Академический Документы
Профессиональный Документы
Культура Документы
11
15 15 17 17 17 17 18 20 20 21 21 22 23 25 26 28 29 30 30 32 32 33 33 34 36 36 36 37 38 38 39 39 39 41 45
2 M thodes et probl` mes e e 2.1 Optimisation de fonctions a variables r elles . . ` e 2.1.1 Fonction de Rosenbrock et Chebyquad 2.1.2 Fonction de De Jong . . . . . . . . . . 2.1.3 Fonction de Corana . . . . . . . . . . . 2.1.4 Fonction de Griewank . . . . . . . . . 2.2 Probl` mes de type combinatoire . . . . . . . . e 2.2.1 Codage des donn es . . . . . . . . . . e 2.2.2 Op rateur de croisement . . . . . . . . e 2.2.3 Op rateur de mutation . . . . . . . . . e 2.2.4 Op rateurs locaux . . . . . . . . . . . e 2.2.5 R sultats num riques . . . . . . . . . . e e 2.3 Parall lisme et apprentissage . . . . . . . . . . e 2.3.1 Introduction . . . . . . . . . . . . . . . 2.3.2 Principes g n raux . . . . . . . . . . . e e 2.3.3 Calcul de la tness . . . . . . . . . . . 2.3.4 R sultats exp rimentaux . . . . . . . . e e 2.3.5 Conclusion . . . . . . . . . . . . . . . 2.4 Conclusion . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . .
53 53 53 55 56 57 59 61 61 63 63 64 64 65 66 66 68 68 69
71
75 80 80 82 85 85 88 90 94 94 96 96 98 102 104 104 104 106 108 109 111 111 112 112
3.6.3 Fitness . . . . . . . . . . . . . . . . . . . . . . 3.6.4 Op rateurs de croisement et de mutation adapt s e e 3.6.5 Sharing simpli . . . . . . . . . . . . . . . . . e 3.6.6 M thode locale en n de convergence . . . . . . e 3.6.7 Applications num riques . . . . . . . . . . . . . e 3.6.8 Architecture g n rale du simulateur de trac . . e e 3.6.9 R sultats sur une journ e de trac r elle . . . . . e e e 3.6.10 Conclusion . . . . . . . . . . . . . . . . . . . . 3.7 Programmation lin aire et AG . . . . . . . . . . . . . . e 3.7.1 Introduction . . . . . . . . . . . . . . . . . . . . 3.7.2 Codage des donn es du probl` me . . . . . . . . e e 3.7.3 Croisement et mutation . . . . . . . . . . . . . . 3.7.4 Evaluation de la tness . . . . . . . . . . . . . . 3.7.5 R sultats . . . . . . . . . . . . . . . . . . . . . e 3.7.6 Conclusion . . . . . . . . . . . . . . . . . . . . 3.8 Techniques de parcours de graphe . . . . . . . . . . . . . . . . . . . . . . . . . . 3.8.1 Algorithme de type 3.8.2 M thode de plus forte pente . . . . . . . . . . . e 3.8.3 Conclusion . . . . . . . . . . . . . . . . . . . . 3.9 R solution r active et autonome . . . . . . . . . . . . . e e 3.9.1 M thodes r actives a mod` le physique . . . . . . e e ` e 3.9.2 R solution par r seaux de neurones . . . . . . . e e 3.10 Conclusion . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . .
113 115 115 117 117 123 126 127 127 127 128 128 128 129 131 131 131 132 132 133 133 136 140 141 141 142 142 143 145 145 147 148 148 148 148 148 149 151 159 162 162 162 163 169 169 170
4 Sectorisation de lespace et r partition des ux e 4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2 Mod lisation . . . . . . . . . . . . . . . . . . . . . . . . . . e 4.2.1 Routes a riennes . . . . . . . . . . . . . . . . . . . . e 4.2.2 Charge de contr le dans un secteur . . . . . . . . . . o 4.3 Probl` mes a r soudre . . . . . . . . . . . . . . . . . . . . . . e ` e 4.3.1 Probl` me de sectorisation . . . . . . . . . . . . . . . e 4.3.2 Probl` me daffectation . . . . . . . . . . . . . . . . . e 4.4 Complexit associ e . . . . . . . . . . . . . . . . . . . . . . e e 4.4.1 Probl` me de sectorisation . . . . . . . . . . . . . . . e 4.4.2 Probl` me daffectation . . . . . . . . . . . . . . . . . e 4.5 Sectorisation dun r seau a ux affect s . . . . . . . . . . . . e ` e 4.5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . 4.5.2 Mod lisation . . . . . . . . . . . . . . . . . . . . . . e 4.5.3 Optimisation du probl` me par Algorithmes G n tiques e e e 4.5.4 Evaluation . . . . . . . . . . . . . . . . . . . . . . . 4.5.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . 4.6 Affectation des ux sur un r seau sectoris . . . . . . . . . . . e e 4.6.1 M thodes classiques daffectation statique . . . . . . . e 4.6.2 Optimisation du probl` me par AG . . . . . . . . . . . e 4.6.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . 4.7 Sectorisation et affectation de trac simultan es . . . . . . . . e 4.8 Regroupement de secteurs . . . . . . . . . . . . . . . . . . . 5
. . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . .
4.8.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . 4.8.2 Mod lisation . . . . . . . . . . . . . . . . . . . . . . . . . e 4.8.3 Complexit du principe de regroupement . . . . . . . . . . e 4.8.4 Optimisation par algorithme g n tique . . . . . . . . . . . . e e 4.9 Limitations du mod` le . . . . . . . . . . . . . . . . . . . . . . . . e 4.9.1 Mod lisation de la charge de contr le . . . . . . . . . . . . e o 4.9.2 Prise en compte de la troisi` me dimension . . . . . . . . . . e 4.9.3 Limitation de lexploration de lespace d tat . . . . . . . . e 4.9.4 Prise en compte des zones militaires . . . . . . . . . . . . . 4.9.5 Probl` mes politiques li s a la souverainet de lespace a rien e e ` e e 4.9.6 Prise en compte de la propagation des ux . . . . . . . . . . 4.10 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . .
. . . . . . . . . . . .
. . . . . . . . . . . .
. . . . . . . . . . . .
. . . . . . . . . . . .
. . . . . . . . . . . .
. . . . . . . . . . . .
. . . . . . . . . . . .
. . . . . . . . . . . .
170 170 171 171 173 173 174 174 175 175 176 176
In a forest a fox bumps into a little rabbit, and says, Hi, junior, what are you up to? Im writing a dissertation on how rabbits eat foxes, said the rabbit. Come now, friend rabbit, you know thats impossible! Well, follow me and Ill show you. They both go into the rabbits dwelling and after a while the rabbit emerges with a satised expression on his face. Comes along a wolf. Hello, what are we doing these days? Im writing the second chapter of my thesis, on how rabbits devour wolves. Are you crazy? Where is your academic honesty? Come with me and Ill show you. As before, the rabbit comes out with a satised look on his face and a diploma in his paw. Finally, the camera pans into the rabbits cave and, as everybody should have guessed by now, we see a mean-looking, huge lion sitting next to some bloody and furry remnants of the wolf and the fox. The moral: Its not the contents of your thesis that are important its your PhD advisor that really counts.
Introduction
Ce document pr sente le bilan de quatre ann es d tudes et de recherches effectu es par toute une e e e e equipe de th sards et d tudiants de DEA dont jai fort modestement assur , partiellement, la direction e e e et lencadrement. Ils ont implant , corrig , am lior , d couvert, et sans eux, nombre des id es que jai e e e e e e pu essayer dexploiter nauraient jamais d pass le stade de la feuille de papier. e e Ce document est donc le r sultat dun travail d quipe. Je le revendique comme tel, et jen suis e e particuli` rement heureux. Il est vrai que si lon consid` re lHabilitation a Diriger des Recherches e e ` comme un doctorat dEtat d guis , cette monographie manque compl` tement son but : on aura peine a e e e ` trouver plus dune vingtaine de pages d crivant une recherche purement et exclusivement personnelle. e Si, au contraire, on consid` re aussi lHDR comme la d monstration dune capacit a animer une e e e ` equipe de recherche, alors les quelques pages qui suivent essaient de remplir cet ofce. Ce document se compose de deux parties que lon peut lire de facon presque ind pendante. e La premi` re partie pr sente un certain nombre de r sultats de caract` re g n ral sur les techniques e e e e e e g n tiques. Cette partie comporte deux chapitres : e e
La seconde partie pr sentera lapplication des techniques g n tiques aux probl` mes du trac e e e e a rien a travers un certain nombre dexemples : e `
Bien entendu, ce document est incomplet. Certains travaux r alis s, comme loptimisation des e e chanes s curit dans les a rogares ( tude pour le Service des Bases A riennes), loptimisation des e e e e e redevances a roportuaires (pour A roport De Paris), ou la r exion sur loptimisation des cr neaux e e e e
Nous emploierons dans tout ce document les termes anglais qui se sont (malheureusement? ) impos s au l des ann es, e e dont ceux d velopp s sp ciquement par notre equipe. On pourrait certes remplacer scaling par mise a l chelle, e e e ` e sharing par r partition forc e des el ments ou clustering par regroupement par paquets. Le texte ny gagnerait pas e e e n cessairement en lisibilit . . . Notons egalement que nous employons abusivement le mot al atoire chaque fois que nous e e e d signons un processus al atoire dont le tirage est uniforme. La nature du processus est pr cis e chaque fois quil ne sagit e e e e pas dun tirage uniforme.
1
le premier chapitre sera consacr e aux algorithmes g n tiques, avec une pr sentation des r sultats e e e e e th oriques existants, puis la description de tous les rafnements (scaling1 , sharing, clustering, e parall lisme, etc.) indispensables a un fonctionnement efcace. e ` dans le second chapitre, nous d velopperons sur quelques exemples classiques lutilisation des e algorithmes g n tiques et nous les comparerons a dautres techniques, locales (simplex, BFGS), e e ` globales d terministes (programmation par intervalles) ou stochastiques (recuit). e
construction de trajectoires optimales pour la r solution de conits en route e optimisation de la sectorisation de lespace et de la r partition de ux e r solution r active de conits a court terme e e `
de d collage, nont pu y trouver place. Cependant, nous pensons quil re` te lesprit g n ral du travail e e e e que nous effectuons et souhaitons effectuer : appliquer une m thodologie scientique aux probl` mes e e du trac a rien. e
10
Partie I
R sultats g n raux e e e
11
Numerical optimization can be likened to a kangaroo searching for the top of Mt. Everest. Everest is the global optimum, but the top of any other really high mountain such as K2 would be nearly as good. When training a neural network, initial weights are usually chosen randomly, which means that the kangaroo may start out anywhere in Asia. If you know something about the scales of the inputs, you may be able to get the kangaroo to start near the Himalayas. However, if you make a really stupid choice of distributions for the random initial weights, or if you have really bad luck, the kangaroo may start in South America. In standard backprop or stochastic approximation, the kangaroo is blind and has to feel around on the ground to make a guess about which way is up. He may be fooled by rough terrain unless you use batch training. If the kangaroo ever gets near the peak, he may jump back and forth across the peak without ever landing on the peak. If you use a decaying step size, the kangaroo gets tired and makes smaller and smaller hops, so if he ever gets near the peak he has a better chance of actually landing on it before the Himalayas erode away. In backprop with momentum, the kangaroo has poor traction and cant make sharp turns. With Newton-type (2nd order) algorithms, the Himalayas are covered with a dense fog, and the kangaroo can only see a little way around his location. Judging from the local terrain, the kangaroo make a guess about where the top of the mountain is, and tries to jump all the way there. In a stabilized Newton algorithm, the kangaroo has an altimeter, and if the jump takes him to a lower point, he backs up to where he was and takes a shorter jump. If the algorithm isnt stabilized, the kangaroo may mistakenly jump to Shanghai and get served for dinner in a Chinese restaurant. (I never claimed this analogy was realistic.) In steepest ascent with line search, the fog is very dense, and the kangaroo can only tell which direction leads up. The kangaroo hops in this direction until the terrain starts going down again, then chooses another direction. Notice that in all the methods discussed so far, the kangaroo can hope at best to nd the top of a mountain close to where he starts. Theres no guarantee that this mountain will be Everest, or even a very high mountain. In simulated annealing, the kangaroo is drunk and hops around randomly for a long time. However, he gradually sobers up and tends to hop up hill. In genetic algorithms, there are lots of kangaroos that are parachuted into the Himalayas (if the pilot didnt get lost) at random places. These kangaroos do not know that they are supposed to be looking for the top of Mt. Everest. However, every few years, you shoot the kangaroos at low altitudes and hope the ones that are left will be fruitful and multiply. From all this we can conclude that the best methods to nd the Mount Everest are (in order): 1. to know where it is 2. to have a map on which you can nd it 3. to know someone who knows where it is or who has a map 4. to send (a) kangaroo(s) to search for it and even if you have to send a kangaroo, it is useful if you know at least: 1. where the mountain range is in which the Mount Everest may be and 2. how to bring your kangaroo to that mountain range.
Warren Searle
14
Chapitre 1
4. Des op rateurs permettant de diversier la population au cours des g n rations et dexplorer e e e lespace d tat. Lop rateur de croisement recompose les g` nes dindividus existant dans la e e e population, lop rateur de mutation a pour but de garantir lexploration de lespace d tats. e e 5. Des param` tres de dimensionnement : taille de la population, nombre total de g n rations ou e e e crit` re darr t, probabilit s dapplication des op rateurs de croisement et de mutation. e e e e
1 Il est int ressant de trouver dans luvre dun sp cialiste de zoologie, Richard Dawkins [Daw89], un exemple informae e tique tendant a prouver la correction de lhypoth` se darwinienne de la s lection naturelle. La m thode utilis e est presque ` e e e e semblable aux techniques g n tiques. e e
15
POPULATION Gnration k
REPRODUCTION
PROBABILITE Pm
P1
P2
PROBABILITE Pc
MUTATION
CROISEMENT
E1
E2
EVALUATION
Le principe g n ral du fonctionnement dun algorithme g n tique est repr sent sur la gure 1.1 : e e e e e e on commence par g n rer une population dindividus de facon al atoire. Pour passer dune g n ration e e e e e a la g n ration ` e e , les trois op rations suivantes sont r p t es pour tous les el ments de la e e ee e population . Des couples de parents et sont s lectionn s en fonction de leurs adaptations. e e Lop rateur de croisement leur est appliqu avec une probabilit e e e (g n ralement autour de e e ) et g n` re des couples denfants e e et . Dautres el ments sont s lectionn s en fonction de leur e e e adaptation. Lop rateur de mutation leur est appliqu avec la probabilit e e e ( est g n ralement e e tr` s inf rieur a ) et g n` re des individus mut s . Le niveau dadaptation des enfants ( , ) et e e ` e e e des individus mut s e sont ensuite evalu s avant insertion dans la nouvelle population. Diff rents e e crit` res darr t de lalgorithme peuvent etre choisis : e e
Le nombre de g n rations que lon souhaite ex cuter peut etre x a priori. Cest ce que lon e e e e` est tent de faire lorsque lon doit trouver une solution dans un temps limit . e e
Lalgorithme peut etre arr t lorsque la population n volue plus ou plus sufsamment rapide ee e ment.
Les algorithmes g n tiques utilisant des vecteurs r els [Gol91, Wri91] evitent ce probl` me en e e e e conservant les variables du probl` me dans le codage de l l ment de population sans passer par le e ee codage binaire interm diaire. La structure du probl` me est conserv e dans le codage. e e e
deux el ments voisins en terme de distance de Hamming ne codent pas n cessairement deux e e el ments proches dans lespace de recherche. Cet inconv nient peut etre evit en utilisant un e e e codage de Gray. Pour des probl` mes doptimisation dans des espaces de grande dimension, le codage binaire e peut rapidement devenir mauvais. G n ralement, chaque variable est repr sent e par une partie e e e e de la chane de bits et la structure du probl` me nest pas bien re t e, lordre des variables e ee ayant une importance dans la structure du chromosome alors quil nen a pas forc ment dans la e structure du probl` me. e
P1
P2
CROISEMENT
C1
Figure 1.2: Slicing crossover
C2
Disposant dune population dindividus non homog` ne, la diversit de la population doit etre e e entretenue au cours des g n rations an de parcourir le plus largement possible lespace d tat. Cest e e e le r le des op rateurs de croisement et de mutation. o e
o` est un coefcient de pond ration al atoire adapt au domaine dextension des g` nes (il nest u e e e e pas n cessairement compris entre et , il peut par exemple prendre des valeurs dans lintervalle e ce qui permet de g n rer des points entre, ou a lext rieur des deux g` nes consid r s). e e ` e e ee Dans le cas particulier dun chromosome matriciel constitu par la concat nation de vecteurs, on e e peut etendre ce principe de croisement aux vecteurs constituant les g` nes (voir gure 1.4) : e
18
$ #"
$ #" ' $ #" $ ' " & $ #" $ #" $ ' " $ #"(' & $ #" ( %
$ #"
$ #"
2 0 1 0 () '
$ #"
P1
P2
CROISEMENT
C1
Figure 1.3: Slicing crossover a 2 points `
C2
C1
P1
C2
P2
Figure 1.4: Croisement barycentrique
19
chromosome initial g1 gi gn
gi
gi
g1
gi chromosome mut
gn
On peut imaginer et tester des op rateurs de croisement plus ou moins complexes sur un probl` me e e donn mais lefcacit de ce dernier est souvent li intrins` quement au probl` me. e e e e e
$ #" ' $ #" $ ' " & $ #" ( $ #" 3$ ' " 3 $ #" ' & $ #" 3 3 ( 3 3 %
Le peu dhypoth` ses requises permet de traiter des probl` mes tr` s complexes. La fonction a optie e e ` miser peut ainsi etre le r sultat dune simulation. e La s lection permet didentier statistiquement les meilleurs individus dune population et d liminer e e les mauvais. On trouve dans la litt rature un nombre important de principes de s lection plus ou moins e e adapt s aux probl` mes quils traitent. Dans le cadre de notre travail, les deux principes de s lection e e e suivants ont et test s et evalu s: e e e
Le principe de Roulette wheel selection2 consiste a associer a chaque individu un segment dont la ` ` longueur est proportionnelle a sa tness. On reproduit ici le principe de tirage al atoire utilis dans ` e e les roulettes de casinos avec une structure lin aire. Ces segments sont ensuite concat n s sur un axe e e e e que lon normalise entre et . On tire alors un nombre al atoire de distribution uniforme entre et , puis on regarde quel est le segment s lectionn . Avec ce syst` me, les grands segments, cest-` -dire e e e a les bons individus, seront plus souvent adress s que les petits. Lorsque la dimension de la population e est r duite, il est difcile dobtenir en pratique lesp rance math matique de s lection en raison du e e e e peu de tirages effectu s. Un biais de s lection plus ou moins fort existe suivant la dimension de la e e population. La Stochastic remainder without replacement selection evite ce genre de probl` me et donne de e bons r sultats pour nos applications. D crivons ce principe de s lection : e e e
La roulette wheel selection pr c demment d crite est appliqu e sur les individus affect s des e e e e e tness .
