≤ bπ(j+1) , dla j = 1, ..., n − 1.
5. Wyznacz permutacj¦ π tak¡, »e wπ(j) ≤ wπ(j+1) , dla j = 1, ..., n − 1.

0 0
bπ(j) bπ(j+1)
6. Wyznacz permutacj¦ π tak¡, »e
wπ(j)
≤ wπ(j+1)
, dla j = 1, ..., n − 1.
Zªo»ono±¢ obliczeniowa tych algorytmów wynosi O(n2 ).

Aby zaprezentowa¢ algorytm H7 konieczna jest pewna dodatkowa analiza
problemu.
Na wst¦pie zauwa»my, »e zastosowanie algorytmu rozdziaªu zasobów R31
dla permutacji zgodnej z reguª¡ SWPT, mo»e spowodowa¢, »e powstaªy har-
monogram nie b¦dzie speªniaª tej reguªy. W zwi¡zku z tym, mo»na tak
zmodykowa¢ algorytm R31 , aby uwzgl¦dniaª reguª¦ SWPT. Taka wªa±nie
jest ogólna idea Algorytmu H7 .
Zaªó»my, »e permutacja π jest permutacj¡ naturaln¡ (π(j) =j dla j =
1, ..., n) oraz, »e jest zgodna z reguª¡ SWPT. Dodatkowo zaªó»my, »e zada-
nia nie maj¡ przydzielonych zasobów. Wówczas przydzielenie do zadania j
k k+1
zasobu w ilo±ci vj ≤ vj ≤ vj , gdzie:
0 0
bj bj−k wj
vjk = 0 − 0 (4.17)
aj aj wj−k
spowoduje, »e reguªa SWPT przestanie by¢ zachowana. Co wi¦cej, aby reguªa

ta byªa zachowana po przydzieleniu takiej ilo±ci zasobu, zadanie j powinno
k
by¢ wykonywane pomi¦dzy zadaniami k − 1 a k . Wielko±¢ vj dla j ∈ J ,
k = 1, ..., j − 1 b¦dzie nazywana k -t¡ progow¡ ilo±ci¡ zasobu zadania j .

Zauwa»my, »e przydzielenie do zadania j zasobu w ilo±ci vj ≤ vj1 nie

spowoduje zªamania reguªy SWPT, spowoduje za to spadek warto±ci kry-
terium o:
n
0
X
zj0 (vj ) = aj vj wl
l=j
Je»eli przydzielimy do zadania j , vj zasobu, vj2 ≥ vj ≥ vj1 , oraz zamien-

imy kolejno±¢ wykonywania zada« j oraz j − 1, to nast¡pi spadek warto±ci
kryterium o:
n
0
X
zj1 (vj ) = aj v j wπ(l) + wj−1 (vj − vj1 ) =
l=j
n
0 0 0 0 0
X
aj v j wπ(l) + bj−1 wj − bj wj−1 = zj0 (vj ) + bj−1 wj − bj wj−1 .
l=j−1
Podobnie dla vj3 ≥ vj ≥ vj2 otrzymamy:
n
0 0 0
X
zj2 (vj ) = aj v j wπ(l) + wj−1 (vj − vj1 ) + wj−2 (vj − vj2 ) = zj1 (vj ) + bj−2 wj − bj wj−2
l=j
i ogólnie dla vjk+1 ≥ vj ≥ vjk :
0 0
zjk (vj ) = zjk−1 (vj ) + bj−k wj − bj wj−k (4.18)
lub równowa»nie:
n j j
0 0 0
X X X
zjk (vj ) = aj v j wπ(l) + wj bl − bj wl . (4.19)
l=j−k l=j−k l=j−k
W tym miejscu przypomnijmy Wªasno±¢ 13, która mówi o tym, »e co na-

jwy»ej jedno zadanie ma przydzielony zasób w ilo±ci 0 < vj < v̄j . W zwi¡zku
z tym algorytm H7 dziaªa tak, »e kolejno przydziela zasób w maksymalnej
mo»liwej ilo±ci tym zadaniom, które spowoduj¡ najwi¦kszy spadek warto±ci
k
kryterium, czyli dla których warto±¢ funkcji zj jest najwi¦ksza. Zasad¦ dzi-
aªania tego algorytmu mo»na przedstawi¢ w nast¦puj¡cych krokach:
ALGORYTM H7
Krok 1
0 0
Podstaw: J := J , V̂ := V̂ .
Krok 2
0 0 0
Dla ka»dego zadania j ∈ J wyznacz vj = min{v̄j , V̂ } oraz
progowe ilo±ci zasobów vjk zgodnie z równaniem (4.17).
Krok 3
0
Dla ka»dego zadania j ∈ J wyznacz kj takie, »e
k 0 k +1
vj j < v j ≤ vj j .
Krok 4
0 k ∗ 0
Znajd¹ zadanie j∗ ∈ J takie, »e zj ∗j (vj ∗ ) =
k 0
maxj∈J 0 {zj j (vj )} (równanie (4.18) lub (4.19)).
Krok 3
0 0 0 0 0
Podstaw: vj ∗ := vj ∗ , V̂ := V̂ − vj ∗ , J := J \{j ∗ } oraz
0 0 0
bj ∗ := bj ∗ − aj ∗ vj ∗ .
Krok 6
0 0
Zªo»ono±¢ obliczeniowa tego algorytmu wynosi O(n3 )
4.4.2.3 Analiza eksperymentalna

W celu przebadania jako±ci rozwi¡za« dostarczonych przez algorytmy H4 -
H7 wygenerowano 1100 instancji badanego problemu. Parametry instancji
byªy generowane zgodnie z rozkªadem jednostajnym na nast¦puj¡cych przedzi-
0
0 0 b P
aªach: bj ∈ [1; 100], aj ∈ [1; 10] wj ∈ [1; 10], v̄j ∈ [0; aj0 ], V̂ ∈ [0; j∈J v̄j ].
j
Wygenerowano dwie grupy instancji:
G1 : 100 instancji dla n = 30
G2 : 1000 instancji dla n = 100

Wszystkie instancje rozwi¡zano algorytmami H 4 -H 7 , dodatkowo instancje z
grupy G1 rozwi¡zano optymalnie zgodnie z Algorytmem A3 . Jako±¢ rozwi¡za«
dostarczanych przez algorytmy oceniono przy pomocy nast¦puj¡cych wska¹ników:
T Hi −T ∗ H
• η= T∗
, dla instancji z grupy G1 , gdzie T i jest warto±ci¡ kryterium
∗
dla rozwi¡zania dostarczonego przez algorytm Hi , i ∈ {4, .., 7} oraz T
jest rozwi¡zaniem optymalnym;

T Hi −T B H
• χ = TB
, dla instancji z grupy G2 , gdzie T i jest rozwi¡zaniem
B
dostarczonym przez algorytm Hi , i ∈ {4, .., 7} oraz T jest najlepszym
rozwi¡zaniem spo±ród znalezionych dla konkretnej instancji.
rednie warto±ci wska¹ników zebrano w Tablicy 4.3.

Na podstawie analizy eksperymentalnej mo»na wyci¡gn¡¢ nast¦puj¡ce
wnioski:
Algorytmy H4 i H6 dostarczaj¡ rozwi¡za« o sªabej jako±ci i s¡ praktycznie
bezu»yteczne, zwªaszcza, »e Algorytm H5 o porównywalnym czasie dziaªa-
nia dostarcza rozwi¡za« du»o lepszych (ok. 1% gorszych od optiumum). Na
szczególn¡ uwag¦ zasªuguje Algorytm H7 , który dostarczaª zawsze najlep-
szych rozwi¡za«. Co wi¦cej, dla 100 rozwi¡zanych instancji z grupy G1 tylko
w 4 przypadkach dostarczyª rozwi¡zania nieoptymalnego, ale i tak niewiele
gorszego od optymalnego.

W powy»szym rozdziale analizowano problemy minimalizacji sumy wa»onych
terminów zako«czenia wykonywania zada«. W problemach tych wyst¦puje
ograniczenie technologii grupowej oraz zarówno czas przezbrojenia, jak i czas
wykonywania zadania liniowo zale»y od zasobu podzielnego w sposób ci¡gªy.
W pierwszej kolejno±ci wykazano kilka wªasno±ci badanego problemu, a
nast¦pnie opracowano wielomianowe algorytmy optymalnego rozdziaªu za-
sobów przy ustalonej sekwencji wykonywania zada«.
Nast¦pnie analizowano dwa szczególne przypadki problemu, w których
albo czasy wykonywania zada«, albo czasy przezbroje« zale»¡ od zasobów.
Pokazano, »e te przypadki problemu s¡ równowa»ne i opracowano dla nich
efektywny, wykªadniczy algorytm optymalny. Ponadto, wykazano dwa przy-
padki problemu rozwi¡zywalne wielomianowo. W ostatniej cz¦±ci rozdziaªu
zaproponowano i eksperymentalnie przebadano, cztery algorytmy przybli»one,
w±ród których jeden dostarcza rozwi¡za« bardzo bliskich rozwi¡zaniom op-
tymalnym.
Najistotniejsze wyniki tego rozdziaªu zestawiono w Tablicy 4.4
Tablica 4.3: rednie wska¹niki efektywno±ci algorytmów H 4 -H 7
Algorytm H4 H5 H6 H7
η̄[%] 27,80 1,23 138,12 0,0002
χ̄[%] 22,45 1,17 120,72 0,00
Tablica 4.4: Wyniki dotycz¡ce problemów minimalizacji sumy wa»onych ter-

minów zako«czenia wykonywania zada« z zasobami podzielnymi w sposób
ci¡gªy (skrót r.z. oznacza algorytm optymalnego rozdziaªu zasobów przy
ustalonej kolejno±ci wykonywania zada«).

0 0
r.z. O(n2 )
P
1 1|sf = bf − af uf , pj = bj − aj vj , GT | wj Cj Wª. 10 i 11
P nu +2 2
2 1|sf = bf − af uf , GT | wj Cj O(n log n) Tw. 5
0 0
O(nnv +1 log n)
P
3 1|pj = bj − aj vj | wj Cj Tw. 5
0 0
O(n2 )
P
4 1|(≺), pj = bj − aj vj | wj Cj Tw. 6
4.5 Problemy z zasobem podzielnym w sposób

dyskretny
4.5.1 Minimalizacja dªugo±ci uszeregowania
4.5.1.1 Analiza zªo»ono±ci obliczeniowej
W niniejszym rozdziale rozpatrywany b¦dzie problem szeregowania z przezbro-
jeniami i czasami wykonywania zada« zale»nymi od zasobów podzielnych w
sposób dyskretny oraz bez okre±lonych terminów dost¦pno±ci zada«, przy
kryterium minimalizacji dªugo±ci uszeregowania. Problem ten jest nast¦pu-
j¡cy:
0 0
1|dscr, sf = bf − af uf , pj = bj − aj vj |Cmax , (4.20)
Na wst¦pie nale»y zauwa»y¢, »e Wªasno±¢ 1, Wªasno±¢ 2 oraz Wniosek 1,

przedstawione w Rozdziale 4.4.1, s¡ sªuszne równie» dla problemu rozpatry-
wanego w tym rozdziale. W zwi¡zku z tym, mo»emy sformuªowa¢ nast¦puj¡ce
twierdzenie:
Twierdzenie 7 Przy ustalonych warto±ciach wektorów rozdziaªu zasobów ~u

i ~v , optymaln¡ sekwencj¦ wykonywania zada« otrzymujemy przez dowolne
uszeregowanie zada« speªniaj¡ce ograniczenie technologii grupowej GT.
Dowód. Powy»sze twierdzenie jest bezpo±redni¡ konsekwencj¡ Wªasno±ci

1, Wªasno±ci 2 oraz Wniosku 1.
W dalszej cz¦±ci wykazane zostanie, »e dla ka»dej ustalonej sekwencji

wykonywania zada« π, optymalny rozdziaª zasobów do zada« i optymalny

4.5 Problemy z zasobem podzielnym w sposób dyskretny
rozdziaª zasobów do przezbroje« nie mo»e by¢ zrealizowany w wielomianowym

czasie. Przedstawione to zostanie w dwóch kolejnych twierdzeniach.
Twierdzenie 8 Problem optymalnego rozdziaªu zasobów do zada«, przy ustalonej

kolejno±ci ich wykonywania, w problemie (4.20) jest NP-trudny.
Dowód. Transformacji wielomianowej dokonano z NP-zupeªnego problemu

podziaªu ( PART). Problem podziaªu zdeniowany jest nast¦puj¡co:
PART: Dany jest zbiór m elementów N = {1, ..., m}P

. Dla ka»dego elementu
j∈N zdeniowana jest jego warto±¢ qj > 0 taka, »e j∈N qj = 2Q. Pytanie:
czy istnieje podziaª zbioru
P P N na dwa rozª¡czne podzbiory N1 i N2 takie, »e
j∈N1 qj = j∈N2 qj = Q?
Wersj¦ decyzyjn¡ problemu (4.20) oznaczymy przez DP.
DP: Dany jest problem (4.20). Pytanie: czy istnieje takie rozwi¡zanie tego
problemu, »e Cmax ≤ Ĉ ?
Na podstawie danych problemu PART skonstruowana zostaªa nast¦pu-

j¡ca instancja problemu DP:
n = m; B = 1; s1 = 0;
0 0
bj = qj , aj = 1, Vj = {0; v̄j }, v̄j = qj , j = 1, ..., n;
V̂ = Q; Ĉ = Q
Nale»y zauwa»y¢, »e warto±¢ kryterium dla tak skonstruowanej instancji

wynosi:
n
X
Cmax = pj
j=1
i nie zale»y od sekwencji wykonywania zada«. W zwi¡zku z tym, mo»emy

zaªo»y¢, »e sekwencja ta jest dowolna, ale ustalona.
Dodatkowo, ze wzgl¦du na to, »e ka»dy zbiór Vj jest dwuelementowy, dla
dowolnego wektora rozdziaªu zasobów ~ v mo»emy wyró»ni¢ dwa zbiory zada«:
J1 - zadania, dla których vj = v̄j oraz J2 - zadania, dla których vj = 0. atwo
zauwa»y¢, »e J1 ∪ J2 = J oraz J1 ∩ J2 = ∅.
Zauwa»my, »e pj = 0 dla j ∈ J1 . W zwi¡zku z tym, warto±¢ kryterium
wynosi:
X
Cmax = pj .
j∈J2
Aby problem DP posiadaª rozwi¡zanie (odpowied¹ na postawione pytanie

brzmiaªa TAK) speªnione musz¡ by¢ nast¦puj¡ce dwie nierówno±ci:
X
vj ≤ V̂ , (4.21)
j∈J1
X
pj ≤ Ĉ. (4.22)
j∈J2
Podstawiaj¡c w nierówno±ci (4.21) J1 = J \J2 , V̂ = Q oraz pami¦taj¡c,

»e vj = v̄j = qj dla j ∈ J1 otrzymujemy:

X
qj ≤ Q,
j∈J \J2
X X
qj − qj ≤ Q,
j∈J j∈J2
X
2Q − qj ≤ Q
j∈J2
i ostatecznie: X
qj ≥ Q. (4.23)
j∈J2
0
Podobnie, podstawiaj¡c p j = b j − v j = qj oraz Ĉ = Q w nierówno±ci
(4.22) otrzymujemy:
X
qj ≤ Q. (4.24)
j∈J2
Z nierówno±ci (4.23) i (4.24) wynika, »e skonstruowana instancja problemu

DP ma rozwi¡zanie tylko wtedy, gdy
X
qj = Q.
j∈J2
PART⇒DP
(
P) Zaªó»my, »e problem PART ma rozwi¡zanie, tj. istnieje N1 ⊆
N , takie, »e j∈N1 qj = Q. Podstawiaj¡c J2 = N1 otrzymujemy rozwi¡zanie
problemu DP.
DP⇒PART
(
P ) Zaªó»my, »e problem DP ma rozwi¡zanie, tj. istnieje J2 ⊆ J ,
takie, »e j∈J2 qj = Q. Podstawiaj¡c N1 = J2 otrzymujemy rozwi¡zanie
problemu PART.
Ostatecznie, mo»emy stwierdzi¢, »e problem DP ma rozwi¡zanie wtedy

i tylko wtedy, gdy problem PART ma rozwi¡zanie. A poniewa» problem
PART jest problemem NP-zupeªnym, to problem DP jest równie» proble-
mem NP-zupeªnym, a jego wersja optymalizacyjna jest NP-trudna.
Twierdzenie 9 Problem optymalnego rozdziaªu zasobów do przezbroje«, przy

ustalonej kolejno±ci wykonywania zada«, w problemie (4.20) jest NP-trudny.
Dowód. Dowód tego twierdzenia jest bardzo podobny do dowodu Twierdzenia

8. Ró»nica polega na tym, »e instancja problemu DP zbudowana jest nast¦pu-
j¡co:
n = m; B = m; (ka»de zadanie tworzy jedn¡ rodzin¦)

0 0
bj = 1, aj = 0, Vj = {0}, j = 1, ..., n;
bj = qj , aj = 1, Uj = {0; ūj }, ūj = qj , j = 1, ..., B;
Û = Q; Ĉ = m + Q
Zauwa»my, »e dla dowolnej sekwencji wykonywania zada« w tak zbu-

dowanej instancji, warto±¢ kryterium wynosi:
n
X n
X n
X
Cmax = pj + sj = m + sj
j=1 j=1 j=1
i nie zale»y od tej sekwencji.

Ponadto, dla ka»dego wektora rozdziaªu zasobów do przebroje« rodziny
mog¡ zosta¢ podzielone na dwa zbiory, analogicznie jak w poprzednim dowodzie.
Dalsze rozwa»ania s¡ praktycznie takie same jak w dowodzie Twierdzenia
8 i zostan¡ pomini¦te.
Z Twierdzenia 8 i Twierdzenia 9 wynika, »e problem (4.20), jako caªo±¢,

jest równie» problemem NP-trudnym. Dodatkowo, okre±lenie terminów dost¦p-
no±ci zada« nie czyni tego problemu ªatwiejszym. Reasumuj¡c, na podstawie
wy»ej przedstawionych twierdze« i wªasno±ci, mo»emy sformuªowa¢ nast¦pu-
j¡cy wniosek:
Wniosek 2 Nast¦puj¡ce problemy s¡ problemami NP-trudnymi:

0 0
1|dscr, pj = bj − aj vj |Cmax ,
1|dscr, sf = bf − af uf , GT |Cmax ,
1|dscr, sf = bf − af uf |Cmax ,
0 0
1|dscr, rj , pj = bj − aj vj |Cmax ,
1|dscr, rj , sf = bf − af uf , GT |Cmax .
Dodatkowo, mo»na sformuªowa¢ nast¦puj¡ce twierdzenie:
Twierdzenie 10 Je»eli Vj = {0; v̄j } dla j = 1, ..., n oraz Uf = {0; ūf } dla
f = 1, ..., B , to problem (4.20) jest rozwi¡zywalny w pseudowielomianowym
czasie O(n max{Û , V̂ }), .

Dowód. Dla ka»dej sekwencji wykonywania zada« π speªniaj¡cej Wªasno±¢

1 (zgodnej z ograniczeniem GT), warto±¢ kryterium wynosi:
X B
X
Cmax = pj + sf =
j∈J f =1
B B
0 0
X X X X
bj + bf − aj v j − af u f
j∈J f =1 j∈J f =1
i nie zale»y od uszeregowania π. P 0

PB
Dodatkowo, nale»y zauwa»y¢, »e skªadnik j∈J bj + bf jest staªy
P 0 PBf =1
(nie zale»y od wektorów ~v i ~u), a skªadniki
j∈J aj vj oraz f =1 af uf s¡ wza-
jemnie niezale»ne. W zwi¡zku z tym, aby zminimalizowa¢ kryterium, nale»y
rozwi¡za¢ nast¦puj¡ce dwa niezale»ne problemy:
0
X
aj vj → max,
j∈J
przy ograniczeniach:
X (4.25)
vj ≤ V̂ ,
j∈J
v j ∈ Vj dla j∈J
oraz
B
X
af uf → max,
f =1
(4.26)
B
X
uf ≤ Û ,
f =1
uf ∈ Uf dla f = 1, ...B.
Problemy te mo»na równowa»nie zapisa¢ nast¦puj¡co (odpowiednio dla
(4.25) i (4.26)):
0
X
xj aj v̄j → max,
j∈J
X (4.27)
xj v̄j ≤ V̂ ,
j∈J
xj ∈ {0, 1} dla j∈J
oraz
B
X
yf af ūf → max,
f =1
(4.28)
B
X
yf ūf ≤ Û ,
f =1
yf ∈ {0, 1} dla f = 1, ...B.

Zauwa»my, »e zarówno problem (4.27), jak i problem (4.28) to binarne
problemy plecakowe (ang. binary knapsack problem ). W zwi¡zku z tym, ka»dy
z tych problemów mo»na rozwi¡za¢ odpowiednio w czasie O(nV̂ ) i O(nÛ ) za
pomoc¡ algorytmu przedstawionego w pracy [102]. Reasumuj¡c, je»eli Vj =
{0; v̄j } dla j = 1, ..., n oraz Uf = {0; ūf } dla f = 1, ..., B , to problem (4.20)
jest rozwi¡zywalny w czasie O(nÛ + nV̂ ) = O(n max{Û , V̂ }).

W powy»szym rozdziale analizowano problem minimalizacji dªugo±ci usz-
eregowania w sytuacji, gdy zasoby przydzielane do zada« i do przezbroje«
s¡ podzielne w sposób dyskretny. Wykazano, »e znalezienie optymalnej sek-
wencji wykonywania zada« mo»e by¢ zrealizowane w wielomianowym czasie.
Jednocze±nie wykazano, »e problemy wyznaczenia optymalnego rozdziaªu za-
sobów do zada« i do przezbroje«, s¡ problemami NP-trudnymi. Dodatkowo,
zaproponowano metod¦ rozwi¡zania szczególnego przypadku problemu, dzi-
aª¡j¡c¡ w czasie pseudowielomianowym. Wyniki zebrano w Tablicy 4.5.

Tablica 4.5: Wyniki dotycz¡ce problemów minimalizacji dªugo±ci uszeregowa-

nia z zasobami podzielnymi w sposób dyskretny (skrót r.z. oznacza prob-
lem optymalnego rozdziaªu zasobów przy ustalonej kolejno±ci wykonywania
zada«).

0 0
1 1|dscr, pj = bj − aj vj |Cmax r.z. NP-trudny Tw. 8
2 1|dscr, sf = bf − af uf , GT |Cmax r.z. NP-trudny Tw. 9
0 0
1|dscr, sf = bf − af uf , pj = bj − aj vj ,
3 O(n max{Û , V̂ }) Tw. 10
Vj = {0, v̄j }, Uf = {0, ūf }, GT |Cmax
0 0
1|dscr, rj , pj = bj − aj vj |Cmax ,
4 NP-trudne Wn. 2
1|dscr, rj , sf = bf − af uf , GT |Cmax .
4.5.2 Minimalizacja sumy wa»onych terminów zako«czenia

wykonywania zada«
4.5.2.1 Analiza zªo»ono±ci obliczeniowej
W tej cz¦±ci pracy rozwa»any b¦dzie problem minimalizacji sumy wa»onych
terminów zako«czenia wykonywania zada« w przypadku zasobów podziel-
nych w sposób dyskretny, tj. problem:
0 0
X
1|dscr, sf = bf − af uf , pj = bj − aj vj , GT | wj Cj . (4.29)
Zauwa»my, »e dla tego problemu zachodz¡ Wªasno±ci 9 i 12. Ponadto, dla

nast¦puj¡cych szczególnych przypadków problemu:
X
1|dscr, sf = bf − af uf , GT | wj Cj (4.30)
i
0 0
X
1|dscr, pj = bj − aj vj , | wj Cj , (4.31)
zachodzi twierdzenie (o równowa»no±ci) analogiczne do Twierdzenia 4, sfor-

muªowanego dla problemów (4.14) i (4.15). W zwi¡zku z tym, w dalszej cz¦±ci
rozdziaªu rozpatrywany b¦dzie problem 4.31.
Podobnie jak w przypadku problemu minimalizacji dªugo±ci uszeregowa-
nia, przypuszcza si¦, »e optymalny rozdziaª zasobów nie jest realizowalny w
wielomianowym czasie. Niestety nie udaªo si¦ tego formalnie wykaza¢. Sfor-
muªowano jednak nast¦puj¡ce twierdzenie:
Twierdzenie 11 Problem (4.31) jest problemem NP-trudnym.
Dowód. Transformacji wielomianowej dokonano z problemu podziaªu z

równymi mocami zbiorów ( ECP - ang. Equal Cardinality Partition prob-
lem ):
ECP: Dany jest zbiór 2m elementów N = {1, ..., 2m}P

. Dla ka»dego elementu
j∈N zdeniowana jest jego warto±¢ qj > 0 taka, »e j∈N qj = 2Q. Pytanie:
czy istnieje podziaª zbioru
P P N na dwa rozª¡czne podzbiory N1 i N2 takie, »e
j∈N1 qj = j∈N2 qj = Q oraz |N1 | = |N2 | = m?
Wersj¦ decyzyjn¡ problemu (4.31) oznaczono przez DS.
DS: Dany jest problem (4.31). Pytanie: czy istnieje takie rozwi¡zanie tego
P
problemu, »e T = j∈J wj Cj ≤ T̂ ?
Instancja problemu DS skonstruowana jest na podstawie danych prob-

lemu ECP w nast¦puj¡cy sposób:
J = N ; n = 2m;
0 0
aj = 1, bj = cj , wj = cj , Vj = {0, cf }, dla j = 1, ..., n;
1
V̂ = mA + Q; T̂ = (A2 (m + m2 ) + 2Q(A + mA) + 2Q2 ),
2
gdzie: c j = A + qj oraz A = Q2 + Q + 1.
Zauwa»my, »e w dowolnym rozwi¡zaniu powy»szej instancji problemu DS,
zadania dziel¡ si¦ na dwa zbiory: J1 zadania, którym przydzielono zasób
oraz J2 zadania, którym zasobu nie przydzielono. Zadania ze zbioru J1
maj¡ zerowy czas wykonywania i s¡ wykonywane na pocz¡tku uszeregowa-
nia nie wpªywaj¡c na warto±¢ kryterium. Dla zada« ze zbioru J2 zachodzi
równo±¢ pj = wj , w zwi¡zku z czym, zadania te wykonywane s¡ w dowolnej
kolejno±ci (patrz Wªasno±¢ 9) po zadaniach ze zbioru J1 . Tak wi¦c, poje-
dyncze rozwi¡zanie mo»e by¢ reprezentowane przez dwa zbiory J1 i J2 takie,
»e J1 ∪J2 = J oraz J1 ∩J2 = ∅. Warto±¢ kryterium w dowolnym rozwi¡zaniu
powy»szej instancji mo»emy zapisa¢ nast¦puj¡co:
X X
T = wj Cj = wj Cj =
j∈J j∈J2
!2
X 1X 2 1 X
cj ck = c + cj .
j≤k, j,k∈J2
2 j∈J j 2 j∈J2
2
Po podstawieniu w powy»szym wyra»eniu c j = A + qj otrzymujemy:

!2
X X X
2T = A2 (|J2 | + |J2 |2 ) + (2A + 2|J2 |A) qj + qj2 + qj . (4.32)
j∈J2 j∈J2 j∈J2
Wprowad¹my nast¦puj¡ce oznaczenia:

X
Q1 = qj ,
j∈J2
X
Q2 = qj2 .
j∈J2
Wówczas, równanie (4.32) przyjmuje nast¦puj¡c¡ posta¢:
2T = A2 (|J2 | + |J2 |2 ) + (2A + 2|J2 |A)Q1 + Q2 + Q21 . (4.33)
Aby problem DS posiadaª rozwi¡zanie, nast¦puj¡ce dwie nierówno±ci

musz¡ by¢ speªnione:
X
vj ≤ V̂ , (4.34)
j∈J1
T ≤ T̂ . (4.35)
Podstawiaj¡c w nierówno±ci (4.34) J1 = J \J2 , V̂ = mA + Q oraz pami¦-

taj¡c, »e vj = v̄j = A + qj dla j ∈ J1 otrzymujemy:
X
(A + qj ) ≤ mA + Q,
j∈J \J2
X X
(A + qj ) − (A + qj ) ≤ mA + Q,
j∈J j∈J2
2mA + 2Q − |J2 |A − Q1 ≤ mA + Q
i ostatecznie:
|J1 |A + Q1 ≥ mA + Q. (4.36)
1 2 2
Z kolei, podstawiaj¡c w nierówno±ci (4.35) T̂ = (A (m + m ) + 2Q(A +
2
mA) + 2Q2 ) oraz wykorzystuj¡c równanie (4.33) otrzymujemy:
A2 (|J2 | + |J2 |2 ) + (2A + 2|J2 |A)Q1 + Q2 + Q21 ≤

