Approche de réseaux de neurones récurrents pour le problème de l'ordonnancement cyclique et sa variante

par Kok Seng Low

Thèse de doctorat en Génie informatique

Sous la direction de Tahar Kechadi et de Gilles Goncalves.

Soutenue en 2008

à l'Artois .


  • Résumé

    Scheduling deals with the allocation of required tasks to limited resources over time, to be processed. The scheduling problems arise among others, in areas of product manufacturing, computer processing and transportation. In this thesis we focus on the cyclic version of the scheduling problem. We review the properties of both the general scheduling and cyclic scheduling problems. As the cyclic scheduling problem is NP-Hard complexity, the time to solve the problem requires exponential time in the worst case scenario. This factor has motivated this research work in developing an efficient neural network approach to solve the cyclic scheduling problem. This thesis focuses specifically on the cyclic job shop and cyclic flexible manufacturing system problems hence models that will solve the minimum cycle time or work in progress of the problems, were developed. These models are fundamental to which the neural network approach can be applied. From the literature, the absence of neural network research into solving the scheduling problem is due to its characteristics such as complex architecture, defining initial conditions, difficulty in tuning its parameters (i. E. Learning rate, stoppage conditions, etc) and tendency for infeasible solutions. However, in this thesis, we develop and study three variations of the neural network approaches. These are the Recurrent Neural Network (RNN) approach, the Lagrangian Relaxation Recurrent Neural Network (LRRNN) approach and the Advanced Hopfield network approach. Several algorithms were combined with these neural networks to ensure that feasible solutions are generated and to reduce the search effort for the optimum solutions. A Competitive Dispatch Rule Phase (CDRP) was developed to generate initial feasible solutions before the three neural network approaches are initiated. This is important as the search space of the problem can be reduced through this approach. For the cyclic flexible manufacturing system problem, a Modified Competitive Dispatch Rule Phase (MCDRP) is developed in response to having the best possible cyclic schedule with minimum work in progress, for the neural network approaches to work from. As the solutions may be trapped in local minimum energy state, a schedule perturbation phase was developed to ''kick-start'' the search effort. Finally using the developed schedule Postprocessing phase that contains the Adhere Conjunctive and Adhere Disjunctive algorithms, the subsequent final solutions are always feasible schedules. We also extended the review into the cyclic job shop problem with linear precedence constraints. From cyclic scheduling literature, it is possible to transform the linear constraints into the equivalent uniform forms, hence the Delinearization algorithm was developed. We were able to demonstrate the suitability and applicability of the RNN, LRRNN and Advanced Hopfield network approaches through computational and comparative testing. The experimental results indicate that the three approaches are attractive alternatives to traditional heuristics in solving the cyclic scheduling problems, even though in some cases, it is computational expensive.

  • Titre traduit

    Recurrent neural network approach for cyclic scheduling problem and its variant


  • Résumé

    Un problème d’ordonnancement consiste à exécuter sur un horizon de temps donné un ensemble de taches au moyen de ressources en nombre limité. On rencontre ce problème dans divers domaines, comme l’industrie de production, dans les systèmes de transport ou encore dans les ordinateurs avec l’allocation des tâches. Dans cette thèse, nous nous concentrons sur le problème d’ordonnance cyclique, Les propriétés liées à l’ordonnancement en général, ainsi qu’à sa version cyclique seront étudiées. Le problème d’ordonnancement des tâches est un problème NP-complet, le temps nécessaire pour le résoudre peut être exponentiel dans le pire des scenarios. Ceci a motivé notre travail de recherche et nous a mené à développer une approche efficace utilisant les réseaux de neurones pour le résoudre. Cette thèse se concentre particulièrement sur le problème du Job Shop Cyclic et sur son utilisation dans le cadre des ateliers flexibles (FMS : Flexible Manufacturing System). Pour cela, nous avons développé deux modèles de résolutions basés sur les réseaux de neurones. Le premier a pour objectif de minimiser le temps de cycle et le second a pour objectif de minimiser les encours de production. On remarque une absence de travaux utilisant les réseaux de neurones sur ce type de problème dans la littérature scientifique. Ceci est dû à l’architecture complexe des réseaux de neurones, à la difficulté de définir les conditions initiales, au réglage de ses paramètres (taux d’apprentissage, condition d’arrêt, etc. ) ainsi que sa tendance à générer des solutions impossibles. Néanmoins, dans cette thèse, nous proposons 3 variations autour des réseaux de neurones : un réseau de neurones récurrents (RNN), une relaxation Lagrangienne pour un réseau de neurones récurrents (LRRNN) et un réseau Hopfield avancé. Plusieurs algorithmes ont été combinés avec ces réseaux de neurones pour assurer que les solutions générées sont toutes possibles et pour réduire l’effort de recherche des solutions optimales. Une phase prétraitement CDRP (Competitive Dispatch Rule Phase) a été développée pour générer des solutions initiales correctes avant que les 3 réseaux de neurones soient initialisés. Celle-ci permet de réduire l’espace de recherche du problème. Pour le problème du FMS cyclique, une phase modifiée (MCDRP) a été également développée. Pour s’échapper des optimums locaux, une phase de perturbation a été développée pour relancer la recherche dans une autre région de l’espace de recherche. Enfin, une phase de post traitement assure que les solutions finales sont toujours dans l’espace des solutions possibles. Dans une première partie, nous avons étendu nos travaux au problème du job shop cyclique avec des contraintes de précédence linéaire. Selon la littérature en ordonnancement cyclique, il est possible de transformer les contraintes linéaires en contraintes uniformes équivalentes, c’est pour cette raison qu’un algorithme de délinéarisation a été développé pour permettre de traiter ce problème avec notre approche lagrangienne précédente. Nous avons été capable de démontrer la conformité et l’applicabilité des approches utilisant des réseaux RNN, LRRNN et Advanced Hopfield à travers une évaluation comparative. Les résultats expérimentaux indiquent que les 3 approches proposées sont des alternatives attrayantes par rapport à d’autres approches heuristiques traditionnelles même si parfois celles-ci restent coûteuses en terme de calcul.

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 1 vol. (xiv-179 p.)
  • Annexes : Bibliogr. f.164-176

Où se trouve cette thèse ?

  • Bibliothèque : Université d'Artois (Lens, Pas-de-Calais). Bibliothèque de Sciences.
  • Disponible pour le PEB
  • Cote : 08 ARTO 0408
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.