Compte-tenu du fait que des faibles populations seront utilis es par la suite, ce principe de s lection e e sav` rera le plus efcace dans les applications pratiques et sera donc utilis par la suite. e e
Dans la litt rature, ctte m thode porte parfois le nom de m thode de Monte-Carlo. e e e
21
$ 5 4" 6
54
$ 5 4" 6
$ 5 4" 6
Soit
la partie enti` re de e
54
54
Roulette wheel selection [Gol89c]; Stochastic remainder without replacement selection [Gol89c];
y M1
M2
x individus
Figure 1.6: Exemple o` les s lections classiques risquent de ne reproduire quun individu u e
1.3.2 Scaling
Le scaling ou mise a l chelle, modie les tness an de r duire ou damplier articiellement les ` e e ecarts entre les individus. Le processus de s lection nop` re plus sur la tness r elle mais sur son e e e image apr` s scaling. Parmi les fonctions de scaling, on peut envisager le scaling lin aire et le scaling e e exponentiel. Soit la tness avant scaling et la tness modi e par le scaling. e Scaling lin aire e Dans ce cas la fonction de scaling est d nie de la facon suivante [Mic92] : e
En r` gle g n rale, le coefcient est inf rieur a un, ce qui permet de r duire les ecarts de tness et e e e e ` e donc de favoriser lexploration de lespace. Ce scaling est statique par rapport au num ro de g n ration e e e et p nalise la n de convergence lorsque lon d sire favoriser les modes dominants. e e Scaling exponentiel Il est d ni de la facon suivante [Mic92] (voir gure 1.7): e
Pour proche de z ro, on r duit fortement les ecarts de tness ; aucun individu nest vraiment e e favoris et lalgorithme g n tique se comporte comme un algorithme de recherche al atoire et e e e e permet dexplorer lespace. 22
o` u
I HG F$ 8 7" & 9 7
87 @ & 97
97
87
fs fs = k fr
min
avg
max
fr
Figure 1.7: Fonction de scaling exponentielle Pour proche de : le scaling est inop rant. e
Pour les ecarts sont exag r s et seuls les bons individus sont s lectionn s ce qui produit ee e e l mergence des modes. e
Dans la pratique, on fait g n ralement varier des faibles valeurs vers les fortes valeurs au cours e e des g n rations. Pour cela on peut utiliser la formule suivante : e e
etant la g n ration courante, le nombre total de g n rations pr vues, un param` tre a choisir. e e e e e e ` sest av r pertinent dans les applications. L volution de en fonction de la ee e Le choix de g n ration est donn e par la gure 1.8. e e e Ce dernier principe de scaling donne effectivement de meilleurs r sultats sur nos probl` mes que e e le scaling lin aire et sera donc syst matiquement utilis . Dans le cas des fonctions objectifs multie e e modes pr sentant des optimaux quasi- quivalents, cette technique de scaling, en ampliant les ecarts e e de tness en n de convergence, va effectivement favoriser le mode dominant mais aussi masquer les modes sous-optimaux qui peuvent tout de m me pr senter un int r t. Le scaling permet donc une e e ee bonne exploration de lespace d tat mais ne favorise pas la r partition des individus sur les diff rents e e e modes de la fonction objectif.
1.3.3 Sharing
Introduction Lobjectif du sharing est de r partir sur chaque sommet de la fonction a optimiser un nombre dine ` dividus proportionnel a la tness associ e a ce sommet. La gure 1.9 pr sente deux exemples de ` e ` e r partitions de populations dans le cas dune fonction a cinq sommets : le premier sans sharing, le e ` second avec sharing. 23
Y ` W X W V Q U T S RQ & D
& a
N
Figure 1.8: Allure de l volution de e
24
1 >1 =1 SH(d)
<1
share
Figure 1.10: Allure de Principe
De la m me facon que le scaling, le sharing consiste a modier la tness utilis e par le processus e ` e de s lection. Pour eviter le rassemblement des individus autour dun sommet dominant, le sharing e p nalise les tness en fonction du taux dagr gation de la population dans le voisinage dun individu. Il e e requiert lintroduction dune notion de distance. Dans la pratique, il faut d nir une distance indiquant e la dissimilarit entre deux individus. Cette distance est alors utilis e pour calculer la nouvelle tness e e de la facon suivante :
avec
si
Le param` tre e permet de d limiter le voisinage dun point et d pend du probl` me trait . e e e e La gure 1.10 donne lallure de pour diff rentes valeurs de . Suivant la valeur donn e a le e e ` sharing sera plus ou moins efcace. Ainsi pour , on p nalise les groupes tr` s agglom r s. e e ee Dans la pratique ce type de sharing donne effectivement de bons r sultats mais au prix de e calculs de distances entre chromosomes a chaque g n ration pour une population de taille . Or les ` e e algorithmes g n tiques induisent une complexit en e e e sans sharing et le fait de passer en peut etre p nalisant, notamment pour grand. e Pour r duire ce nombre, on utilise un sharing clusteris . e e
V '
V V
w t
'
H5 t
si
x 8 w v9 u t
$ i h gcf e d " b
x 8 w v9 u
yW P
ner des clusters ou en cr er de nouveaux. Initialement, chaque individu de la population est consid r e ee comme le centre dun cluster. On applique alors successivement les deux principes suivants :
un nouvel individu est agr g a un cluster si sa distance au centre le plus proche est inf rieure e e` e a ` . Dans ce cas, on recalcule le centre du cluster global. Sinon, on cr e un nouveau cluster e contenant ce seul individu.
Ce principe de fusion-agr gation permet dobtenir un nombre de clusters uctuant avec la r partition e e des individus dans lespace d tat. On applique ensuite le principe de sharing en modiant les tness e de la facon suivante :
avec
On montre que ce type de sharing induit une complexit en e [YG93] pour des r sultats e tout a fait comparables a ceux fournis par le sharing classique. Dans la pratique, on remarque que le ` ` r glage des coefcients e et est assez d licat car lefcacit de ces derniers d pend essene e e tiellement de la connaissance a priori des distances inter-modes dans lespace d tat, distance quil e est tr` s difcile destimer. Nous pr sentons dans la section 1.4.3 une technique permettant de calculer e e automatiquement ces quantit s. e
V V
WyW
"
H5 t
w t
H5 t
w t
5 t
D
'
si deux centres sont a une distance inf rieure a ` e ` , on fusionne ces derniers dans un cluster unique dont le centre r sultant est le barycentre des deux centres initiaux. e
POP(n)
P1
P2
croisement
P1
P2
C1
C2
TOURNOI tirage aleatoire des couples E-P selection par RS sur chacun des couples
C1
C2
Figure 1.11: Principe du croisement avec recuit simul e Principe du croisement avec recuit simul e Pour appliquer ce principe de croisement, on commence par s lectionner deux parents e et dans la population (voir gure 1.11). On applique ensuite lop rateur de croisement classique qui g n` re e e e deux enfants et . Un tournoi est alors effectu entre les parents et les enfants pour lequel les e deux vainqueurs sont s lectionn s par le sch ma de recuit suivant. On consid` re lindividu . On tire e e e e ensuite al atoirement un des deux parents, soit ce parent : e
On fait de m me pour e avec le parent restant et lon d termine ainsi deux individus e et . L volution de la variable e se fait de la facon suivante. On utilise un sch ma de recuit standard e g om trique a un palier de basculement. Pratiquement, on calcule trois temp ratures dont les valeurs e e ` e d pendent de la connaissance des ecarts e et des tness de la population initiale. Temp rature initiale e Temp rature de basculement e Temp rature nale e
o` u repr sentent les ecarts minimum et maximum des tness de la population inie tiale. Le sch ma g om trique fait evoluer la temp rature courante de la facon suivante : e e e e
pour pour 27
C@
$ D"
$ D"
o` u
6 &
sinon
5
si
est s lectionn . e e
avec . Pour chaque palier, on calcule le nombre dit rations de stabilisation a laide des formules : e `
Ces deux formules, nous permettent de calculer le nombre total de g n rations pour un probl` me e e e donn . e Ce m me principe de recuit simul a et essay sur lop rateur de mutation en faisant un sch ma e e e e e e de recuit entre lindividu mut et lindividu dorigine mais il ne produit pas leffet escompt . En e e effet, on peut supposer que dans ce cas le recuit simul r duit le brassage de la population provoqu e e e par la mutation en limitant lespace explor aux zones qui am liorent statistiquement la tness en e e interdisant les domaines qui la d gradent. Lexploration de du domaine admissible est fragilis e. Ce e e constat sur les probl` mes que nous avons test s ne permet pas de g n raliser. e e e e
3 En ce qui concerne les autres op rateurs de base a savoir le croisement et la mutation il ny a aucune modication car e ` ceux-ci travaillent dans lespace d tat et non dans lespace r sultat. e e 4 La sous-population tir e aura une taille proportionnelle a celle de la population de d part. Seule une partie des individus e ` e est utilis e, ce qui permet de r duire le temps de calcul. e e
28
5v
57
$ t" 5 7
$ " 57 1 # u P
y sy H H k & V r e q kH & V j Hk j k t
' ' rv
rv
Le sharing va conduire a s lectionner celui des deux individus qui a le moins de voisins proches, ` e autrement dit on elimine celui qui se situe dans une zone dagr gation pour conserver celui qui est e dans une r gion moins dense. e Encore une fois, le terme voisin proche na pas de signication pr cise mais il est possible de e d nir un voisinage (aussi appel niche) correct en se servant de la distance de Holder : e e
d signant la -i` me composante du vecteur adaptation de l l ment . Le param` tre permet de e e ee e faire varier la forme et la taille du voisinage. A lint rieur des voisinages ainsi d nis dans lespace e e objectif, il suft de compter le nombre dindividus pour favoriser les zones les moins denses et de cette facon maintenir la diversit de la population. Ainsi la gure 1.12 montre comment les voisinages e sont choisis autour des individus de la r gion de Pareto lorsque ceux-ci ne peuvent etre d partag s e e e sans sharing.
Voisinages
Ej
Ei
Rgion de Pareto
F5 7
restent maintenant deux possibilit s : soit les deux sont domin s, soit les deux dominent. On e e ne peut se prononcer sans ajouter un autre test, cest pourquoi dans ce cas il est fait usage dun nouveau type de sharing qui op` re sur lespace objectif. e
lalgorithme g n tique ne reste pas le meilleur el ment apr` s am lioration par lalgorithme local de e e e e e tous les meilleurs el ments de clusters. e Une autre technique consiste a utiliser un algorithme local associ a lalgorithme g n tique pour ` e` e e calculer la tness dun el ment. On peut, par exemple dans un espace fortement combinatoire, ree chercher avec lalgorithme g n tique les zones int ressantes de lespace en g n rant les el ments, e e e e e e ladaptation de chaque el ment etant calcul e par un programme doptimisation local (lin aire par e e e exemple). Un exemple de ce type est donn dans la section 3.7. e En fait, lassociation AGm thodes locales est une quasi-n cessit . Les deux m thodes sont compl mentaires e e e e e et ont des champs dapplication diff rents. Lalgorithme g n tique permet de faire disparaitre la e e e combinatoire du probl` me, laissant alors le champ libre aux m thodes locales dans chacune des zones e e connexes quil pense susceptible de contenir loptimum global.
Probl` mes concern s e e Il sagit de probl` mes ou fonctions partiellement s parables, a savoir des probl` mes o` la fonction e e ` e u a optimiser d pend de plusieurs variables , , .., , et peut se d composer en somme de fonctions ` e e positives ne d pendant pas de toutes les variables. On remarquera que bon nombre de fonctions e multiplicatives peuvent se transformer en fonction additives gr ce a des transformations simples. On a ` sint resse donc aux fonctions pouvant s crire : e e
La tness locale associ e a une variable isole sa contribution. Le but de cette section est de montrer e ` comment utiliser cette tness locale pour d nir un op rateur de croisement permettant de r duire la e e e taille des populations et de converger plus rapidement vers la solution optimale. Ces op rateurs sont e particuli` rement efcaces lorsquon les combine avec le sharing. e Lop rateur de croisement e Lop rateur de croisement consiste, a partir de deux chromosomes parents, a cr er deux nouveaux e ` ` e chromosomes. Le codage que nous adopterons pour appliquer notre croisement consiste a repr senter le chro` e mosome par la liste brute des variables du probl` me. Sil sagit de bits, nous aurons une liste de bits, e sil sagit de variables r elles, nous aurons une liste de r els. On pourra eventuellement avoir un pae e nachage de diff rents types de variables. Lid e intuitive est la suivante : dans le cas dun probl` me e e e compl` tement s parable, optimiser le probl` me global peut se r duire a loptimisation de chaque e e e e ` variable s par ment. Nous essayons dadapter ce raisonnement au cas de fonctions partiellement e e s parables. La technique que nous proposons consiste donc a retenir pour chaque variable, lors de e ` e la conception des ls, celle des deux parents qui a la meilleure tness locale, ceci a un facteur pr` s. ` i` me variable, si : e Par exemple, dans le cas o` lon cherche un minimum pour , pour la u
du p` re . Si par contre : e
FC
la variable
31
$ 6 4 6 a" F
$ 6 4 6 a" F
FC
du p` re . Si enn : e
FC
Pour d nir notre op rateur de croisement, nous allons introduire pour chaque variable e e tness locale d nie comme suit : e
$ H C 1 1 C 1 C" F
Fv
Soit
sa
HC
C C
5|
Lors du croisement, on souhaite cr er deux ls a partir de deux parents. Si lon applique la m me e ` e strat gie pour le ls que celle d crite ci-dessus pour le ls , les deux ls risquent de se ressembler e e fortement, surtout si est faible. Ceci nest pas souhaitable. On peut donc pour le deuxi` me ls e choisir une autre valeur de ce qui permet d tre plus ou moins d terministe, ou alors, comme pour e e les techniques de croisement classiques choisir le compl mentaire du ls , a savoir affecter au ls e ` la variable des deux p` res non affect e au ls . e e On peut remarquer quil est facile dintroduire un op rateur de mutation qui sappuie sur le m me e e principe et modie avec une plus forte probabilit les variables ayant une mauvaise tness locale. e
2. Evaluation de la distance moyenne des individus par rapport aux centrodes des clusters :
si lon note
le centre du groupe et
3. on compte ensuite le nombre de clusters dont le meilleur individu a une tness sup rieure a un e ` 5 de celle du meilleur el ment de la population , on le note certain pourcentage e
5
32
w t
H5 t
1. Calcul de
et
H5 t
& o
& t
r
w t
Les valeurs et d signent deux seuils : si beaucoup de clusters sont sufsamment bons (cest e a dire quand leur proportion d passe ) alors on diminue ` e et pour accrotre le nombre total de groupes et ainsi chercher dautres optima. Au contraire, sils sont peu nombreux alors on va diminuer la quantit de clusters en augmentant les deux distances an de rechercher des zones e int ressantes de lespace d tat. e e Les valeurs utilis es habituellement pour les seuils sont e et . Cette technique donne dexcellents r sultats pour rechercher les optima multiples de fonctions e r elles. e
la seconde maintient la population totale sur une seule machine mais se sert des autres pour y envoyer les evaluations an quelles se fassent en m me temps. e
Dans les deux cas il est n cessaire davoir un m canisme de communication inter-processus. Les e e r sultats pr sent s ici ont et obtenus en utilisant PVM. PVM a et r alis par le Oak Ridge National e e e e e e e Laboratory. Il permet a un r seau h t rog` ne de machines dapparatre comme une seule entit ayant ` e ee e e plusieurs processeurs capables de communiquer entre eux (comparable a un ordinateur a m moire ` ` e distribu e). La communication entre les divers composants de cette machine virtuelle se fait par lene voi de paquets contenant des donn es ou encore des messages de contr le. Pour plus de d tails, on e o e peut se reporter a [GBD 94]. `
la premi` re consiste a diviser la population de taille e ` sur lensemble des machines dont on dispose.
en
0 m & b
w t
o P o
0 & b
H5 t
p p b p { p b P { V
of 0 n o & o d e 0 o & o d o b pD
en utilisant la r` gle : e
b
Paramtres initiaux
Rsultats
SLAVE 1
SLAVE 2
SLAVE N
Population taille n
Population taille n
Population taille n
Figure 1.13: Principe de fonctionnement du parall lisme par lots e si la dur e n cessaire est a peu de choses pr` s celle quil faudrait pour une population de taille e e ` e est le nombre dordinateurs disponibles et si lon n glige les temps de communication. e La m thode introduit un clustering forc car chaque lot peut etre consid r comme un cluster e e ee subdivis en petits groupes. Chaque machine a la possibilit de converger vers des optima qui seront e e diff rents de ceux calcul s sur les autres ce qui correspond au comportement introduit avec le cluse e tering. Dautre part, le surco t de temps pass pour les communications nest a priori pas excessif u e puisquil ny a de gros paquets a transmettre que de temps en temps. Il faut tout de m me garder a ` e ` lesprit quune subdivision en sous-populations de taille trop r duite risque de conduire a faire tourner e ` des algorithmes g n tiques non ables statistiquement. En effet, il faut quand m me quune populae e e tion contienne sufsamment dindividus pour que lespace d tat puisse etre explor de facon correcte e e an que les r sultats aient une certaine valeur. e Des tests ont et faits par Yann LeFablec [LeF95]pour d terminer lefcacit de la m thode (voir e e e e gure 1.14). Il ne faut sattacher qu` la forme g n rale de la courbe, dans la mesure o` les charges a e e u locales des machines peuvent modier de facon sensible les r sultats. Lefcacit de la m thode est e e e cependant largement mise en evidence.
p H
1800
1600
1400
1200
1000
800
600
400
200
0 1 2 3 4 5 6 7 8
Population taille n
MASTER
DEMON 1
DEMON 2
DEMON N
35
400
350
140 120
300
Temps
100 80
250
200
60
150
40 20 0 0 5 10 15 Nombre de machines 20 25 30
100
50 8 10 12 14 16 18 20 22 24 26 28 30
Figure 1.16: Evolution du temps de calcul La courbe 1.16 montre comment evolue le temps de calcul en fonction du nombre de machines et du temps de communications. On constate que plus on utilise de machines, plus la p nalisation due e aux communications est forte.
1.5.3 Conclusion
La parall lisation est extr mement efcace pour acc l rer les temps de r solution des algorithmes e e ee e g n tiques. Il faut certes bien etudier le probl` me an dutiliser le bon m canisme de parall lisme, e e e e e mais les gains en temps sont alors importants.
36
kA A &
k@ @ &
5 & 5@ A
5@
ou . si
#u
k@ @@ &
avec
k@ @@ &
$ "
avec
et
D nition 1.4 (Position xe, position libre) Soit un sch ma . On dit que est une position xe de e e si ou . On dit que est une position libre de si .
a pour ordre , le sch ma e Par exemple, le sch ma e a pour ordre . On remarquera quun sch ma e de longueur et dordre instances diff rentes. e
D nition 1.6 (Longueur fondamentale) On appelle longueur fondamentale du sch ma la distance e e s parant la premi` re position xe de de la derni` re position xe de . On note cette longueur fone e e damentale . Ainsi, le sch ma e a pour longueur fondamentale a pour longueur fondamentale , et pour le sch ma e nous avons .
D nition 1.7 (Adaptation dune s quence) On appelle adaptation dune s quence e e e positive que nous noterons . est la fonction objectif ou tness du probl` me a r soudre. e ` e
Posons
37
Supposons quil y ait a linstant un nombre ` de s quences repr sentant le sch ma e e e dans la population . A linstant , statistiquement, ce nombre vaut :
$ 1 "
de s quences de bits tir es al atoirement. Durant la e e e est reproduite avec une probabilit : e
D nition 1.8 (Adaptation dun sch ma) On appelle adaptation dun sch ma e e e
$ " &
la valeur
$ "
D nition 1.5 (Ordre dun sch ma) On appelle ordre du sch ma e e e . On note lordre de .
#
& 5@
0 & $ "
m& (
& $ "
5 H 1 1 5 1 } & b 1
& 5a
&
$ "7
$ "
I I wG I wG G k
& 5@
admet
, le sch ma e
une valeur
repr sente la moyenne de ladaptation des s quences a linstant . La formule pr c dente devient : e e ` e e
Posons
. On obtient alors :
Il est donc clair quun sch ma, dont ladaptation est au-dessus de la moyenne, voit son nombre de e repr sentants augmenter, suivant une progression qui est de type g om trique si nous faisons lape e e proximation que est constant dans le temps. Alors :
Si la reproduction seule etait en jeu, les sch mas forts elimineraient tr` s rapidement les sch mas e e e faibles.
Soit la probabilit de mutation dun bit dans une s quence. Dans un sch ma , seules les positions e e e xes peuvent etre d truites. La probabilit de survie dun bit etant e e , la probabilit de survie e dun sch ma e contenant positions xes est . La probabilit de mutation etant e suppos e petite devant , un d veloppement limit au premier ordre donne une probabilit de survie e e e e egale a ` . L quation nale s crit donc : e e
6 7
Dans tous les autres cas, peut etre (ou ne pas etre) d truit. e Les croisements et les mutations se font sur la population reproduite, et non sur la population initiale.
38
" ~ $ "
$ a$ "
a
B $ 1 " $ $ "
B $ 1 " $ $ "
I wG $ a
& $" 9 a
7 B B $ 1 " & $ 1 " $ " 7 9a ( a $ " ( ( " " &$ " & $ 1 "
1 "
a
$ "
" ~ $ "
a
Ces r sultats conditionnent la qualit du codage des donn es. En effet, les sch mas qui codent e e e e les donn es int ressantes pour le probl` me consid r doivent avoir un ordre et une longueur fondae e e ee mentales faibles8 , alors que les donn es sans int r t doivent etre cod es par des sch mas qui ont un e ee e e ordre et une longueur fondamentale elev s. e Les r sultats pr sent s ci-dessus ne sont quune introduction a la th orie des sch mas, il existe e e e ` e e de nombreux approfondissements. On trouvera dans les r f rences suivantes les principaux mod` les ee e th oriques sur la th orie des sch mas et ses extensions : [Gol89c, Vos91, BM93, Gol89b, BG87, CS88, e e e BM94, DM92, SGE91]
Les donn es int ressantes sont bien entendu les donn es qui sont proches de la solution optimale. Un bon codage des e e e donn es implique donc davoir une id e de la forme de loptimum. e e
F V
la population de la g n ration : il sagit dune e e el ments sont des chanes de bits (chromosomes) e
39
7 1 } & v
p F F F $ 1 1 " & F
les sch mas dont la longueur fondamentale est petite sont plus favoris s que les autres, lors de e e la g n ration dune nouvelle population. e e les sch mas dont lordre est petit sont plus favoris s que les autres, lors de la g n ration dune e e e e nouvelle population.