(4.37)
A2 (m + m2 ) + 2Q(A + mA) + 2Q2 .
ECP⇒DS
(
P ) Zaªó»my, »e problem ECP ma rozwi¡zanie, tj. istnieje N1 ⊆ N ,
j∈N1 qj = Q i |N1 | = m. Utwórzmy rozwi¡zanie problemu DS
takie, »e
podstawiaj¡c J2 = N1 . Wówczas natychmiast otrzymujemy, »e nierówno±¢

(4.36) jest speªniona (zachodzi równo±¢), a w nierówno±ci (4.37) mamy:
A2 (|J2 | + |J2 |2 ) + (2A + 2|J2 |A)Q1 + Q2 + Q21 ≤

A2 (m + m2 ) + 2Q(A + mA) + 2Q2 ,
A2 (m + m2 ) + (2A + 2mA)Q + Q2 + Q2 ≤ A2 (m + m2 ) + 2Q(A + mA) + 2Q2 ,
Q2 ≤ Q2 .
atwo sprawdzi¢, »e nierówno±¢ powy»sza jest speªniona, poniewa» suma
kwadratów elementów jest zawsze nie wi¦ksza ni» kwadrat ich sumy:
!2
X X
Q2 = qj2 ≤ qj = Q21 = Q2 .
j∈J2 j∈J2
(¬ECP⇒¬DS) Zaªó»my,
P »e problem ECP nie ma rozwi¡zania, tj. dla ka»dego
N1 ⊆ N zachodzi j∈N1 qj 6= Q i/lub |N1 | =
6 m.
Rozpatrzmy nast¦puj¡ce cztery wyczerpuj¡ce przypadki:
(i)
P
j∈N1 qj = Q i |N1 | > m,
(ii)
P
j∈N1 qj = Q i |N1 | < m,
(iii)
P
j∈N1 qj > Q i |N1 | = m,
(iv)
P
j∈N1 qj < Q i |N1 | = m.
ad. (i). Zaªó»my, »e Q1 = Q oraz |N1 | = m + l, l > 0. Podstawiaj¡c J2 = N1

w nierówno±ci (4.37), otrzymujemy:
A2 (|J2 | + |J2 |2 ) + (2A + 2|J2 |A)Q1 + Q2 + Q21 ≤

A2 (m + m2 ) + 2Q(A + mA) + 2Q2 ,
A2 (m + l + (m + l)2 ) + (2A + 2A(m + l))Q + Q2 + Q2 ≤

A2 (m + m2 ) + 2Q(A + mA) + 2Q2 ,
A2 (m + m2 ) + A2 (l + 2ml + l2 ) + (2A + 2Am)Q + 2AlQ + Q2 ≤

A2 (m + m2 ) + 2Q(A + mA) + Q2 ,

A2 (l + 2ml + l2 ) + 2AlQ + Q2 ≤ Q2 .
Nast¦pnie podstawiaj¡c A = Q2 + Q + 1 oraz zakªadaj¡c, »e Q2 = 0
(wówczas lewa strona nierówno±ci przyjmuje najmniejsz¡ warto±¢) otrzymu-
jemy:
(Q2 + Q + 1)2 (l + 2ml + l2 ) + 2l(Q3 + Q2 + Q) ≤ Q2

i po prostych przeksztaªceniach:
Q4 (l2 + 2ml + l)+

Q3 (2l2 + 4ml + 4l)+
Q2 (3l2 + 6ml + 5l − 1)+
Q(2l2 + 4ml + 4l)+
(l2 + 2ml + l) ≤ 0
atwo zauwa»y¢, dla l > 0 nierówno±¢ ta nie jest speªniona (czynniki w

nawiasach przy ka»dej pot¦dze Q s¡ dodatnie), wi¦c problem DS nie posiada
rozwi¡zania.
ad. (ii). Zaªó»my, »e Q1 = Q oraz |N1 | = m−l, l > 0. Podstawiaj¡c J2 = N1

w nierówno±ci (4.36), otrzymujemy:
|J1 |A + Q1 ≥ mA + Q,
(m − l)A + Q ≥ mA + Q,
mA − lA ≥ mA,
−lA ≥ 0.
Nierówno±¢ ta nie jest speªniona, bo l > 0 i A > 0, wi¦c w tym przypadku
problem (DS) równie» nie posiada rozwi¡zania.
ad. (iii). Zaªó»my, »e Q1 = Q + l, l > 0 oraz |N1 | = m, Podstawiaj¡c

J2 = N1 w nierówno±ci (4.37), otrzymujemy:
A2 (|J2 | + |J2 |2 ) + (2A + 2|J2 |A)Q1 + Q2 + Q21 ≤

A2 (m + m2 ) + 2Q(A + mA) + 2Q2 ,
A2 (m + m2 ) + (2A + 2Am)(Q + l) + Q2 + (Q + l)2 ≤

A2 (m + m2 ) + 2Q(A + mA) + 2Q2 ,
(2A + 2Am)l + Q2 + 2Ql + 1 ≤ Q2 .

Nast¦pnie podstawiaj¡c A = Q2 + Q + 1 oraz zakªadaj¡c, »e Q2 = 0,
mamy:
(2(Q2 + Q + 1) + 2m(Q2 + Q + 1))l + 2Ql + 1 − Q2 ≤ 0

i dalej:
Q2 (2ml + 2l − 1) + Q(2ml + 4l) + 2l + 2ml + 1 ≤ 0.
atwo sprawdzi¢, »e nierówno±¢ ta nie jest speªniona dla l > 0 wi¦c prob-
lem DS równie» w tym przypadku nie posiada rozwi¡zania.
ad. (iv). Zaªó»my, »e Q1 = Q − l, l > 0 oraz |N1 | = m, Podstawiaj¡c

J2 = N1 w nierówno±ci (4.36), otrzymujemy:
|J1 |A + Q1 ≥ mA + Q,
mA + Q − l ≥ mA + Q,
−l ≥ 0,
wi¦c nierówno±¢ ta nie mo»e by¢ speªniona dla l>0 co ostatecznie dowodzi,
»e problem DS nie ma rozwi¡zania równie» w tym przypadku.
Ostatecznie mo»emy stwierdzi¢, »e problem DS ma rozwi¡zanie wtedy i

tylko wtedy, gdy problem ECP ma rozwi¡zanie. A poniewa» problem ECP
jest problemem NP-zupeªnym to problem DS jest równie» problemem NP-
zupeªnym, a jego wersja optymalizacyjna jest NP-trudna.
Na podstawie Twierdzenia 11, mo»na wysun¡¢ nast¦puj¡cy wniosek:
Wniosek 3 Nast¦puj¡ce problemy s¡ problemami NP-trudnymi:

0 0
X
1|dscr, pj = bj − aj vj , sf = bf − af uf , GT | wj Cj ,
0 0
X
1|dscr, pj = bj − aj vj , sf = bf − af uf | wj Cj .
Prawdziwo±¢ tego wniosku wynika z tego, »e problem (4.31), którego

NP-trudno±¢ udowodniono, jest szczególnym przypadkiem powy»szych prob-
lemów.


W powy»szym rozdziale analizowano problem minimalizacji sumy wa»onych
terminów zako«czenia wykonywania zada« w sytuacji, gdy zasoby przydzielane
do zada« i do przezbroje« s¡ podzielne w sposób dyskretny. Wykazano, »e
znalezienie optymalnej sekwencji wykonywania zada« przy ustalonych wek-
torach rozdziaªu zasobu mo»e by¢ zrealizowane w wielomianowym czasie.
Gªówny rezultat, to wykazanie NP-trudno±ci problemu, w którym tylko czasy
wykonywania zada« zale»¡ od zasobów.
Wyniki zebrano w Tablicy 4.6.
Tablica 4.6: Wyniki dotycz¡ce problemów minimalizacji sumy wa»onych ter-

minów zako«czenia wykonywania zada« z zasobami podzielnymi w sposób
dyskretny.

0 0 P
1 1|dscr, pj = bj − aj vj | wj Cj NP-trudny Tw. 11
P
2 1|dscr, sf = bf − af uf , GT | wj Cj NP-trudny Tw. 4 i 11
0 0
X
1|dscr, pj = bj − aj vj , sf = bf − af uf , GT | wj Cj ,
3 0 0
X NP-trudne Wn. 3
1|dscr, pj = bj − aj vj , sf = bf − af uf | wj Cj .
4.6 Podsumowanie wyników rozdziaªu

W powy»szym rozdziale analizowane byªy jednoprocesorowe problemy sz-
eregowania z czasami wykonywania zada« i czasami przezbroje« zale»nymi
od dodatkowych zasobów. Rozpatrywano dwa kryteria optymalizacji: dªu-
go±¢ uszeregowania oraz sum¦ wa»onych terminów zako«czenia wykonywania
zada«. Analizie poddano problemy, w których zasoby s¡ podzielne w sposób
ci¡gªy i podzielne w sposób dyskretny.
Podsumowanie poszczególnych podrozdziaªów zostaªo przedstawione na
ko«cu ka»dego z nich. W zwi¡zku z tym, w Tablicy 4.7 zebrane zostaªy tylko
najistotniejsze wyniki dotycz¡ce zªo»ono±ci obliczeniowej badanych problemów.

4.6 Podsumowanie wyników rozdziaªu
Tablica 4.7: Wyniki dotycz¡ce jednoprocesorowych problemów z czasami

wykonywania zada« i czasami przezbroje« zale»nymi od zasobów (r.z. oz-
nacza optymalny rozdziaª zasobów przy ustalonej kolejno±ci wykonywania
zada«).

0 0
1 1|sf = bf − af uf , pj = bj − aj vj |Cmax O(n log n) Tw. 1
0 0
2 1|sf = bf − af uf , pj = bj − aj vj , GT |Cmax O(n log n) Wn. 1
0 0
3 1|rj , sf = bf − af uf , pj = bj − aj vj , GT |Cmax r.z. O(n log n) Wª. 7 i 8
4 1|rj , (≺), sf = bf − af uf , GT |Cmax O(n log n) Tw. 2
5 1|rj , sf |Cmax NP-trudny Tw. 3
0 0
O(n2 )
P
6 1|sf = bf − af uf , pj = bj − aj vj , GT | wj Cj r.z. Wª. 10 i 11
O(nnu +2 log2 n)
P
7 1|sf = bf − af uf , GT | wj Cj Tw. 5
0 0
O(nnv +1 log n)
P
8 1|pj = bj − aj vj | wj Cj Tw. 5
0 0
O(n2 )
P
9 1|(≺), pj = bj − aj vj | wj Cj Tw. 6
0 0
10 1|dscr, pj = bj − aj vj |Cmax r.z. NP-trudny Tw. 8
11 1|dscr, sf = bf − af uf , GT |Cmax r.z. NP-trudny Tw. 9
0 0
1|dscr, sf = bf − af uf , pj = bj − aj vj ,
12 O(n max{Û , V̂ }) Tw. 10
Vj = {0, v̄j }, Uf = {0, ūf }, GT |Cmax
13 1|dscr, rj , sf = bf − af uf , GT |Cmax NP-trudny Wn. 2
0 0
14 1|dscr, rj , pj = bj − aj vj |Cmax NP-trudny Wn. 2
0 0 P
15 1|dscr, pj = bj − aj vj | wj Cj NP-trudny Tw. 11
P
16 1|dscr, sf = bf − af uf , GT | wj Cj NP-trudny Tw. 4 i 11
0 0
1|dscr, pj = bj − aj vj ,
17 X NP-trudny Wn. 3
sf = bf − af uf , GT | wj Cj ,
0 0
1|dscr, pj = bj − aj vj ,
18 X NP-trudny Wn. 3
sf = bf − af uf | wj Cj .
Rozdziaª 5
Podstawowe informacje dotycz¡ce
wieloprocesorowych
5.1 Podstawowe denicje

W klasycznych problemach szeregowania zada« zakªada si¦, »e ka»da
czynno±¢ zadania wymaga do wykonania jednego procesora. Takie zaªo»e-
nie jest sªuszne w opisie bardzo wielu procesów, jednak istniej¡ takie rzeczy-
wiste procesy produkcyjne i komputerowe, w których zaªo»enie to nie jest
speªnione. Systemy takie, to gªównie wieloprocesorowe systemy komputerowe,
w których zadania wykonywane s¡ równolegle przez kilka procesorów.
Z tego powodu, wprowadzono poj¦cie zada« (czynno±ci) wieloprocesorowych.
Zadanie wieloprocesorowe, poza klasycznymi parametrami, takimi jak czas
wykonywania, termin dost¦pno±ci itp., posiada dodatkowy parametr deni-
uj¡cy liczb¦ procesorów koniecznych do jego wykonania. Mo»liwy jest wielo-
raki sposób opisu liczby wymaganych przez zadanie procesorów, jednak w
literaturze spotykane s¡ nast¦puj¡ce modele:
• dla ka»dej czynno±ci zdeniowany jest zbiór f ixij zbiór dedykowanych

procesorów wymaganych przez i-t¡ czynno±¢ zadania j,
• dla ka»dej czynno±ci zdeniowana jest rodzina zbiorów setij rodzina
zawiera ustalon¡ liczb¦ alternatywnych zbiorów dedykowanych proce-
sorów wymaganych przez i-t¡ czynno±¢ zadania j,
• dla ka»dej czynno±ci zdeniowany jest parametr sizeij liczba proce-
sorów wymaganych przez i-t¡ czynno±¢ zadania j przy czym nie jest
wskazane, przez które procesory czynno±¢ ta ma by¢ wykonywana,
77
5.1 Rzeczywiste procesy produkcyjne modelowane przez ...
• dla ka»dej czynno±ci zdeniowany jest parametr δij maksymalna liczba

procesorów wymaganych przez i-t¡ czynno±¢ zadania j zadanie mo»e
by¢ wykonywane przez dowoln¡ liczb¦ procesorów z przedziaªu [1, ..., δij ].
Modele z parametrami f ixij oraz setij wyst¦puj¡ w przypadku procesorów

dedykowanych, natomiast modele sizeij oraz δij wyst¦puj¡ w przypadku iden-
tycznych procesorów równolegªych. Dodatkowo wyró»nia si¦ specjalny przy-
padek modelu z parametrem sizeij , w którym warto±ci tego parametru mog¡
przyjmowa¢ tylko warto±ci b¦d¡ce pot¦gami liczby 2 (1,2,4,8,...). W mod-
elu tym parametr sizeij oznaczany jest przez cubeij . W przypadku modelu
z parametrem δij , cz¦sto przyjmuje si¦, »e czas wykonywania czynno±ci za-
le»y od liczby procesorów wykonuj¡cych t¡ czynno±¢. Wówczas dla ka»dej
liczby procesorów k ∈ [1, ..., δij ] denuje si¦ czas wykonywania czynno±ci
pkij , przy czym zale»no±¢ czasu wykonywania od liczby procesorów mo»e
przyjmowa¢ ró»n¡ posta¢ (patrz [28, 141, 153, 154, 158]). Dodatkowo dla
modelów z parametrami sizeij oraz δij deniuje si¦ odpowiednio parametr
∆ = max{sizeij } lub ∆ = max{δij } b¦d¡cy górnym oszacowaniem liczby
wymaganych procesorów.
W problemach szeregowania zada« wieloprocesorowych znalezienie har-

monogramu polega, poza wyznaczeniem terminów rozpocz¦cia i zako«czenia
wykonywania czynno±ci, na przydzieleniu czynno±ci do procesorów.
5.2 Rzeczywiste procesy produkcyjne modelowane

przez problemy szeregowania zada« wielo-
procesorowych
Pomimo tego, »e problemy szeregowania zada« wieloprocesorowych nie-
jako w naturalny sposób opisuj¡ zjawiska zachodz¡ce w wieloprocesorowych
systemach komputerowych, pierwsze zastosowania tych modeli odnosz¡ si¦
do problemów pojawiaj¡cych si¦ w przemy±le chemicznym [10] oraz w har-
monogramowaniu projektów [152]. W dalszej cz¦±ci przedstawione zostan¡
trzy przykªady rzeczywistych procesów modelowanych przy u»yciu zada«
wieloprocesorowych. Pierwszy przykªad dotyczy wykonywania oblicze« na
komputerze i stanowi podstawowy przykªad systemu jednostadialnego. Dwa
nast¦pne stanowi¡ przykªady problemów przepªywowych z wieloprocesorowymi
zadaniami i modeluj¡ bardziej zªo»one procesy.
5.2.1 Wykonywanie oblicze« na komputerze

Dany jest pewien zbiór danych, wymagaj¡cych przetworzenia (nale»y
wykona¢ obliczenia dla tych danych). Ka»de z tych danych wymagaj¡ okre±lonego
programu (algorytmu) i zajmuj¡ okre±lony czas. Ka»dy z programów wymaga
pewnej (ustalonej) liczby procesorów. Obliczenia nale»y wykona¢ na komput-
erze wyposa»onym w okre±lon¡ liczb¦ procesorów. Nale»y wyznaczy¢ har-
monogram wykonywania oblicze« na danych oraz przydzieli¢ procesory do
programów tak, aby minimalizowa¢ caªkowity czas oblicze«. Tego typu prob-
lem mo»e by¢ rozpatrywany jako problem szeregowania zada« wieloproce-
sorowych, w których wykonanie oblicze« na konkretnych danych stanowi
zadanie wieloprocesorowe i wymaga tyle procesorów ile wymaganych jest
przez program wykonuj¡cy obliczenia na tych danych. Problem szeregowa-
nia w tym przypadku to problem P m|sizej |Cmax , tzn. problem szeregowa-
nia n wieloprocesorowych zada« na m procesorach, w celu minimalizacji
caªkowitego czasu oblicze«.
Problem ten mo»e by¢ rozpatrywany równie» w przypadku procesorów
dedykowanych. Zakªadaj¡c, »e system komputerowy wyposa»ony jest np.
w procesory: sygnaªowy, graczny, arytmetyczny, wektorowy itd., a ka»de
zadanie (algorytm) wymaga odpowiedniego zestawu procesorów (np. aryt-
metyczny+wektorowy), to mamy wówczas do czynienia z problemem, w którym
dla zada« okre±lone s¡ zbiory procesorów dedykowanych f ixj .
5.2.2 System rozpoznawania obrazu

Kolejnym przykªadem systemu, w którym pojawiaj¡ si¦ problemy szere-
gowania zada« wieloprocesorowych jest system rozpoznawania obrazu. Sys-
tem taki posiada trzy warstwy konceptualne. Pierwsza warstwa odpowiedzialna
jest za ekstrakcj¦ obiektów z obrazu. W drugiej warstwie nast¦puje grupowanie
i reprezentacja symboliczna obiektów. Trzecia warstwa odpowiedzalna jest
za interpretacj¦ i identykacj¦ obiektów. W ka»dej z warstw wykorzystywane
s¡ zªo»one algorytmy obróbki obrazów (np. szybka transformata Fouriera,
detekcja kraw¦dzi), algorytmy grupowania (np. grupowanie na podstawie
podobie«stwa cech) oraz algorytmy identykacji i interpretacji obiektów (np.
systemy ekspertowe). Ka»dy z tych algorytmów jest bardzo czasochªonny
i celowe jest zrównoleglenie oblicze« [116, 156]. W przypadku takiego sys-
temu wielowarstwowego, mo»emy uzyska¢ przyspieszenie dziaªania caªego
systemu przez zastosowanie przetwarzania potokowego (and. pipelining )
wykonywanie oblicze« dla kolejnej porcji danych (kadru obrazu) podczas gdy
jednocze±nie nast¦pna warstwa wykonuje obliczenia dla poprzedniej porcji
danych.

5.2 Rzeczywiste procesy produkcyjne modelowane przez ...
Przedstawiony system mo»e by¢ modelowany przy u»yciu przepªywowego

problemu szeregowania zada« wieloprocesorowych. W problemie tym przez
zadanie nale»y rozumie¢ dokonanie obróbki pojedynczego kadru obrazu, przy
czym ka»de zadanie skªada si¦ z trzech wieloprocesorowych czynno±ci (wykony-
wanych w kolejnych warstwach systemu). Kolejno±¢ wykonywania czynno±ci
jest taka sama dla ka»dego zadania (potokowo w trzech kolejnych warstwach),
wi¦c mamy do czynienia z systemem przepªywowym. Wskazane wydaje si¦
przyj¦cie minimalizacji dªugo±ci uszeregowania (Cmax ) jako kryterium opty-
malizacji, co przyniesie skrócenie czasu dziaªania systemu, wiec i zwi¦kszenie
jego caªkowitej wydajno±ci. Reasumuj¡c problem tu przedstawiony mo»e by¢
modelowany przez problem F 3(P )|sizeij |Cmax .
5.2.3 Harmonogramowanie transportu drog¡ morsk¡ w obr¦-

bie portów Hong Kongu
Podczas swego pobytu w Hong Kongu autor niniejszej pracy prowadziª
badania nad problemami szeregowania zada« wieloprocesorowych. Prace te
motywowane byªy zapotrzebowaniem na system harmonogramowania ruchu
statków jednej z lokalnych rm transportowych. Firma ta specjalizuje si¦ w
transporcie towarów drog¡ morsk¡ i posiada ot¦ skªadaj¡ca si¦ z 25 statków
ró»nej wielko±ci. Transport drog¡ morsk¡ w obr¦bie portów Hong Kongu
jest ta«sz¡ alternatyw¡ dla transportu l¡dowego, ze wzgl¦du na to, »e Hong
Kong jest terenem górzystym i pojawiaj¡ si¦ dodatkowe opªaty za korzys-
tanie z licznych tuneli oraz opó¹nienia zwi¡zane z nieprzewidywalno±ci¡ ruchu
ulicznego w tej prawie 7 milionowej metropolii.
Zadaniem wspomnianej rmy jest transportowanie ró»nego rodzaju to-
warów od portu na zachodnim kra«cu Hong Kongu (Tuen Mun) przez porty
centralnej cz¦±ci a» do portów wschodnich (Sai Kung). Transport odbywa
si¦ od jednego portu do nast¦pnego wedªug ustalonej marszruty. W ka»dym
porcie nast¦puje rozªadunek cz¦±ci towaru i ewentualnie zaªadunek innego
towaru.
Obsªuga ka»dego statku zajmuje w danym porcie od 30 minut do 2 godzin.
Czas potrzebny na pokonanie dystansu pomi¦dzy portami waha si¦ od kilku
minut do kilku godzin i jest inny dla ka»dego ze statków.
Mamy wi¦c do czynienia z problemem przepªywowym (ka»dy statek pod¡»a
t¡ sam¡ tras¡), w którym poszczególne porty reprezentowane s¡ przez kole-
jne stadia systemu przepªywowego. Przez zadanie nale»y rozumie¢ obsªug¦
pojedynczego statku we wszystkich portach. Obsªuga ta skªada si¦ z kilku
czynno±ci (tylu ile jest portów na trasie statku). Znane s¡ czasy wykonywania
tych czynno±ci oraz czasy transportu mi¦dzy stadiami (portami).
Nale»y zwróci¢ uwag¦ na to, »e obsªuga statku w porcie mo»e by¢ rozu-
miana jako czynno±¢ wieloprocesorowa. Aby to wyja±ni¢ nale»y zauwa»y¢, »e
w ka»dym porcie wzdªu» nabrze»a portowego znajduje si¦ szerego stanowisk
przeªadowczych (doków przeªadowczych). Ka»de stanowisko wyposa»one jest
w odpowiedni sprz¦t (»uraw, suwnica) oraz niewielki obszar magazynowy.
Wielko±¢ i ilo±¢ stanowisk przeªadowczych jest inna w ka»dym porcie. Z
punktu widzenia problemu szeregowania zada« pojedyncze stanowisko mo»e
by¢ rozumiane jako procesor. Ze wzgl¦du na ró»n¡ wielko±¢ (dªugo±¢) statków
ka»dy z nich zajmuje inn¡ ilo±¢ s¡siednich stanowisk, w zwi¡zku z czym
wymaga pewnej liczby procesorów.
Dodatkowo, przed obsªug¡ statku musi nast¡pi¢ przygotowanie stanowisk
przeªadowczych. Przygotowanie to zwi¡zane jest z dostosowaniem urz¡dze«,
zwolnieniem obszaru magazynowego lub dostarczeniem towaru do zaªadowa-
nia.
Podsumowuj¡c, mamy tu do czynienia z problemem szeregowania zada«
w problemie przepªywowym, w którym zadania skªadaj¡ si¦ z wieloproce-
sorowych czynno±ci. Zadane s¡ czasy wykonywania poszczególnych czyn-
no±ci (czasy przeªadunku), liczba procesorów wymaganych do ich realizacji
(liczba stanowisk przeªadowczych) oraz czasy transportu mi¦dzy stadiami
(czas potrzebny na przepªyni¦cie z jednego portu do nast¦pnego). Ponadto
mog¡ wyst¦powa¢ przezbrojenia procesorów. Problemem jest wyznaczenie
takiego harmonogramu obsªugi poszczególnych statków w kolejnych portach,
aby minimalizowa¢ caªkowity czas transportu wszystkich statków (Cmax ).

