1 / 11

Hybridation d’une Méthode Glouton et d’une Recherche Locale

Hybridation d’une Méthode Glouton et d’une Recherche Locale. Weinberg Benjamin Laboratoire d’Informatique Fondamental de Lille, France. Motivation. Appréhender la difficulté effective du problème Apprendre les spécificités du problème: Ce qui fait que certaines heuristiques marchent mieux

jontae
Download Presentation

Hybridation d’une Méthode Glouton et d’une Recherche Locale

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Hybridation d’une Méthode Glouton et d’une Recherche Locale Weinberg Benjamin Laboratoire d’Informatique Fondamental de Lille, France

  2. Motivation • Appréhender la difficulté effective du problème • Apprendre les spécificités du problème: • Ce qui fait que certaines heuristiques marchent mieux • Voir les méthodes qui donnent une solution dans un temps raisonnable • AG, RS convergent vers une solution optimale (random le fait aussi) • Quelle heuristique pour un problème nouveau

  3. Adaptation du problème • Fonction objective • h1: nombre de contraintes violées (CI & CEM) • h2: la distance moyenne entre la différence entre • les fréquences de trajets contraints • et la contrainte de séparation • Minimiser h1, en cas de «litige» maximiser h2. • Stratégie • k := 11; on cherche une affectation C tq h1(C) = 0 • Puis on recommence avec k := k-1

  4. Nb violations 0 1 5 1 … … affectés 1 1 0 1 … … trajets f1,p1 f2,p2 fi,pi fn,pn … … Permutation: trajets regroupés par liens 0 45 63 195 … … Indice des «débuts» des liens 0 2 46 200 … … Codage

  5. Méthode ADSD • Origine de la méthode • une recherche locale • voisinage: changement de valeur à un lien. • Modifier toutes les valeurs en une seule passe! • => voisinage = totalité de l’espace de recherche?? • Désallocation de variables pour se déplacer plus efficacement

  6. ADGR • Parcours d’une partie du voisinage • Pour chaque lien cherche la meilleure valeur • Parcours aléatoire des liens • Choix de la valeur locale à la variable • Mettre à jour la note de la conf. + les tableaux «affecté» et «nb violations» • Maintien des contraintes • de domaines • d’égalité de fréquences

  7. AD • Désallocation de certaines variables • Politique choisie: • Les liens dont au moins un trajet viole des contraintes • Nécessité du tableau des contraintes violées • Mise à jour de ce tableau à moindre coup pendant une évaluation

  8. ADSD (algo) • TQ critère non atteint FAIRE • SI ADGR améliore suffisamment conf. ALORS • SI conf. est meilleur ALORS • mémoriser conf. • FSI. • SINON • AD (conf.) • FSI • FAIT

  9. Expérimentation (I) • Code en C ANSI • Run sur des PC linux 933Mhz • Option d’optimisation -O3 • Paramètres: • Pente minimale: 0.05 • Nb itérations de pente faible avant ouverture: 1 • Nb Itérations séparant le changement d’ordre des liens: 5

  10. fapp01 4 5 fapp10 10 11 test04 11 9 fapp02 4 5 fapp11 11 11 fapp16 11 - fapp03 8 8 fapp12 11 11 fapp17 4 - fapp04 6 6 fapp13 11 11 fapp18 11 - fapp05 11 11 fapp14 11 11 fapp19 11 - fapp06 10 7 fapp15 11 11 fapp20 10 - fapp07 10 10 test01 4 4 fapp21 11 - fapp08 11 11 test02 7 7 fapp22 11 - fapp09 6 7 test03 6 5 fapp23 11 - Expérimentation (II)

  11. Conclusion & Perspectives • Base A plus facile que la Base B • Peu Robuste • De bon résultats sur Base A • Modifier h2 • Appliquer des mécanismes + sophistiqués qu’une simple désallocation • Utiliser un algorithme à population (AG hybride)

More Related