Mutation
Lop rateur consid r ici est le suivant : pour chaque composante de chaque el ment e ee e une vaest tir e ind pendamment et suivant le r sultat l l ment binaire e e e ee riable de Bernouilli de param` tre e examin est chang ou non. ( est chang en et en ). e e e La probabilit e de mutation doit etre pr alablement choisie et est g n ralement faible. e e e Comme nous le verrons par la suite, cet op rateur joue un r le cl dans la convergence de lalgoe o e rithme g n tique. e e
Croisement
Lop rateur etudi ici est lop rateur a un point (slicing crossover). Ici encore, la probabilit de croie e e ` e sement est x e initialement. Pour construire la population e couples sont form s a partir e ` (par exemple en appariant les individus cons cutifs de , ou bien en choisissant e de la population au hasard et uniform ment des individus dans ). Pour chaque couple, une variable de Bernoulli de e param` tre e est tir e pour d cider si le croisement a lieu. Si cest le cas, un site de coupure est tir e e e au hasard, et les segments naux des deux chromosomes sont echang s. e Une nouvelle paire dindividus est ainsi obtenue (identique a lancienne sil ny a pas eu de croi` sement) et est stock e dans la population . En g n ral, le param` tre e e e e est choisi grand. Remarquons que les op rateurs de mutation et de croisement ne font pas intervenir la fonction , e ce sont des op rateurs stochastiques dexploration. Cest le troisi` me et dernier op rateur, la s lection, e e e e qui guide la population vers les valeurs elev es de la fonction e
S lection e
Les individus de la population sont obtenus apr` s s lection des individus de . On conserve e e ind pendamment a laide dune distribution de probabilit qui e ` e ainsi les meilleurs individus de favorise les individus de les mieux adapt s. e Le choix le plus fr quent est lunique distribution telle que la probabilit dun individu soit proe e est : portionnelle a son adaptation, i.e la probabilit de s lection de lindividu ` e e
40
, on constitue la
F 15
F F F
F 5
~ 1 F V
H 5(x xk 7
H x x( 8 9 5 F
cest a dire de `
a `
se d compose e
1 F F
H 5( w F
F F (
F F (
F F F ( F V
Ce m canisme de transition poss` de toutefois des propri t s essentielles qui font lint r t et la e e ee ee puissance de cette formalisation, (voir [Cer94]) :
Il est irr ductible, (la probabilit de joindre deux points quelconques de lespace d tat, en un e e e nombre ni de g n rations est non nulle) soit : e e
Le m canisme permet donc dexplorer tout point de lespace d tat, avec une probabilit non e e e nulle.
Ces propri t s permettent de conclure a lergodicit de la chane de Markov, et a lexistence dun ee ` e ` processus limite. Th or` me 1.1 Une chane de Markov homog` ne irr ductible ap riodique despace d tats ni est e e e e e e ergodique et poss` de une unique mesure de probabilit stationnaire ou invariante. e e Cette mesure stationnaire correspond a la loi r gissant l quilibre du processus, elle est d nie , ` e e e pour tout comme : Nous savons egalement que tout el ment de lespace d tat est de probabilit non nulle pour cette e e e mesure. Toutefois, si ce r sultat nous permet de savoir quil existe une dynamique de fond de lalgorithme e g n tique, il nous reste a en d terminer les propri t s, linuence des op rateurs (et des param` tres e e ` e ee e e associ s) qui jouent un grand r le dans le processus. e o Pour cela nous introduisons les notations suivantes : Si est un el ment de e et un point de , nous noterons :
41
y 2C & F & 8F )
v 1# 1 1 1 1 F C} & 2 C V ) $ C" 7 S S F C & C p # $ 5 C" 7 } C 7 7 S & $ p 1 1 C" & $ C" p V v # v $ C 1 1 C" & C
4
1 F F
le m canisme de transition de e
a `
consid r e) ee
F$ F "
La pr sentation rapide des op rateurs nous permet de mod liser la suite des e e e
en une chane
7 p 1 } & v
v 1Cu
Processus de fond
Cest a partir de ce processus de fond quest reconstitu lalgorithme g n tique en etudiant ses per` e e e turbations al atoires par les diff rents op rateurs. Il est d ni comme processus limite, lorsque les e e e e dont le m canisme de trane perturbations ont disparu. Cest egalement une chane de Markov sur sition est tr` s simple puisque correspondant a la situation limite suivante : e ` Les composantes de sont choisies ind pendamment et suivant la loi uniforme sur lene semble
Les individus dont ladaptation nest pas maximale en , sont elimin s et napparaissent pas e dans la g n ration e e Les individus dont ladaptation est maximale, ont des chances de survies egales des populations ayant la m me adaptation e
Cette population repr sente les attracteurs de la chane (voir 1.7.3 plus loin), puis elle est absorb e e e par une population uniforme, de sorte que :
Lorsque la population est devenue uniforme et en labsence ici de perturbations, il ne se passe plus rien. Ceci peut egalement se traduire en d nissant les populations uniformes comme les etats absor e Nous allons maintenant etudier la situation o` ce processus est perturb . u e bants de la chane Processus perturb e
Il nous faut pour cela mod liser pr cis ment les op rateurs. e e e e
Mutation Les mutations sont d nies comme de petites perturbations al atoires ind pendante des individus, e e e de la population . Il est assez naturel dintroduire la probabilit e de transition9 de mutation entre les points et de comme un noyau Markovien Trivialement on a :
42
Cest la probabilit e
pour un point de
F $ H " h 5
La mod lisation propos e par Cerf, part du processus de fond e e decrit ci-dessus, qui est per turb al atoirement, les perturbations sont indic es par le param` tre La chane de Markov e e e e devient donc une suite de chanes de Markov dont le m canisme de transition est donn par la e e succession des transformations g n r es par les op rateurs. e ee e
F k
$ 1 #" k a
F 1 $ H " h 5
H 5(x xk
F k
& $ 1 #" k a
ka
Cette chane est tout dabord pi g e dans lensemble e e (ou ensemble des population d qui-adaptation), e
H x x(5 8 9
F 1 $ " k
r q
F k
v #u
H 5( w
F h H5
F $ H " h 5 F k
1v F # k F F k ( k
F $ " k F H h 5
p v Cu
F h H5
Plus pr cis ment et an danalyser la dynamique de e e lorsque tend vers linni, nous reportons ici les hypoth` ses sur le mode et la vitesse de convergence des probabilit s de transition. Pour e e cela nous supposons lexistence dun noyau irr ductible, e sur i.e. : (cest a dire un chemin dans ) tels que ` et tels que :
Lhypoth` se dirr ductibilit du noyau est essentielle, elle assure que tout point de lespace est e e e potentiellement visitable. La vitesse de convergence du noyau est caract ris e par le r el positif tel que admette le e e e d veloppement suivant : e
Ici encore lop rateur est mod lis comme effectuant de petites perture e e Croisement bations al atoires sur des couples de la population . Ces couples sont ici form s par les el ments e e e successifs de la population, les transitions sont g r es par le noyau Markovien sur ee cette fois, de sorte que :
Pour ce noyau nous supposerons lexistence dun noyau irr ductible e convergence est alors param tr e par le r el positif tel que : e e e
sur
43
1v v
$ 1 #" & $ 1 #" # $ f 9 " $ $ 1 # " 1 $ 1 # " " ( d & $ $ 1 #" 1 $ 1 #" " k e $ 1 #" & $ 1 #" # $ 9 " $ $ 1 # " 1 $ 1 #" " d u v v $ 1 #" u v v $ 1 #" u
& # # & # #
F k
' 8 9 p $ F # 1 F #" ' P & 8# # & p# v 8# 1 # 1 # 1 v 1 # u 1 v 1' F $ " k p p F y F $ 1 C" k a $ 1 C" k a $ 1 C" k a & C & & k k p
:
, la vitesse de
ka
& # #
& # #
Sur la chane
1ka
v 1 1 # 1 # u
v 1#u
F F k ( k
v 1#u
F 1 k
et
de
est :
(1.1)
(1.3)
(1.4)
S lection e Cest lop rateur le plus compliqu et egalement le plus important e e puisquil permet la convergence vers les optima de Il est mod lis a laide dune fonction de s lection dont Cerf nous donne une d nition pr cise, e e` e e e pouvant etre r sum e par : e e
telle que :
Cet outil nous permet d crire la probabilit de transition correspondant a la derni` re etape. e e ` e
Ceci signie que la probabilit de transition est le produit des probabilit s sur chacune des e e composantes de La probabilit e entre deux composantes est donn e par e
De m me que pour les autres op rateurs, la fonction de s lection doit etre choisie et sa vitesse de e e e convergence caract ris e e e
(1.5)
Ce choix correspond bien a une probabilit de s lection avantageant les fortes adaptations au ` e e d triment des faibles, le r el positif indexant cette fonction. e e Le m canisme de s lection op rant sur le processus de fond e e e correspond a la fonction de ` s lection e d nie par : e
44
57
F 1 $ H " h 5
7 1 7 1 7
$ 8 1 8 C" k
p $ 7 1 7 1 7 1" |
1.
k|
7
F F k ( k k|
h H5 |
La suite
Les conditions 1.2, 1.4, et 1.6 nous permettent dassurer que le m canisme de transition de la e converge vers celui du processus de fond chane
Les vitesses de convergence intervenant dans chacun des op rateurs jouent un r le important. La e o formulation propos e en (1.1), (1.3) et (1.5), permet un ajustement equitable de ces vitesses (elles sont e logarithmiquement du m me ordre) de sorte quaucun op rateur ne domine les autres dans la dynae e mique. lorsque tend vers linni, les conditions (1.2), (1.4), et (1.6) nous permettent dassurer que le converge vers celui du processus de fond et on m canisme de transition de la chane e a:
La chane se comporte alors comme le ferait La th orie de Freidlin-Wentzell nous e donne les outils pour simplier l tude de ces processus a temps continu. e `
Sous de bonnes hypoth` ses, il existe une solution (trajectoire) unique, e a l quation (1.7) et ` e a la condition initiale associ e. lune des pr occupation imm diates est de savoir si cette solution va, ` e e e ou non, tendre vers un equilibre (qui nest pas forc ment unique). Et si oui, quel en est lensemble e de stabilit . L quilibre est d ni comme une fonction constante e e e telle que , et lensemble de stabilit comme lensemble e des points de d part qui m` nent a cet equilibre10 . e e ` On peut elargir cette notion, d quilibre et de stabilit , par celles, tr` s proches, dattracteur et de bassin e e e dattraction.
Pour chaque equilibre on d nit ainsi son ensemble de stabilit . Cet equilibre est stable sil contient un voisinage de e e l quilibre, et instable sil existe des points de d part inniment proche de l quilibre qui ne m` nent pas a celui-ci. e e e e `
10
est :
45
H C h 5 & C
$ " C
$ C"
F 1 $ H " h 5
F $ H " h 5 F $ " k H p F y F F y F & H & H & & & h 5 k v 1 u h 5 h 5 k k F F $ H " $ " h 5 k p p $ $ C" 7 1 1 $ C" 7 1 $ C" 7 1 " h H 5 | & $ $ C" 7 1 1 $ C" 7 1 $ C" 7 1 " k | h H 5 k p u v Cu
Cest egalement en ce sens que lon interpr` te la chane e
F $ " k
k$ k |" F $ " k
(1.6)
p v 1 u
Un attracteur du syst` me est le voisinage compact e dun point visit une innit de fois, et le e e bassin dattraction lensemble des points de d part qui m` nent a cet attracteur. Nous supposerons que e e ` poss` de un nombre ni dattracteurs e La th orie de Freidlin-Wentzell etudie l volution du syst` me 1.7 lorsquil subit des perturbations e e e Browni` nes, dintensit Le syst` me d terministe 1.7 devient alors un syst` me diff rentiel stochase e e e e e tique.
est maintenant un processus stochastique perturb par le mouvement e Le processus brownien et d pendant de La situation change alors puisque les perturbations brownienne e permettent au processus de s chapper de nimporte quel bassin dattraction, et en fait le processus les e visite tous. De plus, le processus est ergodique et admet une unique mesure de probabilit invariante, i.e. e
existe et est la probabilit de pr sence du processus dans le Bor lien , lorsque le syst` me a e e e e atteint son etat d quilibre. Cette probabilit e e est invariante avec le point de d part e Lorsque les perturbations cessent, le processus se comporte comme dans 1.7 et reste presque s rement au voisinage u des attracteurs, tandis que la probabilit de pr sence dans e e disparat. nimporte quel Bor lien disjoint de e
Le r sultat principal de Freidlin et Wentzell repose sur l quivalence du processus e e a ` et du processus a temps discret et espace d tat ni ` e temps continu et espace d tat e d crivant les visites au ieme attracteur. e ` nest pas report e ici mais nous en donnons un apercu an e La construction pr cise de e de mieux comprendre ce dernier processus.
La chane de Markov11 ainsi cr ee a pour espace d tats e e une unique mesure de probabilit invariante e
La nature Markovienne de
11
46
1 4 1 }
5 H5 C
Si
alors
et
$ "
5 H5 C
H H$ "
81 1
H 1 H$ " D c
c D6# 6 4 u A
$ " $ "
$ "
4 1 }
(1.8)
Nous passons sous silence l tude des probabilit de transition e e de la chane qui s crivent comme des int grales sur lensemble des fonctions qui lient les attracteurs e e et laissant le lecteur int ress se reporter a la lecture de Freidlin et Wentzell, ou de Cerf. e e ` Notons toutefois que ces probabilit de transition s crivent : e e
o` u
est une constante associ e a et caract risant sa vitesse de convergence. e ` e La quantit e ou co t de communication, mesure le co t de passage de lattracteur u u a ` lattracteur Les intensit s de transitions de la chane e , nous ouvrent la voie pour d terminer la mesure e invariante .
Les outils qui permettent de d terminer cette mesure invariante ont et d velopp s, une nouvelle fois e e e e par Freidlin et Wentzell, nous aurons besoin de certains dentre eux.
. Un
graphe sur
A cette fonction est associ lensemble e des minima globaux de Finalement, la mesure invariante est caract ris e par : e e
o` u
Le comportement asymptotique de (et par la m me occasion de ) est donc connu : la mesure e se concentre sur les attracteurs dont lindice est dans et d crot vers z ro a la vitesse e e ` pour les autres attracteurs. Il existe donc un sous-ensemble de de lensemble des attracteurs sur lequel se concentre la mesure invariante du processus.
s x 9 (
4 1 1 } # $ #" } T & $ " T $ #" 4 1 1 } # u $ " $ #" ( ( y I G I 5G & $ #" 4 1 1 } # u $ 1 '" T
5 H y & 5 H 5 C & p z 5 x h 5 p
est la fonction de
dans
$ #"
4 1 1 }
#
Il sagit donc dun graphe sans cycles form de chemins qui aboutissent en e des graphes sur
qui m` ne de a e `
le graphe
On note
lensemble
d nie par : e
4 1 1 }
4 1 1 }
4 1 1 }
4 1 1 }
Mesure invariante
t $ $ " " $ " p & $ " r $ " 1 5 $ " 1 c 2 $ " 1 $ " } T & $ 1 #" A( ) y T 2 & H # & H $ 1 #" ( )
continue
H y H 2 & #& )
et
H H$ "
$ 1 #"
r
1 # & u
1 r H5 H$ "
Dynamique du processus Dans sa th` se, Cerf nous donne une tr` s claire interpr tation de la hi rarchie des cycles qui cae e e e ract risent la dynamique du processus. Supposons que le processus soit initialement dans le bassin e dattraction de . Il quitte au bout dun temps ni. Parmi toutes les trajectoires de sortie, il en existe une plus probable que les autres, qui lam` ne vers un nouvel attracteur; par exemple e puis, bient t o . Lensemble des attracteurs etant par hypoth` se ni, le processus nit par revisiter un e attracteur formant un cycle dordre 1 sur lequel le processus tourne longtemps, tr` s longtemps. Engloe bons maintenant ces trois attracteurs dans une bote. Comme toujours, les perturbations browniennes nissent par pousser le processus hors de cette bote, et ici encore, il existe une trajectoire de sortie canonique qui fait tomber le processus dans un nouveau bassin dattraction, ou plus g n ralement, e e dans un autre cycle dordre 1. Les cycles dordre 1 sont aussi en nombre ni, et le processus nit par revisiter un cycle dordre 1: un cycle dordre 2 est alors form , dans lequel le processus reste pi g tr` s longtemps. En continuant e e e e de la sorte, il est possible de construire toute une hi rarchie de cycles qui epuise lensemble des e attracteurs et fournit une image tr` s pr cise de la dynamique asymptotique du processus. A chaque e e transition entre cycles est associ e une constante qui caract rise la difcult de la transition. e e e e est une fonction de qui tend en d croissant e Enn, lorsque d crot avec le temps ( vers 0), nous obtenons un processus de Markov inhomog` ne (le m canisme de transition d pend du e e e temps). Si d crot tr` s lentement, de sorte qu` chaque instant la loi de e e a soit proche de l tat e d quilibre associ au niveau de perturbation e e , la situation ne change pas fondamentalement. La loi limite correspond a la limite de la suite des lois d quilibre. ` e Si au contraire d crot tr` s rapidement, le processus risque de rester pi g dans certains e e e e sous-ensembles dattracteurs: plus pr cis ment, dans la hi rarchie des cycles, certaines transie e e tions ne pourront etre effectu es quun nombre ni de fois, alors que dautres, plus faciles, e seront r alis es une innit de fois avec probabilit 1. La loi limite d pend alors fortement du e e e e e point de d part. e
R sultats de convergence e Lorsque croit vers linni, les perturbations affectant le processus diminuent de sorte que cette chane se comporte, presque s rement, comme la chane u . Plus pr cis ment, nous savons e e que les attracteurs de la chane sont les populations d qui-adaptation et les populations e uniformes (attracteurs stables). La chane va donc etre attir e par ses attracteurs, en commencant e par lensemble La th orie de Freidlin et Wentzell nous permet de reporter cette etude sur celle de la chane des e des visites successives de a lensemble ` Nous poserons donc o` u est linstant de la i` me visite de e dans Les probabilit s de transition de la chane e sont estim es a laide des op rateurs d nis en e ` e e 1.7.2 et selon le sch ma d velopp ci-dessus. Les fonctions de co t de communication e e e u et d nergie virtuelle e sont d nies et estim es. e e 48
$ 1 #"
F l & k k
$ "
La hi rarchie des cycles permet ainsi de d crire les dynamiques possibles de e e la vitesse de d croissance de e .
en fonction de
F $ " F h H5 $ " k
b
$ "
$ " &
F 1 $ " k
F $ " k $ HF " h 5
F b $ " F $ "k k
$ "
$ "
b
$ "
F $ " k
Nous savons alors que la suite des mesures stationnaires de la chane semble des minima de
Lun des principaux r sultats indique quil existe une taille de la population de e tique) telle que les maxima de soient atteints asymptotiquement avec la probabilit . e
Taille critique
est :
o` : u
Il est int ressant de relever que le r sultat est obtenu sans faire intervenir lop rateur de croisee e e ment, qui nest donc pas indispensable. Lexploration par mutation et la s lection sufsent a assurer e ` la convergence vers ([Zhi91]). Ce premier r sultat nous indique que d` s que e e la suite des mesures stationnaires de la chane se concentre asymptotiquement sur lorsque tend vers linni. On peut dans une e e e etape suivante faire evoluer , et donc lintensit des perturbations, en fonction de la g n ration. Nous obtenons alors une chane de Markov inhomog` ne e dont le m canisme de transition d pend e e alors de la g n ration e e 49
est le nombre minimal de transition permettant de joindre deux points arbitraires de mutation
par
17
Th or` me 1.3 (Cerf 1993) e e telle que lorsque la taille de la population de lalgorithme Il existe une valeur critique g n tique d passe e e e , lensemble des maxima globaux de contient lensemble Cette taille critique , d pend fortement de lespace d tat e e de la fonction dadaptation des noyaux de transition de mutation et de croisement ainsi que des param` tres e et
'
la fonction dadaptation les noyaux de transition de mutation Supposons x s lespace d tat e e et de croisement ainsi que les constantes positives g rant les trois op rateurs e e et
1 1
F 1 $ " k
1 1
(taille cri-
F $ " k
7 1 V
1v
p H v 5 5C u V V 7 1 F $ " k o
!