Rozdziaª 6
Wyniki dotychczasowych bada«
dotycz¡cych problemów
szeregowania w systemach
przepªywowych oraz problemów
szeregowania zada«
wieloprocesorowych
6.1 Wprowadzenie
Problemy przepªywowe i z zadaniami wieloprocesorowymi byªy dotychczas
rozpatrywane w bardzo w¡skim zakresie. Dla problemów z procesorami równolegªymi
(modelem sizeij ) opublikowano trzy prace [120, 121, 122] i dotycz¡ one kon-
strukcji algorytmów przybli»onych. Dla problemów z procesorami dedykowanymi
(modelem f ixj ) opublikowano jedn¡ prac¦ [12], jednak zaprezentowany tam
model problemu przepªywowego jest inny ni» powszechnie spotykany w liter-
aturze.
Szereg prac po±wi¦conych jest problemom szeregowania zada« w prob-
lemach przepªywowych oraz oddzielnie problemom szeregowania zada« wielo-
procesorowych. Rezultaty bada« nad tymi problemami zebrano w dwóch
kolejnych podrozdziaªach.
82

problemów szeregowania zada« w systemach
przepªywowych
6.2.1 Wyniki dotycz¡ce zªo»ono±ci obliczeniowej
Dla klasycznych problemów przepªywowych (z pojedynczym procesorem
w ka»dym stadium) znaczn¡ cz¦±¢ rezultatów stanowi¡ wyniki poszukiwa«
rozwi¡za« permutacyjnych, tj. takich, w których kolejno±¢ wykonywania zada«
w ka»dym stadium jest taka sama. W pracy [21] wykazano, »e dla dowol-
nej instancji problemu F ||Cmax istnieje rozwi¡zanie optymalne, w którym
kolejno±¢ wykonywania zada« na dwóch pierwszych procesorach jest taka
sama i na dwóch ostatnich procesorach równie» jest taka sama. To prowadzi
do wniosku, »e dla problemów F 2||Cmax i F 3||Cmax rozwi¡za« optymalnych
nale»y poszukiwa¢ w±ród rozwi¡za« permutacyjnych. Jednocze±nie, ju» dla
problemu F 4||Cmax rozwi¡zanie optymalne nie musi znajdowa¢ si¦ w zbiorze
rozwi¡za« permutacyjnych.
Jednym z pierwszych rezultatów dla problemu przepªywowego jest wielo-
mianowy algorytm o zªo»ono±ci O(n log n) rozwi¡zania problemu F 2||Cmax
zaproponowanego w pracy [87]. Jednocze±nie w pracy [31] wykazano, »e ju»
problem F 3||Cmax jest silnie NP-trudny. Z tego rezultatu wynika, »e znalezie-
nie najlepszego rozwi¡zania permutacyjnego dla problemu F m||Cmax , m > 2
jest problemem silnie NP-trudnym.
W pracy [98] wykazano, »e problemy F 2|rj |Cmax , F 2|qj |C
Pmax oraz
F 2|tree|Cmax s¡ silnie NP-trudne. Podobnie problem F 2|| Cj jest silnie
NP-trudny [31] i to nawet w przypadku, gdy wszystkie zadania w pierwszym
stadium maj¡ jednakowy czas wykonywania [50].
Dla problemów przepªywowych hybrydowych (z kilkoma procesorami w
poszczególnych stadiach) ªatwo zauwa»y¢, »e ju» problemyF 2(P 2, P 1)||Cmax
i F 2(P 1, P 2)||Cmax s¡ NP-trudne poniewa» zawieraj¡ problem NP-trudny
P 2||Cmax jako podporoblem. Ponadto, w pracy [51] wykazano, »e problemy
powy»sze s¡ silnie NP-trudne.
6.2.2 Wyniki dotycz¡ce algorytmów optymalnych

Poza problemem F 2||Cmax i kilkoma trywialnymi szczególnymi przypad-
kami problemu przepªywowego, pozostaªe problemy s¡ co najmniej NP-trudne.
Z tego wzgl¦du, zgodnie z obecn¡ wiedz¡, nie nale»y poszukiwa¢ algorytmów
wielomianowych ich rozwi¡zania. W zwi¡zku z tym badania w tym zakre-
sie skupiªy si¦ na algorytmach opartych o technik¦ podziaªu i oszacowa«

6.2 Wyniki dotychczasowych bada« dotycz¡cych problemów ...
(B&B). W pracach [47, 52, 95, 108, 126] zaproponowano szereg metod kon-
strukcji dolnych oszacowa« i algorytmów (B&B). Ponadto w pracach [38,
39, 43, 107, 142, 143, 144] zaproponowano szereg wªasno±ci eliminacyjnych
wykluczaj¡cych pewne podziaªy i ograniczaj¡ce przeszukiwan¡ przestrze«
rozwi¡za«. Wªasno±ci te maj¡ równie» zastosowanie przy konstrukcji algo-
rytmów przybli»onych. Efektywno±¢ zaproponowanych algorytmów, pomimo
stosowania wyranowanych technik, nie jest zadowalaj¡ca. Najlepszy z algo-
rytmów, zaproponowany w pracy [126], ma trudno±ci z rozwi¡zaniem prob-
lemu o czterech stadiach i 15 zadaniach.
P
Dla problemu z kryterium Cj zaproponowano algorytmy oparte o tech-
P
nik¦ B&B w pracach [3, 52, 105, 149]. Dla problemu z kryterium Uj zapro-
ponowano algorytm dokªadny B&B w pracy [47]. Efektywno±¢ tych algoryt-
mów pozwala na rozwi¡zanie instancji 15 zadaniowych z maª¡ liczb¡ stadiów
(3,4).
6.2.3 Wyniki dotycz¡ce algorytmów przybli»onych

Algorytmy przybli»one zaproponowano gªównie dla problemu permuta-
cyjnego. Szereg z tych algorytmów [14, 37, 113, 133] dokonuje agregacji do
problemu F 2||Cmax i stosuje algorytm optymalny dla tego problemu zapro-
ponowany w [87]. Najlepszym w±ród algorytmów konstrukcyjnych jest algo-
rytm NEH [111, 146] wykorzystuj¡cy technik¦ wstawie«. Zaskakuj¡cy jest
fakt, »e algorytm NEH dostarcza lepszych rozwi¡za« ni» niektóre algorytmy
oparte o technik¦ lokalnego poszukiwania [24].
Dla problemu permutacyjnego z kryterium Cmax zaproponowano wiele al-
gorytmów metaheurystycznych opartych o techniki symulowanego wy»arza-
nia [117, 119], tabu search [112, 114, 130, 146, 159] i algorytmów ewolucyjnych
[131]. W±ród tych algorytmów wyró»niaj¡ si¦ algorytmy oparte o technik¦
tabu search [114, 130] ze wzgl¦du na bardzo dobr¡ jako±¢ dostarczanych
rozwi¡za«.
Zaproponowano równie» algorytmy przybli»one dla problemów z krytari-
P P P
ami: Cj [91, 93], wj Cj [34] oraz wj Tj [2, 89].
Dla problemu hybrydowego algorytmy przybli»one zaproponowano w pra-
cach [15, 42, 46, 76, 82, 97, 115, 132].
Obszerny przegl¡d rezultatów uzyskanych dla problemów przepªywowych
mo»na znale¹¢ w pracach [139, 140]. W pracy [112] przedstawiono szereg al-
gorytmów opartych o technik¦ Tabu Search dla ró»nych problemów przepªy-
wowych, gniazdowych i otwartych.

problemów szeregowania zada« wieloproce-
sorowych
W niniejszym podrozdziale przedstawione zostan¡ wyniki bada« uzyskane
dla problemów szeregowania zada« wieloprocesorowych z równolegªymi pro-
cesorami. Rezultaty dla problemów z procesorami dedykowanymi nie zostan¡
przedstawione ze wzgl¦du na to, »e tego typu problemy nie s¡ rozpatrywane
w tej pracy i stanowi¡, z punktu widzenia teoretycznego, odr¦bn¡ klas¦ prob-
lemów. Zainteresowanych czytelników odsyªam do prac [11], [26], [27] i [92]
gdzie przedstawiono szeroki przegl¡d rezultatów uzyskanych w tym zakresie.
Oczywistym spostrze»eniem jest fakt, »e ju» problem P 2|sizej |Cmax jest

problemem NP-trudnym (wynika z NP-trudno±ci problem P 2||Cmax ). W zwi¡zku
z tym, wyniki dotycz¡ce zªo»ono±ci obliczeniowej skupiaj¡ si¦ wokóª szczegól-
nych przypadków problemu P |sizej |Cmax .
Jednym z pierwszych rezultatów dotycz¡cych problemów szeregowania
zada« wieloprocesorowych jest wykazana w pracy [101] NP-trudno±¢ prob-
lemów P |sizej , pj = 1|Cmax oraz P 3|sizej , pj = 1, prec|Cmax i to ju» dla przy-
padku ∆ = 2. Jednocze±nie w tej samej pracy dla problemu P 2|sizej , pj =
1, prec|Cmax zaproponowano algorytm optymalny o zªo»ono±ci O(n2 ). Pon-
adto w pracy [7] wykazano, »e problem P |sizej , pj = 1|Cmax jest silnie
NP-trudny. W pracy [28] zaproponowano algorytmy pseudowielomianowe
dla problemów P 2|sizej |Cmax i P 3|sizej |Cmax , oraz wykazano, »e problemy
P 5|sizej |Cmax P 2|sizej , chains|Cmax s¡ silnie NP-trudne. Zªo»ono±¢
oraz
obliczeniowa (dokªadniej silna NP-trudno±¢) problemu P 4|sizej |Cmax po-
zostaje w ogólno±ci kwesti¡ otwart¡. Wykazano natomiast, »e je»eli sizej 6= 1
dla j = 1, ..., n, to problem P 4|sizej |Cmax jest rozwi¡zywalny pseudowielo-
mianowo [25].
W pracach [100, 101] zaproponowano algorytmy przybli»one dla pro-
belmu P |sizej |Cmax oraz dokonano ich analizy najgorszego przypadku. W
pracach [16, 100, 164] zaproponowano algorytmy przybli»one dla problemu
P |cubej |Cmax i równie» dokonano dla nich analizy najgorszego przypadku.
Znaczna cz¦±¢ pracy [112] dotyczy problemów szeregowania zada« wielopro-
cesorowych w systemach gniazdowych. Przedstawiono tam szereg wªasno±ci
tych problemów oraz algorytmy oparte o technik¦ Tabu Search.
Spo±ród innych kryteriów ni»
P Cmax rozpatrywane byªy tylko kryteria Lmax
[158] i Cj [94]. Badania nad tymi problemami skupiªy si¦ gªównie na al-
gorytmach przybli»onych i analizowaniu szczególnych przypadków.

6.4 Podsumowanie
6.4 Podsumowanie
Z przedstawionych powy»ej rezultatów wynika, »e problemy szeregowa-
nia zada« wieloprocesorowych i problemy przepªywowe rozpatrywane byªy
dotychczas oddzielnie. W zwi¡zku z tym, celowe jest poª¡czenie obu typów
problemów zwªaszcza, »e problem przepªywowy z wieloprocesorowymi zada-
niami stanowi naturalne uogólnienie problemu przepªywowego hybrydowego
oraz problemy tego typu modeluj¡ rzeczywiste systemy produkcyjne i kom-
puterowe.
Maj¡c to na uwadz¦, w niniejszej pracy podj¦to prób¦ dokonania anal-
izy problemów przepªywowych z wieloprocesorowymi zadaniami. Rezultaty
tych bada« przedstawione zostaªy w kolejnym rozdziale i dotycz¡ zarówno
zªo»ono±ci obliczeniowej oraz wªasno±ci teoretycznych problemów, jak i kon-
strukcji efektywnych algorytmów rozwi¡zania zªo»onych problemów.
Rozdziaª 7
Problemy szeregowania zada«
wieloprocesorowych w systemach
przepªywowych
7.1 Wst¦p
W niniejszym rozdziale rozpatrywane b¦d¡ problemy szeregowania zada«
wieloprocesorowych w systemach przepªywowych. Analizowane b¦d¡ dwa
problemy. Pierwszy, to problem ogólny, w którym dla ka»dego zadania zden-
iowane s¡ takie parametry jak termin dost¦pno±ci, czas dostarczenia, czasy
transportu mi¦dzy stadiami, oraz wyst¦puj¡ sekwencyjnie zale»ne przezbroje-
nia. Drugi rozpatrywany problem to problem uproszczony, w którym powy»sze
parametry zada« oraz przezbrojenia nie wyst¦puj¡. W pierwszej kolejno±ci
problemy zostan¡ formalnie zdeniowane Podrozdziaª 7.2, nast¦pnie rozpa-
trywany b¦dzie problem uproszczony, pod k¡tem jego zªo»ono±ci obliczeniowej
oraz metod rozwi¡zania Podrozdziaª 7.3. W Podrozdziale 7.4 zaproponowanych
zostanie szereg algorytmów dla problemu ogólnego. Rozdziaª zamyka krótkie
podsumowanie uzyskanych wyników.

Dany jest zbiór m stadiów produkcji, M = {1, ..., m}. W ka»dym stadium
i ∈ M znajduje si¦ mi identycznych procesorów (maszyn). Zbiór procesorów
w stadium i oznaczono przez Mi = {1, ..., mi }.
Dany jest zbiór J = {1, ..., n}, n zada« do wykonania w systemie pro-
dukcyjnym zdeniowanym przez zbiory M i Mi , i ∈ M. Ka»de zadanie
skªada si¦ z m wieloprocesorowych czynno±ci. Zbiór czynno±ci zadania j ∈ J
87
oznaczono przez Oj = {o1j , ..., omj }. Czynno±¢ o1j ma by¢ wykonana na pro-
cesorach stadium i ∈ M.
Dla ka»dego zadania j ∈ J okre±lone s¡ nast¦puj¡ce parametry:
• pij > 0, i ∈ M czas wykonywania czynno±ci oij (wykonywanej w

stadium i),
• sizeij , i ∈ M (1 ≤ sizeij ≤ mi ) liczba procesorów wymaganych do

wykonywania czynno±ci oij ,
• tij ≥ 0, i ∈ M\{m} czas transportu zadania pomi¦dzy stadium i a

i + 1,
• rj ≥ 0 termin dost¦pno±ci,
• qj ≥ 0 czas dostarczenia.
Dla zachowania symetrii z czasami transportu, termin dost¦pno±ci zada-

nia j b¦dzie oznaczany jako t0j = rj , a czas dostarczenia jako tmj = qj .
Dodatkowo, okre±lone s¡ przezbrojenia wyst¦puj¡ce mi¦dzy czynno±ciami o
czasach wykonywania:
sijk ≥ 0,
co oznacza, »e przezbrojenie to wykonywane jest mi¦dzy czynno±ciami j a
k w stadium i. Dodatkowo, dla ka»dej czynno±ci oij zdeniowany jest czas
przezbrojenia si0j , wykonywanego przed ka»d¡ operacj¡ tej czynno±ci, je»eli
jest ona wykonywana jako pierwsza na procesorze.
Wygodnie jest rozumie¢ czynno±¢ oij jako zbiór sizeij operacji, ka»da o
czasie wykonywania pij .
Oznaczmy przez Sij oraz Cij = Sij + pij odpowiednio termin rozpocz¦cia
i zako«czenia wykonywania czynno±ci oij . Problem polega na wyznaczeniu
takiego harmonogramu wykonywania zada« (czynno±ci), które minimalizuje
dªugo±¢ tego harmonogramu, tzn.
Cmax = max{Cmj + qj }.
j∈J
Przez harmonogram nale»y rozumie¢ tutaj przyporz¡dkowanie operacji

poszczególnych czynno±ci do procesorów, oraz wyznaczenie kolejno±ci ich
wykonywania na ka»dym z procesorów, które speªnia nast¦puj¡ce ograniczenia:
• ka»dy procesor wykonuje nie wi¦cej ni» jedn¡ operacj¦ w ka»dej chwili
czasu;
• operacje wykonywane s¡ bez przerywania;
7 Problemy szeregowania zada« wieloprocesorowych w systemach przepªywowych
• wszystkie operacje nale»ace do jednej czynno±ci rozpoczynaj¡ si¦ i ko«cz¡

w tym samym terminie;
• je»eli na jednym z procesorów stadium i wykonywane s¡ kolejno dwie

operacje takie, »e pierwsza nale»y do czynno±ci oij , a druga do czynno±ci
oik , to mi¦dzy nimi wykonywane jest przezbrojenie procesora o czasie
trwania sijk ;
• je»eli na jednym z procesorów stadium i operacja czynno±ci oij wykony-

wana jest jako pierwsza, to poprzedza j¡ przezbrojenie procesora o cza-
sie trwania si0j ;
• je»eli zako«czenie wykonywania czynno±¢ oij nast¡piªo w terminie Cij ,

to rozpocz¦cie wykonywania czynno±ci oi+1,j nie mo»e nast¡pi¢ przed
upªywem terminu Cij + tij ;
• czynno±¢ o1j nie mo»e by¢ wykonywana przed upªywem terminu rj .
Nale»y zwróci¢ uwag¦ na to, »e przezbrojenia wyst¦puj¡ mi¦dzy ka»dymi

dwoma operacjami i s¡ sekwencyjnie zale»ne. Je»eli wyst¦puj¡ rodziny zada«,
to mo»na przyj¡¢, »e je»eli czynno±ci oij i oik nale»¡ do tej samej rodziny, to
sijk = sikj = 0.
Problem powy»szy w notacji trójpolowej b¦dzie oznaczany nast¦puj¡co:
F (P )|rj , qj , sizeij , sijk |Cmax . (7.1)
7.3 Problem uproszczony

W dalszej cz¦±ci rozwa»any b¦dzie problem uproszczony w stosunku do
problemu (7.1), tzn. problem bez okre±lonych terminów dost¦pno±ci zada«,
bez czasów dostarczenia zada«, bez czasów tranportu, bez przezbroje« oraz
w sytuacji gdy liczba stadiów m oraz ilo±¢ procesorów w poszczególnych sta-
diach mi , s¡ staªymi wielko±ciami (nie stanowi¡ danych wej±ciowych prob-
lemu). Dodatkowo, zakªada si¦, »e czas wykonywania wszystkich czynno±ci
jest ograniczony, tzn. pij ≤ p, i ∈ M, j ∈ J , gdzie p≥0 jest zadan¡ staª¡.
Problem ten b¦dzie oznaczany nast¦puj¡co:
F m(P m1 , ..., P mm )|sizeij , pij ≤ p|Cmax . (7.2)

7.3.1 Analiza zªo»ono±ci obliczeniowej

W dalszej cz¦±ci wykazane zostanie, »e problem (7.2) jest wielomianowo
rozwi¡zywalny. Jednocze±nie zostanie wykazane, »e wyst¦powanie ogranicze«
kolejno±ciowych i to w najprostszej postaci powoduje, »e staje si¦ on silnie
NP-trudny.
Na wst¦pie wprowadzona zostanie nast¦puj¡ca denicja:
Denicja 6 Zadania j ∈ J i g ∈ J nale»¡ do tej samej grupy, je»eli pij =

pig oraz sizeij = sizeig , dla i ∈ M.
Oznaczmy przez G = {G1 , ..., Ggmax } zbiór wszystkich grup. atwo wykaza¢,
»e liczba grup dla ka»dej instancji problemu (7.2) nie przekracza gmax =
pm m
Q
i=1 mi .
Dla problemu (7.2) zachodz¡ nast¦puj¡ce wªasno±ci:
Wªasno±¢ 14 Istnieje rozwi¡zanie optymalne problemu (7.2) takie, »e je»eli

zadania j i g nale»¡ do tej samej grupy oraz j < g , to Cij < Cig dla i ∈ M.
Dowód. Niech wielko±ci Cij , i ∈ M, j ∈ J , b¦d¡ terminami zako«czenia

wykonywania czynno±ci w dowolnym dopuszczalnym harmonogramie. Rozpa-
trzmy nowy harmonogram z terminami zako«czenia wykonywania czynno±ci
0
Cij takimi, »e dla ka»dego stadium i∈M zachodzi:
0 0
Cij = min[Cij , Cig ], Cig = max[Cij , Cig ]
0
iCiq = Ciq , gdzie q jest dowolnym zadaniem takim, »e q 6= j i q 6= g . Poniewa»
terminy Cij speªniaj¡ warunki dopuszczalno±ci, dla ka»dego i < m zachodzi:
Cij ≤ C(i+1)j − p(i+1)j i Cig ≤ C(i+1)g − p(i+1)g ,
Dodatkowo, ze wzgl¦du na to, »e p(i+1)j = p(i+1)g , mamy
min[Cij , Cig ] ≤ min[C(i+1)j , C(i+1)g ] − p(i+1)j
i
max[Cij , Cig ] ≤ max[C(i+1)j , C(i+1)g ] − p(i+1)g ,
0
co dowodzi dopuszczalno±¢ terminów Cij . Ostatecznie, poniewa» Cmax =
0 0
maxj∈J {Cmj } = maxj∈J {Cmj } = Cmax , mo»emy stwierdzi¢, »e istnieje równie»
harmonogram optymalny speªniaj¡cy warunki wªasno±ci.
Wªasno±¢ 15 W problemie (7.2), dla optymalnego harmonogramu zachodzi:

∗
Cmax ≤ (n + m − 1)p.
Dowód. Poniewa» czas wykonywania ka»dej czynno±ci pij ≤ p, to przyjmu-

j¡c najwi¦ksze mo»liwe wielko±ci ich parametrów, tzn. pij = p oraz sizeij =
∗
mi , dla i ∈ M, j ∈ J , otrzymujemy problem, w którym Cmax = (n + m −
1)p.
Powy»sze dwie wªasno±ci pozwalaj¡ ograniczy¢ liczb¦ rozpatrywanych
harmonogramów do takich, które speªniaj¡ nast¦puj¡ce warunki:
(s1) Cij ≤ Cig , dla 1≤i≤m i ka»dych dwóch zada« j i g nale»¡cych do

tej samej grupy takich, »e j < g,
(s2) Cmax ≤ (n + m − 1)p.
Twierdzenie 12 Problem (7.2) jest wielomianowo rozwi¡zywalny.
Dowód. W celu wykazania tego twierdzenia skonstruowany zostaª wielomi-

anowy algorytm optymalny oparty o technik¦ programowania dynamicznego.
Ogólna zasada dziaªania tego algorytmu jest nast¦puj¡ca. Algorytm operuje
na sekwencji zbiorów W0 , ..., W(n+m−1)p , startuj¡c od zbioru W0 rekuren-
cyjnie konstruuje zbiory od W1 do W(n+m−1)p , a nast¦pnie wyznacza opty-
maln¡ sekwencj¦ elementów ω0 , ..., ω(n+m−1)p , gdzie ωt ∈ Wt , która deniuje
odpowiadaj¡cy jej optymalny harmonogram.
W dalszej cz¦±ci pokazane zostanie jak budowane s¡ poszczególne zbiory
Wt i jakie warunki musz¡ speªnia¢ elementy tych zbiorów.
Ka»dy zbiór Wt skªada si¦ ze sko«czonej liczby wektorów. Ka»dy wektor
skªada si¦ ze sko«czonej liczby elementów, b¦d¡cymi nieujemnymi liczbami
caªkowitymi. Pierwszych mgmax elementów ka»dego wektora ω ∈ Wt oznac-
1
zone zostaªo jako ωif i s¡ interpretowane jako liczba zada« z grupy Gf , których
|G |
i-ta czynno±¢ zostaªa zako«czona do chwili t. Niech Gf = {jf1 , . . . , jf f }, gdzie
jfe < jfe+1 , dla 1 ≤ e < |Gf |. atwo zauwa»y¢, »e nie wi¦cej ni» b sizemi
c czyn-
ij 1
f
no±ci zada« z grupy Gf mo»e by¢ wykonywana jednocze±nie w stadium i.
Elementy skªadaj¡ce si¦ na drug¡ cz¦±¢ ka»dego wektora ω ∈ Wt zostaªy
2 mi
oznaczone przez ωif e , gdzie 1 ≤ i ≤ m, 1 ≤ f ≤ gmax i 1 ≤ e ≤ min{b c, |Gf |}.
sizeij 1
f
1 +e
ωif
2
Je»eli ωif e = 0, to oznacza to, »e i-ta czynno±¢ zadania jf nie jest wykony-
2
wana w przedziale czasu [t, t + 1]. Je»eli ωif e > 0, to oznacza to, »e i-ta czyn-
ω 1 +e
no±¢ zadania jf if jest wykonywana w przedziale czasu [t, t + 1] i wielko±¢

2
ωif e jest interpretowana jako pozostaªy czas wykonywania tej czynno±ci, tzn.
dªugo±¢ przedziaªu czasu potrzebnego po terminie t na jej zako«czenie.
Podsumowuj¡c, wszystkie wektory skªadaj¡ce si¦ na zbiór Wt maj¡ taki
sam rozmiar, a ka»dy wektor ω ∈ Wt opisuje sytuacj¦ jaka wyst¦puje w mo-
mencie t harmonogramu. Dokªadniej rzecz ujmuj¡c, pierwsza cz¦±¢ ka»dego
wektora opisuje, które czynno±ci zada« zostaªy zako«czone przed terminem
t, a druga cz¦±¢ ka»dego wektora opisuje, które czynno±ci s¡ wykonywane w
przedziale czasu [t, t + 1] i podaj¡ pozostaªy czas ich wykonywania.
Je»eli wektor ω nale»y do zbioru Wt , to musi speªnia¢ nast¦puj¡ce warunki:
1 2
(c1) Dla ka»dej grupy Gf , ωif ≤ |Gf |. Co wi¦cej, je»eli ωif e > 0, wówczas
1
ωif + e ≤ |Gf |, tzn. caªkowita liczba zada« z grupy Gf , których i-ta
czynno±¢ zostaªa zako«czona przed terminem t lub jest wykonywana w
przedziale czasu [t, t + 1] nie mo»e przekracza¢ liczby zada« nale»¡cych
do tej grupy.
2 1 1
(c2) Je»eli i>1 i ωif e > 0, wówczas ω(i−1)f ≥ ωif + e, tzn. i-ta czynno±¢
ka»dego zadania mo»e by¢ wykonywana tylko po zako«czeniu wykony-
wania czynno±ci i−1 tego zadania.
2 2 2
(c3) Je»eli ωif e > 0, wówczas 1 ≤ ωif h ≤ ωif e dla 1 ≤ h ≤ e, tzn. i-ta
1 +e
ωif
czynno±¢ zadania jf nie mo»e si¦ rozpocz¡¢ przed i-t¡ czyno±ci¡
1 +h
ωif
zadania jf .
P
(c4) 2 >0}
{(f,e)| ωif sizeijf1 ≤ mi , dla 1 ≤ i ≤ m, tzn. caªkowita ilo±¢ pro-
e
cesorów wymaganych przez czynno±ci wykonywane w przedziale czasu
[t, t+1], w stadium i, nie mo»e przekracza¢ caªkowitej liczby dost¦pnych
procesorów mi .
2
(c5) ωif e ≤ pijf1 dla wszystkich i, f i e, tzn. pozostaªy czas wykonywania
czynno±ci nie mo»e by¢ wi¦kszy ni» caªkowity czas wykonywania tej
czynno±ci.
Wektor ν jest osi¡galny z wektora ω ∈ Wt , je»eli s¡ speªnione nast¦puj¡ce

warunki:
1 1 2
(r1) dla ka»dej pary i i f , νif = ωif + h, gdzie h liczb¡ elementów ωif e
równych jeden, tzn. liczba czynno±ci zako«czonych wzrasta o liczb¦
czynno±ci, których pozostaªy czas wykonywania jest równy jeden.
2 2 2 1 1
(r2) Je»eli 1 ≤ νif h < pijf1 , to ωif e = νif h + 1, gdzie νif + h = ωif + e,
tzn. je»eli wektor ν opisuje sytuacj¦, w której jedna z czynno±ci ma
niezerowy pozostaªy czas wykonania, to czynno±¢ ta jest wykonywana
w przedziale czasu [t, t + 1].
2 2 2 1 1
(r3) Je»eliωif e > 1, to νif h = ωif e − 1, gdzie νif + h = ωif + e, tzn.
wektor ν wskazuje, »e jedna z czynno±ci jest wykonywana, je»eli byªa
wykonywana w przedziale [t, t + 1] i nie zostaªa zako«czona w tym
przedziale.
Niech R(ω) oznacza zbiór wektorów speªniaj¡cych warunki (c1)-(c5) i

osi¡galnych z wektora ω. Wówczas dla ka»dego 0 < t < (n + m − 1)p
Wt = ∪u∈Wt−1 R(ω).
Aby zako«czy¢ opis zbiorów Wt , wystarczy zdeniowa¢ zbiory W0 i W(n+m−1)p .

Niech W0 b¦dzie zbiorem speªniaj¡cym warunki (c1)-(c5) oraz przedstawione
poni»ej warunki (c6)-(c8):
1
(c6) ωif = 0 dla ka»dego i oraz f , tzn. nie zostaªo zako«czone wykonywanie
»adnej czynno±ci przed terminem t = 0.
2
(c7) ωif e = 0 dla ka»dego f , e, oraz i > 1, tzn. tylko czynno±ci zwi¡zane z
pierwszym stadium mog¡ by¢ wykonywane w przedziale czasu [0, 1].
2 2
(c8) Je»eli ω1f e > 0, to ω1f e = p1jf1 , tzn. je»eli pierwsza czynno±¢ jakiego±
zadania jest wykonywana w przedziale czasu [0, 1], to rozpoczyna si¦

ona w terminie t = 0.
Nale»y zaznaczy¢, »e dla wektorów ze zbioru W0 niektóre z warunków (c1)-
(c5) staj¡ si¦ nadmiarowe.
Niech W(n+m−1)p zawiera tylko jeden wektor µ taki, »e µ1if = |Gf | dla
ka»dego i oraz f , tzn. µ wskazuje, »e wszystkie czynno±ci zostaªy zako«c-
zone. Zauwa»my, »e µ mo»e by¢ równie» elementem którego± z wcze±niejszych
zbiorów Wt oraz, »e R(µ) = {µ}.
Niech

1 je»eli ω 6= µ
r(ω) =
0 w przeciwnym przypadku
oraz niech Z b¦dzie zbiorem wszystkich sekwencji ω0 , ω1 , . . . , ω(n+m−1)p ta-

kich, »e ω0 ∈ W0 oraz ωt ∈ R(ωt−1 ) dla 1 ≤ t ≤ (n + m − 1)p. Zauwa»my, »e
niektóre elementy ze zbioru Wt mog¡ nie nale»e¢ do »adnej z sekwencji zbioru

Z , podczas gdy inne mog¡ nale»e¢ do wielu z tych sekwencji. Przypomnijmy,

»e wystarczy ograniczy¢ si¦ do rozwa»ania takich harmonogramów, które
speªniaj¡ warunki (s1) i (s2). Dla ka»dego takiego harmonogramu, istnieje
sekwencja (ω0 , ω1 , . . . , ω(n+m−1)p ) ∈ Z taka, »e
X
Cmax = r(ωt ).
0≤t≤(n+m−1)p
Ponadto, ka»da sekwencja (ω0 , ω1 , . . . , ω(n+m−1)p ) ∈ Z deniuje dopuszczalny

harmonogram, gdzie ωt deniuje czynno±ci wykonywane w przedziale czasu
[t, t + 1]. W zwi¡zku z tym, problem (7.2) jest równowa»ny problemowi min-
imalizacji nast¦puj¡cej sumy:
X
r(ωt ),
0≤t≤(n+m−1)p
po zbiorze Z.
Zgodnie ze standardowym podej±ciem programowania dynamicznego, rozwa»my

funkcje ϕ0 (ω), ..., ϕ(n+m−1)p (ω), zdeniowane odpowiednio dla zbiorów W0 , . . . , W(n+m−1)p ,
gdzie ϕ0 (ω) = 0, dla ka»dego ω ∈ W0 oraz
ϕt (ω) = min [r(ν) + ϕt−1 (ν)], (7.3)

{ν| ν∈Wt−1 i ω∈R(ν)}
dla 1 ≤ t ≤ (n + m − 1)p i ω ∈ Wt .
Rozpoczynaj¡c od ϕ1 i u»ywaj¡c reguªy (7.3), algorytm wyznacza kole-
jne funkcje ϕ1 (ω), . . . , ϕ(n+m−1)p (ω) zapami¦tuj¡c dla ka»dego wektora ω ∈
Wt wektor oznaczony przez pr(ω), dla którego zostaªo osi¡gni¦te minimum
w wyra»eniu (7.3). Po zako«czeniu tych oblicze« algorytm konstruuje op-
∗ ∗ ∗ ∗
tymaln¡ sekwencj¦ ω0 , ω1 , . . . , ω(n+m−1)p rozpoczynaj¡c od ω(n+m−1)p = w ,
wykorzystuj¡c nast¦puj¡c¡ relacj¦:
ωt∗ = pr(ωt+1
∗
).
Aby pokaza¢, »e algorytm przedstawiony powy»ej dziaªa w czasie wielo-

(n+m−1)p
mianowym zauwa»my, »e ka»dy wektor ze zbioru ∪t=0 Wt ma rozmiar
m gX
max
X mi
mgmax + min{b c, |Gf |}
i=1 f =1
sizeijf1
n wynosz¡c¡ (m+ m
P m
Qm
i jest ograniczony przez staª¡ niezale»n¡ od i=1 mi )p i=1 mi .
W zwi¡zku z tym, liczba operacji niezb¦dna do sprawdzenia czy dwa wektory
ω i ν speªniaj¡ warunki (r1)-(r3), jest ograniczona przez staª¡ niezale»n¡ od

n. Podobnie, liczba operacji niezb¦dna do sprawdzenia, czy dany wektor speª-
nia warunki (c1)-(c5) lub (c6)-(c8) jest ograniczona przez staª¡ niezale»n¡ od
n.
Niech W b¦dzie zbiorem wszystkich wektorów speªniaj¡cych warunki
(c1)-(c5) oraz niech ω b¦dzie dowolnym wektorem ze zbioru W . Poniewa»
1
ωif ≤ n dla ka»dego elementu skªadaj¡cego si¦ na pierwsz¡ cz¦±¢ wektora ω ,
mg
liczba mo»liwych pierwszych cz¦±ci tego wektora wynosi O(n max ). Przy-
m
Q m
pomnijmy, »e gmax ≤ p i=1 mi , wi¦c wygenerowanie wszystkich mo»liwych
pierwszych cz¦±ci wektora mo»e by¢ zrealizowane w wielomianowym cza-
2
sie. Poniewa» ωif e ≤ p dla ka»dego elementu skªadaj¡cego si¦ na drug¡ cz¦±¢
wektora ω , wygenerowanie wszystkich mo»liwych drugich cz¦±ci mo»e by¢
zrealizowane w czasie ograniczonym staª¡ niezale»n¡ od n. Tak wi¦c zbiór W
mo»e by¢ wyznaczony w wielomianowym czasie. Podobnie podzbiór W0 ⊂ W
i ka»dy nast¦pny zbiór Wt mo»e by¢ skonstruowany w wielomianowym czasie,
przez sprawdzenie warunków (r1)-(r3) dla ka»dej pary wektorów ω ∈ Wt−1
i ν ∈ W . Ostatecznie, poniewa» funkcje ϕ1 (ω), . . . , ϕ(n+m−1)p (ω) mog¡ by¢
wyliczane podczas konstrukcji zbiorów W0 , . . . , W(n+m−1)p , algorytm konstru-
uje rozwi¡zanie optymalne w wielomianowym czasie.
Jednocze±nie wykazano, »e problem (7.2) w sytuacji wyst¦powania ogranicze«

kolejno±ciowych mi¦dzy zadaniami, jest problemem silnie NP-trudnym. Dokªad-
niej rzecz ujmuj¡c, wykazano, »e ju» problem:
F 2(P 2, P 2)|chains, pij = 1, sizeij |Cmax , (7.4)
jest problemem silnie NP-trudnym.
Twierdzenie 13 Problem (7.4) jest problemem silnie NP-trudnym.
Dowód. W dowodzie tego twierdzenia przez zadanie typu (a,b) b¦dziemy

rozumie¢ takie zadanie j, dla którego zachodzi size1j = a oraz size2j =
b, tzn. pierwsza czynno±¢ tego zadania wymaga a procesorów, a druga b
procesorów. Ze wzgl¦du na to, »e w ka»dym stadium mamy dwa procesory,
mo»emy wyró»ni¢ cztery typy zada«: (1,1), (1,2), (2,1) oraz (2,2).
Aby wykaza¢ siln¡ NP-trudno±¢ problemu (7.4), dokonano transforma-
cji pseudowielomianowej z silnie NP-zupeªnego [30] problemu 3-podziaªu ( - 3
PARTITION). Problem ten zdeniowany jest nast¦puj¡co:
3-PARTITION: Dany jest zbiór 3r elementów N = {1, ..., 3r} oraz staªa

B. Dla ka»dego elementu j∈N dana jest jego warto±¢ qj taka, »e:
B B
< qj < (7.5)
4 2
Pytanie: Czy istnieje podziaª zbioru
P N na r podzbiorów N1 , . . . , Nr takich,
»e Ni ∩ Nj = ∅, dla i 6= j oraz j∈Ni qj = B , dla i = {1, ..., r}?
Transformacja pseudowielomianowa zdeniowana jest nast¦puj¡co. Dla

ka»dego elementu qj , j ∈ N , zdeniowany jest ªa«cuch 2qj zada«. Pier-
wszych qj zada« z ka»dego ªa«cucha, to zadania typu (1,2), a pozostaªe
qj zada« to zadania typu (2,1). Dodatkowo, zdeniowano 2Br zada« do-
datkowych tworz¡cych jeden ªa«cuch. Pierwszych B zada« w tym ªa«cuchu
dodatkowym, to zadania typu (1,2), nast¦pnych B zada«, to zadania typu
(2,1) i ten wzorzec, nazywany dalej blokiem, powtarza si¦ r razy. Niech
Ĉ = 3Br + 1. Wówczas odpowiednia instancja decyzyjnej wersji problemu
(7.4) mo»e by¢ okre±lona nast¦puj¡co:
DF: Czy istnieje takie uszeregowanie zada« (zdeniowanych powy»ej), »e
Cmax = Ĉ ? (7.6)
Rozwa»my pierwsze stadium. Poniewa» wszystkie zadania dodatkowe tworz¡

ªa«cuch, nie wi¦cej ni» jedno z nich mo»e by¢ wykonywane w danej chwili
czasu. Z drugiej strony, mamy zdeniowanych br zada« typu (2,1) odpowiada-
j¡cych elementom ze zbioru N. Poniewa» m1 = 2, »adne zadanie typu (2,1)
nie mo»e by¢ wykonywane w pierwszym stadium równolegle z innym zadaniem.
W zwi¡zku z tym, dla ka»dego harmonogramu mamy: Cmax ≥ Ĉ , i je»eli ist-
nieje harmonogram speªniaj¡cy równo±¢ (7.6), to jest on optymalny.
Zaªó»my, »e istnieje podziaª zbioru N na podzbiory N1 , . . . , Nr speªnia-

j¡cy warunki postawione w problemie 3-podziaªu. Wówczas, harmonogram
speªniaj¡cy równanie (7.6) mo»e by¢ skonstruowany nast¦puj¡co:
stadium 1: Dla ka»dego Nj , 1 ≤ j ≤ r, wszystkie zadania typu (1,2)

(odpowiadaj¡ce elementom ze zbioru Nj ) s¡ wykonywane w przedziale
czasu [3B(j − 1), 3B(j − 1) + B] równolegle z B dodatkowymi zadani-
ami typu (1,2) z j -tego bloku. Wszystkie zadania typu (2,1) s¡ wykony-
wane w przedziale czasu [3B(j − 1) + B, 3B(j − 1) + 2B]. Zadania do-
datkowe typu (2,1) z j -tego bloku wykonywane s¡ w przedziale czasu
[3B(j − 1) + 2B, 3Bj].
stadium 2: Dla ka»dego Nj , 1 ≤ j ≤ r, wszystkie zadania typu (1,2) s¡

wykonywane w przedziale czasu [3B(j − 1) + 1, 3B(j − 1) + B + 1].
Nast¦pnie, w przedziale czasu [3B(j − 1) + B + 1, 3B(j − 1) + 2B + 1],

wykonywane s¡ wszystkie zadania dodatkowe typu (1,2) z j -tego bloku.
Na ko«cu, w przedziale czasu [3B(j −1)+2B +1, 3Bj +1] wykonywane
s¡ wszystkie zadania typu (2,1) odpowiadaj¡ce elementom zbioru Nj ,
równolegle ze wszystkimi dodatkowymi zadaniami typu (2,1) z j -tego
bloku.
Zaªó»my teraz, »e istnieje harmonogram speªniaj¡cy równanie (7.6). atwo

zauwa»y¢, »e w pierwszym stadium takiego harmonogramu, ka»de zadanie
typu (1,2) odpowiadaj¡ce elementom ze zbioru N , jest wykonywane równole-
gle z jednym z zada« dodatkowych typu (1,2). Podobnie, w stadium drugim,
ka»de zadanie typu (2,1) odpowiadaj¡ce elementom ze zbioru N , jest wykony-
wane równolegle z jednym z dodatkowych zada« typu (2,1). Niech qj1 , . . . , qjw
b¦d¡ elementami zbioru N , które odpowiadaj¡ zadaniom typu (2,1) wykony-
wanych równolegle z B zadaniami dodatkowymi typu (2,1) z pierwszego
Pw
bloku. Wówczas k=1 qjk ≥ B , poniewa» ka»de zadanie typu (2,1) odpowiada-
j¡ce elementowi qjk ma qjk zada« poprzedzaj¡cych (w ªa«cuchu) typu (1,2) i
wszystkie te zadania poprzedzaj¡ce musz¡ by¢ wykonane na pierwszym sta-
dium równolegle z dodatkowymi zadaniami typu (1,2) z pierwszego bloku. Z
drugiej strony, jest tylko B takich zada« dodatkowych w pierwszym bloku,
B≥ w
P Pw
wi¦c k=1 qjk . Ostatecznie, k=1 qjk = B i, bior¡c pod uwag¦ nierówno±ci
(7.5), otrzymujemy w = 3.
Tak wi¦c elementy qj1 , qj2 i qj3 tworz¡ pierwszy zbiór N1 . Analizuj¡c
podobnie dla pozostaªych bloków, otrzymujemy rozwi¡zanie problemu 3-
podziaªu.
DF posiada rozwi¡zanie wt-
Ostatecznie mo»emy stwierdzi¢, »e problem
3-PARTITION posiada rozwi¡zanie. A
edy i tylko wtedy, gdy problem
poniewa» problem 3-PARTITION jest problemem silnie NP-zupeªnym, to
problem (7.4) jest silnie NP-trudny.
7.3.2 Algorytm przybli»ony

Ze wzgl¦du na to, »e wykazanie wielomianowej rozwi¡zywalno±ci prob-
lemu (7.2) ma znaczenie raczej teoretyczne, przedstawiony zostanie algorytm
przybli»ony dla tego problemu, oparty o technik¦ Tabu Search.
W celu przedstawienia zaproponowanego algorytmu, w pierwszej kole-
jno±ci zostanie przedstawiona zastosowana reprezentacja harmonogramu.
Niech πi = (πi (1), ..., πi (n)) oznacza list¦ zada« (permutacj¦), wedªug
której czynno±ci przydzielane s¡ do procesorów w stadium i. Dodatkowo,
niech φij , |φij | = sizeij , oznacza zbiór procesorów, które wykonuj¡ i-t¡ czyn-
no±¢ zadania j . Je»eli zdeniujemy zbiór φi = {φi1 , ..., φin }, dla ka»dego sta-

dium i ∈ M , to pojedynczy harmonogram mo»e by¢ zdeniowany przez par¦

(π, φ), gdzie π = {π1 , ..., πm } oraz φ = {φ1 , ..., φm }. Dla ka»dego harmono-
gramu (π, φ), terminy zako«czenia wykonywania czynno±ci mog¡ by¢ wyz-
P P
naczone w czasie O j∈J i∈M sizeij przy u»yciu Procedury 1. Terminy
rozpocz¦cia wykonywania czynno±ci mog¡ by¢ wyliczone jako Sij = Cij − pij ,
ze wzgl¦du na to, »e wykonywanie czynno±ci nie mo»e by¢ przerywane.
Procedura 1 Wyznaczenie terminów zako«czenia wykonywania czynno±ci,

dla ustalonego harmonogramu (π, φ).
1: C0j := 0, j ∈ J
2: Cil0 := 0, i ∈ M , l ∈ Mi
3: for i ∈ M do
4: for j ∈ J do
5: Ciπi (j) := max{C(i−1),πi (j) , maxl∈φiπi (j) {Cil0 }} + piπi (j)
6: for l ∈ φiπi (j) do
7: Cil0 := Ciπi (j)
8: end for
9: end for
10: end for
W Procedurze 1, przez Cil0 oznaczono termin zako«czenia wykonywania

operacji na procesorze l stadium i. Procedura ta kolejno przydziela czynno±ci
z listy πi do procesorów zdeniowanych przez zbiory φij i wylicza warto±ci
czasów zako«czenia wykonywania czynno±ci przy u»yciu nast¦puj¡cej for-
muªy liczonej dla i = 1, ..., m i j = 1, ..., n:
Ciπi (j) = max{C(i−1)πi (j) , max {Cil0 }} + piπi (j) ,

l∈φiπi (j)
gdzieC0j = 0 dla j ∈ J oraz warto±ci Cil0 s¡ pocz¡tkowo równe zero dla

i ∈ M i l ∈ Mi .
Poprawno±¢ powy»szej formuªy wynika z nast¦puj¡cych faktów:
• czynno±¢ πi (j) nie mo»e by¢ rozpocz¦ta przed zako«czeniem czynno±ci

πi−1 (j),
• czynno±¢ πi (j) nie mo»e by¢ rozpocz¦ta przed zako«czeniem ostatniej

operacji wykonywanych przez procesory ze zbioru φij .
πi (j) do procesorów i wyznaczeniu jej terminu

Po przydzieleniu czynno±ci
0
zako«czenia wykonywania, warto±ci Cil s¡ uaktualniane dla l ∈ φij , poniewa»
czynno±¢ πi (j) jest wykonywana jako ostatnia na procesorach ze zbioru φij .
Aby zilustrowa¢ zaproponowan¡ reprezentacj¦ harmonogramu, rozpatrzmy

nast¦puj¡cy przykªad:
Przykªad 1. W systemie s¡ dwa stadia (m = 2) z trzema procesorami
w pierwszym stadium(m1 = 3) i dwoma procesorami w stadium drugim
(m2 = 2). Sze±¢ zada« (n = 6) o parametrach danych w Tablicy 7.1 ma
by¢ wykonanych w tym systemie. Wykres Gantt'a pokazany na Rysunku
7.1 przedstawia dopuszczalny harmonogram, dla którego Cmax = 160. Har-
monogram ten mo»e by¢ zdeniowany przez par¦ (π, φ), gdzie π = {π1 , π2 }
i φ = {φ1 = {φ11 , φ12 , φ13 , φ14 , φ15 , φ16 }, φ2 = {φ21 , φ22 , φ23 , φ24 , φ25 , φ26 }}.
Poszczególne listy πi i zbiory φij dane s¡ nast¦puj¡co: π1 = (1, 2, 3, 4, 5, 6),
π2 = (1, 2, 3, 4, 5, 6) oraz φ11 = {1, 3}, φ21 = {1}, φ12 = {1, 2}, φ22 = {1, 2},
φ13 = {1}, φ23 = {1, 2}, φ14 = {3}, φ24 = {2}, φ15 = {1, 2, 3}, φ25 = {1},
φ16 = {1}, φ26 = {1, 2}. atwo zauwa»y¢, »e je»eli lista π1 = (1, 2, 4, 3, 5, 6)
wówczas mamy do czynienia z tym samym harmonogramem.
Tablica 7.1: Parametry zada« dla Przykªadu 1.
stadium1 stadium 2
zadanie pij sizeij zadanie pij sizeij
1 20 2 1 30 1
2 25 2 2 15 2
3 25 1 3 30 2
4 20 1 4 35 1
5 20 3 5 20 1
6 15 1 6 25 2
7.3.2.1 Reprezentacja grafowa harmonogramu

Z ka»dym harmonogramem (π, φ) mo»na skojarzy¢ acykliczny, skierowany
graf G(π, φ). Ka»dy graf G(π, φ) = (V, E) skªada si¦ ze zbioru wierzchoªków
V = {(i, j), i ∈ M, j ∈ J} oraz zbioru kraw¦dzi E = E 0 ∪ E(π, φ). Ka»dy
wierzchoªek (i, j) odpowiada i-tej czynno±ci zadania j i posiada obci¡»e-
nie pij . Zbiór kraw¦dzi podzielony jest na dwa podzbiory, przy czym ka»da
0
kraw¦d¹ ma zerowe obci¡»enie. Zbiór kraw¦dzi E = {((i − 1, j), (i, j)), i ∈
M \{1}, j ∈ J} reprezentuje przepªyw zada« przez kolejne stadia. Zbiór
kraw¦dzi E(π, φ) = {((i, j), (i, k)), i ∈ M, j ∈ J, k ∈ z̄ij } reprezentuje sek-
wencje wykonywania operacji na poszczególnych procesorach, gdzie z̄ij jest
zbiorem bezpo±rednich nast¦pników i-tej czynno±ci zadania j . Aby dopeªni¢
opisu grafu nale»y zdeniowa¢ bezpo±redniego nast¦pnika czynno±ci.

Rysunek 7.1: Wykres Gantt'a dla harmonogramu z Przykªadu 1.
Denicja 7 Czynno±¢ oik jest bezpo±rednim nast¦pnikiem czynno±ci oij , je»eli

co najmniej jedna operacja czynno±ci oik jest wykonywana na tym samym
procesorze bezpo±rednio po jednej z operacji czynno±ci oij . Wówczas k ∈ z̄ij .
Graf dla harmonogramu z Przykªadu 1 jest przedstawiony na Rysunku
7.2.
U = (u1 , u2 , ..., ur ), gdzie uk = (ik , jk ) ∈ V , oznacza najdªu»sz¡
Niech
(krytyczn¡) ±cie»k¦ w grae G(π, φ). Jest oczywiste, »e mo»e istnie¢ wiele
±cie»ek krytycznych. Wówczas nale»y wybra¢ dowoln¡ z nich.
cie»ka krytyczna mo»e by¢ podzielona na m pod±cie»ek Ui = (ui1 , ..., ui2 ),
i ∈ M takich, »e dla ka»dego wierzchoªka uk = (ik , jk ) nale»¡cego do pod±-
cie»ki Ui zachodzi ik = i. Ka»da pod±cie»ka Ui , i ∈ M , reprezentuje krytyczne
czynno±ci wykonywane w stadium i. Pomimo tego, »e ±cie»ka Ui wskazuje
krytyczne czynno±ci, nie ka»da operacja takiej krytycznej czynno±ci musi by¢
krytyczna. Operacja krytyczna zostaªa zdeniowana nast¦puj¡co:
Denicja 8 Operacja jest operacj¡ krytyczn¡, je»eli nale»y do krytycznej

czynno±ci i jest wykonywana bezpo±rednio przed lub bezpo±rednio po operacji
innej czynno±ci krytycznej, bez przerwy w pracy procesora.
W Przykªadnie 1, pierwsza czynno±¢ zadania 2 jest krytyczna, jednak jej
operacja wykonywana na drugim procesorze, nie jest operacj¡ krytyczn¡.
Ka»demu wierzchoªkowi uk nale»¡cemu do pod±cie»ki Ui odpowiada pozy-
cja w li±cie πi . Niech ji1 oraz ji2 b¦d¡ pozycjami odpowiadaj¡cymi pier-
wszemu oraz ostatniemu wierzchoªkowi w pod±cie»ce Ui . Wówczas, sekwencja

1,1 1,2 1,3 1,4 1,5 1,6
2,1 2,2 2,3 2,4 2,5 2,6
Rysunek 7.2: Graf G(π, φ) dla harmonogramu z Przykªadu 1. cie»ka kryty-

czna zostaªa zaznaczona pogrubion¡ lini¡.
czynno±ci Bi = πi (ji1 ), ..., πi (ji2 ) b¦dzie nazywana blokiem. Pomimo tego, »e

wielko±ci U , Ui oraz Bi zale»¡ od harmonogramu (π, φ), dla uproszczenia
oznacze«, nie b¦dziemy oznacza¢ tego faktu.
atwo zauwa»y¢, »e nie ka»da czynno±¢ w bloku Bi musi by¢ czynno±ci¡
krytyczn¡ w Przykªadzie 1, druga czynno±¢ zadania 5 nie jest czynno±ci¡
krytyczn¡ pomimo tego, »e nale»y do bloku B2 .
Niech Cmax (π, φ) oznacza dªugo±¢ uszeregowania dla harmonogramu (π, φ).
Wówczas, mo»na przedstawi¢ nast¦puj¡ce wªasno±ci, które b¦d¡ u»ywane w
zaproponowanym algorytmie, do wyeliminowania harmonogramów nie przynosz¡-
cych poprawy warto±ci kryterium (s¡ to tzw. wªasno±ci blokowe [40, 112, 139,
140].
Wªasno±¢ 16 Je»eli Bi = (πi (ji1 ), ..., πi (ji2 )) jest blokiem w harmonogramie

0
(π, φ), to dla ka»dego harmonogramu (π , φ) otrzymanego z harmonogramu
0
(π, φ), przez zamian¦ elementów w sekwencji (πi (1), ..., πi (ji1 )) zachodzi Cmax (π , φ) ≥
Cmax (π, φ).

0
(π, φ), to dla ka»dego harmonogramu (π , φ) otrzymanego z harmonogramu
0
(π, φ), przez zamian¦ elementów w sekwencji (πi (ji2 ), ..., πi (n)) zachodzi Cmax (π , φ) ≥
Cmax (π, φ).

0
(π, φ), to, dla ka»dego harmonogramu (π , φ) otrzymanego z harmonogramu
(π, φ), przez przemieszczenie elementu nie nale»¡cego do bloku Bi na dowoln¡
0
inn¡ pozycj¦ w li±cie π , zachodzi Cmax (π , φ) ≥ Cmax (π, φ).

Wªasno±¢ 19 Je»eli (π, φ ) jest harmonogramem uzyskanym z harmono-

0
gramu (π, φ) przez zmian¦ przydziaªu operacji dowolnej niekrytycznej czyn-

0
no±ci, to zachodzi Cmax (π, φ ) ≥ Cmax (π, φ).
Dowody powy»szych wªasno±ci nie s¡ skomplikowane i wynikaj¡ z analizy

±cie»ek krytycznych w grafach G(π, φ), G(π 0 , φ) oraz G(π, φ0 ). Dla peªno±ci
rozwa»a« dowody tych wªasno±ci zamieszczono poni»ej.
Dowody Wªasno±ci 1619
Przypomnijmy, »e ±cie»ka krytyczna w grae G(π, φ) jest zdeniowana

przez sekwencj¦ wierzchoªków U = (u1 , ..., ur ) = U1 U2 ...Um , która mo»e by¢
zdekomponowana na m podsekwencji Uk , k ∈ M w sposób przedstawiony
przy denicji grafu G(π, φ).
0 0 0 0 0
Przez U = U1 U2 ...Um oznaczymy ±cie»k¦ w grae G(π , φ) (nie koniecznie
0
krytyczn¡) tak¡, »e Uk = Uk dla k 6= i. atwo zauwa»y¢ z konstrukcji grafu
G(π 0 , φ), »e taka ±cie»ka istnieje.
0 0
Oznaczmy przez ||U || (||U ||) dªugo±¢ ±cie»ki U (U ). Kluczem ka»dego
0 0
dowodu jest pokazanie, »e istnieje ±cie»ka U taka, »e ||U || ≥ ||U ||. Poniewa»
0 0
±cie»ka U nie musi by¢ krytyczna w grae G(π , φ), natychmiast otrzymu-
0
jemy, »e Cmax (π , φ) ≥ Cmax (π, φ).
Dowód Wªasno±ci 16. Oznaczmy sekwencj¦ przedstawion¡ we Wªasno±ci

16 w nast¦puj¡cy sposób:
(πi (1), . . . , πi (x), . . . , πi (y), . . . , πi (ji1 )),
gdzie x i y (1 ≤ x < y ≤ ji1 ) s¡ indeksami elementów zamienianych miejs-

cami. Po zamianie sekwencja ta b¦dzie nast¦puj¡ca:
(πi (1), ..., πi (y), ..., πi (x), ..., πi (ji1 )).
Na wst¦pie zauwa»my, »e czynno±¢ πi (ji1 ) odpowiada pierwszemu wierz-

choªkowi w pod±cie»ce Ui . Rozwa»my oddzielnie dwa nast¦puj¡ce przypadki:
(i) y < ji1 i (ii) y = ji1 .
Przypadek (i):. Wystarczy zauwa»y¢, »e istnieje ±cie»ka U0 taka, »e Ui0 =
Ui (z tym, »e czynno±ci wykonywane s¡ w innej kolejno±ci). Z powy»szego
0 0
stwierdzenia wynika fakt, »e istnieje ±cie»ka U taka, »e ||U || = ||U ||, a
0
poniewa» nie musi ona by¢ krytyczna otrzymujemy Cmax (π , φ) ≥ Cmax (π, φ).
Przypadek (ii): W tym przypadku wystarczy zauwa»y¢, »e po zamianie
0 0
elementów πi (x) oraz πi (ji1 ) istnieje ±cie»ka U taka, »e w pod±cie»ce Ui wys-
t¦puj¡ wszystkie wierzchoªki z pod±cie»ki Ui . Co wi¦cej, liczba wierzchoªków

w pod±cie»ce Ui0 jest nie mniejsza ni» liczba wierzchoªków w pod±cie»ce Ui .

St¡d wynika, »e ||U 0 || ≥ ||U || i Cmax (π 0 , φ) ≥ Cmax (π, φ).
Dowód Wªasno±ci 17. Dowód Wªasno±ci 17 jest bardzo podobny do dowodu

Wªasno±ci 16 i zostanie pomini¦ty.
Dowód Wªasno±ci 18. Oznaczmy przez x pozycj¦ czynno±ci w li±cie πi ,

która jest przemieszczana na pozycj¦ y w tej li±cie. Przypomnijmy, »e πi (x)
nie nale»y do bloku Bi , wi¦c x ∈ {1, ..., ji1 − 1, ji2 + 1, ..., n}. Rozpatrzmy dwa
nast¦puj¡ce przypadki:(i) y ∈ {1, . . . , ji1 , ji2 , . . . , n} oraz (ii) ji1 < y < ji2 .
Przypadek (i): atwo zauwa»y¢, »e je»eli y ∈ {1, . . . , ji1 , ji2 , . . . , n}, to
0 0 0
istnieje ±cie»ka U taka, »e Ui = Ui , sk¡d wynika, »e Cmax (π , φ) ≥ Cmax (π, φ).
Przypadek (ii): Je»eli ji1 < y < ji2 , to istnieje ±cie»ka U 0 taka, »e wszystkie
0
wierzchoªki z pod±cie»ki Ui nale»¡ do pod±cie»ki Ui . Dodatkowo, wierzchoªek
0 0
odpowiadaj¡cy czynno±ci πi (x) mo»e nale»e¢ do U , sk¡d wynika, »e ||U || ≥
||U ||, a to prowadzi do wniosku, »e Cmax (π 0 , φ) ≥ Cmax (π, φ).
Dowód Wªasno±ci 19. Jest oczywiste, »e je»eli zmiana przydziaªu proce-

sorów dla niekrytycznej operacji nie spowoduje, »e staje si¦ ona krytyczna to
nie mo»e ona przynie±¢ poprawy warto±ci kryterium. Rozpatrzmy wi¦c przy-
padek, gdy zmiana taka sprawia, »e operacja staje si¦ krytyczna. Oznaczmy
t¡ operacj¦ przez oij . Wówczas mamy dwa mo»liwe przypadki: (i) operacja
oij nale»y do bloku Bi oraz (ii) operacja oij nie nale»y do bloku Bi .
Przypadek (i): atwo zauwa»y¢, »e je»eli operacja oij nale»y do Bi , to
0 0 0
istnieje ±cie»ka U taka, »e ||Ui || ≥ ||Ui || + pij , sk¡d wynika, »e Cmax (π , φ) ≥
Cmax (π, φ0 ).
Przypadek (ii): Je»eli operacja oij nie nale»y do Bi , to po zmianie przydzi-
0
aªu procesorów, b¦dzie nale»aªa do bloku Bi , nale»y jednak zwróci¢ uwag¦ na
0
to, »e w grae G(π, φ ) b¦dzie istniaªa ±cie»ka zawieraj¡ca wszystkie zadania
0 0
z bloku Bi . W zwi¡zku z tym, istnieje ±cie»ka U taka, »e ||Ui || = ||Ui || + pij ,
0
sk¡d wynika, »e Cmax (π, φ ) ≥ Cmax (π, φ).
7.3.2.2 Algorytm Tabu Search (TS)

Zaproponowany algorytm przybli»ony zostaª zbudowany w oparciu o tech-
nik¦ Tabu Search. Technika ta, zaproponowana przez F. Glover'a [35, 36] jest
metod¡ poszukiwania lokalnego, z deterministycznym mechanizmem unika-
nia lokalnych minimów. Ogólna zasada dziaªania polega na tym, »e algorytm
rozpoczyna poszukiwania od pewnego rozwi¡zania pocz¡tkowego i sukcesy-
wnie przemieszcza si¦ do rozwi¡za« s¡siednich. W ka»dej iteracji algorytmu,

wykonywany jest ruch z rozwi¡zania aktualnego, do najlepszego rozwi¡za-

nia s¡siedniego. Aby zapobiec cyklom oraz wyj±¢ z lokalnego minimum,
wprowadza si¦ pami¦¢ odwiedzanych rozwi¡za«. Najcz¦±ciej stosowanym typem
pami¦ci jest pami¦¢ krótkoterminowa, nazywana list¡ tabu. Na li±cie tej
pami¦tana jest pewna liczba ostatnio odwiedzonych rozwi¡za«, ich atrybutów
lub ruchów do nich prowadz¡cych. Ruch ma status tabu (jest pomini¦ty w
procesie poszukiwania), je»eli prowadzi do rozwi¡zania ju» odwiedzonego.
Dokªadniejszy opis metody Tabu Search, z ró»nymi jej odmianami, mo»na
znale¹¢ m.in. w pracach [1, 35, 36, 112].
Efektywno±¢ algorytmów opartych o technik¦ Tabu Search zale»y od nast¦pu-
j¡cych czynników: rozwi¡zanie pocz¡tkowe, ruchy i s¡siedztwo, lista tabu i
warunki zatrzymania. W dalszej cz¦±ci zostanie przedstawiony zaproponowany
algorytm Tabu Search, z uwzgl¦dnieniem wszystkich wymienionych czyn-
ników.
7.3.2.2.1 Rozwi¡zanie pocz¡tkowe.