Vitesse de convergence Le principal probl` me est de savoir si cette chane inhomog` ne peut avoir un comportement proche e e de celui de la chane homog` ne e et si oui, sous quelles conditions. La vitesse de croissance de vers linni, est bien evidemment, au centre du d bat. e
de s chapper des maue La vitesse recherch e se situe entre ces deux extr mes, permettant a e e ` vais bassins dattraction (ne correspondant pas a des maxima de ) et de rester pi g dans le bon ` e e (celui des points de ). La vitesse de convergence de la suite est caract ris e par lexposant de convergence12 , e e
" "
de la suite
est lunique r el e
"
tel que :
cest a dire, pour que la chane des visites successives des attracteurs soit pi g e dans e e ` apr` s un nombre ni de transitions, il est n cessaire que lexposant de convergence de la suite e e appartienne a lintervalle ` Les constantes et sont des caract ristiques du probl` me,lintervalle e e est alors non vide pour assez grand.
de la suite
ce qui signie quapr` s un nombre ni de transitions, nous avons presque s rement, la situation e u suivante :
12
50
la population
la chane
est pi g e dans e e
, .
$ "
y & 5 H5 C & p 7 % F 1 7 % 2 l )
"
Th or` me 1.5 Condition sufsante pour la colonisation de e e Il existe deux constantes et telles que si lexposant de convergence alors : a lintervalle `
"
& 2 5 H5 C & p
&1
7 % 2l )
appartient
"
"
$ 4 a 6 46 # t
4 a 6 46 D
$ "
$ "
17 F
Si crot rapidement, alors correspondant pas aux maxima de pouvoir sen echapper.
risque de rester pi g dans des bassins dattraction ne e e lintensit des perturbations devenant trop faible pour e
I I HG G k
$ D"
F 1 $ " k
F # $ " q
'
$ $ D" "
&
p H v 5 5C u
1 ( 1 '2 )
$ "
$ "
$ " $ " 7
de niveau
En guise de conclusion Dautres r sultats existent, tant dans le travail de Cerf, que dans la litt rature cit e dans cette sece e e tion. Ils demandent cependant un investissement suppl mentaire dans la compr hension des outils e e d velopp s. Le but de cette section etait de convaincre le lecteur que l tude th orique des algorithmes e e e e g n tiques donne (d j` ) de substantiels r sultats. De nombreuses interrogations demeurent cependant e e ea e concernant les relations r elles entre les diff rents param` tres caract risant lalgorithme g n tique et e e e e e e les choix pratiques de ceux-ci. Dans ce domaine, la pratique devance encore la th orie, m me si les e e m canismes commencent a etre plus clairs. Il reste egalement a etudier les nombreux rafnements e ` ` (tels que le scaling, sharing, le clustering, l litisme) indispensables dans la pratique. e
51
52
Chapitre 2
1 2
2 1
sur lintervalle
()
4 2 0 -2 -4 -6 -8
-2 -1 y 0 1 2 2 1 0 x -1
1.5
2.5
3.5
4.5
Figure 2.1: Fonction de Rosenbrock Cette fonction peut etre optimis e par des m thodes classiques. Une etude el mentaire (d riv es e e e e e partielles) montre quil existe un seul minimum, le point et que la valeur du minimum en ce en un nombre r duit e point est 0. Dautre part, notre algorithme de simplex donne une solution a ` d valuations de fonction, en partant dun point quelconque de lespace de recherche. e La fonction est assez difcile a optimiser : le premier terme de la fonction d nit une quadrique ` e . Cest sur cette dont les bords sont tr` s abrupts, dont le fond est plat, d ni par la parabole e e courbe quil faut ensuite optimiser le second terme, sachant que toute petite perturbation de entrane imm diatement une forte variation du premier terme si ne varie pas simultan ment pour que le point e e reste sur la parabole . La gure 2.1 permet de mieux comprendre le ph nom` ne. e e On a repr sent sur la gure 2.1 (` droite) l volution de la valeur de e e a e en fonction du nombre d valuations effectu es par lalgorithme g n tique avec mutation adaptative et sans mutation adape e e e tative, ainsi que du recuit simul (VFSR), dun algorithme de simplex (Nelder-Mead), de la m thode e e BFGS et dune arithm tique des intervalles. L chelle est logarithmique sur les deux axes. On a utie e lis un croisement barycentrique et une mutation sous forme de bruit gaussien pour lalgorithme e g n tique. On constate que lalgorithme g n tique utilisant la mutation adaptative obtient des r sultats e e e e e bien sup rieurs a ceux de lalgorithme g n tique standard. Les param` tres de VFSR ont et adapt s e ` e e e e e de facon a donner un r sultat aussi bon que possible. ` e Si lon utilise la programmation par intervalle, les r sultats sont excellents en terme dit rations. e e Lalgorithme trouve loptimum a ` pr` s avec 901 it rations pour la fonction e e et 1803 it rations e pour la fonction . Cependant, il faut nuancer ce r sultat. En effet, le calcul dune it ration de e e la fonction (qui calcule limage dun intervalle) est environ 25 fois plus longue que le calcul dune it ration de e . Nous avons donc repr sent sur la gure 2.1 le r sultat de (25*IterFX+Iterfx) e e e et non la somme du nombre des it rations. Il est clair quun meilleure implantation de larithm tique e e des intervalles permettrait dam liorer consid rablement les r sultats. e e e Pour conclure notons que : Les m thodes locales sont plus efcaces denviron 2 ordres de magnitude, si on les compare e aux m thodes globales, lorsquelles sont applicables. On en vient donc a la remarque de bon e ` sens quil vaut toujours mieux appliquer une m thode locale lorsque cela est possible. e Les r sultats pour le recuit sont quasiment identiques a ceux pr sent s par L. Ingber dans e ` e e 54
C & $ C" 7
)
7
$ 1 "
C &
$ 1 C"
-5 res_noshar res_shar -6 -7
0.002 0.0019995 0.001999 6060 0.0019985 20 0.001998 -20 0.0019975 -60 -40 0 y 40 40 20 x 0 -20 -40 -60
-8 -9 -10 -11 -12 -13 -14 -15 2 2.2 2.4 2.6 2.8 3 3.2 3.4
Figure 2.2: Fonction de DeJong [IR92b]. Les r sultats pour lAG utilisant des r els sont un peu meilleurs que ceux de lAG e e a chane de bits utilis par Ingber. En revanche, si lon introduit la mutation adaptative, lAG ` e devient plus efcace que le recuit.
Nous pr sentons sur la gure 2.2 la forme de cette fonction ainsi que les r sultats obtenus par lale e gorithme g n tique avec et sans (clustering+sharing). Sur la partie gauche de la gure, on repr sente la e e e convergence vers loptimum en format log/log, avec en abscisse le logarithme du nombre d valuations, e et en ordonn e le logarithme de l cart a loptimum. Le clustering am liore les performances, car il e e ` e permet de maintenir une meilleure diversit de population et sort rapidement lalgorithme dun optie mum local. La convergence est r alis en moyenne en 1500 evaluations de fonctions avec le clustering. e e Les r sultats sont tr` s proches de ceux obtenus par VFSR [IR92b]. e e A ce sujet, on peut rapidement rappeler les r sultats pr sent s par David Fogel dans [Fog95]. Les e e e r sultats de notre AG sont meilleurs que ceux obtenus par Fogel avec un m canisme dit d Evolue e 3 . Au demeurant, lensemble des r sultats pr sent s par Fogel a lappui de sa tionary Computation e e e ` th` se (l Evolutionary Computation est sup rieur aux m canismes g n tiques standard) est plus que e e e e e discutables. Il nous a et possible en effet dobtenir sur lensemble des fonctions de test quil pr sente e e
3
Le terme Evolutionary Computation d signe des algorithmes de type g n tique mais qui nutilisent que la mutation. e e e
10 ag vfsr
2.5e+08
0
2e+08 1.5e+08 1e+08 5e+07 0 -10000 -5000 0 y 5000 10000 10000 5000 0 x -5000 -10000
-5
-10
de meilleurs r sultats que ses algorithmes. En ne prenant en compte que des algorithmes g n tiques bie e e naires primitifs, et non des algorithmes a codage r el quil semble mal connatre, il commet une erreur ` e qui fausse totalement sa pr sentation. Dautre part, les fonctions de test quils utilisent ne pr sentent e e que peu, ou pas du tout, dint r t sur le plan de loptimisation globale : elles sont bien trop simples ee (de m me dailleurs que la fonction de De Jong). e
mod
Cette fonction est int ressante a plus dun titre. Dune part, elle pr sente la propri t davoir e ` e ee optima locaux. Pour , cela signie d j` quun algorithme utilisant un milli` me de second pour ea e parcourir chaque minimum mettrait un temps sup rieur a l ge de lunivers pour trouver loptimum e ` a global (tous les points du compact sont optimaux). Dautre part cette fonction est, pour L. Ingber, un des meilleurs tests possibles pour un algorithme doptimisation global. Il nous a donc sembl int ressant de nous mesurer a VFSR sur cet exemple. La gure 2.3 repr sente la fonction e e ` e pour . Il faut noter que pour les deux algorithmes concern s, la convergence ne pr sente aucune e e et . A partir de , le probl` me devient plus difcile. Les param` tres e e difcult pour e par d faut de VFSR ne permettent pas de faire converger lalgorithme simplement. e Avec laide de L. Ingber, il nous a et possible de trouver un ensemble de param` tres faisant e e converger VFSR. Il sagit en fait dutiliser une technique particuli` re, le Quenching qui consiste a e ` 56
si si si
&
V p
&
2 0 1 0
()
& $ 5 " b
&
&
!&
5t
!&
V &
& V V
si sinon
Tableau 2.1: Programmation par intervalles appliqu e a la fonction de Corana e ` acc l rer le sch ma de recuit, au risque de tomber dailleurs dans un optimum local. Sur 10 tests faits ee e avec VFSR, 5 dentre eux trouvent la solution optimale et 5 restent bloqu s dans un optimum local. e Lalgorithme g n tique trouve toujours la meilleure solution avec une population de 400 el ments. e e e En revanche, lorsquil converge, lalgorithme de recuit est nettement plus rapide que lalgorithme g n tique (voir gure 2.3 un exemple nominal de convergence des deux algorithmes). e e Nous avons alors d cid daugmenter la valeur de pour observer le comportement de chacun des e e deux algorithmes lorsque le probl` me se durcit. Pour lalgorithme g n tique, il suft daugmenter le e e e nombre d l ments de population jusqu` ce que lalgorithme converge. La limite avec lAG classique ee a . Nous ne sommes pas parvenus a faire converger VFSR pour ` . se trouve autour de La fonction de Corana etant compl` tement s par e, il est int ressant de lui appliquer la m thode e e e e e doptimisation pour les fonctions partiellement s parables mise au point par Nicolas Durand pr sent e e e e dans la section 1.4.1. Pour appliquer lAG avec les op rateurs adapt s, on d nit trivialement la tness e e e locale comme suit :
Puisque la fonction est totalement s par e, on pouvait sattendre a ce que lop rateur adapt se e e ` e e r v` le particuli` rement efcace, ce que conrment les tests : avec une population de e e e el ments sur e tests, lAG utilisant le croisement adapt trouve toujours le minimum global avant la g n ration e e e pour . Enn, nous avons egalement test la programmation par intervalle. Les r sultats sont pr sent s sur e e e e le tableau 2.1. On remarque que lon ne peut trouver de solution pour , en raison de loccupation m moire. En fait, la fonction de Corana est tr` s mal adapt e a la programmation par intervalles, car e e e ` elle pr sente de nombreux plateaux. Ces plateaux peuvent etre subdivis s en de nombreux intervalles e e pour lesquels les bornes de la fonction sont les m mes. Cela provoque une explosion du nombre e dintervalles que lestimateur ne parvient pas a couper. `
57
!
y 0 5
si sinon
&
P V
y 5C
0 !
0.5
-0.994
-0.996
-0.5
-0.998
-1 -20 -10 0 y 10 20
Nous nous int resserons ici au cas e . Cette fonction nest pas repr sentable facilement mais e on peut par exemple tracer pour variant entre et et variant entre et (voir gure 2.4). On observe alors sur cette coupe que le minimum de la fonction concern e e e se situe en , mais que la fonction a de nombreux minima locaux proches et eloign s de . Nous allons montrer sur cet exemple combien lutilisation dune tness locale peut etre utile, bien que la fonction ne soit pas compl` tement s parable. On d nit la tness locale comme suit : e e e
sans sharing avec un croisement classique de type barycentrique. sans sharing avec le croisement adapt . e avec sharing avec un croisement classique de type barycentrique. avec sharing et le croisement adapt . e
Dans chaque cas, lalgorithme g n tique est test une centaine de fois avec e e e g n rations et e e individus (qui repr sente environ 36000 evaluations de fonction). On dit que lalgorithme g n tique e e e a converg lorsquil a trouv une solution, qui, par une m thode locale simple, permet datteindre e e e loptimum global. On peut dailleurs souligner ici limportance de lassociation AG/m thodes locales e qui permet seule de trouver loptimum de la fonction. Le tableau 2.2 donne le nombre minimal, maximal et moyen de g n rations n cessaires pour que e e e lalgorithme g n tique converge. Le tableau donne egalement l cart-type de ce nombre de g n rations e e e e e ainsi que la distance moyenne (en norme innie) de la solution optimale trouv e a la solution optimale e ` absolue, ( ). Les r sultats ci-dessus montrent que la convergence de lalgorithme est fois plus rapide avec e le croisement adapt quavec un croisement classique. On observe egalement que le sharing ralene tit l g` rement la convergence de lalgorithme quel que soit le croisement utilis . Ainsi, lint r t de e e e ee 58
On effectue alors
s ries de tests : e
9(
2 1 $
2 1
et
()
9 9 ()
$ C 1 C 1 C" | &D
C
C 1
C1
et valeur moyenne de la
C" |
lop rateur de sharing nest pas evident dans ce cas. Cependant, les performances de lalgorithme e ne sont pas d grad es par lop rateur de sharing lorsque le croisement adapt est utilis . On observe e e e e e m me que lop rateur de sharing permet dobtenir une solution apr` s convergence proche de alors e e e que sans lop rateur de sharing, la meilleure solution apr` s convergence reste eloign e de . e e e La gure 2.4 donne les valeurs moyennes des meilleures tness suivant les tests. Cette gure conrme le bon comportement de lop rateur adapt avec sharing. e e e Dans chacune de ces s ries de tests, il est possible dobserver leffet du croisement de la facon suivante : a chaque g n ration, on effectue ` e e croisements, parmi ceux-ci, certains donnent soit un individu optimal (au sens d ni pr c demment), soit un individu acceptable, soit un individu qui sera e e e imm diatement rejet . Les courbes 2.5, 2.5, 2.6 et 2.6 donnent les r partitions de ces cat gories pour e e e e e un test extrait de chacune des s ries de tests. e e e e On observe sur les gures que lorsque lalgorithme g n` re des solutions optimales, il g n` re egalement des solution rejet es (tellement mauvaises que lop rateur de s lection ne les conserve pas). e e e Cest la difcult de ce probl` me (les solutions optimales sont proches de solutions tr` s mauvaises). e e e On observe sur la gure 2.5 que lop rateur de croisement adapt g n` re un nombre tr` s important de e e e e e solutions rejet es. Il est int ressant de constater que lop rateur de sharing permet datt nuer cet effet. e e e e Des tests ont et effectu s avec VFSR. Nous ne sommes pas parvenus a faire converger le recuit, e e ` qui tombe syst matiquement dans un minimum local. Il est possible que notre matrise de VFSR soit e insufsante pour arriver au r sultat. Cependant, du fait que les r sultats que nous sommes parvenus e e a obtenir avec VFSR pour les trois fonctions pr c dentes sont proches de ceux pr sent s par Ingber, ` e e e e nous pensons fortement que la fonction de Griewank est difcile a optimiser pour un algorithme de ` recuit simul . e La programmation par intervalle, en revanche, parvient a r soudre le probl` me avec une pr cision ` e e e de en 180026 evaluation de fonction pour et 360053 evaluations pour . Il faut noter quil ny a l` aucun besoin dappliquer une m thode locale en n de convergence. Les r sultats sont a e e donc r ellement int ressants. e e Dans le cas pr sent, une evaluation de e est equivalente (en temps) a 10 evaluations de ` . On a repr sent sur la gure 2.7 l volution de la valeur de en fonction de (10*IterFX+Iterfx), les e e e echelles etant l` encore logarithmiques sur les deux axes. a
$ C" 7
$ " |
$ C" 7
$ " |
Tableau 2.2:
g n rations et e e
el ments de population e
type de croisement classique adapt e classique avec sharing adapt avec sharing e
min 76 42 79 42
50
50
40
40
30
30
20
20
10
10
50
50
40
40
30
30
20
20
10
10
60
4 inter 3 2 1 0 -1 -2 -3 -4 -5 -6 1 2 3 4 5 6 7
Figure 2.7: Convergence dune m thode par intervalles sur la fonction de Griewank e r sultats [Hue94] montrent que les m thodes classiques de satisfaction de contraintes restent plus e e efcaces que les AG.
@6 t
$ t@ 1 6 1 t 1 @ 1 6 " A A
` h8 D
` 7 5
97
9 7` h8 D
@6 t @ A
@6 t @ A
PERE1 H
PERE2 H
I G J F ville de rfrence C B D fitp du pre 2 N Reprsentation des fits et fitp pour depth=4. A M K
18
fits du pre 2
18 17 16 17 16
15
L
14 13 12 11 10 1 2 7 6 5 0 8 3
15
14 13 12
11 1 9 2
9 7 6 5 4
FILS
les villes dans le sens oppos (cest a dire en consid rant chaque fois la ville pr c dente). On affectera e ` e e e a cette valeur. Ainsi, notre codage senrichit. Il comporte d sormais quatre listes au lieu de deux. ` e Les deux premi` res listes permettent de d nir lordre des villes dans le cycle, les deux derni` res sont e e e compos es des tness locales de chaque ville. e Le principe de notre croisement est le suivant : on choisit une ville au hasard qui constitue le point de d part de notre croisement. Le processus suivant est r p t fois o` est le nombre total e e ee u de villes : pour choisir la ville suivante (voir gure 2.8), on va comparer les valeurs et des deux parents, repr sentant quatre chemins possibles. Parmi ces quatre chemins, certains parcourent e des villes d j` utilis es. On p nalise alors les , des chemins correspondants. Le choix de la ville ea e e suivante se fera en consid rant le chemin le plus court, a une certaine valeur pr` s. Si le chemin le e ` e plus court est distant de moins de dun autre, la ville suivante est choisie au hasard entre ces deux villes. On retrouve bien l` le principe de croisement d taill pr c demment. La valeur a pour but de a e e e e ne pas rendre lalgorithme trop d terministe. Dans le cas o` les quatre villes suivantes possibles ont e u d j` et utilis es, on choisira de facon heuristique la ville la plus proche disponible. Pour construire ea e e le deuxi` me ls, on effectue la m me op ration en prenant un point de d part diff rent. e e e e e Pour nos simulations, nous avons choisi constante et valant la distance moyenne entre les villes. e ` e e ee ` On peut imaginer que d croisse au fur et a mesure des g n rations. Par contre, on a int r t a choisir petit en d but de convergence et de le faire crotre de facon a prospecter de plus en plus loin dans e ` les chemins possibles. Nous prendrons par exemple proportionnel au nombre de g n rations e e effectu es et variant entre et . e 62
97
` h8 D
` 97 7
0 H
` h8 D
ville A
X ville X ville B B
A D C B B
C
C Ville C
D ville D
Cet op rateur consiste, pour chaque ville (voir gure 2.9), a comparer la somme des co ts des arcs e ` u avec les co ts u o` et sont des villes successives proches de u . Si la deuxi` me somme est inf rieure a la premi` re, on reliera aux villes et . e e ` e
Cet op rateur a pour but de d boucler les boucles. Pour chaque arc e e (voir gure 2.9, on cherche soit sup rieure a e ` . des villes cons cutives proches et telles que la somme e On d boucle alors la boucle. e Il est a noter que ces deux op rateurs ne n cessitent pas que la distance entre les villes respecte ` e e lin galit triangulaire. Il nest par ailleurs pas question de faire une recherche exhaustive de tous e e 63
At
A
@
Lop rateur e
t (
A
Lop rateur e
@
et
Pb consid r ee Taille du probl` me e Taille de la pop Valeur du minimum Nb min de gens Nb moy de gens Nb max de gens Temps min (en sec) Temps moy (en sec) Temps max (en sec)
Tableau 2.3: R sultats num riques sans sharing du probl` me du voyageur de commerce. e e e les arcs pouvant etre concern s mais seulement de regarder les villes proches de chaque ville ou arc e concern . Le co t de ces deux op rateurs est donc simplement proportionnel au nombre de villes e u e consid r es dans le probl` me. ee e
30 0 1 2 2 1 0 30
10 0 2 16 16 2 0 10
10 0 2 16 16 2 0 10
30 0 1 2 2 1 0 30
Tableau 2.4: Valeur statique des cases les AG qui peut s tendre a tous les programmes de jeux reposant sur des algorithmes de type - . e ` Des tentatives ont et faites dappliquer des techniques telles que la co- volution [SG94], des e e r seaux de neurones appris par AG [MM94], ou des strat gies evolutives [MM93] a Othello. Mais ces e e ` tentatives, pour int ressantes quelles soient, nont pas donn de r sultats particuli` rement concluants. e e e e Le niveau de jeu de [SG94] etait relativement faible, [MM94] ne parvenait pas a am liorer le niveau ` e de jeu sil utilisait des fonctions d valuation de bonne qualit comme fonctions test, et [MM93] e e ne parvint pas a am liorer la strat gie classique a Othello (un terme positionnel plus un terme de ` e e ` mobilit ). e Nous allons, en ce qui nous concerne, partir dun programme dOthello et utiliser les AG pour am liorer la fonction d valuation (ces r sultats sont egalement pr sent s dans [All95]). e e e e e
2.3.1 Introduction
Le point de d part de ce travail est un programme dOthello d velopp par lauteur il y a quelques e e e ann es. Il faut noter que ce programme a et test contre de bons joueurs francais (en particulier contre e e e 4. le num ro 10 francais), et a obtenu des r sultats fort honorables e e Ce programme a une structure extr mement simple. Il utilise un algorithme - , avec une ree cherche en profondeur it rative et des fen tres de coupure. Le programme d clenche une recherche e e e exhaustive 11 a 14 demi-coups avant la n de la partie, en fonction du temps restant et de la puissance ` de la machine. La fonction d valuation est compos e de trois termes, que nous allons d tailler. e e e Le premier terme de la fonction d valuation est purement statique ; on utilise la table 2.4 comme e r f rence. Pour chaque disque sur le tableau de jeu, on additionne la valeur de la case correspondante ee si le disque est de la couleur du programme, ou on retranche cette valeur si le disque appartient a ` ladversaire. Cette table, en raison des sym tries, comporte 10 param` tres. e e Le second terme a pur but de rafner cette evaluation grossi` re. En effet, quand un coin du bord e est d j` pris, les trois cases imm diatement adjacentes peuvent etre occup es sans aucun risque, et ea e e leur valeur est donc ramen e a 0. Enn, toujours lorsquun coin est occup , tous les disques du bord e ` e de la m me couleur et connect s a ce coin recoivent un bonus. Par exemple, sur la gure 2.10, on e e ` voit que trois disques recoivent un bonus. La valeur de ce bonus est un autre param` tre de la fonction e d valuation. e Enn, le troisi` me partie de la fonction d valuation est le facteur de mobilit ; on calcule pour e e e chaque disque le nombre de libert s : il sagit du nombre de cases libres autour de ce disque. On e additionne ensuite les libert s de chaque disque pour un joueur donn (par exemple, sur la gure 2.10, e e
4
Les meilleurs programmes dOthello sont presque imbattables par un joueur humain.
65
'
'
Figure 2.10: Evaluation des libert s et des bords e le joueur noir a 8 libert s). Le score de mobilit est la diff rence des libert s des deux joueurs. Ce e e e e score est multipli par un coefcient avant d tre ajout a la valeur de la fonction d valuation. e e e` e La fonction d valuation comporte donc 12 (10+1+1) param` tres. Les valeurs initialement prises e e par ces param` tres etaient [500, -150, -250, 30, 0, 1, 10, 0, 2, 16] pour les valeurs des cases, +30 e pour le bonus de connexion, et 8 pour la p nalit de mobilit 5 . Ces valeurs ont et choisies de facon e e e e arbitraire. Elles semblent raisonnables, mais rien ne permet de penser quelles sont optimales. Nous allons maintenant d crire comment un AG peut- tre utilis pour am liorer les valeurs de ces e e e e coefcients.
Le programme utilise egalement du sharing. La distance utilis e est la distance euclidienne sur e lespace des coefcients.
66
'
2 1 )
2 0 1 0 ()
il faudrait a chaque g n ration que chaque programme joue un tr` s grand nombre de parties a des ` e e e ` profondeurs d valuation diff rentes pour que le r sultat soit able. Le temps d valuation devient e e e e alors compl` tement prohibitif. Nous avons donc d cid dutiliser une technique mixte. Tout dabord, e e e un programme qui nest pas modi dune g n ration a lautre conserve la m moire des matchs d j` e e e ` e ea jou s. De cette facon, la valeur de lintervalle de conance sur la valeur de la tness sam liore au l e e des parties. La m thodologie choisie est donc la suivante pour chaque el ment de la population : e e
pour chacune de ces quatre positions, le programme joue alors une fois avec les noirs et une fois avec le avec les blancs. Pour chacune de des deux parties, on calcule le nombre nombre de disques blancs et le nombre de disques noirs a la n de la partie. Puis on calcule ` la diff rence e . Si le r sultat est positif, on dit que le nouveau programme a gagn . Si le e e r sultat est n gatif, il a perdu. Si la diff rence est nulle, il y a match nul. e e e on r p` te cette op ration en faisant jouer le programme a trois profondeurs xes diff rentes (0, e e e e 1 et 2).
BD
Cette valeur sera utilis e pour calculer ladaptation de l l ment concern ; math matiquement, e ee e e ladaptation sera donc telle que :
Construisons alors la fonction , elle va servir a etablir un intervalle ` de conance que nous xerons a 95% : on d sire trouver la valeur a partir de laquelle il y a 95% de ` e `
On gagne 0,1,
ou
r sultats distincts. e
67
0 n & at r H $ a
D B p & at $ D 1 " a
o` u
repr sente les diff rences cumul es des pions en n de partie. e e e Pourtant, cette technique nest pas satisfaisante. On voit intuitivement quil est plus int ressant e davoir un programme qui a gagn 95 parties sur 96 quun programme qui a gagn 12 parties sur 12. e e La conance que nous avons sur le premier est forte, alors quelle est beaucoup plus faible pour le second. Nous avons alors d ni lestimateur suivant : e Si la probabilit de gagner une partie sur une jou e est not e alors celle de gagner parties sur e e e jou es est donn e par la loi binomiale : e e
HD
BD
&
! !
` 9 x5 8 w V &7 ~ A ~ 9k H 9 x 85 5 V V
HD
quatre positions de d part sont g n r es al atoirement. Pour chacune de ces positions il y a au e e ee e moins quatre disques (les quatre disques centraux), et au plus quatorze disques (les dix disques suppl mentaires sont plac s dans le sous damier central de e e ).
h(p,m,n)
m/n
p 1
chance pour que la tness soit sup rieure a . On cherche donc la valeur telle que 95% de la surface e ` se situant sous la courbe (repr sent e gure 2.11) se trouve apr` s . e e e Les valeurs de la tness sont assez profond ment modi es. Ainsi, par exemple, e e , , et . Cette technique, qui peut se g n raliser a e e ` dautres probl` mes o` les calculs de tness sont statistiques, a donn dexcellents r sultats. e u e e
2.3.5 Conclusion
Les travaux d crits ci-dessus ont et poursuivis par lauteur de ces lignes durant ses moments libres e e (h las trop peu nombreux). Une nouvelle version du programme a vu le jour. Cette version utilise e une fonction d valuation totalement diff rente : elle est b tie sur une technique de reinforcement e e a learning qui est appliqu e a la reconnaissance de formes sp ciques sur les bords et dans les coins. e ` e Les coefcients de la fonction sont toujours appris par AG.
7
Pour une pr sentation plus d taill e, en particulier sur les speedups obtenus, on peut se reporter a [LeF95]. e e e `
68
n m & $ 1 " 7
B $ D 1 1 a"
& $ m 1 0 " 7
Prof 0 1 2 3 4 5 6
P 98 101 78 75 75 68 20
N 20 47 44 44 45 46 8
P 194 82 55 50 46 40
N 18 33 42 52 34 31
P 107 82 120 61 46
N 19 41 37 47 41
Tableau 2.5: R sultats des programmes d velopp s par AG e e e M thodes locales e oui difcile non non efcace Recuit non difcile non oui efcace AG non Intrins` que e oui oui efcace Prog. Inter. oui Facile oui oui inefcace
Optimum trouv e Parall lisme e Optima multiple Optimisation globale Nombreuses variables
Tableau 2.6: Comparaison de diff rentes m thodes doptimisation e e Ce programme a et engag sur le serveur international dOthello (IOS), sous le nom dotage. e e Il occupe actuellement la 4` me place en Blitz et la 9` me place en partie classique sur un ensemble e e denviron 500 joueurs class s. Ses r sultats contre certains des bons programmes mondiaux (Bugs, e e Yapp, Hannibal) indiquent que ce classement de 9` me doit approximativement correspondre a sa e ` valeur r elle. e Il serait int ressant de poursuivre le travail sur otage, en particulier en rafnant lalgorithme e de recherche, en introduisant des tables de hash, en lui faisant utiliser le temps de ladversaire, en utilisant une biblioth` que douvertures, en am liorant la qualit de la reconnaissance de patterns, etc. e e e Le potentiel de progression du programme est, a mon avis, encore important. `
2.4 Conclusion
Il est toujours d licat de conclure une etude de ce type. En effet, pour bien juger de la sup riorit dune e e e m thode sur une autre m thode, il nous faudrait parfaitement connatre les deux. Il est en effet trop e e facile pour un sp cialiste de la m thode de d montrer la sup riorit de ses algorithmes, simplement e e e e e parce quil sait parfaitement utilis son outil, alors quil ne matrise pas la m thode e e a laquelle ` il se compare. Il faut donc etre excessivement prudent lors de comparaison de plusieurs m thodes e diff rentes sur un m me probl` me. Dautre part, les probl` mes trait s sont fort diff rents les uns des e e e e e e autres, et lon ne peut etre que nuanc dans ses conclusions. e Nous pensons cependant que lon peut retenir un certain nombre denseignements du travail que nous avons effectu au cours des derni` res ann es ; les algorithmes g n tiques sont efcaces lorsque : e e e e e Il faut trouver plusieurs optima. La structure du probl` me permet dutiliser au mieux le croisement, en y incluant par exemple e la notion de tness partielle et de s parabilit . e e 69
Le tableau 2.6 pr sente un r sum de ces el ments. De facon g n rale, les algorithmes g n tiques e e e e e e e e ne doivent etre employ s que lorsque les m thodes plus classiques ne peuvent etre utilis es. Il ne sagit e e e en aucun cas dune panac e universelle susceptible de couvrir tous les domaines de loptimisation. e
Le temps de calcul de chaque tness est elev , et justie donc lemploi du parall lisme. e e il est possible de coupler lalgorithme g n tique avec des m thodes locales. e e e Il nest pas indispensable de trouver loptimum, mais seulement une bonne solution.
En revanche, ils se r v` lent relativement inefcaces dans les cas suivants : e e le probl` me est a variable r elle, et relativement simple ; il faut alors toujours essayer une e ` e m thode de convergence locale, ou une technique de recuit. e le probl` me est purement combinatoire, en particulier du type programmation sous contraintes, e il faut utiliser les techniques adapt es (CSP, etc.) plut t que des AGs. Le travail fait par Denis e o Huet sur ce sujet [Hue94] est particuli` rement instructif. e
70
Partie II
71
When comfortably cruising in an airliner, sipping a glass of cold champagne and looking out of the window into the endless blue sky, you hardly ever see another man-made ying object. At the same time, the aviation paper that you are reading speaks about the capacity crisis in ATC. So, there seems to be a contradiction : the skies are empty, but the ATC radar screens are full.[...] In aviation, the introduction of new technologies in the air and on the ground have progressed out of step.
74
Chapitre 3
S parations : on d nit une distance horizontale, qui est exprim e en milles nautiques2 (Nm), e e e la s paration horizontale, et une distance verticale, qui, elle, est exprim e en pieds3 (ft) : la e e s paration verticale. On dit que deux avions sont s par s quand la distance qui s pare leurs proe e e e jections sur un plan horizontal est sup rieure a la s paration horizontale OU quand la distance e ` e qui s pare leurs projections sur un plan vertical est sup rieure a la s paration verticale. Ces e e ` e s parations peuvent etre diff rentes selon le type de zone dans laquelle se trouvent les avions, e e ou selon les outils de contr le dont on dispose. Dans le cas du trac en route, qui nous occupe o
1 Le niveau de vol ou altitude-pression est laltitude de lavion exprim e en centaines de pieds. Par exemple le FL290 e (FL pour Flight Level) correspond a une altitude de 29000 pieds soit environ 9000 m. ` 2 mille nautique vaut m ( minute dangle sur un m ridien). e 3 pied vaut cm.
H G F
FQ PI
lheure de d part ; e le niveau de vol1 demand pour la croisi` re ; e e la route pr vue : elle est d crite par une s rie de balises. e e e
75
ici, la s paration horizontale est g n ralement de Nm en France mais devrait bient t descendre e e e o a Nm. La s paration verticale vaut ` e ft au dessous du FL et au dessus. e Conit el mentaire : deux avions sont dits en conit quand ces avions ne sont plus s par s, cest a e e ` dire quand les distances s parant leurs projections sur un plan horizontal et sur un plan vertical e sont inf rieures respectivement a la s paration standard horizontale ET a la s paration standard e ` e ` e verticale. De facon plus g n rale, si lon se xe une dur e , deux avions seront dits en conit e e e potentiel pendant si durant le temps ils ont une probabilit non nulle d tre en conit. e e Cluster : un cluster davions est une fermeture transitive davions en conits potentiels. Si lavion est en conit potentiel avec lavion et si lavion est en conit potentiel avec les avions et , alors on dit que les avions , , et appartiennent au m me cluster. On trouvera e par la suite lexpression conit a avions qui signie en fait cluster a avions. ` ` Le r le du contr leur est donc de pr venir les risques de conit en donnant aux avions des ordres o o e de contr le (changement de cap ou daltitude, etc.) permettant d viter les conits. o e Mais la gestion du trac a rien ne se r duit pas a la seule action du contr leur sur les avions. e e ` o Il sagit en fait dun syst` me complexe que lon peut d crire comme une succession de cinq ltres e e agissant a des niveaux diff rents : ` e ` Organisation a long terme : cest le ltre le plus grossier. Son but nest pas au sens strict d viter e des conits mais plut t dorganiser le trac de facon macroscopique a moyen et long terme o ` ` e (sup rieur a mois). On peut citer a titre dexemple, les sch mas dorientation de trac, les e ` mesures du Comit des horaires ou encore, les accords inter-centres et les accords avec les e militaires qui permettent aux civils dutiliser leurs zones a riennes pour ecouler les pointes de e trac du vendredi apr` s-midi . e ` Organisation a court terme : on parle souvent de pr -r gulation. Il consiste a organiser une journ e e e ` e de trac la veille ( ) ou lavant-veille ( ). On dispose pour cela de donn es relativement e pr cises : e les plans de vol d j` connus ; ea la capacit de contr le que peut offrir chaque centre en fonction des effectifs qui seront e o pr sents le jour ; e le nombre davions maximum pouvant se trouver dans un m me secteur au m me instant, e e encore appel capacit du secteur ; e e les donn es des ann es et des semaines pr c dentes. En effet, le trac a rien est relativee e e e e ment r p titif : le lundi ressemble au lundi de la semaine pass e, le pont de lAscension e e e ressemble a celui de lann e pass e, etc. Ceci permet de pr voir o` vont apparatre les ` e e e u congestions, la capacit quil va falloir mettre en uvre pour r pondre a la demande, e e ` voire eventuellement les mesures plus contraignantes a prendre. `
Ce ltre a non seulement une action macroscopique car il organise les ux de trac en fonction des capacit s offertes mais egalement une action ponctuelle sur chaque avion en g rant les e e 4 . Effectu au niveau national jusquen 1995, ce ltrage est maintenant cr neaux de d collage e e e fait au niveau europ en pour obtenir une meilleure coordination. Cest le r le de la CFMU5. e o
4 5
Un cr neau de d collage est une fen tre temporelle pendant laquelle lavion est autoris a d coller. e e e e` e Central Flow Management Unit
76
D
n
(
t t
R gulation en temps r el : il consiste a organiser les diff rents ux en tenant compte des ev nements e e ` e e du jour. Il sagit plut t de mesures dajustement qui prennent en compte des ev nements encore o e mal connus la veille. Ainsi, le trac transatlantique est mal connu a ` mais est bien connu entre a heures avant son arriv e. La fraction de la capacit offerte qui avait et r serv e ` e e e e e par la pr -r gulation peut alors etre adapt e. On peut envoyer sur dautres centres les avions e e e suppl mentaires ou augmenter le nombre de vols non transatlantiques trait s par le centre sil y e e a moins de vols transatlantiques que pr vu. De la m me facon, on peut r -allouer des cr neaux e e e e horaires non utilis s pour une raison quelconque (retard ou incident technique) ou tenir compte e de la m t o du jour (terrains inaccessibles par exemple). Ce r le est en g n ral jou par les ee o e e e 6 dans chaque centre. FMP Tactique : cest le dernier ltre de la chane du contr le a rien : laction du contr leur sur son o e o secteur. Le temps moyen pass par un avion dans un secteur est de lordre dune quinzaine de e minutes. La visibilit du contr leur est un peu sup rieure puisquil dispose des plans de vol e o e quelques minutes avant lentr e de lavion dans le secteur. e La d tection et surtout la r solution des conits ne sont absolument pas automatis es. Les e e e contr leurs sont donc entran s a reconnatre des types de conits et a appliquer a ces derniers o e ` ` ` des manuvres connues. Le contr leur ne peut eviter les conits quen jouant sur la trajectoire o des avions. Pour cela, il dispose de quatre types dordres :
des d viations de cap ; e des paliers interm diaires pour les avions en mont e ou en descente ; e e des changements de niveaux de vol. des mesures de r gulation de vitesse (essentiellement sur des avions en descente) ; e
Cependant les r solutions propos es ne sont pas toujours optimales. En outre, une fois une e e manuvre d vitement choisie, le contr leur doit egalement surveiller les avions impliqu s e o e 7 de travail du pour v rier que tout se passe bien. Tout ceci se fait au d triment de la charge e e contr leur et affecte donc la capacit du secteur dont il est responsable. o e Urgence : Ce ltre nest cens intervenir que lorsque le syst` me de contr le est absent ou a et e e o e d faillant. Lobjet de ce ltre nest plus de s parer les avions (il est trop tard dans la plupart e e des cas) mais plut t d viter une collision pr sum e. La pr diction temporelle est inf rieure a la o e e e e e ` o minute et varie entre et secondes. Il est trop tard pour que le contr leur intervienne puisque lon estime quil lui faut entre et mn pour analyser une situation, trouver une solution et la communiquer aux avions. Actuellement, cette fonction est assur e par le TCAS8 qui d tecte e e les avions environnants et donne un ordre de r solution au pilote (pour le moment dans le plan e vertical). Ce ltre doit r soudre les conits non pr visibles comme par exemple dans le cas o` un avion e e u d passe un niveau de vol donn par le contr le ou dans le cas dun accident technique qui e e o d graderait notablement les performances de lavion. e