W celu otrzymania rozwi¡zania pocz¡tkowego, zastosowano algorytm kon-
strukcyjny C. Zasada dziaªania tego algorytmu jest nast¦puj¡ca: W pierwszej
kolejno±ci wyznaczana jest lista zada« π1 w
Pten sposób, »e czynno±ci s¡ usz-
eregowane wg nierosn¡cych warto±ci pj = i∈M pij sizeij . Nast¦pnie, kolejne
czynno±ci z listy π1 przydzielane s¡ do procesorów. Przydziaª ten nast¦puje
wg nast¦puj¡cej reguªy: czynno±¢ o1j przydzielana do takich size1j proce-
sorów stadium 1, »e jej termin zako«czenia b¦dzie najmniejszy. Jednocze±nie,
wyznaczane s¡ terminy zako«czenia wykonywania czynno±ci. Dla ka»dego
nast¦pnego stadium i>1 algorytm dziaªa bardzo podobnie, z t¡ ró»nic¡, »e
lista πi , wyznaczana jest wg niemalej¡cych warto±ci terminów zako«czenia
wykonywania czynno±ci w stadium poprzednim (C(i−1)j ).
Algorytm ten zostaª przedstawiony w Procedurze 2.
7.3.2.2.2 Ruchy i s¡siedztwo.

W wielu pracach pokazano, »e ruchy typu insert s¡ najlepsze dla prob-
lemów minimalizacji dªugo±ci uszeregowania w systemach przepªywowych
[9, 146, 147]). W zaproponowanym algorytmie, ruch jest równie» ruchem
typu insert i jest zdeniowany przez wektor θ = (i, j, k, x, y), który deni-
uje nast¦puj¡c¡ zmian¦ w harmonogramie (π, φ):
• usu« czynno±¢ πi (j) z pozycji j i wstaw j¡ na pozycj¦ k w li±cie πi ,
• usu« element x ze zbioru φiπi (k) oraz dodaj do tego zbioru element y.

Procedura 2 Algorytm C wyznaczania rozwi¡zania pocz¡tkowego dla

metody Tabu Search
1: W pierwszym stadium wyznacz list¦ π1 szereguj¡c czynno±ci wedªug
P
nierosn¡cych warto±ci pj = p
i∈M ij sizeij , tzn. wyznacz list¦ π1 tak¡,
pπ1 (j) ≥ pπ1 (j+1) .
»e
2: for j = 1, ...n do
3: Przydziel czynno±¢ π1 (j) do size1π1 (j) procesorów, które najwcze±niej
ko«cz¡ wykonywanie poprzednich operacji. Wyznacz termin C1π(j) .
4: end for
5: for i = 2, ..., m do
6: Wyznacz list¦ πi , tak¡, »e Ciπi (j) ≤ Ciπi (j+1) .
7: for j = 1, ...n do
8: Przydziel czynno±¢ πi (j) do sizeiπ1 (j) procesorów, które najwcze±niej
ko«cz¡ wykonywanie poprzednich operacji. Wyznacz termin Ciπ(j) .
9: end for
10: end for
Zbiór ruchów Θ(π, φ), które mog¡ by¢ wykonane dla harmonogramu (π, φ),
zdeniowany jest nast¦puj¡co:

 (i, j, k, x, y) : y ∈ (Mi \φi,πi (k) ) ∪ {x} j 6= k
je»eli
Θ(π, φ) = (i, j, k, x, y) : y ∈ Mi \φi,πi (k) je»eli j = k i sizei,πi (k) < mi
(i, j, k, x, y) : y ∈ {x} je»eli j = k i sizei,πi (k) = mi

(7.7)
dla i ∈ M , j ∈ J , k ∈ J , x ∈ φiπi (k) . S¡siedztwo N (Θ(π, φ)) jest zbiorem har-
monogramów otrzymanych przez zastosowanie wszystkich ruchów ze zbioru
Θ(π, φ) do harmonogramu (π, φ). atwo sprawdzi¢, »e liczba ruchów, która
mo»e by¢ zastosowana do ka»dego harmonogramu wynosi:
!
X
|Θ(π, φ)| = O n sizeij (mi − sizeij + 1)
i∈M,j∈J
oraz czas potrzebny na przegl¡dni¦cie caªego s¡siedztwa (tzn. wyliczenie

warto±ci kryterium dla ka»dego harmonogramu w s¡siedztwie) wynosi:
! !!
X X
O n sizeij sizeij (mi − sizeij + 1) .
i∈M,j∈J i∈M,j∈J
W algorytmie zastosowano ograniczone s¡siedztwo N (Ξ(π, φ)), gdzie zbiór

ruchów Ξ(π, φ) ⊂ Θ(π, φ) jest otrzymany ze zbioru Θ(π, φ) przez eliminacj¦
ruchów nie przynosz¡cych poprawy, po zastosowaniu Wªasno±ci 16-19.

7.3.2.2.3 Lista tabu.

W zaproponowanym algorytmie zastosowano list¦ tabu zaproponowan¡
przez E. Tailard'a w pracy [146]. Na li±cie tej zapami¦tywane s¡ warto±ci
kryterium dla maxl ostatnio odwiedzonych rozwi¡za«. W czasie pracy al-
gorytmu dªugo±¢ listy tabu (maxl ) zmienia si¦ dynamicznie od 7 do 100.
Ruch ma status tabu, je»eli prowadzi do harmonogramu o warto±ci kryterium
równej jednej z warto±ci zapami¦tanej na li±cie tabu.
7.3.2.2.4 Warunki zatrzymania oraz mechanizmy dodatkowe.

Algorytm ko«czy prac¦ je»eli liczba iteracji przekroczy warto±¢ T otalIter,
a priori zadan¡ staª¡. Aby skierowa¢ proces poszukiwa« w nowe regiony
przestrzeni rozwi¡za« zastosowano dodatkowy mechanizm dywersykacji. Je»eli
wykonano M axIter iteracji i nie otrzymano poprawy warto±ci kryterium,
to proces poszukiwa« zostaje zatrzymany i wykonywanych jest RM oves
ruchów o losowych parametrach oraz lista tabu jest zerowana. Nast¦pnie
proces poszukiwa« jest wznawiany. Po serii eksperymentów ustalono, »e al-
gorytm zachowuje si¦ najlepiej, je»eli parametry maj¡ nast¦puj¡ce warto±ci:
T otalIter = 10000, M axIter = 3000 i RM oves = 3.
7.3.2.3 Technika przegl¡dania s¡siedztwa.

Poniewa» ponad 90% czasu dziaªania algorytm sp¦dza na przegl¡daniu
s¡siedztwa, metoda wyznaczania warto±ci kryterium dla harmonogramów
s¡siednich jest bardzo istotna z punktu widzenia efektywno±ci algorytmu
(czasu dziaªania). Aby zwi¦kszy¢ efektywno±¢ zaproponowanego algorytmu,
zastosowano algorytm szybkiego przegl¡dania s¡siedztwa. Gªówna idea tego al-
gorytmu opiera si¦ na wyra»eniu warto±ci kryterium przez dªugo±ci pewnych
îĵ îĵ
±cie»ek w grae G(π, φ) oraz w zmodykowanym grae G (π, φ). Graf G (π, φ)
odpowiada zmodykowanemu harmonogramowi otrzymanemu z harmono-
gramu (π, φ), skonstruowanego w ten sposób, »e czynno±¢ î zadania ĵ nie jest
uwzgl¦dniana w tym harmonogramie. Wykres Gantt'a oraz graf G23 (π, φ)
zwi¡zane z harmonogramem z Przykªadu 1 jest odpowiednio przedstawiony
na Rysunkach 7.3 oraz 7.4.
Aby przedstawi¢ algorytm szybkiego przegl¡dania s¡siedztwa, w pierwszej
kolejno±ci nale»y zdeniowa¢ zbiór bezpo±rednich poprzedników czynno±ci
(z ij ).
Denicja 9 Czynno±¢ oik jest bezpo±rednim poprzednikiem czynno±ci oij ,

je»eli co najmniej jedna operacja czynno±ci oik jest wykonywana na tym

Rysunek 7.3: Wykres Gantt'a dla harmonogramu z Przykªadu 1 (czynno±¢ 2

zadania 3 nie jest uwzgl¦dniona w harmonogramie)
samym procesorze bezpo±rednio przed jedn¡ z operacji czynno±ci oij . Wówczas

k ∈ z ij .
Przypomnijmy, »e z̄ij oznacza zbiór bezpo±rednich nast¦pników czynno±ci

oij . Poniewa» wierzchoªek (i, j) w grae G(π, φ) odpowiada czynno±ci oij ,
w dalszym opisie poj¦cie czynno±ci i wierzchoªka b¦d¡ u»ywane zamiennie.
ĵ ĵ
Tak wi¦c, przez z̄ik i z ik oznaczone zostan¡ zbiory odpowiednio bezpo±red-
îĵ
nich nast¦pników i poprzedników wierzchoªka (i, k) w grae G (π, φ). Do-
datkowo, niech z̄îĵh i z îĵh oznacza odpowiednio zbiór bezpo±rednich nast¦p-
ników i poprzedników czynno±ci î zadania ĵ po umieszczeniu jej na pozycji h

w li±cie π. Zauwa»my, »e wszystkie te zbiory mog¡ by¢ bezpo±rednio otrzy-
mane z reprezentacji grafowej odpowiednich harmonogramów.
Poni»ej zostaªy zdeniowane nast¦puj¡ce ±cie»ki w grafach:
• eik - dªugo±¢ najdªu»szej ±cie»ki dochodz¡cej do wierzchoªka (i, k) (ª¡cznie

z pik ) w grae G(π, φ),
• qik - dªugo±¢ najdªu»szej ±cie»ki wychodz¡cej z wierzchoªka (i, k) (ª¡cznie

z pik ) w grae G(π, φ),
• eĵik - dªugo±¢ najdªu»szej ±cie»ki dochodz¡cej do wierzchoªka (i, k) (ª¡cznie

îĵ
z pik ) w grae G (π, φ),

1,1 1,2 1,3 1,4 1,5 1,6
2,1 2,2 2,4 2,5 2,6
Rysunek 7.4: Graf G23 (π, φ) dla harmonogramu z Przykªadu 1.
ĵ
• qik - dªugo±¢ najdªu»szej ±cie»ki wychodz¡cej z wierzchoªka (i, k) (ª¡cznie
îĵ
z pik ) w grae G (π, φ),
îĵ
• Cmax - dªugo±¢ ±cie»ki krytycznej w grae Gîĵ (π, φ).
Dla ka»dego danego grafu G(π, φ) oraz Gîĵ (π, φ) dªugo±ci ±cie»ek przedstaw-
ionych powy»ej mog¡ by¢ wyznaczone przy u»yciu nast¦puj¡cych zale»no±ci:
eik = max{e(i−1)k , max{eil }} + pik dla i ∈ M, k ∈ J (7.8)

l∈z ik
qik = max{q(i+1)k , max{qil }} + pik dla i ∈ M, k ∈ J (7.9)

l∈z̄ik
eĵik = max{e(i−1)k , max{eĵil }} + pik dla i ∈ M, k ∈ J\{ĵ} (7.10)

l∈z ĵik
ĵ
qik = max{q(i+1)k , max{qilĵ }} + pik dla i ∈ M, k ∈ J\{ĵ} (7.11)
ĵ
l∈z̄ik
îĵ
Cmax = max {eĵîk + qîk
ĵ
− pîk }, (7.12)
k∈J\{ĵ}
gdzie e0k = eĵ0k = 0 and

ĵ
q(m+1)k = q(m+1)k = 0.
Ostatecznie warto±¢ kryterium po przeniesieniu czynno±ci î zadania ĵ na
pozycj¦ h w harmonogramie (π, φ) wynosi:
îĵh
Cmax îĵ
= max{Cmax , max {eĵîl } + max {qîlĵ } + pîĵ }. (7.13)
l∈z îĵh l∈z̄îĵh
Algorytm szybkiego przegl¡dania s¡siedztwa zostaª przedstawiony w Pro-

cedurze 3.

Procedura 3 Algorytm szybkiego przegl¡dania s¡siedztwa.

1: for ĵ ∈ J do
2: for î ∈ M do
3: for k ∈ J do
π (ĵ) π (ĵ)
4: Wyznacz eîkî i qîkî na podstawie (7.8)-(7.11),
5: end for
î,π (ĵ)
6: Wyznacz Cmaxî ,
7: end for
8: for θ = (î, ĵ, k, x, y) ∈ Ξ(π, φ) do
9: Usu« x oraz dodaj y do zbioru φî,π (ĵ)
î
10: Wyznacz z̄î,π (ĵ),k oraz z î,π (ĵ),k
î î
î,π (ĵ),k
11: Wyznacz Cmax (πθ , φθ ) = Cmaxî {Cmax (πθ , φθ ) jest warto±ci¡ kry-
terium dla harmonogramu po wykonaniu ruchu θ.}
12: end for
13: end for
Dokonuj¡c analizy zªo»ono±ci obliczeniowej algorytmu szybkiego przegl¡-

dania s¡siedztwa otrzymujemy: wiersz 4 wymaga
P O(sizeij ) czasu, wi¦c wier-
sze 3-5 mog¡ by¢ zrealizowane w czasie O( j∈J sizeij ); wiersz
P 6 wymaga
P
O(n) czasu, wi¦c wiersze 2-7 mog¡ by¢ zrealizowane w czasie O( i∈M j∈J sizeij );
wiersz 9 wymaga O(1) czasu oraz wiersze 10 i 11 wymagaj¡ O(sizeij ) czasu;
P P
dla ka»dego j istnieje nie wi¦cej ni» O( j∈J sizeij (m − sizeij + 1))
i∈M Pi P 2
ruchów, wi¦c wiersze 8-12 mog¡ by¢ zrealizowane w czasie O( i∈M j∈J sizeij (mi −
sizeij + 1)). Ostatecznie zªo»ono±¢ obliczeniowa zaproponowanego algorytmu
wynosi:
!
XX
O n size2ij (mi − sizeij + 1) . (7.14)
i∈M j∈J
Przeprowadzone eksperymenty pokazaªy, »e zastosowanie powy»szego al-

gorytmu znacznie przyspiesza dziaªanie zaproponowanej metody Tabu Search.
Dla du»ych instancji problemu (np. n = 100, m = 10), algorytm pracuje
ponad 400 razy szybciej.
7.3.2.4 Analiza eksperymentalna

Zaproponowany algorytm zostaª zaimplementowany w j¦zyku C++ oraz
uruchamiany na komputerze klasy PC 686/800MHz. Aby przetestowa¢ efek-
tywno±¢ zaproponowanego algorytmu, wygenerowano dwa rodzaje instancji
problemu. Pierwsz¡ grup¦ stanowiªy instancje o znanej warto±ci kryterium
dla rozwi¡zania optymalnego. Instancje te byªy generowane w taki sposób, »e

w pierwszej kolejno±ci generowano wierzchoªki (czynno±ci) krytyczne w grae

G(π, φ), a nast¦pnie wierzchoªki pozostaªe, w taki sposób aby nie naruszy¢
±cie»ki krytycznej w grae G(π, φ). Jak pokazaªy eksperymenty, instancje
generowane w ten sposób nie s¡ trudne do rozwi¡zania, wi¦c dodatkowo
wygenerowano instancje o losowych parametrach.
Instancje o losowych parametrach zostaªy podzielone na dwie kategorie:
(a) instancje z ró»n¡ (losow¡) liczb¡ procesorów w ka»dym stadium oraz (b)
instancje z tak¡ sam¡ liczb¡ procesorów w ka»dym stadium. Dla ka»dej kat-
egorii oraz dla ka»dej kombinacji parametrów n i m (n = 5, 10, 20, 50, 100,
m = 2, 5, 8, 10), wygenerowano 10 instancji problemu. Parametry zada« gen-
erowane byªy z jednostajnym prawdopodobie«stwem (liczby caªkowite) na
nast¦puj¡cych przedziaªach:
• pij ∈ [1; 100],
• sizeij ∈ [1; mi ],
• mi ∈ [1; 5] dla kategorii (a) lub mi = 5 dla kategorii (b).
Efektywno±¢ algorytmu badano przy u»yciu nast¦puj¡cych wska¹ników:
A
Cmax ∗
−Cmax
• ηA = ∗
Cmax
wzgl¦dna odlegªo±¢ od rozwi¡zania optymalnego dla
algorytmów A ∈ {C, T S} oraz instancji o znanej optymalnej warto±ci

A
kryterium, gdzie Cmax oznacza warto±¢ kryterium dla rozwi¡zania dostar-
∗
czonego przez algorytm A oraz Cmax oznacza warto±¢ kryterium dla
rozwi¡zania optymalnego.
A
Cmax −LB
γA = LB
wzgl¦dna odlegªo±¢ rozwi¡zania dostarczonego przez
algorytm A od dolnego oszacowania warto±ci optymalnej kryterium
(LB ).
C
Cmax TS
−Cmax
• ζ= TS
Cmax
wzgl¦dna poprawa rozwi¡zania pocz¡tkowego (C) os-
i¡gni¦ta przez algorytmu TS.
• TIME - czas wykonywania jednej iteracji algorytmu TS w milisekun-

dach.

Dolne oszacowanie warto±ci kryterium wyznaczane byªo dla ka»dej in-

stancji na podstawie nast¦puj¡cej zale»no±ci:
( ( i−1 ) ( m
))
X 1 X X
LB = max min pkj + pij sizeij + min pkj . (7.15)
i∈M j∈J
k=1
mi j∈J j∈J
k=i+1
rednie warto±ci wska¹ników zebrano w Tablicy 7.2.

Pierwszym wnioskiem z przeprowadzonej analizy jest to, »e warto±ci wska¹ników
γ̄T S rosn¡ wraz ze wzrostem liczby stadiów m. Jest to gªównie spowodowane
tym, »e zastosowane dolne oszacowanie warto±ci optymalnej kryterium (rów-
nanie (7.15)) staje si¦ mniej efektywne wraz ze wzrostem warto±ci m oraz
mi .
Nast¦pnym wnioskiem jest to, »e warto±ci wska¹ników γ̄T S malej¡ ze
wzrostem liczby zada«. Jest to gªównie spowodowane tym, »e wraz ze wzrostem
liczby zada« rosn¡ warto±ci kryterium, a to powoduje spadek warto±ci tych
wska¹ników.
Wyniki równie» pokazuj¡, »e zaproponowany algorytm TS znacz¡co poprawia
rozwi¡zanie pocz¡tkowe dostarczone przez algorytm C ±rednio ponad 9%
dla instancji z kategorii (a) i prawie 16% dla instancji z kategorii (b). Ró»nica
ta gªównie wynika z tego, »e jako±¢ rozwi¡za« pocz¡tkowych, dostarczanych
przez algorytm C, jest tym gorsza im wi¦ksza jest liczba procesorów w poszczegól-
nych stadiach.
Czas dziaªania algorytmu TS (10000 iteracji) zmienia si¦ od okoªo 3
sekund dla maªych instancji, do okoªo godziny dla du»ych. Czas ten jest silnie
zale»ny zarówno od rozmiaru problemu (n i m), jak i od liczby procesorów
wymaganych przez poszczególne czynno±ci (sizeij ), jak wynika ze zªo»ono±ci
obliczeniowej zaproponowanej metody szybkiego przegl¡dania s¡siedztwa (7.14).
Ponadto, rozmiar ograniczonego s¡siedztwa N (Ξ(π, φ)) zale»y od aktualnego
harmonogramu (π, φ), wi¦c mo»e by¢ zmienny.
Przedstawione wyniki pokazuj¡ równie», »e zaproponowany algorytm TS
dostarcza optymalnych lub bardzo bliskich optymalnym rozwi¡za«, dla in-
stancji o znanej optymalnej warto±ci kryterium oraz dla losowych instancji
z maª¡ liczb¡ stadiów m. Mo»na wi¦c oczekiwa¢, »e dostarcza on równie»
dobrych rozwi¡za« dla instancji o du»ej liczbie stadiów, zwa»ywszy na to, »e
zaproponowane dolne oszacowanie warto±ci optymalnej kryterium staje si¦
tym mniej efektywne im wi¦ksze s¡ warto±ci parametru m.

Tablica 7.2: Wyniki analizy eksperymantalnej dla algorytmów C i TS
Instancje
Rozmiar o znanej Instancje Instancje
Czas
instancji warto±ci kategorii (a) kategorii (b)
optymalnej
n m ηC ηT S γ̄C γ̄T S ζ̄ γ̄C γ̄T S ζ̄ TIME
5 2 9,00 0,00 16,93 11,42 4,82 33,42 20,22 11,00 0,35
5 5 35,68 0,75 55,00 38,98 12,19 84,66 52,45 20,40 0,76
5 8 15,04 0,00 56,10 38,49 12,51 121,06 94,56 14,22 0,93
5 10 8,15 0,00 75,44 61,43 8,90 93,79 73,17 12,27 1,16
±rednia 16,97 0,19 50,87 37,58 9,60 83,23 60,10 14,47 -
10 2 2,14 0,00 16,13 3,00 12,70 38,73 10,82 25,39 1,17
10 5 12,01 1,12 52,52 29,42 18,43 83,91 45,14 26,67 2,07
10 8 21,76 0,00 65,67 46,53 13,32 106,31 77,21 16,04 3,40
10 10 8,78 0,00 90,29 73,19 9,89 127,92 100,48 13,52 3,98
±rednia 11,17 0,28 56,15 38,03 13,59 89,22 58,41 20,41 -
20 2 13,42 1,40 12,64 2,88 9,39 31,34 7,25 22,44 5,40
20 5 17,47 0,17 36,24 24,40 9,38 63,07 35,13 21,02 8,85
20 8 8,98 0,47 57,85 42,47 10,78 81,85 62,99 11,75 11,83
20 10 7,71 0,00 65,42 54,90 6,83 107,34 85,47 11,77 12,49
±rednia 11,89 0,51 43,04 31,16 9,09 70,90 47,71 16,75 -
50 2 6,03 0,08 13,04 2,23 10,47 28,46 5,80 21,44 34,76
50 5 10,57 2,76 20,42 10,51 8,98 46,37 28,64 13,81 39,80
50 8 3,20 0,03 27,60 21,04 5,50 74,65 54,25 13,21 55,61
50 10 2,53 0,09 35,21 27,65 5,91 79,58 62,96 10,23 69,04
±rednia 5,58 0,74 24,07 15,35 7,72 57,26 37,91 14,67 -
100 2 0,76 0,02 9,07 0,94 8,01 26,16 5,19 19,94 118,64
100 5 2,33 1,04 11,81 7,07 4,45 41,89 26,49 12,14 156,46
100 8 5,23 0,20 21,50 14,58 5,97 50,08 36,05 10,27 220,86
100 10 4,65 0,56 23,99 19,00 4,19 57,74 43,88 9,60 266,44
±rednia 3,25 0,45 16,59 10,40 5,65 43,97 27,90 12,99 -
±rednia 9,77 0,43 38,14 26,51 9,13 68,92 46,41 15,86 -

7.4 Problem ogólny

W dalszej cz¦±ci b¦dzie rozpatrywany problem ogólny, tzn. problem
F (P )|rj , qj , sizeij , sijk |Cmax . (7.16)
Na wst¦pie zauwa»my, »e w powy»szym problemie, harmonogram mo»e

by¢ reprezentowany w taki sam sposób jak w problemie uproszczonym (7.2),
tzn. przez par¦ (π, φ). Inna jest jednak metoda wyznaczania terminów za-
ko«czenia wykonywania czynno±ci. Idea dziaªania tej metody jest taka sama
jak dla problemu uproszczonego, ale uwzgl¦dniane s¡ dodatkowo terminy
dost¦pno±ci, czasy transportu i czasy przezbroje«. Algorytm wyznaczania
terminów zako«czenia wykonywania czynno±ci zostaª przedstawiony w Pro-
cedurze 4.
Procedura 4 Wyznaczenie terminów zako«czenia wykonywania czynno±ci,

dla ustalonego harmonogramu (π, φ) - dla problemu ogólnego.
1: C0j := 0, j ∈ J
0
2: jil := 0, i ∈ M , l ∈ Mi
3: for i ∈ M do
4: for j ∈ J do
5: Ciπi (j) := max{C(i−1)πi (j) + t(i−1)πi (j) , maxl∈φiπi (j) {Cij 0 + sij 0 πi (j) }} +
il il
piπi (j)
6: for l ∈ φiπi (j) do
0
7: jil := πi (j)
8: end for
9: end for
10: end for
0
W powy»szej procedurze, przez jil oznaczono numer zadania, którego op-
eracja wykonywana jest jako ostatnia na procesorze l stadium i.
Dla zilustrowania reprezentacji harmonogramu przedstawmy nast¦puj¡cy
przykªad:
Przykªad 2: System ma dwa stadia (m= 2) z czterema procesorami w
stadium pierwszym (m1 = 4) oraz trzema procesorami w stadium drugim
(m2 = 3). Osiem zada« (n = 8) o parametrach danych w Tablicy 7.3 oraz cza-
sach przezbroje« danych w Tablicy 7.4 ma by¢ wykonanych w tym systemie.
Rysunek 7.5 przedstawia przykªadowy dopuszczalny harmonogram o warto±ci
kryterium Cmax = 360. Harmonogram ten mo»e by¢ reprezentowany przez
par¦ (π, φ), gdzie π = {π1 , π2 } i φ = {φ1 = {φ11 , φ12 , φ13 , φ14 , φ15 , φ16 , φ17 , φ18 }, φ2 =
{φ21 , φ22 , φ23 , φ24 , φ25 , φ26 , φ27 , φ28 }}. Poszczególne listy πi i zbiory φij dane

7.4 Problem ogólny
s¡ nast¦puj¡co: π1 = (1, 2, 5, 3, 4, 6, 7, 8), π2 = (2, 1, 5, 3, 4, 6, 7, 8) oraz φ11 =

{1}, φ21 = {1, 3}, φ12 = {2, 3}, φ22 = {1, 2, 3}, φ13 = {1, 2}, φ23 = {1},
φ14 = {3, 4}, φ24 = {2}, φ15 = {4}, φ25 = {2, 3}, φ16 = {1, 2, 3, 4}, φ26 = {3},
φ17 = {1, 2, 4}, φ27 = {1, 2}, φ18 = {3}, φ28 = {1, 2, 3}.
Tablica 7.3: Parametry zada« dla Przykªadu 2.
stadium1 stadium 2 transport

zadanie pij sizeij zadanie pij sizeij zadanie rj qj t1j
1 20 1 1 30 2 1 0 30 10
2 30 2 2 20 3 2 0 60 10
3 20 2 3 40 1 3 70 30 50
4 40 2 4 70 1 4 0 50 20
5 40 1 5 30 2 5 0 70 40
6 40 4 6 40 1 6 0 90 60
7 40 3 7 30 2 7 210 20 20
8 50 1 8 20 3 8 0 10 40
Tablica 7.4: Czasy przezbroje« dla Przykªadu 2 (podano tylko warto±ci cza-
sów przezbroje« istotnych dla tego przykªadu).
s1jk j s2jk j
k 0 1 2 3 4 5 6 k 0 1 2 3 4 5 6 7
1 10 - - - - - - 1 - - 10 - - - - -
2 10 - - - - - - 2 30 - - - - - - -
3 - 20 10 - - - - 3 - 20 - - - - - -
4 - - 10 - - 10 - 4 - - - - - 20 - -
5 20 - - - - - - 5 - 10 30 - - - - -
6 - - - 40 10 - - 6 - - - - - 60 - -
7 - - - - - - 30 7 - - - 20 10 - - -
8 - - - - - - 60 8 - - - - - - 40 20
W dalszej cz¦±ci, w pierwszej kolejno±ci podana zostanie reprezentacja

grafowa harmonogramu. Nast¦pnie zostan¡ przedstawione algorytmy kon-
stukcyjne oraz dwa algorytmy metaheurystyczne, oparte o techniki Tabu
Search oraz Symulowanego Wy»arzania, które zaproponowano do rozwi¡zania
badanego problemu. Na ko«cu zebrano wnioski z przeprowadzonych ekspery-
mentów numerycznych.

Rysunek 7.5: Wykres Gantt'a dla harmonogramu z Przykªadu 2.
7.4.1 Reprezentacja grafowa harmonogramu

Podobnie jak dla problemu uproszczonego, z ka»dym harmonogramem
(π, φ), mo»na zwi¡za¢ acykliczny graf skierowany G(π, φ) = (V, E). Zbiór
wierzchoªków tego grafu V = V1 ∪ V2 ∪ V3 , gdzie V1 = {(i, 0), i ∈ M }, V2 =
{(i, j), i ∈ M, j ∈ J}, oraz V3 = {(0), (∗)}. Ka»dy wierzchoªek (i, j) zbioru
V2 odpowiada czynno±ci oij i ma obci¡»enie pij . Elementy (i, 0) zbioru V1
maj¡ zerowe obci¡»enie i reprezentuj¡ dodatkowe czynno±ci zerowe, sªu»¡ce
do modelowania przezbroje« si0j . Wierzchoªki (0) oraz (∗) nale»¡ce do zbioru
V3 to odpowiednio wierzchoªek pocz¡tkowy i ko«cowy o zerowym obci¡»eniu.
Zbiór kraw¦dzi grafu E = E1 ∪ E2 ∪ E3 ∪ E4 , gdzie E1 = {((0), (1, j)), j ∈

J ∪{0}}, E2 = {((i, j), (i+1, j)), i ∈ M \{m}, j ∈ J}, E3 = {((i, j), (i, k)), i ∈
M, j ∈ J ∪ {0}, k ∈ z̄ij } oraz E4 = {((m, j), (∗)), j ∈ J ∪ {0}}, gdzie z̄ij jest
zbiorem bezpo±rednich nast¦pników operacji oij zdeniowanym tak samo jak
dla problemu uproszczonego (Denicja 7). Ka»da kraw¦d¹ ((0), (1, j)) ∈ E1
ma obci¡»enie rj za wyj¡tkiem kraw¦dzi ((0), (1, 0)) o zerowym obci¡»e-
niu. Kraw¦dzie zbioru E1 modeluj¡ terminy dost¦pno±ci zada«. Kraw¦dzie
((i, j), (i + 1, j)) ∈ E2 maj¡ obci¡»enie tij i modeluj¡ przepªyw zada« przez
kolejne stadia. Kraw¦dzie ((i, j), (i, k)) ∈ E3 maj¡ obci¡»enie sijk i modeluj¡
sekwencj¦ wykonywania operacji na poszczególnych procesorach. Kraw¦dzie
((m, j), (∗)) ∈ E4 maj¡ obci¡»enie qj , za wyj¡tkiem kraw¦dzi ((m, 0), (∗))
o zerowym obci¡»eniu. Kraw¦dzie zbioru E4 modeluj¡ czasy dostarczenia

7.4 Problem ogólny
zada«.
atwo zauwa»y¢, »e dªugo±¢ najdªu»szej ±cie»ki dochodz¡cej do wierz-
choªka (i, j) ∈ V2 (ª¡cznie z obci¡»eniem tego wierzchoªka) jest równa termi-
nowi Cij oraz, »e dªugo±¢ najdªu»szej (krytycznej) ±cie»ki od wierzchoªka (0)
do wierzchoªka (∗) wynosi Cmax .
Rysunek 7.6 przedstawia graf dla harmonogramu z Przykªadu 2. Do-
datkowo, na Rysunku 7.7 zaznaczono przykªadowy fragment grafu z zaz-
naczonymi obci¡»eniami kraw¦dzi.
Rysunek 7.6: Graf G(π, φ) dla harmonogramu z Przykªadu 1 (lini¡ pogru-

bion¡ zaznaczono ±cie»k¦ krytyczn¡).

Rysunek 7.7: Przykªadowy fragment grafu z zaznaczonymi obci¡»eniami

kraw¦dzi.
Przedstawiona powy»ej reprezentacja grafowa zostaªa wykorzystana w

zaproponowanym w dalszej cz¦±ci algorytmie Tabu Search do konstrukcji
algorytmu szybkiego przegl¡dania s¡siedztwa.
7.4.2 Dolne oszacowanie optymalnej warto±ci kryterium

Zanim przedstawione zostan¡ algorytmy przybli»one dla badanego prob-
lemu, zaprezentowana zostanie metoda wyznaczania dolnego oszacowania
warto±ci optymalnej kryterium. Oszacowanie to zostaªo opracowane celem
porównania jako±ci rozwi¡za« dostarczanych przez zaproponowane algorytmy
przybli»one.
Oznaczmy przez
LB = max{LB1 , LB2 , LB3 } (7.17)

7.4 Problem ogólny
dolne oszacowanie warto±ci optymalnej kryterium.

Ka»da z wielko±ci LB1 , LB2 i LB3 równie» jest dolnym oszacowaniem
warto±ci optymalnej kryterium, jednak ka»da z nich wyznaczana jest w inny
sposób. W dalszej cz¦±ci przedstawione zostan¡ kolejno te trzy oszacowania.
Pierwsze oszacowanie jest nast¦puj¡ce:

 
X X 
LB1 = max pij + tij .
j∈J  
i∈M i∈M∪{0}
Interpretacja tego oszacowania jest oczywista, zwa»ywszy na fakt, »e »adne z

P P
zada«, nie mo»e zosta¢ zako«czone przed terminem i∈M pij + i∈M∪{0} tij .
Aby przedstawi¢ kolejne dwa oszacowania wprowad¹my nast¦puj¡ce oz-
0
naczenia. Niech Ji ⊂ J oznacza podzbiór tych zada«, których i-te czynno±ci
nie mog¡ by¢ wykonywane jednocze±nie, tzn. zadania j i k nale»¡ do zbioru
Ji , je»eli sizeij + sizeik > mi i nierówno±¢ ta zachodzi dla ka»dej pary zada«
w zbiorze Ji0 . Niech Ji1 ⊂ J oznacza podzbiór zada« wymagaj¡cych wi¦cej
1 mi
ni» poªowy procesorów i-tego stadium, tzn. j ∈ Ji , gdy sizeij > oraz
2
2
niech Ji ⊂ J oznacza podzbiór zada« wymagaj¡cych dokªadnie poªowy
2 mi
procesorów i-tego stadium, tzn. j ∈ Ji , gdy sizeij = . Dodatkowo, niech
2
Ri oznacza najwcze±niejszy mo»liwy termin rozpocz¦cia wykonywania czyn-
no±ci w stadium i oraz niech Qi oznacza najmniejszy mo»liwy przedziaª czasu
od zako«czenia wykonywania czynno±ci w stadium i do ko«ca uszeregowania.
Wielko±¢ Ri oraz Qi wynosz¡ odpowiednio:
( ( i−1 ) )
X
Ri = max min (plj + tlj ) , min{si0j } ,
j∈J j∈J
l=0
( m
)
X
Qi = min (plj + tlj ) .
j∈J
l=i+1
Ponadto, niech Si oznacza uporz¡dkowany zbiór czasów przezbroje« sta-
dium i taki, »e dla ka»dych dwóch elementów sa ∈ Si i sb ∈ Si zachodzi
sa ≤ sb , je»eli a < b. Innymi sªowy, do zbioru Si nale»¡ wszystkie czasy
przezbroje« sijk , ale s¡ uporz¡dkowane niemalej¡co. Elementy zbioru Si b¦d¡
oznaczane przez sl (z jednym indeksem) i sl oznacza l -ty element tego zbioru.
Przy takich oznaczeniach nast¦pne dwa oszacowania zdeniowane s¡ nast¦pu-
j¡co:
 
|Ji0 |−1
 1 X X 
LB2 = max Ri + pij sizeij + sl + Qi ,
i∈M  mi j∈J l=1


 
|Ji0 |−1
 X 1 X X 
LB3 = max Ri + pij + pij + sl + Qi ,
i∈M 
1
2 2 l=1

j∈Ji j∈Ji
Interpretacja oszacowania LB2 jest nast¦puj¡ca. W stadium i rozpocz¦cie

wykonywania nie mo»e nast¡pi¢ przed terminem Ri oraz wykonane zostan¡
1
P
one nie szybciej, ni» w czasie
mi j∈J pij sizeij . Dodatkowo, wyst¡pi nie
0
mniej ni» |Ji | − 1 przezbroje«. Ze wzgl¦du na to, »e nie mo»na stwierdzi¢
0
które z przezbroje« wyst¡pi¡, uwzgl¦dnianych jest |Ji | − 1 o najkrótszych
czasach. Ponadto, po zako«czeniu wykonywania czynno±ci w stadium i, potrzeba
jeszcze co najmniej Qi czasu do wykonania czynno±ci w kolejnych stadiach.
Interpretacja oszacowania LB3 jest bardzo podobna do LBP
2, z tym, »e
czas wykonania czynno±ci w stadium i b¦dzie nie krótszy ni» j∈Ji1 pij +
1
Ji1
P
2 j∈Ji2 pij poniewa» »adne dwa zadania ze zbioru nie mog¡ by¢ wyko-
2
nane ª¡cznie, a zadania ze zbioru Ji wykonaj¡ si¦ nie szybciej ni» w czasie
1
P
2 j∈Ji2 pij .
7.4.3 Przybli»one algorytmy konstrukcyjne

W celu znalezienia rozwi¡zania pocz¡tkowego dla algorytmów metaheurysty-
cznych, zaproponowano szereg algorytmów konstrukcyjnych. Algorytmy te
wykorzystuj¡ Procedur¦ 5 do konstrukcji harmonogramu, dla zadanej wej±-
ciowej listy zada« (permutacji) σ . Idea tej procedury jest bardzo podobna do
Algorytmu C, zaproponowanego dla problemu uproszczonego.
Procedura 5 Procedura wyznaczania harmonogramu dla danej listy wej±-

P P
ciowej σ o zªo»ono±ci O( i∈M j∈J sizeij ).
1: W pierwszym stadium wyznacz list¦ π1 = σ.
2: for j = 1, ...n do
3: Przydziel czynno±¢ π1 (j) do size1π1 (j) procesorów, które najwcze±niej
ko«cz¡ wykonywanie poprzednich operacji. Wyznacz termin C1π(j) .
4: end for
5: for i = 2, ..., m do
6: Wyznacz list¦ πi , tak¡, »e C(i−1)πi (j) ≤ C(i−1)πi (j+1) .
7: for j = 1, ...n do
8: Przydziel czynno±¢ πi (j) do sizeiπ1 (j) procesorów, które najwcze±niej
ko«cz¡ wykonywanie poprzednich operacji. Wyznacz termin Ciπ(j) .
9: end for
10: end for

7.4 Problem ogólny
Dodatkowo, niech Ĉmax (σ) oznacza warto±¢ kryterium dla harmonogramu

wyznaczonego przez Procedur¦ 5 dla listy wej±ciowej σ.
Zaproponowano dwa rodzaje algorytmów konstrukcyjnych oznaczonych

przez L(R) oraz I(R), gdzie R oznacza reguª¦ wyznaczania listy wej±ciowej.
Ró»nica mi¦dzy tymi algorytmami jest taka, »e algorytm L(R) wyznacza w
pierwszej kolejno±ci list¦ na podstawie reguªy R, a nast¦pnie stosuje Proce-
dur¦ 5 do wyznaczenia harmonogramu, podczas gdy algorytm I(R) jest al-
gorytmem wykorzystuj¡cym technik¦ wstawie« (np. [111]). Technika wstaw-
ie« (oraz algorytm I(R)) polega na tym, »e w pierwszej kolejno±ci tworzona
jest lista σ wg reguªy R. Nast¦pnie tworzone s¡ kolejne listy cz¦±ciowe σl
(l = 1, ..., n), zawieraj¡ce l pocz¡tkowych zada« listy σ , przy czym lista σl+1
tworzona jest na podstawie listy σl w ten sposób, »e zadanie σ(l +1) znajduje
si¦ w li±cie σl+1 na tej pozycji, dla której warto±¢ kryterium jest najmniejsza.
Algorytmy L(R) oraz I(R) zostaªy przedstawione odpowiednio w Proce-
durach 6 oraz 7.
Procedura 6 Algorytm konstrukcyjny L(R).

1: Wyznacz list¦ σ na podstawie reguªy R.
2: Na podstawie listy σ wyznacz harmonogram przy u»yciu Procedury 5.
Procedura 7 Algorytm konstrukcyjny I(R).

1: Wyznacz list¦ σ na podstawie reguªy R.
2: Wyznacz list¦ σ1 zawieraj¡c¡ tylko jedno zadanie σ(1).
3: for j = 2, ..., n do
4: for l = 1, ..., j do
l
5: Wyznacz list¦ σj dodaj¡c do listy σj−1 zadanie σ(j) na pozycji l .
l l
6: Zastosuj Procedur¦ 5 do listy σj i wyznacz Ĉmax (σj ).
7: end for
∗ ∗
8: Podstaw σj = σjl , gdzie Ĉmax (σjl ) = minl=1,...,j Ĉmax (σjl ).
9: end for
10: Wyznacz harmonogram dla listy σn .
Zaproponowano 20 reguª wyznaczania listy pocz¡tkowej σ. Aby skróci¢

opis, w Tablicy 7.5 zebrano wszystkie reguªy, przy czym np. zapis rj % oz-
σ wyznaczana jest przez posortowanie zada« wg. niemalej¡cych
nacza, »e lista
warto±ci parametrów rj .
Nale»y zwróci¢ uwag¦ na to, »e np. reguªa (pi , A), to w rzeczywisto±ci
m reguª dla ka»dego i ∈ M. W zwi¡zku z tym dla ka»dej instancji mamy
14 + 6m reguª, co daje 28 + 12m algorytmów konstrukcyjnych.

Tablica 7.5: Reguªy wyznaczania listy pocz¡tkowej dla algorytmów konstruk-

cyjnych.
Lp. Oznaczenie Reguªa

1 r, A rj %
2 q, D qj &
3 pi , A pij %
4 pi , D pij &
5 ti , A tij %
6 ti , D tij &
7 sizei , A sizeij %
8 sizei , D Psizeij &
9 T, p, A Pi∈M pij %
10 T, p, D Pi∈M pij &
11 T, t, A Pi∈M tij %
12 T, t, D P i∈M tij &
13 T, size, A Pi∈M sizeij %
14 T, size, D P i∈M sizeij &
15 T, p × size, A Pi∈M sizeij pij %
16 T, p × size, D i∈M sizeij pij &
P pij
17 T, p/size, A %
Pi∈M size pij
ij
18 T, p/size, D i∈M sizeij &
P P
19 T, size, p, t, A Pi∈M size ij p ij + Pi∈M tij %
20 T, size, p, t, D i∈M size p
ij ij + i∈M tij &

7.4 Problem ogólny
7.4.4 Algorytm Symulowanego Wy»arzania

Technika symulowanego wy»arzania, zaproponowana w pracy [90], jest it-
eracyjn¡, stochastyczn¡ metod¡ opart¡ o przeszukiwanie s¡siedztwa. Gªówna
idea tej techniki polega na rozpocz¦ciu pracy w pewnym rozwi¡zaniu pocz¡tkowym,
(π 0 , φ0 ), i sukcesywnym przemieszczaniu si¦ po rozwi¡zaniach s¡siednich a»
nie zostanie speªniony warunek zatrzymania. W ka»dej iteracji, iter, losowe
0 0
rozwi¡zanie, (π , φ ), jest wybierane z s¡siedztwa rozwi¡zania aktualnego ((π
iter
, φiter ))
i zast¦puje ono rozwi¡zanie aktualne z prawdopodobie«stwem
0 0
Cmax (π , φ ) − Cmax (π iter , φiter )

P (titer ) = max 1, exp − , (7.18)
titer
gdzie titer jest parametrem nazwanym temperatur¡ w iteracji iter. Temper-

atura maleje podczas procesu poszukiwa« zgodnie ze schematem wy»arza-
nia. Efektywno±¢ algorytmu SA zale»y od nast¦puj¡cych parametrów, które
nale»y starannie dobra¢:
• rozwi¡zanie pocz¡tkowe,
• s¡siedztwo,
• temperatura pocz¡tkowa i schemat wy»arzania,
• warunek zatrzymania.
W dalszej cz¦±ci przedstawione zostan¡ kolejno poszczególne elementy

zaproponowanego algorytmu SA.
Dokªadny opis techniki Symulowanego Wy»arzania mo»na znale¹¢ np. w
[1, 90, 147].
7.4.4.1 Rozwi¡zanie pocz¡tkowe

Jako rozwi¡zanie pocz¡tkowe przyj¦to najlepsze rozwi¡zanie spo±ród dostar-
czonych przez zaproponowane algorytmy konstrukcyjne.
7.4.4.2 S¡siedztwo
S¡siedztwo dla harmonogramu (π, φ) jest okre±lone przez N (Θ(π, φ)) zden-
iowane tak samo jak dla problemu uproszczonego w podrozdziale 7.3.2.2.2.

7.4.4.3 Temperatura pocz¡tkowa

Temperatura pocz¡tkowa wyznaczana jest dla ka»dej instancji problemu
na podstawie rozwi¡za« dostarczonych przez algorytmy konstrukcyjne. Przy-
pomnijmy, »e dla ka»dej instancji problemu mamy K = 28+12m algorytmów
k
konstrukcyjnych. Oznaczmy przez Cmax , k = 1, ..., K , warto±¢ kryterium dla
rozwi¡zania dostarczonego przez k -ty
algorytm konstrukcyjny. Na tej pod-
k
stawie wyznaczana jest maksymalna ró»nica, ∆, mi¦dzy warto±ciami Cmax :
k l
∆= max {|Cmax − Cmax |},
k,l∈{1,...,K}
Na podstawie warto±ci ∆ wyznaczana jest temperatura pocz¡tkowa w

nast¦puj¡cy sposób:
∆
t0 = − ,
ln(P )
gdzie P = 0.67 jest parametrem dobranym w sposób eksperymentalny i oz-
nacza prawdopodobie«stwo zaakceptowania rozwi¡zania o ∆ gorszego ni»
aktualne (innymi sªowy jest to prawdopodobie«stwo skoku z najlepszego
do najgorszego rozwi¡zania konstrukcyjnego).
7.4.4.4 Schemat wy»arzania

Temperatura zmienia si¦ w ka»dej iteracji algorytmu zgodnie z logaryt-
micznym schematem wy»arzania:
titer
titer+1 = ,
1 + λtiter
gdzie:
tM axIter − t0
λ=
(M axIter)t0 tM axIter
i M axIter jest caªkowit¡ liczb¡ iteracji. Temperatura ko«cowa tM axIter =
0, 00001t0 dobrana zostaªa na drodze eksperymentów.
7.4.4.5 Warunek zatrzymania

Algorytm ko«czy prac¦, gdy liczba iteracji jest wi¦ksza ni» a priori zadana
staªa M axIter. W eksperymentach przyj¦to M axIter = 1000000.

7.4 Problem ogólny
7.4.5 Algorytm Tabu Search

Algorytm tabu search zaproponowany dla problemu ogólnego stanowi
rozwini¦cie algorytmu TS zaproponowanego dla problemu uproszczonego w
podrozdziale 7.3.2.2. W zwi¡zku z tym, w poni»szym opisie przedstawione
zostan¡ poszczególne elementy algorytmu z uwzgl¦dnieniem modykacji za-
stosowanych przy konstrukcji algorytmu TS dla problemu ogólnego.
7.4.5.1 Rozwi¡zanie pocz¡tkowe.

Jako rozwi¡zanie pocz¡tkowe przyjmowane jest najlepsze rozwi¡zanie spo±ród
dostarczonych przez algorytmy konstrukcyjne.
7.4.5.2 Ruchy i s¡siedztwo.

S¡siedztwo jest zdeniowane przez zbiór N (Θ(π, φ)) tak samo jak dla
problemu uproszczonego.
7.4.5.3 Lista tabu.

W zaproponowanym algorytmie zastosowano dwie listy tabu. Jedna z tych
list jest taka sama jak dla problemu uproszczonego, a druga zdeniowana jest
nast¦puj¡co. Na li±cie zapami¦tywane s¡ parametry wykonywanych ruchów:
je»eli zostaª wykonany ruch (i, j, k, x, y), wówczas na li±cie tabu zapami¦-
tywana jest nast¦puj¡ca trójka liczb:
(i, πi (j), πi (k)) je»eli j<k
lub
(i, πi (k), πi (j)) je»eli j > k.
Je»eli j=k to na li±cie nic nie jest zapami¦tywane.
Ruch (i, j, k, x, y) ma status tabu, je»eli na li±cie jest zapami¦tana trójka

liczb (a, b, c) taka, »e:
(dla j < k ): a = i, πi (j) = b i dla co najmniej jednej warto±ci l (l =

j + 1, ..., k ), πi (l) = c,
(dla j > k ): a = i, πi (k) = b i dla co najmniej jednej warto±ci l (l =
k + 1, ..., j ), πi (l) = c.
Dªugo±¢ drugiej listy tabu jest staªa i wynosi 8.

7.4.5.4 Warunki zatrzymania oraz mechanizmy dodatkowe.

Zastosowano takie same mechanizmy (zatrzymania i dywersykacji) jak
dla problemu uproszczonego.
7.4.5.5 Technika przegl¡dania s¡siedztwa.

Przy przegl¡daniu s¡siedztwa zastosowano metod¦ szybkiego naliczania
warto±ci kryterium analogiczn¡ do zaproponowanej dla problemu uproszc-
zonego. Poni»ej przedstawione zostan¡ tylko ró»nice, wynikaj¡ce z dodatkowych
parametrów w problemie ogólnym.
Podobnie jak w problemie uproszczonym grafGîĵ (π, φ) odpowiada zmody-
kowanemu harmonogramowi otrzymanemu z harmonogramu (π, φ), skon-
struowanego w ten sposób, »e czynno±¢ î zadania ĵ nie jest uwzgl¦dniana
w tym harmonogramie. Identycznie jak w problemie uproszczonym zden-
iowane s¡ równie» zbiory nast¦pników (z̄ij ) i poprzedników (z ij ) czynno±ci.
ĵ ĵ
Gªówna ró»nica polega na sposobie naliczania ±cie»ek eik , qik , eik , qik
îĵ
oraz Cmax , poniewa» musz¡ by¢ uwzgl¦dnione czasy transportu tij , terminy
dost¦pno±ci rj , czasy dostarczenia zada« qj oraz czasy przezbroje« sijk . Dªu-
go±ci tych ±cie»ek wyliczane s¡ wi¦c z nast¦puj¡cych zale»no±ci:
eik = max{e(i−1)k + t(i−1)k , max{eil + silk }} + pik dla i ∈ M, k ∈ J (7.19)

l∈z ik
qik = max{q(i+1)k + tik , max{qil + sikl }} + pik dla i ∈ M, k ∈ J (7.20)

l∈z̄ik
eĵik = max{e(i−1)k + t(i−1)k , max{eĵil + silk }} + pik dla i ∈ M, k ∈ J\{ĵ}

l∈z ĵik
(7.21)
ĵ
qik = max{q(i+1)k + tik , max{qilĵ + sikl }} + pik dla i ∈ M, k ∈ J\{ĵ}
ĵ
l∈z̄ik
(7.22)
îĵ
Cmax = max {eĵîk + qîk
ĵ
− pîk }, (7.23)
k∈J\{ĵ}
gdzie e0k = eĵ0k = 0 i q(m+1)k = q(m+1)k

ĵ
= 0.
Warto±¢ kryterium po przeniesieniu czynno±ci î zadania ĵ na pozycj¦ hw
harmonogramie (π, φ) wynosi:
îĵh
Cmax îĵ
= max{Cmax , max {eĵîl + sîlĵ } + max {qîlĵ + sîĵl } + pîĵ }. (7.24)
l∈z îĵh l∈z̄îĵh

7.4 Problem ogólny
Procedura 8 Algorytm szybkiego przegl¡dania s¡siedztwa dla problemu

ogólnego.
1: for ĵ ∈ J do
2: for î ∈ M do
3: for k ∈ J do
π (ĵ) π (ĵ)
4: Wyznacz eîkî oraz qîkî na podstawie (7.19)-(7.22),
5: end for
î,π (ĵ)
6: Wyznacz Cmaxî (s),
7: end for
8: for θ = (î, ĵ, k, x, y) ∈ Θ(π, φ) do
9: Usu« x oraz dodaj y do zbioru φî,π (ĵ)
î
10: Wyznacz z̄î,π (ĵ),k oraz z î,π (ĵ),k
î î
î,π (ĵ),k
11: Wyznacz Cmax (πθ , φθ ) = Cmaxî {Cmax (πθ , φθ ) jest warto±ci¡ kry-
terium dla harmonogramu po wykonaniu ruchu θ.}
12: end for
13: end for
Dla peªno±ci opisu, algorytm szybkiego przegl¡dania s¡siedztwa dla prob-

lemu ogólnego zostaª przedstawiony w Procedurze 8.
Zªo»ono±¢ obliczeniowa
tego algorytmu, podobnie jak dla problemu up-
size2ij (mi − sizeij + 1)
P P
roszczonego, wynosi: O n i∈M j∈J i znacz¡co (ponad
400 razy) przyspiesza dziaªanie algorytmu TS .
7.4.6 Analiza eksperymentalna

Zaproponowane algorytmy SA i TS zostaªy zaimplementowane w j¦zyku
C++ oraz uruchamiane na komputerze klasy PC 686/800MHz. Aby przetestowa¢
efektywno±¢ tych algorytmów, wygenerowano 3000 instancji testowych. In-
stancje te podzielono na trzy kategorie G1, G2 i G3, ze wzgl¦du na przedziaª, z
którego generowano czasy przezbroje« (jako liczby caªkowite z jednostajnym
prawdopodobie«stwem):
G1: sijk ∈ [0; 10],

G2: sijk ∈ [0; 50],
G3: sijk ∈ [0; 200].
Dla ka»dej kombinacji liczby zada«, liczby stadiów (n = 5, 10, 20, 50, 100,
m = 2, 5, 8, 10) i kategorii wygenerowano 50 instancji problemu, co daje 1000
instancji dla ka»dej kategorii. Pozostaªe parametry problemu generowane

byªy z jednostajnym prawdopodobie«stwem (liczby caªkowite) na nast¦puj¡-

cych przedziaªach:
• mi ∈ [1; 5],
• pij ∈ [1; 100],
• tij ∈ [1; 100] (równie» rj i qj ),
• sizeij ∈ [1; mi ],
Efektywno±¢ algorytmów badano przy u»yciu nast¦puj¡cych wska¹ników

(C oznacza najlepszy algorytm konstrukcyjny, SA oznacza algorytm
symulowanego wyrza»ania, TS oznacza algorytm tabu search):
A
Cmax −LB
• γA = LB
wzgl¦dna odlegªo±¢ rozwi¡zania dostarczonego przez
algorytm A = {C, SA, T S} od dolnego oszacowania warto±ci optymal-
nej kryterium (LB ).
C
Cmax A
−Cmax
• ζA = A
Cmax
wzgl¦dna poprawa rozwi¡zania pocz¡tkowego osi¡g-
ni¦ta przez algorytmu A ∈ {T S, SA}.
• T IM EA - czas wykonywania jednej iteracji algorytmu A ∈ {SA, T S}

w milisekundach.
rednie warto±ci wska¹ników zebrano w Tablicach 7.6-7.9.