Flow Management Position La charge de travail prend en compte des t ches de surveillance, communication, d tection et r solution des conits. a e e 8 Trafc alert and Collision Avoidance System : syst` me embarqu a bord de certains avions que les Etats-Unis ont rendu e e` passagers. obligatoire pour tous les avions de plus de
7 6
77
! 0
PI
Depuis 1980, le contr le du trac a rien connat une progression r guli` re, qui fait craindre une o e e e saturation de lespace. De plus, le nombre de donn es a traiter augmentera encore avec la mise en e ` place de nouveaux moyens de communication entre le sol et les avions (Data-Link). Parall` lement, e les avions s quipent de moyens sophistiqu s de navigation (FMS9, GPS10) permettant des tenues e e plus pr cises de trajectoires. e Dans ce cadre, il faut sinterroger sur l volution des techniques de contr le pour les ann es a e o e ` venir. On se retrouve alors pris entre deux positions caricaturales : lautomatisation compl` te ou le e refus complet de toute automatisation. Les tenants de lune et lautre approche ont des discours qui rel` vent plus de l motionnel que du rationnel. On peut cependant penser que : e e
La voie moyenne consiste sans doute a penser un syst` me qui, dans un premier temps, serait ` e susceptible de fournir une aide a la d tection et a la r solution des conits, et pourrait, a la de` e ` e ` mande de lop rateur, effectuer automatiquement certaines r solutions. Le Centre dEtudes de la Nae e vigation A rienne sest int ress a cette hypoth` se dans le cadre de certains de ses projets, comme e e e ` e SPECTRA[Pla93]. Dautres projets, comme ARC-2000 (d velopp par le Centre Exp rimental Eurocontrol de Br tigny), e e e e ont explor des voies plus futuristes, tout en souhaitant utiliser dans les syst` mes de contr le actuels e e o les algorithmes et concepts d velopp s par des equipes de recherche pour les syst` mes de contr le du e e e o futur. Les probl` mes d volution des syst` mes de contr le sont discut s plus en d tail dans [DAM93], e e e o e e et lon trouvera un large panorama des diff rents projets dautomatisation dans [Dur96]. e Dans tous les cas, il faut savoir pr voir les trajectoires des avions, d tecter les conits, regrouper e e ces conits par paquets, et donner des manuvres simples les r solvant, etc. Ces probl` mes sont e e aujourdhui identi s, mais les techniques a employer pour les r soudre le sont moins. On peut gloe ` e balement classer les approches employ s pas les diff rentes equipes en deux cat gories, qui ne sont e e e dailleurs pas sans rappeler deux ecoles de pens e du monde de lIntelligence Articielle : e
9 10
Le refus de toute automatisation est une politique a courte vue ; lop rateur humain est actuel` e lement le goulot d tranglement du syst` me de contr le. On peut certes esp rer am liorer ses e e o e e capacit s de traitement en am liorant la pr sentation des informations ; mais si laugmentation e e e du trac se poursuit dans les m mes proportions, il faudra d l guer au moins partiellement les e ee t ches de r solution et de surveillance a la machine. a e ` Une automatisation compl` te est irr aliste dans le contexte actuel, pour tout un ensemble de e e raisons ; certaines ont un caract` re politique ou social : la transition dun contr le o` lhomme e o u a une responsabilit compl` te a un contr le o` il naurait quune activit de supervision pose e e ` o u e de s rieux probl` mes ethiques. Dautre part, il nexiste pour linstant aucun syst` me capable de e e e r soudre lensemble des probl` mes techniques qui se posent dans ce cadre. e e
la premi` re approche consiste a construire un mod` le, dit cognitif, du contr leur, sp cialement e ` e o e dans ses modes dappr hension des param` tres du conit, et dutiliser ce mod` le dans un cale e e culateur an de construire des outils de ltrage de linformation et dassistance electronique au contr leur. Cette approche (` laquelle lauteur de ces lignes participa fort modestement a ses o a ` d buts [LA91], alors quil terminait sa th` se de doctorat au sein de l quipe formalisation du e e e raisonnement a lInstitut de Recherche en Informatique de Toulouse) poss` de le grand avan` e tage d tre facilement admissible pour un contr leur actuellement en activit : en effet, il naura e o e pas a changer son mode op ratoire, puisque la machine sera cens e le reproduire. Pourtant, cette ` e e
78
probl matique souffre directement des limitations propres aux approches dites expertes : co t e u tr` s elev de d veloppement et de maintenance, probl` me de g n ralisation des maquettes au e e e e e e cas g n ral, d gradation brutale de lexpertise aux limites du domaine, faillibilit du syst` me e e e e e expert, etc. Ces probl` mes ont et mis en evidence dans de nombreux domaines, et sont lare e gement pr sent s et discut s dans la litt rature sp cialis e depuis de nombreuses ann es maine e e e e e e tenant ([Dre84, Dre79, Dre87, Fox90, Dav82]), nous ny reviendrons pas ici11 . Ils semblent n anmoins justier que lon napplique ce type dapproche quaux probl` mes sur lesquels les e e approches plus classiques ne sauraient donner de r sultats probants. e
Il faut egalement signaler que lon a souvent trop tendance a confondre le but que lon souhaite at ` teindre (automatisation compl` te, partielle ou simple aide au contr leur) avec les techniques quil faut e o employer pour arriver a ses ns. Ce nest pas parce que lon souhaite fournir une aide au contr leur, et ` o non automatiser, que seule les m thodes cognitives sont applicables. On peut, par exemple, constae ter que laide la plus appr ciable par tous de linformatique a certainement et la machine a calculer, e e ` un objet fort peu cognitif. Je me plais souvent a rappeler ce petit texte dun eminent sp cialiste de ` e lIA, Jonathan Schaeffer : je consid` re lesprit humain comme une machine, comme je consid` re e e mon ordinateur comme une machine. Ces deux machines ont leurs forces et leurs faiblesses. Mon cerveau est par exemple tr` s fort pour la reconnaissance de formes et de situations, alors que mon e ordinateur est tr` s bon pour r p ter des t ches et effectuer des calculs. En revanche, jai un s rieux e e e a e probl` me a additionner un million de nombres en une second, et mon ordinateur nest pas tr` s dou e ` e e pour le langage naturel, ou la reconnaissance de situations. Etant donn que chaque machine a des e
Fort peu modestement, nous sugg rons au lecteur int ress mais press de se reporter a [AS92] pages 2539, 358361 e e e e ` et 463484 pour un r sum des divers arguments. e e
11
79
La seconde approche, que nous qualierons de pragmatique, consiste a etudier math matiquement ` e le probl` me et a appliquer les algorithmes susceptibles de donner les meilleurs r sultats pose ` e sibles sans trop se soucier de savoir si ces algorithmes reproduisent ou non le raisonnement humain. On peut dailleurs rappeler ce qu crivent [AVAD52] : Une premi` re l gende pr tend e e e e quil faut etre un expert pour r aliser un bon programme. Pourtant, le d veloppement dun e e programme est un probl` me cybern tique qui demande au moins autant de travail sur les ale e gorithmes que de connaissance du domaine. Cette derni` re peut m me avoir une inuence e e n gative, en raison de sa non formalisation. Une seconde l gende dit quun ordinateur devrait e e penser comme un etre humain, et que ceci est un dogme absolu. Pourtant, si le but est de faire r soudre a un ordinateur des probl` mes complexes, nous nous compliquons la t che de facon e ` e a injusti e en tentant dabord de r soudre le probl` me bien plus complexe de le faire raisonner e e e comme nous. Lapproche pragmatique a et employ dans AERA-III [Cel90, SPSS83, NFC 83, Nie89b, e e Nie89a, PA91] aux Etats-Unis. De la m me facon, la philosophie du syst` me ARC-2000 [K 89, e e FMT93, MG94] du Centre Exp rimental Eurocontrol est tr s proche de la n tre. Comme l crivent e e o e [DFMN95] : Le d monstrateur ARC-2000 est bas sur une approche algorithmique, par ope e position a une approche de type syst` me expert, en ce qui concerne le probl` me de d tection ` e e e et de r solution de conit. Les exp rimentations ont montr quil etait possible dadopter une e e e approche algorithmique de facon efcace en temps r el et avec une charge de trac tr` s im e e portante. Il sagit dun avantage par rapport a lapproche syst` me expert, dans la mesure o` ` e u cela permet davoir un moyen plus standardis et plus certiable de r soudre les probl` mes. e e e Le travail que nous avons r alis depuis 1992, et que nous allons pr senter dans ce chapitre, e e e sinscrit egalement dans cette lign e. e
capacit s diff rentes, il faut essayer dexploiter les forces des machines et non leurs faiblesses. Ainsi, e e les algorithmes issus du syst` me ARC-2000 sont en cours dint grations dans un syst` me daide a la e e e ` r solution de conits [DFMN95] : Les principes g n raux de r solution dArc-2000 ont prouv leur e e e e e grand efcacit . Ils sont actuellement appliqu s de facon tr` s satisfaisante a lint rieur dun syst` me e e e ` e e daide centr sur lop rateur humain, appel Highly Interactive Problem Solver. Il ny a pas oppoe e e sition entre des algorithmes permettant de construire automatiquement des solutions, et des syst` mes e susceptibles de fournir de laide au contr le. Il faut simplement remplir deux conditions : construire o des algorithmes efcaces et ables, quelle que soit leur structure, et pr senter correctement linformae tion issue de ces algorithmes, de facon a la rendre directement utilisable. Si on peut discuter certains ` choix dARC-2000 (en particulier la non prise en compte des incertitudes), on ne peut en revanche que souscrire a la m thodologie appliqu e. ` e e
80
700
600
Nombre davions
500
400
300
200
100
0 0 50 100 150 200 250 Niveaux de vol 300 350 400 450
Figure 3.1: Distribution du trac efcace quen deca dun certain horizon temporel. Les clusters (ensembles davions en interaction) ` sont d nis par fermeture transitive sur les conits survenus dans la fen tre. e e Jean-Francois Bosc [Bos94a, Bos94b, Bos94c, Bos95a, Bos95b, Bos95c, Bos96a, Bos96b] a uti lis le banc de test en vue de d terminer linuence sur le trac, en termes de nombre de conits et de e e clusters, des diff rents param` tres, que nous avons fait varier de la mani` re suivante : e e e
soit simulations, effectu es en routes indirectes, en routes directes sans r solution, et en e e routes directes avec r solution. On utilise une redistribution al atoire des niveaux de vol an de tenir e e compte de la variation du nombre de niveaux disponibles lorsquon change la s paration verticale. e Par ailleurs, an d tudier linuence de lhorizon temporel, nous avons utilis une fen tre d tude e e e e de longueur variable, prise dans une p riode de trac important et stable (typiquement entre 13 e et 14 h). La dur e des fen tres varie de 10 a 60 mn par pas de 10 mn. La gure 3.1 montre la e e ` r partition des vols par niveau dans l chantillon initial, avec utilisation des RVSM, et avec r duction e e e des s parations a 500 ft. e ` Les valeurs mesur es dans chaque fen tre sont les suivantes : e e
&
s parations horizontales (NM) : 1, 2, 4, 6, 8, 10 e s parations verticales (ft) : 300, 500, 800, 1000, 1300, 1500, 1800, 2000 (sans doublement e au-dessus du FL195) facteur de compression de temps : 1, 1.25, 1.5, 1.75, 2, 2.5, 4
Enn, on mesure pour chaque avion les heures de d part et darriv e et le retard, an de fournir e e une loi d volution des d lais pris dans la fen tre, ce qui est plus r aliste quune observation sur la e e e e journ e. En effet, les r sultats sur la journ e sont fauss s par la r partition irr guli` re du trac. e e e e e e e
3.1.2 R sultats e
Les mesures relev es en routes directes et indirectes sont pr sent es dans les tables 3.1 (trac actuel) e e e et 3.2 (accroissement de 150% de la densit de trac). Les deux derni` res colonnes donnent les ecarts e e en pourcentage d s aux routes directes. On peut noter les points suivants concernant les routes directes u par rapport aux routes indirectes :
On remarque toutefois que le gain en nombres de conits obtenu en routes directes sexplique en grande partie par laugmentation implicite du volume despace disponible, qui entrane une diminution de la densit r elle du trac. e e La faible r duction du nombre de vols amen e par les RVSM sexplique par le fait que les avions e e dont le niveau de vol est modi volent en g n ral plus bas, et donc gagnent un peu de temps dans les e e e phases de mont e et de descente. Par contre le gain en nombre de conits est important, du fait que e les niveaux les plus charg s sont situ s au-dessus du FL195 (voir gure 3.1). e e On constate dautre part que lintroduction des s parations RVSM touche essentiellement les e conits stable-stable, ce qui correspond a ce que lon pouvait attendre. Les conits impliquant au ` moins un avion evolutif sont rarement affect s. e 82
nombre de conits stable-stable, stable- volutif, et evolutif- volutif, e e nombre de clusters, moyenne, ecart-type et maximum du nombre de conits par cluster, moyenne, ecart-type et maximum du nombre davions par cluster, minimum du nombre davions dans les clusters dont le nombre de conits est egal au maximum, moyenne et maximum de l cart-type par cluster du nombre de conits par avion. Ces valeurs e fournissent une indication sur la structure des clusters.
Dautre part, on mesure sur la journ e compl` te les valeurs suivantes : e e nombre de conits (total et d taille en stable-stable, stable- volutif, et evolutif- volutif), e e e temps de vol moyen, d lai moyen et ecart-type. e
r duction de 6 a 7% du volume de trac. Ceci est directement li a la r duction des temps de e ` e` e vol permise par les routes directes (6,4% en moyenne sur la journ e). e r duction tr` s nette du nombre de conits et de clusters. Cette r duction est beaucoup moins e e e marqu e pour les conits entre deux avions evolutifs. e r duction de la taille des clusters (nombre davions et de conits). e
Routes S paration verticale e Nb de vols dans la fen tre e Nb de clusters Nb de conits stable-stable stable- volutif e evolutif- volutif e Moy du nb de conits par cluster Ecart-type du nb de conits par cluster Max du nb de conits par cluster Moy du nb davions par cluster Ecart-type du nb davions par cluster Max du nb davions par cluster Moy ecart-type nb conits par avion Max ecart-type nb conits par avion
ecart (%) STD RVSM -6.7 -6 -33 -50 -42 -46 -50 -56 -43 -60 -25 0 -14 +7.5 -23 +14 -7 -3 -26 -28 -25 -50 -43 -6
Routes S paration verticale e Nb de vols dans la fen tre e Nb de clusters Nb de conits stable-stable stable- volutif e evolutif- volutif e Moy du nb de conits par cluster Ecart-type du nb de conits par cluster Max du nb de conits par cluster Moy du nb davions par cluster Ecart-type nb davions par cluster Max du nb davions par cluster Moy ecart-type nb conits par avion Max ecart-type nb conits par avion
STD 569 224 491 181 200 110 2.19 4.29 60 3.00 3.28 47 0.23 1.27
ind RVSM 559 202 355 72 179 104 1.76 1.96 18 2.63 1.59 15 0.16 1.50
STD 531 170 271 84 99 88 1.59 1.43 13 2.51 1.14 11 0.16 1.20
dir RVSM 521 139 215 39 96 80 1.55 1.26 8 2.50 1.09 8 0.15 1.16
ecart (%) STD RVSM -6.7 -6.8 -24 -31 -45 -39 -54 -46 -50 -46 -20 -23 -27 -12 -67 -36 -78 -55 -16 -5 -65 -31 -77 -47 -30 -6 -5.5 -23
83
Volume de trac On va tout dabord sint resser aux valeurs mesur es dans la fen tre temporelle. On obtient dans tous e e e les cas (routes indirectes, et routes directes avec et sans r solution) une corr lation entre comprese e sion de temps et volume de trac (nombre davions en vol dans la fen tre) tout a fait conforme aux e ` pr visions : e avec , etant la compression de temps. L cart relev sur la valeur de est inf rieur a 1.5%, et e e e ` le taux de corr lation est de 99.9%. La taille de la fen tre na donc pas dincidence, tout au moins sur e e le trac moyen observ dans la fen tre. Il ne semble pas y avoir deffet de bord (chute du trac en n e e de fen tre) sensible, m me pour les fen tres les plus longue (jusqu` 1 h) avec une forte compression e e e a de temps (qui r duit la dur e de la plage de fort trac). e e Conits et clusters On remarque que les diff rents param` tres sont ind pendants les uns des autres. On peut sattendre a e e e ` ce que le nombre de conits augmente avec chacun des param` tres, et soit nul pour des valeurs nulles e de ceux-ci. On cherche donc a mod liser le nombre de conits sous la forme suivante : ` e
Routes indirectes : Les r sultats sont pr sent s dans la table 3.3. On remarque tout dabord dexe e e cellents coefcients de corr lation, qui montrent que le mod` le choisi est ad quat. e e e On constate que le nombre de conits augmente a peu pr` s lin airement en fonction du carr ` e e e de la densit de trac, de la s paration verticale, et de lintervalle d tude. En ce qui concerne la e e e s paration horizontale, le coefcient est un peu inf rieur aux pr visions (les mod` les, notamment e e e e [Ale70, Bos94c], pr voient une evolution lin aire en fonction de la norme, ou inversement propore e tionnelle au nombre de niveaux). Ceci est vraisemblablement d aux conits comprenant au moins u un avion evolutif, pour lesquels la s paration verticale a peu dincidence. On retrouve dailleurs une e valeur proche de 1 pour les conits stable-stable. De plus, la distribution des avions sur les niveaux de vol est imparfaite. On remarque quelques anomalies ( carts entre niveaux de m me parit ) sur la e e e gure 3.1. La valeur elev du coefcient de la norme horizontale pour les conits stable- volutif, que lon e e retrouve en routes directes (sans r solution), na pu etre expliqu e. Toutefois, [EO83] pr voit une e e e (correspondant au volume parcouru par le disque de rayon ) lorsque les vitesses composante en verticales ne sont pas toutes identiques. Mais il reste a expliquer le coefcient plus faible pour les conits stable-stable. De m me pour le coefcient inf rieur a 1 sur la taille de fen tre dobservation, e e ` e puisquon a vu quil ne semblait pas y avoir deffet de bord. Routes directes Les valeurs obtenues sont donn es dans la table 3.4. On obtient encore une corr lation e e tr` s elev e, et les coefcients sont a peu pr` s similaires a ceux relev s en routes indirectes. Lanomalie e e ` e ` e sur la norme horizontale est plus marqu e. e Par ailleurs, l volution du nombre de conits en fonction dun param` tre lorsquon laisse les 3 e e autres xes est visualis e sur les gures 3.2 et 3.3. Les valeurs x es sont de 1 pour la compression e e 84
'
H 5 R v & h V
y & 9 H5 w
&'
la norme de s paration e
Clusters evol- vol e 1.91 0.87 0.69 0.67 0.95 1.61 0.68 0.52 0.80 0.95
Tableau 3.4: Conits et clusters en routes directes sans r solution e de temps (trac actuel), 6 NM pour la norme horizontale, 1000 ft pour la norme verticale (RVSM), et 30 mn pour la dur e de la fen tre. Sur la gure 3.2, le trac standard correspond a une densit de 1. e e ` e L volution du nombre de clusters en fonction dun param` tre lorsquon laisse les 3 autres xes e e est visualis e sur les gures 3.4, et 3.5. e Enn l volution du retard moyen (en secondes) observ dans la fen tre apparat sur la gure 3.6. e e e La norme verticale et la dur e de la fen tre nont quasiment pas dincidence. Sur chaque gure, une e e courbe correspond a lensemble des congurations de densit et de norme, lautre est limit e a celles ` e e ` pour lesquelles au moins les deux tiers des conits sont r solus. e
3.1.3 Conclusion
L tude pr c dente montre que laccroissement du nombre de conit en fonction de laccroissement du e e e trac est quadratique, alors que la diminution des normes de s paration na quune inuence lin aire. e e La diminution des normes de s paration ne saurait donc etre une panac e pour diminuer le nombre de e e conits. Le probl` me de la r solution de conits va donc se poser de facon de plus en plus aigu dans e e les ann es a venir. e `
4 # 4 #
Tableau 3.3: Conits et clusters en routes indirectes Conits stab- vol e 2.07 1.48 0.86 0.93 0.94 Clusters evol- vol e 2.08 1.28 0.72 0.81 0.93 1.81 1.05 0.69 0.83 0.93
85
indirect
direct
30 300
200 resolution
20
100
10
resolution
00
2 densite
00
4 h (NM)
10
indirect 50
60
indirect
50 40
direct 30
40 direct
30
20 20
10 resolution
10 resolution
00
500
1000 v (ft)
1500
2000
00
10
20
30 i (mn)
40
50
60
250
indirect
indirect
direct 200
30 direct 25
150
20
15 100
10 resolution 50 5 resolution
00
2 densite
00
4 h (NM)
10
indirect 40 30
indirect
25 direct 30 direct 20
20 15
10 10 resolution 5 resolution
00
500
1000 v (ft)
1500
2000
00
10
20
30 i (mn)
40
50
60
tous
tous
400
300
sec 200
correct 85%
sec 60
40
100 20
00
2 densite
00
4 h (NM)
10
87
Dans le cas g n ral de avions, lutilisation de ces deux invariants ne permet pas de r soudre le e e e probl` me. En revanche, si lon restreint le probl` me a deux avions, on peut d terminer analytiquee e ` e ment la solution optimale : les avions, pour s viter, tournent autour de leur isobarycentre a vitesse e ` constante, isobarycentre qui se d place lui-m me a vitesse constante. On montre egalement que lope e ` timum d pend de l loignement en temps des avions par rapport au point de croisement mais pas de e e la vitesse de chacun des avions, et on peut construire une interpr tation g om trique permettant de e e e d terminer imm diatement le meilleur minimum. e e Il faut cependant savoir que, dans la r alit , les avions sont fortement contraints en vitesse, ce qui e e rend caduc tout espoir de r solution optimale en terme de consommation. e Faisabilit de la r solution en vitesse e e La r gulation en vitesse, aujourdhui pratiqu e principalement dans les phases de descente et dape e proche a lavantage de ne pas changer le support de la trajectoire des avions. N anmoins, elle n cessite e e des tenues de vitesses rigoureuses et des temps danticipation variables selon langle de conit et sa gravit . Nous analysons ici de facon th orique quels sont les temps danticipations n cessaires pour e e e une r gulation en vitesse, en supposant que les tenues de trajectoires e des avions sont parfaites. La gure 3.7 repr sente le temps danticipation minimum pour r soudre un conit entre deux e e avions ayant la m me vitesse (rapport des vitesses, e ). On repr sente en ordonn e la capacit e e e mesur e en % quun avion a de ralentir ou dacc l rer et en abscisse langle de convergence e ee des deux avions. Les courbes iso-temps parcourent les points pour lesquels le temps danticipation minimal est constant. La courbe int rieure correspond a un temps danticipation de minutes. En e ` allant de lint rieur vers lext rieur, le temps augmente par pas de minute. e e On observe ainsi que pour et des angles de trajectoires entre et degr s, le temps e danticipation reste inf rieur a e ` minutes dans le pire des cas (cest a dire lorsque les avions sont ` pr vus au m me instant au point de croisement des trajectoires). La r solution en vitesse peut alors e e e 88
& 4
5 C
T0
6
5
dans le r f rentiel ee
20
40
60
a 80
100
120
140 0
10
15 e
20
25
30
20
40
60
a 80
100
120
140 0
20
40
60
a 80
10
15 e
20
25
30
89
et de , a gauche : `
0 & 4
&4 @
100
).