7.4 Problem ogólny
Tablica 7.6: Wyniki analizy eksperymentalnej dla algorytmów C, SA i TS dla

instancji z kategorii G1
n m γC γ SA γT S ζ SA ζT S
5 2 21,31 20,21 20,21 1,03 1,03
5 5 38,92 34,10 33,96 4,87 4,92
5 8 21,38 20,03 20,03 1,23 1,23
5 10 12,95 10,29 10,29 2,54 2,54
±rednia 23,64 21,16 21,12 2,42 2,43
10 2 50,12 31,00 27,29 19,32 22,92
10 5 33,64 20,87 13,01 14,01 20,76
10 8 23,87 16,32 15,71 7,21 7,89
10 10 29,17 15,33 15,29 13,98 14,00
±rednia 34,20 20,88 17,83 13,63 16,39
20 2 15,92 10,21 8,76 5,05 7,21
20 5 24,31 22,12 17,21 2,21 7,32
20 8 16,39 14,32 13,03 2,08 5,29
20 10 21,87 17,57 16,21 3,82 5,06
±rednia 19,62 16,06 13,80 3,29 6,22
50 2 7,02 4,41 2,20 3,01 4,23
50 5 7,58 3,97 2,01 3,69 5,02
50 8 11,92 8,23 6,21 3,12 4,99
50 10 26,31 19,02 13,01 6,23 11,78
±rednia 13,21 8,91 5,86 4,01 6,51
100 2 6,32 2,98 1,00 3,63 5,02
100 5 4,90 3,30 2,21 1,71 2,89
100 8 7,79 4,11 2,01 3,70 5,32
100 10 17,97 9,32 7,21 8,16 10,19
±rednia 9,25 4,93 3,11 4,30 5,86
±rednia 19,98 14,39 12,34 5,53 7,48


5 2 32,45 25,47 25,47 6,66 6,79
5 5 39,68 30,87 30,88 8,59 8,33
5 8 35,68 33,36 32,98 2,42 2,46
5 10 54,35 47,25 44,85 6,79 9,79
±rednia 40,54 34,24 33,55 6,11 6,84
10 2 78,85 63,98 57,58 15,15 20,96
10 5 45,65 41,85 40,97 3,30 4,49
10 8 38,54 29,47 29,51 9,08 8,98
10 10 39,65 30,08 28,67 9,45 11,31
±rednia 50,67 41,35 39,18 9,25 11,43
20 2 26,87 20,70 19,54 6,31 6,88
20 5 39,36 30,01 27,65 9,23 11,97
20 8 29,54 20,17 21,67 8,87 8,20
20 10 38,36 33,81 30,47 4,96 8,14
±rednia 33,53 26,17 24,83 7,34 8,80
50 2 18,37 17,45 15,49 1,03 2,94
50 5 25,68 20,87 20,00 5,29 5,56
50 8 25,47 19,78 17,84 6,08 7,89
50 10 39,94 33,67 30,25 6,55 9,44
±rednia 27,37 22,94 20,90 4,74 6,46
100 2 14,58 10,45 10,97 3,84 3,23
100 5 19,76 12,87 12,06 6,64 8,09
100 8 17,61 16,87 15,02 1,23 3,05
100 10 27,91 24,64 25,47 2,93 2,44
±rednia 19,97 16,21 15,88 3,66 4,20
±rednia 34,42 28,18 26,87 6,22 7,55

7.4 Problem ogólny

5 2 121,58 100,24 87,50 21,19 33,63
5 5 178,95 145,47 125,36 33,41 53,50
5 8 168,34 132,25 120,69 35,98 47,36
5 10 194,30 178,64 154,58 15,68 39,54
±rednia 165,79 139,15 122,03 26,56 43,51
10 2 100,25 78,54 70,25 22,05 29,96
10 5 105,67 97,19 84,21 8,06 21,29
10 8 138,95 124,57 114,68 14,08 24,16
10 10 124,58 99,71 89,65 24,51 34,70
±rednia 117,36 100,00 89,70 17,18 27,53
20 2 87,68 71,25 69,58 16,42 18,10
20 5 100,27 83,61 84,94 17,14 15,74
20 8 168,32 107,87 100,28 60,57 68,32
20 10 147,61 124,22 115,36 23,76 32,39
±rednia 125,97 96,74 92,54 29,47 33,64
50 2 78,65 64,25 64,33 14,86 14,21
50 5 89,64 62,37 58,74 27,21 31,15
50 8 80,31 71,26 70,56 9,47 10,10
50 10 98,25 79,83 86,25 18,03 11,97
±rednia 86,71 69,43 70,12 17,39 16,86
100 2 69,14 56,12 54,58 12,53 14,83
100 5 78,64 77,23 68,45 1,32 9,73
100 8 97,47 75,39 87,54 21,99 9,94
100 10 112,24 87,69 89,47 24,07 22,61
±rednia 89,37 74,11 75,01 14,98 14,28
±rednia 117,04 95,89 89,88 21,12 27,16

Tablica 7.9: Wyniki analizy eksperymentalnej dla algorytmów SA i TS czas

dziaªania algorytmów
n m T IM E SA T IM E T S
5 2 0,00 0,30
5 5 0,02 0,73
5 8 0,03 0,92
5 10 0,04 1,17
10 2 0,02 1,14
10 5 0,05 2,10
10 8 0,07 3,44
10 10 0,09 4,01
20 2 0,02 5,38
20 5 0,08 8,86
20 8 0,14 11,90
20 10 0,18 12,51
50 2 0,06 34,76
50 5 0,20 39,85
50 8 0,37 55,60
50 10 0,41 69,11
100 2 0,11 118,60
100 5 0,38 156,50
100 8 0,67 221,01
100 10 0,89 266,69

7.4 Problem ogólny
Podstawowym wnioskiem pªyn¡cym z przedstawionych wyników jest to,

»e zarówno algorytm SA, jak i TS znacz¡co poprawiaj¡ rozwi¡zanie pocz¡tkowe
ok. 7% dla instancji kategorii G1 i G2 i ponad 20% dla instancji kategorii
G3. Wyniki ±wiadcz¡ równie» o tym, »e dla du»ych warto±ci czasów przezbro-
je«, algorytmy konstrukcyjne nie s¡ w stanie dostarczy¢ dobrego rozwi¡za-
nia. Jest to do±¢ oczywisty rezultat, zwa»ywszy na fakt, »e »aden z zapro-
ponowanych algorytmów konstrukcyjnych nie uwzgl¦dnia czasów przezbro-
je«.
Mo»na równie» zauwa»y¢, »e jako±¢ rozwi¡za« dostarczanych przez al-
gorytm TS jest statystycznie najlepsza. Niestety jest to okupione dªu»szym
czasem dziaªania. Czas pracy algorytmu TS dla du»ych instancji problemu
si¦gaª 1 godziny (10000 iteracji), podczas gdy algorytm SA, dostarczaj¡c
rozwi¡zania porównywalnej jako±ci, potrzebowaª ok. 15 min (1000000 iter-
acji). Dodatkowo algorytm SA dostarczaª nieznacznie lepszych rozwi¡za« dla
du»ych instancji kategorii G3.
Ponadto, mo»na zauwa»y¢ jak zmienia si¦ jako±¢ dostarczonych rozwi¡za«
wraz ze wzrostem rozmiaru problemu. Dla du»ych instancji problemu ju» al-
gorytmy konstrukcyjne dostarczaj¡ rozwi¡za« o nienajgorszej jako±ci (mniej
ni» 10% dla instancji kategorii G1 i mniej ni» 20% dla instancji kategorii G2).
Niestety dla instancji kategorii G3 jako±¢ dostarczonych rozwi¡za« jest sªaba
i to zarówno w przypadku algorytmów konstrukcyjnych, jak i algorytmów SA
i TS. Takie zachowanie wska¹ników γ nie jest jednak spowodowane rzeczy-
wist¡ jako±ci¡ rozwi¡zania ale faktem, »e wraz ze wzrostem czasów przezbro-
je« maleje efektywno±¢ dolnego oszacowania warto±ci optymalnej kryterium.
Ostatecznie mo»na stwierdzi¢, »e zaproponowane algorytmy SA i TS dostar-
czaj¡ rozwi¡za« o dobrej jako±ci przy akceptowalnym czasie dziaªania. Jako
najlepszy nale»y wskaza¢ algorytm TS, jednak zakres jego stosowalno±ci sku-
pia si¦ na instancjach o niewielkim rozmiarze (do 50 zada«). Dla du»ych in-
stancji (100 zada« i wi¦cej) przewag¦ uzyskuje algorytm SA, zarówno pod
wzgl¦dem jako±ci dostarczonego rozwi¡zania, jak i czasu dziaªania.

7.5 Podsumowanie
W niniejszym rozdziale rozpatrywano dwa problemy szeregowania zada«
wieloprocesorowych w systemach przepªywowych: problem ogólny uwzgl¦d-
niaj¡cy czasy transportu, terminy dost¦pno±ci, czasy dostarczenia zada«,
czasy przezbroje« oraz problem uproszczony nie uwzgl¦dniaj¡cy powy»szych
parametrów.
Do najistotniejszych rezultatów teoretycznych tej cz¦±ci pracy nale»y za-
liczy¢ wykazanie wielomianowej rozwi¡zywalno±ci problemu uproszczonego
oraz wykazanie, »e dodanie do problemu uproszczonego ogranicze« kolejno±-
ciowych i to w najprostszej postaci, czyni ten problem silnie NP-trudnym.
Dodatkowo, wykazano cztery wªasno±ci pozwalaj¡ce wyeliminowa¢ rozwi¡za-
nia nie przynosz¡ce poprawy warto±ci kryterium. Wªasno±ci te mo»na zas-
tosowa¢ zarówno w algorytmach typu popraw, jak i w algorytmach optymal-
nych opartych o schemat podziaªu i oszacowa«.
Praktycznym rezultatem tej cz¦±ci pracy s¡ zaproponowane algorytmy
przybli»one rozwi¡zania badanych problemów. Dla problemu uproszczonego
zaproponowano algorytm oparty o technik¦ Tabu Search, oraz jeden algo-
rytm konstrukcyjny. Dla problemu ogólnego zaproponowano dwa algorytmy
metaheurystyczne (Symulowanego Wy»arzania oraz Tabu Search) oraz szereg
algorytmów konstrukcyjnych. Jako±¢ zaproponowanych algorytmów zbadano
przy u»yciu analizy eksperymentalnej, która wykazaªa, »e s¡ to algorytmy
efektywne.

Rozdziaª 8
Podsumowanie pracy
W niniejszej pracy postawiono dwa nast¦puj¡ce cele:
1. Wyznaczenie zªo»ono±ci obliczeniowej, wykazanie szczególnych wªasno±ci

oraz skonstruowanie efektywnych algorytmów rozwi¡zania wybranych jedno-
procesorowych problemów szeregowania, w których czasy wykonywania zada«
i czasy przezbroje« procesorów zale»¡ od dodatkowych zasobów.
2. Wyznaczenie zªo»ono±ci obliczeniowej, wykazanie szczególnych wªasno±ci

oraz skonstruowanie efektywnych algorytmów rozwi¡zania problemu szere-
gowania zada« wieloprocesorowych w systemie przepªywowym.
W ramach realizacji pierwszego celu dokonano analizy szeregu jedno-

procesorowych problemów, w których czasy wykonywania zada« oraz czasy
przezbroje« zale»¡ od dodatkowych zasobów. Analiz¦ t¦ rozpocz¦to od bada-
nia problemów, w których przydzielane zasoby podzielne s¡ w sposób ci¡gªy.
Uzyskane wyniki mo»na przedstawi¢ w nast¦puj¡cych punktach:
• Wykazano, »e problem, w którym zarówno czasy wykonywania zada«,

jak i czasy przezbroje« zale»¡ od dodatkowych zasobów, przy kry-
terium minimalizacji dªugo±ci uszeregowania i bez ograniczenia tech-
nologii grupowej jest rozwi¡zywalny w czasie O(n log n) Twierdzenie
1.
• Wykazano, »e problem, w którym zarówno czasy wykonywania zada«,

jak i czasy przezbroje« zale»¡ od dodatkowych zasobów, przy kry-
134
8 Podsumowanie pracy
terium minimalizacji dªugo±ci uszeregowania i z ograniczeniem tech-

nologii grupowej jest rozwi¡zywalny w czasie O(n log n) Wniosek 1.
• Skonstruowano wielomianowe algorytmy, o zªo»ono±ci O(n log n), opty-

malnego rozdziaªu zasobów do zada« i przezbroje« przy ustalonej kole-
jno±ci wykonywania zada«, dla problemu z ograniczeniem technologii
grupowej, w którym okre±lone s¡ terminy dost¦pno±ci zada« przy kry-
terium minimalizacji dªugo±ci uszeregowania Wªasno±ci 7 i 8.
• Skonstruowano wielomianowy algorytm, o zªo»ono±ci O(n log n), rozwi¡za-

nia szczególnego przypadku problemu wymienionego w poprzednim
punkcie, w którym tylko czasy przezbroje« zale»¡ od dodatkowych za-
sobów i zachodzi relacja dominacji mi¦dzy rodzinami zada« Twierdze-
nie 2.
• Wykazano, »e problem minimalizacji dªugo±ci uszeregowania z zadanymi

terminami dost¦pno±ci zada«, w przypadku braku ograniczenia tech-
nologii grupowej jest NP-trudny ju» w klasycznej postaci, tzn. w sytu-
acji, gdy czasy przezbroje« i czasy wykonywania zada« nie zale»¡ od
dodatkowych zasobów Twierdzenie 3.
• Dla problemu z ograniczeniem technologii grupowej, przy kryterium

minimalizacji sumy wa»onych terminów zako«czenia wykonywania zada«,
2
skonstruowano optymalne algorytmy wielomianowe o zªo»ono±ci O(n ),
rozdziaªu zasobów do zada« i do przezbroje« przy ustalonej kolejno±ci
wykonywania zada« Wªasno±ci 10 i 11.
• Dla problemu z ograniczeniem technologii grupowej, przy kryterium

minimalizacji sumy wa»onych terminów zako«czenia wykonywania zada«,
w którym tylko czasy przezbroje« lub czasy wykonywania zada« za-
le»¡ od dodatkowych zasobów zaproponowano dokªadny algorytm o
zªo»ono±ci wykªadniczej Twierdzenie 5.
• Skonstruowano wielomianowy algorytm, o zªo»ono±ci O(n2 ), rozwi¡za-

nia szczególnego przypadku problemu z ograniczeniem technologii grupowej
przy kryterium minimalizacji sumy wa»onych terminów zako«czenia
wykonywania zada«, w którym tylko czasy przezbroje« lub czasy wykony-
wania zada« zale»¡ od dodatkowych zasobów i zachodzi relacja domi-
nacji mi¦dzy rodzinami zada« lub zadaniami Twierdzenie 6.
Ponadto, dla szeregu problemów skonstruowano przybli»one algorytmy

konstrukcyjne, których efektywno±¢ zbadano przy u»yciu analizy ekspery-
mentalnej.

W ramach realizacji pierwszego celu pracy, dalsze badania po±wi¦cone
byªy problemom, w których zasoby przydzielane do zada« i do przezbroje«
podzielne s¡ w sposób dyskretny. Rezultaty tych bada« zebrano w kolejnych
punktach:
• Wykazano, »e optymalny rozdziaª zasobów do zada« lub do przezbroje«

przy ustalonej kolejno±ci wykonywania zada« dla problemu minimaliza-
cji dªugo±ci uszeregowania jest problemem NP-trudnym Twierdzenia
8 i 9.
• Dla szczególnego (NP-trudnego) przypadku problemu minimalizacji dªu-

go±ci uszeregowania, w którym zarówno czasy wykonywania zada«, jak
i czasy przezbroje« zale»¡ od dodatkowych zasobów, skonstruowano
algorytm optymalny o pseudowielomianowej zªo»ono±ci obliczeniowej
Twierdzenie 10.
• Wykazano, »e problem minimalizacji dªugo±ci uszeregowania przy zadanych

terminach dost¦pno±ci zada« jest NP-trudny i to w przypadku gdy
tylko czasy wykonywania zada« lub tylko czasy przezbroje« zale»¡ od
dodatkowych zasobów Wniosek 2.
• Wykazano, »e problem minimalizacji sumy wa»onych terminów zako«czenia

wykonywania zada« przy ograniczeniu technologii grupowej, w sytuacji
gdy tylko czasy wykonywania zada« lub tylko czasy przezbroje« zale»¡
od dodatkowych zasobów jest problemem NP-trudnym Twierdzenie
11.
Podobnie jak dla problemów z zasobem podzielnym w sposób ci¡gªy, dla

tego przypadku równie» skonstruowano szereg konstrukcyjnych algorytmów
przybli»onych rozwi¡zania badanych problemów.
Podczas realizacji drugiego celu pracy badano dwa problemy szeregowa-

nia zada« wieloprocesorowych w systemach przepªywowych przy kryterium
minimalizacji maksymalnego terminu zako«czenia wykonywania zada«.
W pierwszym badanym problemie (uproszczonym) zaªo»ono, »e liczba
stadiów systemu przepªywowego oraz liczba procesorów w ka»dym stadium,
s¡ ustalonymi wielko±ciami i nie stanowi¡ danych wej±ciowych problemu.
Rezultaty bada« nad tym problemem zebrano w kolejnych punktach:
• Wykazano, »e w sytuacji, gdy czasy wykonywania poszczególnych czyn-

no±ci zada« s¡ ograniczone od góry przez zadan¡ staª¡, to problem jest

8 Podsumowanie pracy
rozwi¡zywalny wielomianowo przy u»yciu zªo»onego algorytmu opartego

o technik¦ programowania dynamicznego Twierdzenie 12.
• Wykazano, »e w sytuacji, gdy czasy wykonywania poszczególnych czyn-

no±ci zada« s¡ ograniczone od góry przez zadan¡ staª¡ i wyst¦puj¡
ograniczenia kolejno±ciowe mi¦dzy zadaniami (i to w najprostszej formie),
to problem jest silnie NP-trudny Twierdzenie 13.
• Dla problemu uproszczonego wykazano cztery wªasno±ci eliminacyjne

(wªasno±ci blokowe) pozwalaj¡ce zaw¦zi¢ obszar poszukiwa« w algoryt-
mach metaheurystycznych.
• Dla problemu uproszczonego zaproponowano algorytm metaheurysty-

czny oparty o technik¦ Tabu Search, w którym wykorzystano wªas-
no±ci eliminacyjne i zaprojektowano metod¦ szybkiego przegl¡dania
s¡siedztwa danego rozwi¡zania, znacznie (ok. 400 razy) przyspiesza-
j¡c¡ dziaªanie algorytmu. Jako±¢ rozwi¡za« dostarczanych przez zapro-
ponowany algorytm zbadano przy u»yciu analizy eksperymentalnej.
Dalsze badania podczas realizacji drugiego celu pracy skierowano na prob-

lem bardziej zªo»ony (problem ogólny). W problemie tym, liczba stadiów
oraz liczba procesorów w poszczególnych stadiach nie jest zadana, a do-
datkowo okre±lone s¡ nast¦puj¡ce parametry zada«: terminy dost¦pno±ci,
czasy dostarczenia oraz czasy transportu mi¦dzy stadiami. Ponadto, wys-
t¦puj¡ sekwencyjnie zale»ne przezbrojenia mi¦dzy czynno±ciami w ka»dym
stadium.
Wyniki bada« nad tym problemem s¡ nast¦puj¡ce:
• Skonstruowano trzy rodzaje dolnych oszacowa« optymalnej warto±ci

funkcji celu.
• Zaproponowano ponad 40 przybli»onych algorytmów konstrukcyjnych,

u»ywanych do generacji rozwi¡za« pocz¡tkowych dla algorytmów meta-
heurystycznych oraz wyznaczania parametrów algorytmu opartego o
technik¦ Symulowanego Wy»arzania.
• Zaproponowano algorytm metaheurystyczny oparty o technik¦ Symu-

lowanego Wy»arzania z automatycznym doborem parametrów schematu
wy»arzania.
• Zaproponowano algorytm metaheurystyczny oparty o technik¦ Tabu

Search wykorzystuj¡cy metod¦ szybkiego przegl¡dania s¡siedztwa ak-
tualnego rozwi¡zania.

• Jako±¢ rozwi¡za« dostarczanych przez algorytmy metaheurystyczne zbadano
przy u»yciu analizy eksperymentalnej.
Uzyskane rezultaty stanowi¡ istotny wkªad do problematyki szeregowa-

nia zada« i to zarówno z punktu widzenia teoretycznego, jak i praktycznego.
Wkªadem teoretycznym jest okre±lenie zªo»ono±ci obliczeniowej szeregu prob-
lemów oraz wykazanie szczególnych wªasno±ci badanych problemów. Wkªad
praktyczny stanowi¡ zaproponowane algorytmy dokªadne i przybli»one, b¦d¡ce
gotowymi narz¦dziami rozwi¡zania badanych problemów.

Bibliograa
[1] Aarts, E., Lenstra, J. Local Search in Combinatorial Optimization.
John Wiley & Sons Ltd., 1997.
[2] Adenso-Dias, B. Restricted nieghbourhood in the tabu search for

the owshop problem. European Journal of Operational Research 62
(1992), 2737.
[3] Ahmadi, R., Bagchi, U. Improved lower bounds for minimizing the
sum of completion times on n jobs over m machines in a ow shop.
European Journal of Operational Research 44 (1990), 331336.
[4] Ahn, B.-H., Hyun, J. Single facility multi-class job scheduling. Com-
puters and Operations Research 17 (1990), 265272.
[5] Allahverdi, A., Gupta, J., Aldowaisan, T. A review of schedul-

ing research involving setup considerations. Omega International Jour-
nal of Management Science 27 (1999), 219239.
[6] Bachman, A., Chudzik, K., Janiak, A. Szeregowanie zada« na

pojedynczej maszynie z przezrojeniami i terminami dost¦pno±ci zada«
algorytm tabu search. Mechanika Tom 17, Zeszyt 2 (1998), 205214.
[7] Bªa»ewicz, J., Drabowski, M., W¦glarz, J. Scheduling multi-

processor tasks to minimize schedule length. IEEE Transactions on
Computers 35/5 (1986), 389393.
[8] Bªa»ewicz, J., W¦glarz, J., Drabowski, M. Scheduling inde-

pendent 2processor tasks to minimize schedule length. Information
Processing Letters 18 (1984), 267273.
[9] Ben-Daya, M., Al-Fawzan, M. A tabu search approach for the ow
shop scheduling problem. European Journal of Operational Research
109 (1998), 8895.
139
BIBLIOGRAFIA
[10] Bozoki, G., Richard, J.-P. A branch-and-bound algorithm for the

continousprocess jobshop scheduling problem. AIIE Transactions
2/3 (1970), 246252.
[11] Brucker, P. Scheduling Algorithms, 2nd ed. Springer, 1998.
[12] Brucker, P., Krämer, A. Polynomial algorithms for resource-

constrained and multiprocessor task scheduling problems. European
Journal of Operational Research 90 (1996), 214226.
[13] Bruno, J., Downey, P. Complexity of task sequencing with dead-

lines, set-up times and changeover costs. SIAM Journal on Computing
7 (1978), 393404.
[14] Campbell, H., Dudek, R., Smith, M. A heuristic algorithm for

the n job, m machine sequencing problem. Management Science 16B
(1970), 630637.
[15] Chen, B. Analysis of classes of heuristics for scheduling a two-stage

ow shop with parallel machines at one stage. Journal of Operational
Research Society 46 (1995), 234244.
[16] Chen, G.-I., Lai, T.-H. Scheduling independent jobs on partitionable

hypercubes. Journal of Parallel and Distributed Computing 12 (1991),
7478.
[17] Cheng, T., Janiak, A., Kovalyov, M. Single machine batch

scheduling with resource dependent setup and processing times. Euro-
pean Journal of Operational Research 135 (2001), 177183.
[18] Chudzik, K. Ocena zªo»ono±ci obliczeniowej oraz algorytmy rozwi¡zy-

wania problemów szeregowania zada« z przezbrojeniami procesora.
Praca doktorska, Instytut Cybernetyki Technicznej, Politechnika
Wrocªawska, 2003.
[19] Chudzik, K., Janiak, A. Harmonogramowanie zada« na pojedynczej

maszynie z przezbrojeniami algorytm genetyczny.Materiaªy VI Kra-
jowej Konferencji Robotyki, rwieradów Zdrój, 9-12 wrze±nia Tom 2
(1998), 1321.
[20] Chudzik, K., Janiak, A., Oleksiak, R. Algorytm symulowanego

wy»arzania dla wybranych problemów szeregowania zada« na poje-
dynczej maszynie z przezbrojeniami. Materiaªy VI Krajowej Konfer-
encji Robotyki, rwieradów Zdrój, 9-12 wrze±nia Tom 2 (1998), 2329.

BIBLIOGRAFIA
[21] Conway, R., Maxwell, W., Miller, L. Theory of Scheduling.

AddisonWesley, Reading, 1967.
[22] Crauwels, H., Hariri, A., Potts, C., Wassenhove, L. V.

Branch and bound algorithms for single machine scheduling with batch
set-up times to minimize total weighted completion time. Annals of
Operations Research 83 (1998), 5976.
[23] Crauwels, H., Potts, C., Wassenhove, L. V. Local search heuris-

tics for single-machine scheduling with batch set-up times to minimize
total weighted completion time. Annals of Operations Research 70
(1997), 261279.
[24] Dannenbring, D. An evaluation of owshop sequencing heuristics.

Management Science 23 (1977), 11741182.
[25] Drozdowski, M. Real-time scheduling of linear speedup parallel

tasks. Information Processing Letters 57 (1996), 3540.
[26] Drozdowski, M. Scheduling multiprocessor tasks an overview. Eu-

ropean Journal of Operational Research 94 (1996), 215230.
[27] Drozdowski, M. Selected problems of scheduling tasks in multi-

processor computer systems. Poznan University of Technology Press,
Series: Monographs No.321 (1997).
[28] Du, J., Leung, J.-T. Complexity of scheduling parallel tasks systems.
SIAM Journal on Discrete Mathematics 2/4 (1989), 473487.
[29] Du, J., Leung, J.-T. Minimizing total tardiness on one machine is
np-hard. Math. Operational Research 15 (1990), 483495.
[30] Garey, M., Johnson, D. Computers and Intractability: A Guide to

the Theory of NP-Completeness. Freeman, 1979.
[31] Garey, M., Johnson, D., Sethi, R. The complexity of owshop

and jobshop scheduling. Mathematics of Operations Research 1 (1976),
117129.
[32] Ghosh, J. Bath scheduling to minimize total completion time. Oper-

ations Research Letters 16 (1994), 271275.
[33] Ghosh, J., Gupta, J. Batch scheduling to minimze maximum late-

ness. Operations Research Letters 21 (1997), 7780.

BIBLIOGRAFIA
[34] Glass, C., Potts, C. Comparison of local search methods for permu-
tation ow shop scheduling. Annals of Operations Research 63 (1996),
489509.
[35] Glover, F. Tabu search. Part I. ORSA Journal on Computing 1

(1989), 190206.
[36] Glover, F. Tabu search. Part II. ORSA Journal on Computing 2

(1990), 432.
[37] Gonzalez, T., Sahni, S. Flow shop and job shop schedules: com-
plexity and approximation. Operations Research 26 (1978), 92101.
[38] Grabowski, J. On two-machine scheduling with release and due dates

to minimize maximum lateness. Opsearch 17 (1980), 133154.
[39] Grabowski, J. A new algorithm of solving the ow-shop problem. w:

G. Feichtinger, P. Kall (eds.), Operations Research in Progress, Reidel,
Dordrecht (1982), 5775.
[40] Grabowski, J., Nowicki, E., Smutnicki, C. Metoda blokowa w

zagadnieniach szeregowania zada«. Akademicka Ocyna Wydawnicza
EXIT, Warszawa, 2003.
[41] Gupta, J. Single facility scheduling with multiple job classes. Euro-
pean Journal of Operational Research 33 (1988), 4245.
[42] Gupta, J. Two stage hybrid owshop scheduling problem. Journal of

Operational Research Society 39, 4 (1988), 359364.
[43] Gupta, J., Reddi, S. Improved dominance conditions for the three
machine owshop scheduling problem. Operations Research 26 (1978),
200203.
[44] Hall, L. A polynomial time approximation scheme for a constrained

ow-shop scheduling problem. Mathematics of Operations Research 19
(1994), 6885.
Proceedings of the
[45] Hall, L. Approximability of ow shop scheduling.
36th IEEE Symposium on Foundations of Computer Science (1995),
8291.
[46] Haouari, M., M'Hallah, R. Heuristic algorithms for the two-stage

hybrid owshop problems. Operations Research Letters 21 (1997), 43
53.

BIBLIOGRAFIA
[47] Hariri, A., Potts, C. Algorithms for two-machine ow-shop se-

quencing with precedence constraints. European Journal of Operational
Research 38 (1989), 228237.
[48] Hariri, A., Potts, C. Single machine scheduling with batch set-up
times to minimize maximum lateness. Annals of Operationa Research
70 (1997), 7592.
[49] Herrmann, J., Lee, C.-Y. Solving a class scheduling problem with
a genetic algorithm. ORSA Journal on Computing 7 (1995), 443452.
[50] Hoogeveen, J., Kawaguchi, T. Minimizing total completion time

in two-machine owshop: Analysis of special cases. Proceedings of the
5th IPCO Conference (1996), 374388.
[51] Hoogeveen, J., Lenstra, J., Veltman, B. Preemptive scheduling

in a two-stage multiprocesor ow shop is np-hard. European Journal
of Operational Research 89 (1996), 172175.
[52] Ignall, I., Shrage, L. Applications of the branch-and-bound tech-

nique to some ow-shop scheduling problems. Operations Research 13
(1978), 197204.
[53] Jackson, J. Scheduling a production line to minimize maximum tardi-

ness.Management Science Research Project, University of California,
Los Angeles, Research Report 43 (1955).
[54] Janiak, A. On a single machine sequencing to minimize the maximum

job cost subject to resource and precedence constraints. Archiwum
Automatyki i Telemetryki 31 z.4 (1986), 415417.
[55] Janiak, A. One-machine scheduling problems with resource con-

straints.in: System Modelling and Optimization, Lecture Notes in Con-
trol and Information Science, A.Prekopa, J. Szelezsan and B. Strazicky
(eds.), Springer-Verlag 84 (1986), 358364.
[56] Janiak, A. Problemy szeregowania zada« na jednej maszynie z rozdzi-

aªem zasobów. Zeszyty Naukowe Politechniki l¡skiej, s. Automatyka
84 (1986), 8192.
[57] Janiak, A. Time-optimal control in a single machine problem with

resource constraints. Automatica 22 (1986), 745747.