120
140 0
10
15 e
20
25
30
- a droite : `
0 & 4
sappliquer de facon relativement syst matique. En revanche, si la marge dacc l ration ou de ralen e ee tissement des deux avions est inf rieure a 5%, on ne peut effectuer de r solution en vitesse si lon ne e ` e prend pas une marge de plus de 20 minutes. La gure 3.8 repr sente pour des rapports de vitesse e et le temps danticipation n cessaire toujours en fonction de langle des trajectoires et de . On observe que pour e (on intervient alors sur lavion le plus lent) les r sultats pr c dents restent bons. Si lon intervient sur e e e lavion le plus rapide, il faut intervenir plus t t. o Lobservation des courbes pr c dentes montre quune r gulation en vitesse est envisageable pour e e e une majorit de conits dans la mesure o` la marge de r gulation sur les avions est sufsamment e u e importante. Ainsi, si lon peut faire varier la vitesse des avions de plus de , on peut esp rer e r soudre en vitesse bon nombre de conits. e Nous navons pas jusqu` maintenant evoqu les probl` mes dincertitude sur les tenues de vitesse a e e des avions. Il est clair que si les avions ne peuvent tenir leur vitesse de facon pr cise, la r gulation en e e vitesse devient difcile. Dans les hypoth` ses que nous avons choisies, nous avons toujours consid r e ee les conits dans le pire des cas, a savoir lorsque les deux avions sont suppos s passer par le point din` e tersection de leurs trajectoires au m me instant. Il est clair que si deux avions sont d j` partiellement e ea s par s, une r gulation en vitesse peut permettre de les s parer compl` tement facilement. N anmoins, e e e e e e nuds, une incerplus on anticipe la r gulation, plus lincertitude joue un r le important. Ainsi, a e o ` pendant minutes repr sente e nautiques. Aujourdhui peu davions sont equip s e titude de permettant de telles pr cisions. Ceci explique pourquoi les contr leurs nutilise la e o de r gulation en vitesse quen phase de descente, les marges de manuvres etant alors plus importantes. e
T0
!
0 & 4
0 & 4
$
A!
b|
allongement x
2+ 1+
91
allongements en %
30 x25 x+
20
15
10
1.5
2.5
3.5
4.5
optima :
Ceci nous d nit des fonctions implicites e et . Si lon pose , on peut repr senter e les pourcentages dallongements de trajectoires en fonction de lanticipation de la r solution du conit e (voir gure 3.10). Lunit de temps est alors le temps mis par un avion pour parcourir la valeur dune e norme de s paration. On observe que les pourcentages dallongement de trajectoire restent tr` s faible e e tant que est sup rieur a . Dans notre exemple, la trajectoire optimale est toujours celle qui passe e ` derri` re lavion non d vi . e e e On peut assez facilement etendre l tude pr c dente au cas de deux avions convergent non plus e e e a angle droit mais sous un angle quelconque. Toujours en ne bougeant quun seul avion, on peut ` d terminer les deux equations implicites qui nous donnent lallongement de trajectoire du deuxi` me e e avion dans le cas o` celui-ci passe devant ou derri` re. u e Enn, on peut repr senter en fonction de langle dincidence et du rapport des vitesses des deux e avions, lallongement minimal obtenu, pour une anticipation de, par exemple, cinq fois la norme de s paration (voir gure 3.11). On observe alors que les situations les plus p nalisantes dans le cas o` les e e u vitesses sont voisines et les angles dincidence faibles, ce qui reste conforme aux r sultats pr c dents e e e ainsi quaux r sultats d crits par AERA . e e 92
0
&t
$ t" C $ t" C
Pi
angle
93
Approche num rique e Nous pr sentons ici les solutions optimales (fournies par a un algorithme doptimisation locale14 ) de e ` certains conits a deux avions. ` La gure 3.12 donnent six facon de r soudre un conit a cinq avions. points de d part diff rents e ` e e ont et donn s a LANCELOT pour la recherche de la solution optimale donnant solutions localee e ` ment optimales situ es dans des composantes connexes diff rentes. Il existe probablement bien plus e e que six composantes connexes disjointes pour ce probl` me, mais le but de ce paragraphe nest pas e de les chercher toutes. On remarquera que les solutions, apparemment tr` s diff rentes, g n` rent des e e e e allongements moyens tr` s voisins. e On notera que le temps de calcul n cessaire a la convergence de LANCELOT est tr` s long : e ` e pour les exemples a avions pr sent s ci-dessous, plusieurs heures sont n cessaires. Envisager une ` e e e r solution en temps r el avec ce type dalgorithme ne parait pas raisonnable. e e
3.2.4 Conclusion
La mod lisation par Contr le Optimal que nous avons abord e dans cette premi` re partie permet de e o e e d gager certaines propri t s sur les trajectoires optimales et sur la structure de lespace des solutions e ee admissibles. Nous retiendrons tout dabord que les trajectoires non contraintes sont rectilignes et uniformes a ` loptimum. Dans la pratique, la dur e de saturation des contraintes, compte-tenu de la vitesse elev e e e des avions et de la faible densit de trac, est tr` s faible compar e a la dur e de vol sans saturation de e e e ` e contrainte (dans la mesure o` les conits ne sont pas a angle trop faible). En cons quence, la plupart u ` e des trajectoires optimales peuvent etre approch es par des trajectoires rectilignes par morceaux (cest e
Lalgorithme doptimisation local utilis est (LANCELOT)[CGT92]. Pour pouvoir lappliquer, les trajectoires davions e ont et discr tis es en e e e points. Les contraintes de s paration des avions sont appliqu es en chaque point de discr tisation. e e e Dans les exemples pr sent s, les avions sont toujours contraints en vitesse. La norme de s paration est de nautiques et les e e e avions parcourent en moyenne nautiques a une vitesse de ` nuds. 15 On pose egalement comme hypoth` se que lavion mobile ne tournera pas autour de lautre avion, ce qui effectivement e ne se produit pas souvent dans la r alit . e e
14
94
I HG H
s
PPQ
P H
PH
95
n
, , , ,
m
Origine
Point tournant
trajectoire optimale
Destination
Figure 3.13: Mod lisation point tournant. e lobjet du prochain chapitre). Dans le cas o` les avions ne sont pas contraints en vitesse, on a montr u e que lon peut d terminer g om triquement la solution optimale. e e e Le second point important r sulte de la structure de lespace des solutions admissibles pouvant e contenir pour avions composantes connexes disjointes. Le probl` me est de ce fait fortee ment combinatoire et nous avons pu observer num riquement quun algorithme doptimisation locale e tel que LANCELOT ne permet pas de trouver loptimum global pour des valeurs de faibles (par ). exemple
T 0
s
0&D
30 20 allongements % 15 25 allongements %
sol opt
10
15
10 5 5
10
1.5
97
en fonction de et .
5 4 3 2 1 0 Pi angle 5 0 allt %
de convergence. On constate que pour des valeurs faibles de langle de convergence et pour une faible anticipation, la m thode du point tournant est peu efcace. e
: (3.1)
En r solvant, il vient : e
(3.2) et
98
$ r5 "
5@
Si lavion
, on obtient : (3.3)
5@
Cette condition donne les deux conditions suivantes, selon lordre de passage des avions au point , point dintersection de leurs deux trajectoires :
5@
r@
5@ 5 r5 r
r@
X`Y
2 h 1 )
2 h 1 ) r@ r55 r@ 5 @
$ $ r5 "
$ r @ 1 5 @"
) X ` X X
X X
$ r5 " $ r55 " 5 & $ " 5 7 6 ( $ r5 " $ r55 " 5 & $ " 5 C 7 (
r5
rv
r@
$ 5 v 1 r v 1 r5 "
5@
r@
r@
& C r 5
X `
5@
r5
X `
r@
r@
5@
allongements % 14 sol opt 12 offset Pi/3 offset Pi/4 25 offset Pi/6 20 offset Pi/8 6 15 35
allongements % sol opt offset Pi/3 offset Pi/4 offset Pi/6 offset Pi/8
30
10
10
5 t
10
10
allongements % 20 sol opt 15 offset Pi/3 12.5 offset Pi/4 10 offset Pi/6 offset Pi/8 10 15
7.5
5 5 2.5
allongements % sol opt 8 offset Pi/3 0.8 offset Pi/4 6 offset Pi/6 offset Pi/8 4 0.4 0.6 offset Pi/12 sol opt allongements % 1
10
15
X
allongements % sol opt offset Pi/3 offset Pi/4 offset Pi/6 offset Pi/8
10
t 2 4 6 8 10
0.2
92 20 t
94
96
98
100
99
Di
Ei Oj Cij Ej
Dj
Oi
La mise en offset dun avion (ou des deux avions et ) a pour effet dintroduire un d calage e dune trajectoire par rapport a lautre et dinuer ainsi sur linstant auquel la trajectoire de chacun des ` deux avions coupe celle de lautre. Nous nous int ressons a un couple davions, et , tous deux e ` impliqu s dans un conit a avions. La trajectoire de chacun de ces deux avions peut etre d vi e. e ` e e Pour chacun des deux avions et , l vitement par offset a trois effets sur les temps e et . Ces effets d pendent de langle de mise en offset, not , du sens de loffset, et de sa valeur. Ainsi un e e offset de lavion dune valeur aura les effets suivants : est augment , quelque soit le sens de loffset, du retard d a la mise en offset, cest a dire de e u` ` ;
si la trajectoire de lavion est d vi e vers lext rieur de langle form par les trajectoires des e e e e deux avions ( et ), est augment du retard d au d placement de lavion , cest a dire e u e `
Ainsi, quand lavion passe derri` re lavion , selon le sens de loffset de chacun des deux avions e et on obtient les quatre conditions de s parations suivantes, qui sont lin aires en et en : e e 100
rt
5t
r@ c I 2 gG ih 2 c
r5 r @ 5 r@
de m me, si la trajectoire de lavion e trajectoires des deux avions ( et ), trajectoire de lavion , cest a dire de `
5@
est diminu de e
est d vi e vers lext rieur de langle form par les e e e e est aussi augment du retard d au d placement de la e u e .
r 5 r
r 55
r@
5@
r55
5@
$ r5 "
r@
5@
r@
5@
5@
5t
5@
r55 r @
r@
5@
5@
5@
5@
Si lavion
r@
af e I 2 gG c
s cb a I dG c r55
r@
5@
, on obtient : (3.4)
r@
r@
Loffset de lavion
5@
Loffset de lavion
Les offsets des deux avions sont a lext rieur (cest le cas qui est repr sent sur la gure 3.20) : ` e e e
Origine avion i
Origine avion j
Figure 3.20: Conit a deux avions, les deux offsets etant a lext rieur ` ` e
5@
Et on obtient quatre equations similaires dans le cas o` lavion u passe devant lavion (en intervertissant dans les equations ci-dessus les indices et ). et On a consid r jusquici que les droites portant les trajectoires non d vi es des avions ee e e etaient s cantes (et, comme on la vu, que les trajectoires des avions se coupaient pour e ). Dans le cas o` les trajectoires sont parall` les, on obtient aussi des conditions lin aires, avec la m me u e e e combinatoire, la discussion sur lordre de passage des deux avions est alors remplac e par le choix e ` ` entre passe a gauche de et passe a gauche de . Cette mod lisation etendue au cas de avions n cessite la r solution de e e e programmes lin aires comprenant chacun e contraintes lin aires. Pour un conit a avions, cela repr sente e ` e programmes doptimisation a r soudre comprenant ` e contraintes lin aires chacun. Pour e , plus de million de programmes lin aires doivent etre r solus, comprenant e e contraintes chacun. On se retrouve face a une tr` s forte combinatoire. Il est int ressant de noter que lon retrouve ` e e les composantes connexes observ es dans le paragraphe 3.2.3. En effet, chaque programme lin aire e e d termine un ordre de passage entre une paire davions et r sout le probl` me a lint rieur dune come e e ` e posante connexe de lespace des solutions admissibles. Il faut n anmoins choisir le sens de la d viation e e pour chaque avion pour que le programme devienne lin aire ; cest pourquoi la complexit passe de e e a ` . F. M dioni [MDA94] sest int ress a combiner un algorithme e e e` g n tique avec un programme doptimisation lin aire pour r soudre le probl` me d crit ci-dessus. e e e e e e Nous pr sentons ces r sultats dans la section 3.7. e e Nous ne nous sommes int ress s jusqu` pr sent qu` satisfaire la contrainte de s paration lorsque e e a e a e lavion est etabli en offset. Durant la mise en offset, les deux avions doivent rester s par s. La e e v rication de cette contrainte est longue, ou impose de prendre des marges de manuvre qui p nalisent e e la r solution. e
&D
2 h 1 ) r@ 5 @
r@
6 W r5 5 r 5 t 7 r ( ( $5 " r 6 r 5 $ r5 " T r 5 $ r T 7 r 5t 7 $ r5 " R rt $ " rt ( rr ( TSR 5 6 5 $ r5 " 5 5 " T 7 ( $ r5 " R 5 t ( $ " 5 t r5 rt TSR
0 s
5@
5@
r@
I HG H
s s s & H
r@
5@
m
(3.8)
20 20 18 18 16 16 14 14 12 12 10 10 8 8 6 6 4 0.7 0.75 0.8 r 0.85 0.9 0.95 1.05 1.1 1.15 r 1.2 1.25 1.3
103
en fonction de pour
- A droite :
en fonction de pour
plan horizontal
avion 1
t=1 t=0
position theorique
t=0 avion 2
t=1
t=2
t=3
incertitude verticale
conflit
avion 1
plan vertical
On ne peut bien evidemment pas etudier toutes les congurations de conits. Aussi, nous nous limiterons au cas o` les deux ont la m me vitesse , convergent sous un angle vers un point de u e conit. Les avions sont distants du point de conit de . On suppose que chaque avion se d place a e ` vitesse constante, avec une incertitude en pourcentage sur cette vitesse not e e . Pour simplier, on supposera donc que chacun des deux avions a une probabilit uniforme davoir sa vitesse comprise e entre et . On notera la norme de s paration choisie. On veut mesurer la e probabilit de conit en fonction de lanticipation , de langle dincidence et de lincertitude e choisie. On num rotera et les indices des deux avions. A un instant e , les avions sont rep r s ee par leur position dans le plan :
avec et compris entre et . A partir des positions des deux avions a tout instant , on ` cherche a quelle condition sur ` et il y a conit. Pour cela, on est amen a d terminer le signe e` e du discriminant dune equation du second degr . La condition, une fois simpli e s crit de la facon e e e suivante. Il y a conit si et seulement si :
Il est clair que si langle vaut ou , le conit est certain. On remarquera que la condition pr c dente e e ne d pend que du rapport e qui mesure lanticipation par rapport au point de conit. On peut repr senter la condition par une fonction e qui vaut lorsque la condition nest pas satisfaite et lorsque la condition est satisfaite. On int` gre ensuite cette fonction sur le pav des e e erreurs possibles et on obtient la probabilit e pour que les deux avions entrent en conit avec une anticipation , un angle dincidence et une erreur sur les vitesses . A titre dillustration, nous allons observer l volution de la probabilit de conit lorsque : e e lanticipation augmente (voir gure 3.24), on xera , , kts, nm et on fera varier de a ` minutes. On constate que la probabilit de conit vaut e jusqu` a minutes, apr` s quoi elle d crot. On remarquera quelle d crot alors de moins en e e e moins vite avec le temps. langle varie de a (voir gure 3.24), on xera ` kts, nm, minutes, et . On observe que langle a une tr` s forte inuence sur la probabilit de conit. En e e effet, dans cet exemple, celle-ci varie de a selon que les avions convergent a ` ` degr s e ou degr s. On observe donc que le risque de conit est dautant plus faible que langle e dincidence est faible. Or on sait que le conit est dautant plus difcile a r soudre que cet ` e angle est faible. On en d duit que les conits davions convergents sont a la fois moins certains e ` et plus difciles a r soudre. La prise de risque est donc plus grande dans le choix de linstant de ` e r solution de conit. e le pourcentage derreur varie de a ` (voir gure 3.25), on xera kts, nm, minutes, et . La sensibilit de la probabilit de conit au pourcentage e e derreur est semblable a sa sensibilit au temps danticipation. ` e 105
&t
4v
! &
&
! &
T0
& 4v X &
4v
4v
&t
! &
$ 4 v " ( 3 $ 4 v " 3 3 ( 3
$ 4 v 1 4 v 1 C" 7
$ 4 v 1 1 C"a
0 m
T
4 v 4 v 4v 4v (
X &
4v
$4v
p
&C
&C
"
&
T0
$4v 4 v
& 4v
& t
4 v
"
20
40
60
80
100
120
25
50
75
100
125
150
175
0.6
0.85
0.3
0.75
Figure 3.24: Probabilit de conit en fonction du temps danticipation en minutes (` gauche), de e a langle dincidence en degr s (` droite). e a langle varie de a et le temps danticipation varie de a ` ` minutes (voir gure 3.25), on xera kts, nm et . On visualise a lors bien le fait que la probabilit e de conit est fortement li e a langle dincidence. Le choix du moment de r solution est donc e ` e fortement d pendant de la g om trie du conit. e e e
Il apparat donc au travers de ces r sultats quune fois de plus, les conits a faible incidence sont e ` ceux qui posent le plus de probl` mes. Moins certains, ils sont plus difciles a r soudre. e ` e
T0
& 4v
X
10
15
20
0.9
0.8
1 0.8
0.7
0.6 0 0.4 0
prob de conflit %
0.6
0.5
angle
0.4
0.3
Pi 120 min
Figure 3.25: Probabilit de conit en fonction du pourcentage derreur sur les vitesses (` gauche), en e a fonction de langle dincidence et du temps danticipation (` droite). a
60
50
40 3.5 30
20
10
20
30
40
50
60
10 2.5
10
15
20
25
Figure 3.26: Allongement de la trajectoire en nautiques en fonction du temps danticipation, mod lisation par offset (` gauche), mod lisation point tournant (` droite) e a e a
107
10
10
20
30
40
50
60
2.25 10 20 30 40 50 60
Figure 3.27: Esp rance du co t de r solution en fonction du temps danticipation, mod lisation par e u e e offset (` gauche), mod lisation point tournant (` droite). a e a et le co t associ a ce temps. Il suft de multiplier les deux pour obtenir lesp rance du co t de u e ` e u r solution du conit sachant que sil ny a pas de conit, le co t de r solution est nul. On observera e u e la gure 3.27 pour les deux mod lisation offset et point tournant. Si pour loffset, lesp rance de co t e e u de r solution est minimale pour un temps danticipation le plus faible possible, pour la mod lisation e e point tournant, dans cet exemple, le co t de r solution est minimal pour une anticipation de minutes u e ou nautiques. Les calculs que nous venons de pr senter permettent de conclure quune r solution par offset e e doit etre la plus tardive possible. Pour une r solution par point tournant, il existe un compromis qui e minimise lesp rance de co t de r solution du conit. Ce compromis d pend de lincertitude sur les e u e e vitesses et de la conguration du conit. Cette etude n tait pas exhaustive mais propose un crit` re e e d valuation de linstant optimal de d but de r solution de conit. e e e
On peut mod liser une manuvre d vitement horizontale entre deux avions par un point toure e nant. La mod lisation par offset reste indispensable pour des cas de rattrapages. e Lincertitude sur les vitesses des avions et sur leurs taux de mont e doit etre prise en compte e et fait apparatre dans le cas de la mod lisation point tournant un temps id al de d but de e e e manuvre.