BIBLIOGRAFIA
[58] Janiak, A. Minimization of the maximum tardiness in one-machine

scheduling problem subject to precedence and resource constraints.
International Journal of System Analysis - Modeling - Simulation 4
(1987), 549556.
[59] Janiak, A. One-machine scheduling with allocation of continuously-

divisible resource and with no precedence constraints. Kybernetika 23
(1987), 289293.
[60] Janiak, A. Minimization of the blooming mill standstills mathemat-

ical model suboptimal algorithms. Mechanika AGH Tom 8, Zeszyt 2
(1989), 3749.
[61] Janiak, A. Problem minimalizacji przestojów maszyny przy zale»nych

od zasobów terminach gotowo±ci zada« na przykªadzie procesu pro-
dukcyjnego pomi¦dzy stalowni¡ konwertorow¡ a zgniataczem. Zeszyty
Naukowe Politechniki l¡skiej, s. Automatyka 100 (1990), 6177.
[62] Janiak, A. Szeduling independent one-processor tasks with linear

models of release dates under a given maximum schedule length to min-
imize resource consumption. International Journal of System Analysis
- Modeling - Simulation 7 (1990), 885890.
[63] Janiak, A. Dokªadne i przybli»one algorytmy szeregowania zada« i

Wrocªaw,
rozdziaªu zasobów w dyskretnych procesach przemysªowych.
Wydawnictwo Politechniki Wrocªawskiej, seria Monograe 87/20
(1991).
[64] Janiak, A. Single machine scheduling problem with a common dead-

line and resource dependent release dates. European Journal of Oper-
ational Research 53 (1991), 317325.
[65] Janiak, A. Jednomaszynowy problem szeregowania z ograniczeniami

kolejno±ciowymi i zasobowymi. Zeszyty Naukowe Politechniki l¡skiej,
ser. Automatyka 116 (1995), 3147.
[66] Janiak, A. Resource minimization in single machine scheduling with

Proc. of the International Conference on
a completion time constraint.
Industrial Engineering and Production Management, April 4-7, Mar-
rakech 1 (1995), 393401.
[67] Janiak, A. Analiza zªo»ono±ci obliczeniowej jednomaszynowych prob-

lemów szeregowania z terminami dost¦pno±ci zale»nymi od zasobów.

BIBLIOGRAFIA
Zeszyty Naukowe Politechniki l¡skiej, ser. Automatyka 117 (1996),

6984.
[68] Janiak, A. Computational complexity analysis of single machine

scheduling problems with job release dates dependent on resources.
Springer-Verlag, Proceedings of the Symposium on Operations Research
(SOR96), Braunschweig, September 3-6, 1996 (1997), 203207.
[69] Janiak, A. Single machine sequencing with linear models of jobs

subject to precedence constraints. Archiwum Automatyki i Telemetryki
33 (1998), 203210.
[70] Janiak, A. Single machine sequencing with linear models of release

dates. Naval Research Logistics 45 (1998), 99113.
[71] Janiak, A. Wybrane problemy i algorytmy szeregowania zada« i

rozdziaªu zasobów. Akademicka Ocyna Wydawnicza PLJ, Warszawa,
1999.
[72] Janiak, A., Chudzik, K. Algorytm genetyczny dla jedno-

maszynowego problemu szeregowania zada« z zasobami. Zeszyty
naukowe Politechnik l¡skiej, s. Automatyka 117 (1996), 111122.
[73] Janiak, A., Grabowski, J. Problem sekwencyjny z rozdziaªem

zasobów w dyskretnych procesach produkcyjnych. Zeszyty naukowe
AGH, NR 866, Elektrykacja i Mechanizacja Górnictwa i Hutnictwa
146 (1981), 209219.
[74] Janiak, A., Grygo, W., Chudzik, K. Szeregowanie zada« na jednej

maszynie z uwzgl¦dnieniem kary za nieterminowo±¢ i ilo±¢ zu»ytych
zasobów. Zeszyty naukowe Politechniki l¡skiej, s. Automatyka 114
(1994), 8597.
[75] Janiak, A., Kovalyov, M. Single machine scheduling subject to

deadlines and resource dependent processing times. European Journal
of Operational Research 94 (1996), 284291.
[76] Janiak, A., Kozan, E., Lichtenstein, M., O§uz, C. Metaheuris-

tic approaches for the hybrid owshop scheduling probelm. Submitted
for publication (2003).
[77] Janiak, A., Kozªowski, J., Lichtenstein, M. Minimalizacja dªu-

go±ci uszeregowania w jednomaszynowym problemie szeregowania z

BIBLIOGRAFIA
zadanymi terminami dost¦pno±ci zada« oraz czasami przezbroje« za-

le»nymi od zasobów. Zeszyty Naukowe Politechniki l¡skiej, s. Au-
tomatyka 134 (2001), 195208.
[78] Janiak, A., Krysiak, T., Lichtenstein, M. Szeregowania zada«

z przezbrojeniami i czasami wykonywania zale»nymi od zasobów przy
kryterium minimalizacji sumy wa»onych czasów zako«czenia wykony-
wania zada«. Zeszyty Naukowe Politechniki l¡skiej, s. Automatyka
134 (2002), 209218.
[79] Janiak, A., Krzy»anowski, T., Marek, M. Jednomaszynowy

problem szeregowania z ograniczeniami zasobowymi - algorytm tabu
search.Materiaªy VI Krajowej Konferencji Robotyki, wieradów Zdrój,
9-12 wrze±nia 1998 tom 2 (1998), 3138.
[80] Janiak, A., Krzy»anowski, T., Marek, M. Zastosowanie sieci

neuronowych do rozwi¡zywania pewnego problemu szeregowania zada«
z ograniczeniami zasobowymi. Materiaªy VI Krajowej Konferencji
Robotyki, wieradów Zdrój, 9-12 weze±nia 1998 tom 2 (1998), 3946.
[81] Janiak, A., Li, C.-L. Scheduling to minimize the total weighted
completion time with a constraint on the release time resource con-
sumption. Math. Comput. Modeling 20 (1994), 5358.
[82] Janiak, A., Lichtenstein, M. Comparision of some heuristic algo-

rithms for the ow shop problem with parallel machines to minimize the
Springer-Verlag, Operations
total earlines, tardines and waiting time.
Research Proceedings 2000, Selected Papers of The Symposium on Op-
erations Research (OR 2000), Dresden, September 9-12 2000 (2001),
5963.
[83] Janiak, A., Lichtenstein, M. Some single machine scheduling prob-

lems with resource dependent set-up and processing times. Springer-
Verlag, Operations Research Proceedings 2000, Selected Papers of The
Symposium on Operations Research (OR 2000), Dresden, September
9-12 2000 (2001), 5158.
[84] Janiak, A., Lichtenstein, M., Sªoni«ski, P. Minimalizacja

sumy wa»onych czasów zako«czenia wykonywania zada« w jedno-
maszynowym problemie szeregowania z czasami przezbroje« zale»nymi
od zasobów. Zeszyty Naukowe Politechniki l¡skiej, s. Automatyka 134
(2002), 219232.

BIBLIOGRAFIA
[85] Janiak, A., Portmann, M.-C. Genetic algorithms for some sin-
Proc. of the First
gle machine sequencing with transferable resource.
International Conference on Operations and Quantitive Management,
Jaipur, India, January 58 I (1997), 522529.
[86] Janiak, A., Portmann, M.-C. Minimization od the maximum late-

ness in single machine scheduling with release dates and additional
resources. Proc. of the International Conference on Industrial Engi-
neering and Production Management, Lyon, France, October 20-24 I
(1997), 283292.
[87] Johnson, S. Optimal two- and three-stage production schedules with

setup times included. Naval Research Logistics Quarterly 1 (1954),
6168.
in: R.E. Miler,

[88] Karp, R. Reducibility among combinatorial problems.
J.W. Ratcher (eds), Complexity of Computer Computations, Plenum
Press, NY (1972), 85103.
[89] Kim, Y.-D. Heuristics for owshop scheduling problems minimizing

mean tardiness. Journal of the Operational Research Society 44 (1993),
1928.
[90] Kirkpatrick, S., Gelatt, C., Vecchi, M. Optimisation by simu-

lated annealing. Science 220 (1983), 671680.
[91] Kohler, W., Steiglitz, K. Exact, approximate and guaranteed

accuracy algorithms for the owshop problem n/2/f /f¯. Journal of the
Association for Computing Machinery 22 (1975), 106114.
[92] Kramer, A. Scheduling multiprocessor tasks on dedicated proces-

sors. PhD-Thesis, Fachbereich Mathematik/Informatik, Univeristat
Osnabruck, 1995.
[93] Krone, M., Steiglitz, K. Heuristic-programming solution of a ow-

shop scheduling problem. Operations Research 22 (1974), 629638.
[94] Krueger, P., Lai, T.-H., Dixit-Radiya, V. Job scheduling is more

important than processor allocation for hypercube computers. IEEE
Transactions on Parallel and Distributed Systems 5/5 (1994), 488497.
[95] Lageweg, B., Lenstra, J., Rinnooy Kan, A. A general bounding

scheme for the permutation ow-shop problem. Operations Research
26 (1978), 5367.

BIBLIOGRAFIA
[96] Lawler, E. A 'pseudopolynomial' algorithm for sequencing jobs to

minimize total tardiness. Annals of Discrete Mathematics 1 (1977),
331342.
[97] Lee, C.-Y., Vairaktarakis, G. Minimizing makespan in hybrid

owshops. Operations Research Letters 16 (1994), 149158.
[98] Lenstra, J., Rinnooy Kan, A., Brucker, P. Complexity of ma-

chine scheduling problems. Annals of Operations Research 1 (1977),
343362.
[99] Liao, C.-J., Liao, L.-M. Single machine scheduling with major nad
minor setup times. Computers and Operations Research 24 (1997),
169178.
[100] Lin, J., Chen, S. Scheduling algorithm for nonpreemptive multi-

processor tasks. Computers and Mathematics with Applications 28/4
(1994), 8592.
[101] Lloyd, E. Concurrent task systems. Operations Research 29/1 (1981),

189201.
[102] Martello, S., Toth, P. Algorithm 37: Algorithm for the solution
of the 01 single knapsack problem. Computing 21 (1979), 8186.
[103] Mason, A. Genetic algorithms and scheduling problems. Ph.D. The-

sis, Department of Engineering, University of Cambridge, UK (1992).
[104] Mason, A., Anderson, E. Minimizing ow time on a single machine

with job classes and setup times. Naval Research Logistics 38 (1991),
333350.
[105] Della Croce, F., Narayan, V., Tadei, R. The two-machine total
completion time ow shop problem. European Journal of Operational
Research 77 (1999), 112118.
[106] Rinnooy Kan, A. Machine scheduling problems. Martinus Nijho,

The Hague (1976).
[107] McMahon, G. Optimal production schedules for ow shops. Cana-

dian Operational Research Society Journal 7 (1969), 141151.
[108] McMahon, G., Burton, P. Flow-shop scheduling with the branch-

and-bound method. Operations Research 15 (1967), 473481.

BIBLIOGRAFIA
[109] Monma, C., Rinnooy Kan, A. A concise survey of eciently solv-

able special cases of the permutation ow-shop problem. RAIRO
Recherche operationnelle 17 (1983), 105119.
[110] Monma, C., Potts, C. On the complexity of scheduling with batch

setup times. Operations Research 37 (1989), 798804.
[111] Nawaz, M., Enscore, E., Ham, I. A heuristic algorithm for the
m-machine, n-job ow-shop sequencing problem. OMEGA 11 (1983),
9195.
[112] Nowicki, E. Metoda tabu w problemach szeregowania zada« produk-

cyjnych. Ocyna Wydawnicza Politechniki Wrocªawskiej, Seria: Mono-
grae, 1999.
[113] Nowicki, E., Smutnicki, C. Worst-case analysis of an approxima-

tion algorithm for ow-shop scheduling. Operations Research Letters 8
(1989), 171177.
[114] Nowicki, E., Smutnicki, C. A fast tabu search algorithm for the
permutation ow shop problem. European Journal of Operational Re-
search 91 (1996), 160175.
[115] Nowicki, E., Smutnicki, C. The ow shop with parallel machines:
A tabu search approach. European Journal of Operational Research
106 (1998), 226253.
[116] Nudd, G., Kerbyson, D., Atherton, T., Francis, N., Pack-
wood, R., Vaudin, G. A massively parallel heterogeneous vlsi ar-
chitecture for msimd processing. in: Algorithms and Parallel VLSI
Architectures, Elsevier, Amsterdam (1991), 463472.
[117] Ogbu, F., Smith, D. The application of the simulated annealing al-
gorithm the the solution of the n|m|cmax owshop problem. Computers
and Operations Research 17 (1990), 243253.
[118] Ogbu, F., Smith, D. Simulated annealing for the permutation ow-
shop problem. OMEGA 19 (1991), 6467.
[119] Osman, I., Potts, C. Simulated annealing for permutation ow-shop

scheduling. OMEGA 17 (1989), 551557.
[120] O§uz, C., Ercan, M. Scheduling multiprocessor tasks in a two-

stage ow-shop environment. Computers and Industrial Engineering
33 (1997), W269W272.

BIBLIOGRAFIA
[121] O§uz, C., Ercan, M., Cheng, T., Fung, Y. Heuristic algorithms
for multiprocessor task scheduling in a two-stage hybrid ow-shop. Eu-
ropean Journal of Operational Research to appear (2003).
[122] O§uz, C., Zinder, Y., Do, V.-H., Janiak, A., Lichtenstein,
M. Hybrid ow-shop scheduling problems with multiprocessor task
systems. European Journal of Operational Research to appear (2003),
(downloadable through SinceDirect).
[123] Panwalkar, S., Rajagopalan, R. Single machine sequencing with

controllable processing times. European Journal of Operational Re-
search 59 (1992), 298302.
[124] Potss, C., Kovalyov, M. Scheduling with batching: A review. Eu-

ropean Journal of Operational Research 120 (2000), 228249.
[125] Potts, C. An adaptive branching rule for the permutation ow-shop

problem. European Journal of Operational Research 5 (1980), 1925.
[126] Potts, C. An algorithm for the single machine sequencing prob-

lem with precedence constraints. Mathematical Programming Study 13
(1980), 7887.
[127] Potts, C. Analysis of heuristics for two-machine ow-shop sequenc-

ing subject to release dates. Mathematics of Operations Research 10
(1985), 155164.
[128] Potts, C., Shmoys, D., Williamson, D. Permutation vs. non-

permutation ow shop schedules. Operations Research Letters 10
(1991), 281284.
[129] Potts, C., Wassenhove, L. V. Integrating scheduling with batching

and lot-sizing: A review of algorithms and complexity. Journal of the
Operational Research Society 43 (1992), 395406.
[130] Reeves, C. Improving the eciency of tabu search for machine se-
quencing problems. Journal of the Operational Research Society 44
(1993), 375382.
[131] Reeves, C. A genetic algorithm for owshop sequencing. Computers

and Operations Research 22 (1995), 513.
[132] Riane, F., Artiba, A., Elmaghraby, S. A hybrid three-stage ow-

shop problem: Ecient heuristics to minimize makespan. European

BIBLIOGRAFIA
[133] Röck, H., Schmidt, G. Machine aggregation heuristics in shop-

scheduling. Methods of Operations Research 45 (1983), 303314.
[134] Rote, G., Woeringer, G. Minimizing the number of tardy jobs

on a single machine with batch setup times.Report Woe-23, START
Project Y43-MAT, Institut fur Mathematik, TU Graz, Austria (1998).
[135] Schutten, J., van de Velde, S., Zijm, W. Single machine schedul-
ing with release dates, due dates and family setup times. Management
Science 42 (1996), 11651174.
[136] Schuurman, P., Woeginger, G. A polynomial time approximation

Technical
scheme for the two-stage multiprocessor ow shop problem.
Report Woe-01, Department of Mathematics, TU Graz, Austra (1997).
[137] Shmoys, D., Stein, C., J.Wein. Improved approximation algorithms

for schop scheduling problems. SIAM Journal on Computing 23 (1994),
617632.
[138] Smith, W. Various optimizers for single-stage production. Naval Res.

Logist. Qart. 3 (1956), 5966.
[139] Smutnicki, C. Optimization and control in just-in-time manufactur-

ing systems. Prace naukowe Instytutu Cybernetyki Technicznej Po-
litechniki Wrocªawskiej, Seria Monograe, 1997.
[140] Smutnicki, C. Algorytmy szeregowania. Akademicka Ocyna

Wydawnicza EXIT, Warszawa, 2002.
[141] Srinivasa-Prasanna, G., Musucus, B. Generalized multiprocessor

scheduling for dedicated acyclic graphs. Proceedings of Supercomputing
IEEE Press, New York (1994), 237246.
[142] Szwarc, W. Elimination methods in the m×n sequencing problem.

Naval Research Logistics Quarterly 18 (1971), 295305.
[143] Szwarc, W. Optimal elimination methods in the m×n sequencing

problem. Operations Research 21 (1973), 12501259.
[144] Szwarc, W. Dominance conditions for the three-machine ow-shop

problem. Operations Research 26 (1978), 203206.
[145] Tadei, R., Gupta, J., Della Croce, F., Cortesi, M. Minimizing
makespan in two-machine ow-shop with release times. Journal of the
Operational Research Society 49 (1998), 7785.

BIBLIOGRAFIA
[146] Taillard, E. Some ecient heuristic methods for the ow shop
sequencing problem. European Journal of Operational Research 47
(1990), 6574.
[147] Tian, P., Ma, J., Zhang, D.-M. Application of the simulated anneal-
ing algorithm to the combinatorial optimisation problem with permu-
tation property: An investigation of generation mechanism. European
[148] Townsend, W. Minimizing the maximum penalty in the two-machine

ow shop. Management Science 24 (1997), 230234.
[149] van de Velde, S. Minimizing the sum of job completion times in the
two-machine ow shop by lagrangian relaxation. Annals of Operations
Research 26 (1990), 257268.
[150] Vickson, R. Choosing the job sequence and processing times to min-
imize total processing plus ow cost on a single machine. Operations
Research 28 (1980), 11551167.
[151] Vickson, R. Two single-machine sequencing problems involving con-

trollable processing times. AIIE Transactions 12 (1980), 258262.
[152] Vizing, V. About schedules observing deadlines. Kibernetika 1 (1981),

128135.
[153] Vizing, V. Optimal choice of task execution intensities with a convex

penalty function for intensity. Kibernetika 3 (1982), 125127.
[154] Wang, Q., Chen, K. List scheduling of parallel tasks. Information

Processing Letters 37 (1991), 291297.
[155] Webster, S., Baker, K. Scheduling groups of jobs on a single ma-

chine. Operations Research 43 (1995), 692703.
[156] Weems, C., Riseman, E., Hanson, A. Image understanding ar-

chitecture: Exploiting potential parallelism in machine vision. IEEE
Computer 25 (1992), 12301245.
[157] Werner, F. On the heuristic solution of the permutation ow shop

problem by path algorithms. Computers and Operations Research 20
(1993), 707722.

BIBLIOGRAFIA
[158] W¦glarz, J. Scheduling under continuous performing speed vs. re-

source amount activity models. Advances in Project Scheduling, Else-
vier Science Publishers, Amsterdam (1989), 273295.
[159] Widmer, M., Hertz, A. A new heuristic method for the ow shop
sequencing problem. European Journal of Operational Research 41
(1989), 186193.
[160] Williams, D., Wirth, A. A new heuristic for a single machine

scheduling problem with setup times. Journal of the Operational Re-
search Society 47 (1996), 175180.
[161] Woeginger, G. A polynomial time approximation scheme for sin-

gle machine sequencing with delivery times and sequence independent
setup times. Report Woe-17, START Project Y43-MAT, Intitut fur
Mathematik, TU Graz, Austra (1997).
[162] Zdrzaªka, J. Harmonogramowanie zada«, grupowanie i porcjowanie

z przezbrojeniami maszyn. Zeszyty Naukowe Politechniki l¡skiej, ser.
Automatyka 109 (1992), 353366.
[163] Zdrzaªka, J. Analysis of approximation algorithms for single-

machine scheduling with delivery times and sequence independent
batch setup times. European Journal of Operational Research 80
(1995), 371380.
[164] Zhu, Y., Ahuja, M. On job scheduling on a hypercube. IEEE Trans-

actions on Parallel and Distributed Systems 4/1 (1993), 6269.

PHD

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

PHD

Uploaded by

Copyright:

Available Formats

Politechnika Wrocªawska

Instytut Cybernetyki Technicznej

Szeregowanie zada« i rozdziaª zasobów

PROMOTOR: prof. dr hab. in». Adam Janiak

WSPÓOPIEKUN: prof. Mikhail Y. Kovalyov

1.2 Metody rozwi¡zywania problemów szeregowania zada« . . . . 11

1.3 Cele pracy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

1.4 Zakres pracy . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

2 Podstawowe informacje dotycz¡ce problemów szeregowania

2.2 Rzeczywiste procesy produkcyjne modelowane przez problemy

2.2.1 Produkcja elementów plastykowych . . . . . . . . . . . . 18

2.2.2 Proces elektroranacji miedzi . . . . . . . . . . . . . . . 19

2.2.3 Wykonywanie oblicze« na komputerze . . . . . . . . . . . 20

3 Wyniki dotychczasowych bada« dotycz¡cych jednoprocesorowych

3.2 Wyniki dotychczasowych bada« dotycz¡cych jednoprocesorowych

3.3 Wyniki dotychczasowych bada« dotycz¡cych jednoprocesorowych

3.3.2 Wyniki dotychczasowych bada« dotycz¡cych jednopro-

4 Jednoprocesorowe problemy szeregowania z przezbrojeniami

4.5.2.2 Podsumowanie wyników . . . . . . . . . . . . . . . 74

5 Podstawowe informacje dotycz¡ce problemów szeregowania

6 Wyniki dotychczasowych bada« dotycz¡cych problemów sz-

7 Problemy szeregowania zada« wieloprocesorowych w systemach

 Szeregowanie zada« i rozdziaª zasobów ... 5

7.3.2.4 Analiza eksperymentalna . . . . . . . . . . . . . . . 109

8 Podsumowanie pracy 134

1.1 Wprowadzenie w tematyk¦

Problemy szeregowania zada« modeluj¡ rzeczywiste problemy pojawia-

W problematyce szeregowania zada« pojawiaj¡ si¦ dwa podstawowe poj¦-

ilo±¢ i rodzaj dodatkowych zasobów wymaganych przez zadanie, itp.

Procesor (maszyna) , jest to obiekt wykonuj¡cy czynno±ci skªadaj¡ce si¦

System produkcyjny mo»na reprezentowa¢ jako obiekt, na którego wej±-

• System jednostadialny jednoprocesorowy  ka»de zadanie wymaga

• System jednostadialny wieloprocesorowy  ka»de zadanie wymaga

• System wielostadialny przepªywowy (ang. ow shop )  ka»de zadanie

• Hybrydowy wielostadialny system przepªywowy (ang. hybrid

• System wielostadialny gniazdowy (ang. job shop )  ka»de zadanie

• Hybrydowy wielostadialny system gniazdowy (ang. hybrid job

kolejno±¢ wykonywania poszczególnych czynno±ci mo»e by¢ ró»na dla

• System otwarty (ang. open shop )  ka»de zadanie wymaga wyko-

Modelowanie systemów produkcyjnych rozpoczyna si¦ od zidentykowa-

• Oj  zbiór czynno±ci zadania,

• pij  czas wykonywania i-tej czynno±ci,

• sizeij  liczba procesorów wymaganych do wykonania i-tej czynno±ci,

• rj  termin dost¦pno±ci zadania (ang. release date ),

• dj  oczekiwany termin zako«czenia wykonywania zadania (ang. due

• d¯j  nieprzekraczalny termin zako«czenia wykonywania zadania (ang.

• wj , vj  priorytety (wagi), zadania.

 Szeregowanie zada« i rozdziaª zasobów ... 9

mo»e by¢ okre±lona przez acykliczny graf skierowany, w którym wierzchoªki

• Sj  termin rozpocz¦cia wykonywania (ang. starting time ),

• Cj  termin zako«czenia wykonywania (ang. completion time ),

• Lj = Cj − dj  nieterminowo±¢ (ang. lateness ),

• Tj = max{0, Cj − dj }  opó¹nienie zadania (ang. tardiness ),

• Ej = max{0, dj − Cj }  przyspieszenie zadania (ang. earliness ).

Modelowanie systemu produkcyjnego ko«czy si¦ okre±leniem kryterium

• Cmax = maxj∈J {Cj }  dªugo±¢ uszeregowania (ang. makespan ),

• Lmax = maxj∈J {Lj }  maksymalna nieterminowo±¢ (ang. maximum

• Tmax = maxj∈J {Tj }  maksymalne opó¹nienie zadania (ang. maximum

Ostatecznie mo»na stwierdzi¢, »e w ogólno±ci problem szeregowania zada«

1.2 Metody rozwi¡zywania problemów szeregowa-

• Wielomianowe algorytmy optymalne  Algorytmy te dostarczaj¡ rozwi¡za-

• Ponadwielomianowe algorytmy optymalne  Algorytmy te konstruuje

• Algorytmy przybli»one  Algorytmy te dostarczaj¡ rozwi¡zania gorszego

WSPÓOPIEKUN: prof. Mikhail Y. Kovalyov

2.2.2 Proces elektroranacji miedzi . . . . . . . . . . . . . . . 19

Szeregowanie zada« i rozdziaª zasobów ... 5

• System jednostadialny jednoprocesorowy ka»de zadanie wymaga

• System jednostadialny wieloprocesorowy ka»de zadanie wymaga

• System wielostadialny przepªywowy (ang. ow shop ) ka»de zadanie

• System wielostadialny gniazdowy (ang. job shop ) ka»de zadanie

• System otwarty (ang. open shop ) ka»de zadanie wymaga wyko-

Modelowanie systemów produkcyjnych rozpoczyna si¦ od zidentykowa-

• Oj zbiór czynno±ci zadania,

• pij czas wykonywania i-tej czynno±ci,

• sizeij liczba procesorów wymaganych do wykonania i-tej czynno±ci,

• rj termin dost¦pno±ci zadania (ang. release date ),

• dj oczekiwany termin zako«czenia wykonywania zadania (ang. due

• d¯j nieprzekraczalny termin zako«czenia wykonywania zadania (ang.

• wj , vj priorytety (wagi), zadania.

Szeregowanie zada« i rozdziaª zasobów ... 9

• Sj termin rozpocz¦cia wykonywania (ang. starting time ),

• Cj termin zako«czenia wykonywania (ang. completion time ),

• Lj = Cj − dj nieterminowo±¢ (ang. lateness ),

• Tj = max{0, Cj − dj } opó¹nienie zadania (ang. tardiness ),

• Ej = max{0, dj − Cj } przyspieszenie zadania (ang. earliness ).

• Cmax = maxj∈J {Cj } dªugo±¢ uszeregowania (ang. makespan ),

• Lmax = maxj∈J {Lj } maksymalna nieterminowo±¢ (ang. maximum

• Tmax = maxj∈J {Tj } maksymalne opó¹nienie zadania (ang. maximum

• Wielomianowe algorytmy optymalne Algorytmy te dostarczaj¡ rozwi¡za-

• Ponadwielomianowe algorytmy optymalne Algorytmy te konstruuje

• Algorytmy przybli»one Algorytmy te dostarczaj¡ rozwi¡zania gorszego

Algorytmy konstukcyjne Algorytmy te dostarczaj¡ jednego lub

Szeregowanie zada« i rozdziaª zasobów ... 11

Algorytmy typu popraw Algorytmy te rozpoczynaj¡ prac¦ od

• analiza probabilistyczna W podej±ciu tym bada si¦ w sposób anal-

• analiza najgorszego przypadku W podej±ciu tym bada si¦ tak¡ in-

• analiza eksperymentalna W podej±ciu tym bada si¦ statystyczne

Szeregowanie zada« i rozdziaª zasobów ... 13

Szeregowanie zada« i rozdziaª zasobów ... 15

2.1 Podstawowe denicje

Rodzina zada« Zbiór zada« o identycznych lub podobnych wymaganiach

Przezbrojenie jest to pewna dodatkowa czynno±¢ wykonywana przed

przezbrojenie sekwencyjnie niezale»ne czas i/lub koszt przezbrojenia

przezbrojenie sekwencyjnie zale»ne czas i/lub koszt przezbrojenia za-

Szeregowanie zada« i rozdziaª zasobów ... 17

2.2.2 Proces elektroranacji miedzi

Szeregowanie zada« i rozdziaª zasobów ... 19

Szeregowanie zada« i rozdziaª zasobów ... 23

Szeregowanie zada« i rozdziaª zasobów ... 25

M4 - minimalizacja F1 (P (~u)) ∧ F2 (~u) podej±cie dwukryterialne.

atwo mo»na zauwa»y¢, »e z NP trudno±ci problemu z modelem M1, M2