Dautres contraintes pratiques sont maintenant introduites dans le mod` le an de pouvoir r soudre e e des conits complexes mettent en jeu plusieurs avions : 108
Un manuvre commenc e ne pourra pas etre remise en cause, on pourra n anmoins modier e e son ampleur sans en modier la structure. Le syst` me ne proposera pas de r gulation de vitesse (le lecteur trouvera partie 3.2.1 des argue e ments justiant ce choix. Les manuvres d vitement propos es sont horizontales. Le syst` me ne pourra donc pas moe e e dier la trajectoire verticale dun avion m me sil peut faire tourner des avions evolutifs ( en e mont e ou en descente). Une telle hypoth` se est relativement restrictive : un certain nombre e e de r solutions ne seront plus optimales, en particulier, lorsquun des avions impliqu dans un e e conit est evolutif. Les contr leurs le savent bien et essayent demployer ce genre de r solution o e le plus fr quemment possible pour les avions qui ne sont pas en palier. Ces manuvres sont e souvent optimales par rapport a une d viation horizontale lorsque les avions sont sur une route ` e identique ou oppos e. Se restreindre au plan horizontal nest pas un objectif et la dimension e verticale devra n cessairement etre int gr e dans les evolutions futures. N anmoins lajout de e e e e telles manuvre ne complexie pas de facon signicative le mod` le. e
Les diff rents e repr sentent des dates relatives. Linstant e correspond au d but de la e pr vision. A cette date, la position de lavion est connue sans incertitude. On la consid` re comme e e la position initiale de lavion. Le virage de retour a evidemment le m me angle mais dans le sens oppos . La dur e de la phase e e e de retour est donc egale a la dur e de la phase d loignement. La date de n de manuvre, not e ` e e e nest donc pas un param` tre de la manuvre et on a : e Si on est en pr sence dun point tournant, on aura e . Un tel mod` le r duit donc la taille du probl` me de facon signicative. Pour un conit impliquant e e e avions, la dimension de lespace de recherche sera de . Ceci nous permettra de r soudre des gros e conits sans avoir a explorer un domaine de solutions admissibles trop vaste. `
&
& &
D!
'
'
; .
Nous obtenons donc le mod` le suivant (gure 3.28) o` une manuvre est d termin e par les e u e e param` tres suivants : e
Les angles de d viation pour le point tournant et loffset seront discr tis s et pourront donc e e e prendre pour valeur : , , , , , et degr s. e
Modele doffset
t1 t=0 t0
manoeuvre
t2 t3
trajectoire initiale
t1=t2 t=0 t0 t3
avion A
Avion C
110
) : Le syst` me a r duit le point tournant pr vu. La date de d but de manuvre e e e e it ration 3 ( e . Ce d but de manuvre sera donc communiqu au pilote. Par rapport au e e est pr vue pour e mod` le pr sent , on a x les variables et e e e e . it ration 4 ( e ) : Lavion a effectu son d but de manuvre et le syst` me pr voit toue e e e jours le m me point tournant. Le reste de la manuvre est donc a son tour g es : e ` e et (en loccurrence car il sagit dun point tournant). it ration 5 ( e ) : Lavion est sur sa branche de retour.
& #
w|
&#
o
D6
w|
o o p &
o! p & &
p &
p &
p &
w|
o o
T=T0 t=0
T =T0 + t=0
T = T0 + 2 t=0
T = T0 + 3
t=0
T = T0 +4
t=0
Figure 3.30: S quencement en temps r el e e ainsi remplac e par des volumes doccupation de lespace, se d formant avec le temps, repr sentant e e e les positions potentielles futures des avions. Tous ces el ments, associ s a la forte complexit du probl` me, nous ont amen s a utiliser les e e ` e e e ` algorithmes g n tiques pour r soudre les conits a plusieurs avions. e e e `
3.6.1 Codage
Pour le probl` me de r solution de conits, les variables , , et de chaque avion sont dispos es e e e dans une matrice (voir gure 3.31) qui constitue un individu de la population. On appellera g` nes les e variables , , et de chaque avion. Un el ment de population contient donc e g` nes. e
112
D!
'
p
'
p
gne t 2 de lavion 3
t 01 t 02 t 03 t 04 t 05
t 11 t 12 t 13 t 14 t 15
t 21 t 22 t 23 t 24 t 25
1 2 3 4 5
t 0n
t 1n
t 2n
D
avions.
certaines contraintes g r es a priori par une proc dure charg e de v rier leur respect a toute etape de ee ` e e e ` lalgorithme. Ces contraintes sont les suivantes :
On doit v rier que e . Pour des avions arrivant a destination, il certaines manuvres ` de sorte quil faut v rier que e doivent etre termin es avant une certaine ech ance e e .
Enn, pour que lalgorithme g n tique puisse d tecter rapidement les solutions sans conit, il sera e e e fait en sorte que chaque avion de chaque chromosome de la population ait initialement une chance sur de ne pas etre d vi . e e Les contraintes li es a la s paration des avions sont par contre directement introduites dans la e ` e tness et ne sont pas g r es a priori mais a posteriori. ee ` `
3.6.3 Fitness
La fonction tness doit prendre en compte a la fois les contraintes de s paration des avions et la ` e qualit de la r solution lorsque celle-ci est r alis e. R duire a une seule valeur tness toutes les calculs e e e e e ` 113
&
p
w
'
w
o p o
Lorsquun conit a avions est fourni a lalgorithme g n tique, il se peut que certains g` nes ` ` e e e correspondant a des manuvres d j` entam es ou qui doivent etre entam es avant ` ea e e soient impos s a lalgorithme g n tique. Ainsi, tous les g` nes , , dont la valeur est inf rieure e ` e e e e a sont impos s dans lalgorithme et ne pourront plus etre modi s par la suite. De m me si ` e e e alors langle correspondant est x et ne pourra plus etre modi . Toutes ces variables e e ne seront donc pas initialis es de facon al atoire. e e
aircraft i S i,i
Figure 3.32: Surface occup par la manuvre e effectu s pour l valuation dun individu est tr` s r ducteur et une grande partie de linformation utile e e e e est perdue dans des op rations dadditions (voir [DAN94]). Aussi, la fonction tness unique sera e ` e remplac e par une matrice triangulaire inf rieure . Si le cluster a r soudre comprend avions alors e e sera la taille de la matrice . Si , alors mesure la gravit du conit entre lavion et lavion e . Sil ny a pas de conit, , croit avec la gravit du conit. e mesure la p nalisation de e e u la trajectoire de lavion provoqu par ses manuvres. Cette matrice tness do` on pourra extraire une tness scalaire contient beaucoup plus dinformation quune tness scalaire et permettra de d nir e les op rateurs de croisement et de mutation adapt s au probl` me de r solution de conits. e e e e Nous sommes en face dun probl` me doptimisation multi-crit` re. Nous avons retenu les crit` res e e e suivants : Le retard induit pour chaque avion doit etre aussi faible que possible. Le nombre davions d vi s et le nombre total de manuvres doit etre aussi faible que possible, e e il se peut donc que les retards ne soient pas partag s par tous les avions. e La dur e dune manuvre doit etre aussi faible que possible pour pouvoir rendre le plus t t e o possible un avion disponible pour une autre manuvre. Les trajectoires doivent respecter les normes de s paration. e .
e Calcul des el ments de la diagonale Pour prendre en compte a la fois le retard d a la manuvre et la dur e de la manuvre elle-m me, on ` u` e e peut mesurer la surface occup e par la r solution (gure 3.32). Cette surface augmente a la fois avec e e ` le retard induit et la dur e de la manuvre. Il est int ressant de rappeler que cette notion de surface e e occup e est un des crit` res utilis s par le contr leur pour d cider dune manuvre. Pour minimiser le e e e o e e nombre de manuvres, on ajoute a le nombre de manuvres multipli par un certain coefcient . ` Pour un point tournant, il faut donc rajouter a , pour un offset, il faut rajouter . `
Evaluation des termes non diagonaux e entre la s paration standard e A chaque pas de temps , on evalue la diff rence (si elle est positive) et la distance entre les segments et repr sentant les positions des avions et a . Ces valeurs sont e ` additionn es pour tous les temps pour donner e , mesure du conit entre et .
114
# # r 5
ps $ r 5 " q & r 5 | x 5 k w
5 b & 5 5 |
5 5 |
| b
r 5 |
r 5 |
r 5 | & r 5 | & # | # b
A partir de la matrice , et pour les besoins de lop rateur de s lection, on est en mesure de e e calculer une tness scalaire de la facon suivante :
On remarquera que cette tness permet de distinguer les individus pour lesquels il reste des conits (leurs tness sont inf rieures a e ` ) des individus o` il ny a plus de conit (leurs tness u sont sup rieures a e ` ).
Lop rateur de croisement est d crit par la gure 3.33. Apr` s avoir choisi deux parents et , on e e e et sur la gure 3.33). Pour compare les tness locales de leurs avions (ces tness sont not es e lavion , si ( est une valeur permettant de moduler le d terminisme de lop rateur) e e les deux enfants h ritent de lavion du p` re . Si e e , les deux enfants h ritent de lavion e du p` re . Si aucune de ces deux conditions nest respect e, les avions des ls et sont deux e e combinaisons al atoires des avions des deux parents. e De m me, on pourra d nir un op rateur de mutation adapt d crit par la gure 3.34. Apr` s avoir e e e e e e choisi un individu a muter, un avion est choisi (sur la gure 3.34 lavion est choisi). Un avion ayant ` une tness faible (cest a dire inf rieure a o` module le d terminisme de lop rateur) ne sera ` e ` u e e choisi que si toutes les tness locales sont faibles. Ces op rateurs ont lavantage d tre assez d terministes en d but de convergence de sorte quune e e e e solution sans conit (dont la tness est sup rieure a ) peut etre rapidement d gag e. Quand les solue ` e e tions sans conit deviennent sufsamment nombreuses, ces op rateurs deviennent moins d terministes e e et la recherche dans lespace d tat devient plus large. Lassociation de ces op rateurs avec une e e m thode de sharing devient indispensable pour att nuer leffet du d terminisme introduit. e e e
deux individus
et
115
5t
0
$ " 5'
5t
0
5|
father A aircraft 1 aircraft 2 aircraft 3 aircraft 4 aircraft 5 aircraft 6 A5 # B5 A1<<B1 A1 A2 A3 A4 A5 A6 1 C C 1 B B A A child 1 child 2
father B B1 B2 B3 B4 B5 B6 B5 # A5 B3<<A3
F1 F2 F3 F4 F5 F6 F7 F8 mute
116
36
100 nm
Deux individus s par s par une distance nulle seront dits appartenir a la m me classe. Si lon applique e e ` e la m thode de sharing clusteris pr sent e pr c demment, on remarque que cela revient a diviser la e e e e e e ` tness de chaque individus par le nombre de repr sentants de sa classe. e
&
!
deux individus
et
!
&
si :
0: 2:57, previ 20 mn, freq 2 mn, incert 5%, fitness: 0.865631 4000 3000 2000 1000 0 -1000 -2000 -3000 -4000 -4000 -2000 0 2000 4000 6000 0: 4:57, previ 20 mn, freq 2 mn, incert 5%, fitness: 0.838409 4000 3000 2000 1000 0 -1000 -2000 -3000 -4000 -4000 -2000 0 2000 4000 6000 0: 6:57, previ 20 mn, freq 2 mn, incert 5%, fitness: 0.841297 4000 3000 2000 1000 0 -1000 -2000 -3000 -4000 -4000 -2000 0 2000 4000 6000 4000 3000 2000 1000 0 -1000 -2000 -3000 -4000 4000 3000 2000 1000 0 -1000 -2000 -3000 -4000 4000 3000 2000 1000 0 -1000 -2000 -3000 -4000
-4000 -2000 0 2000 4000 6000 0:10:57, previ 20 mn, freq 2 mn, incert 5%, fitness: 0.846021
-4000 -2000 0 2000 4000 6000 0:12:57, previ 20 mn, freq 2 mn, incert 5%, fitness: 1.000000
-4000
-2000
2000
4000
6000
Figure 3.36: t= , , , ,
118
minutes
n m 0
incertitude 1 mn 2 mn 3 mn 4 mn 5 mn
Tableau 3.5: Distance minimale entre les avions pour diff rents temps danticipation. e Un probl` me combinatoire e Dans cet exemple, avions convergent vers le m me point a une vitesse de e ` nuds avec pour e e e e cent derreur. vaut ici minutes. Les autres param` tres de lalgorithme g n tique nont pas chang . La gure 3.37 donne les r sultats. La distance minimale despacement des avions est de e malgr e une forte incertitude sur les vitesses ( ). Le tableau 3.5 donne la distance minimale observ e entre les avions pour diff rents pourcentages e e derreur et diff rents temps danticipation. Il est clair a la vue de ce tableau que lorsque lon a simule ` tan ment une forte incertitude et une grande anticipation la qualit de la r solution d crot fortement. e e e e Les r sultats repr sent s ne donnent que la meilleure solution de ce probl` me a avions. Lalgoe e e e ` rithme g n tique propose gr ce au sharing dautres solutions proches de la solution optimale (notame e a ment la solution sym trique dans le cas ci-dessus). e Plusieurs solutions quasi-optimales Le but de cet exemple est de montrer que lalgorithme g n tique est capable de g n rer plusieurs e e e e solutions proches de loptimum lorsquelles existent. On a, apr` s la premi` re optimisation conserv e e e toutes les solutions admissibles ayant une tness au moins egale a ` de la meilleur tness. On peut voir gure 3.38 les solutions quasi-optimales propos es pour un conit a trois avions. e ` Efcacit des op rateurs adapt s e e e Pour tester lefcacit des op rateurs de croisement et de mutation adapt s introduit en 3.33, nous proe e e posons de r soudre un conit impliquant chacun avions. Ce conit implique avions convergeant e simultan ment sur un m me point. Ce conit a tr` s peu de solutions car tous les avions sont en conit e e e deux a deux. En fait, deux solutions existent : dans la premi` re, tous les avions tournent a droite, dans ` e ` la seconde, tous les avions tournent a gauche. La gure 3.39 donne le r sultat de loptimisation. ` e Pour etudier leffet des op rateurs de croisement adapt s combin s a lutilisation du sharing, e e e ` diff rents tests ont et effectu s sur les deux conits pr c dents en utilisant : les op rateurs adapt s e e e e e e e sans sharing, les op rateurs adapt s avec sharing, les op rateurs classiques sans sharing, les op rateurs e e e e classiques avec sharing. Pour ces quatre tests, nous avons mesur pour chaque exemple la valeur e du meilleur el ment de population (gure 3.40) pour les e g n rations de lalgorithme g n tique. e e e e On peut dabord constater que les op rateurs adapt s sont tr` s efcaces pour trouver des solutions e e e admissibles . En effet, avec les op rateurs classiques, aucun des deux conits nest r solu avant la e e (en fait, des tests montrent que la premi` re solution admissible est obtenue apr` s la e e g n ration e e g n ration e e ). Avec les op rateurs adapt s, une solution admissible est toujours trouv e avant la e e e g n ration e e (Une solution est admissible si sa tness est sup rieure a e ` ). La gure 3.40 montre que le sharing a tendance a freiner la croissance de la tness du meilleur el ment. Cependant la tness e 119
T0n
!
0
0: 1:54, previ 20 mn, freq 4 mn, incert 5%, fitness: 0.700965 6000 5000 4000 3000 2000 1000 0 -1000 -2000 -6000 -4000 -2000 0 2000 4000 6000 0: 5:54, previ 20 mn, freq 4 mn, incert 5%, fitness: 0.707383 6000 5000 4000 3000 2000 1000 0 -1000 -2000 -6000 -4000 -2000 0 2000 4000 6000 0: 9:54, previ 20 mn, freq 4 mn, incert 5%, fitness: 0.700803 6000 5000 4000 3000 2000 1000 0 -1000 -2000 -6000 -4000 -2000 0 2000 4000 6000 6000 5000 4000 3000 2000 1000 0 -1000
-2000 -6000 -4000 -2000 0 2000 4000 6000 0:17:54, previ 20 mn, freq 4 mn, incert 5%, fitness: 0.741313 6000 5000 4000 3000 2000 1000 0 -1000 -2000 -6000 -4000 -2000 0 2000 4000 6000 0:21:54, previ 20 mn, freq 4 mn, incert 5%, fitness: 0.860490 6000 5000 4000 3000 2000 1000 0 -1000 -2000 -6000 -4000 -2000 0 2000 4000 6000
Figure 3.37: t= , ,
!
, , , 120
minutes
0: 2:22, previ 20 mn, freq 5 mn, incert 5%, fitness: 0.775482 4000 3000 2000 1000 0 -1000 -2000 -3000 -4000 -4000 -2000 0 2000 4000 6000 0: 2:22, previ 20 mn, freq 5 mn, incert 5%, fitness: 0.803030 4000 3000 2000 1000 0 -1000 -2000 -3000 -4000 -4000 -2000 0 2000 4000 6000 4000 3000 2000 1000 0 -1000 -2000 -3000 -4000 4000 3000 2000 1000 0 -1000 -2000 -3000 -4000
-4000 -2000 0 2000 4000 6000 0: 2:22, previ 20 mn, freq 5 mn, incert 5%, fitness: 0.805810
-4000
-2000
2000
4000
6000
121
0: 4:57, previ 20 mn, freq 2 mn, incert 2%, fitness: 0.660333 4000 4000
2000
2000
-2000
-2000
-4000 -6000 -4000 -2000 0 2000 4000 6000 0: 8:57, previ 20 mn, freq 2 mn, incert 2%, fitness: 0.666279 4000
-4000 -6000 -4000 -2000 0 2000 4000 6000 0:20:57, previ 20 mn, freq 2 mn, incert 2%, fitness: 0.665879 4000
2000
2000
-2000
-2000
-4000 -6000 -4000 -2000 0 2000 4000 6000 0:12:57, previ 20 mn, freq 2 mn, incert 2%, fitness: 0.668990 4000
-4000 -6000 -4000 -2000 0 2000 4000 6000 0:24:57, previ 20 mn, freq 2 mn, incert 2%, fitness: 0.682332 4000
2000
2000
-2000
-2000
Figure 3.39:
122
0.6
0.4
0.2
0 0 2 4 6 8 10 12 14 16 18
Figure 3.40: Meilleure tness (avions en cercle nale est aussi bonne lorsque lon utilise le sharing que lorsque lon ne lutilise pas. Elle est m me e meilleure en utilisant le sharing lorsque le conit est difcile a r soudre. Le sharing permet dailleurs ` e dobtenir dans ce dernier cas les deux solutions sym triques (tous les avions tournant a droite et tous e ` les avions tournant a gauche). ` Un conit de rattrapage. Le but de cet exemple est de montrer lint r t de la mod lisation par offset dans le cadre dun conit ee e e e en rattrapage. Dans lexemple pr sent avions se suivent sur la m me route. Lavion de t te est le e e plus lent ( nuds), lavion de queue est le plus rapide ( nuds). Les r sultats sont repr sent s gure 3.41. On observe que loffset est utilis pour les avions les e e e e plus rapides, le plus lent n tant pas d vi . La d viation est est dautant plus importante que lavion e e e e est rapide, ce qui reste en accord avec les conclusions de la partie 3.3.3. Une r solution globale des clusters e Dans cet exemple, deux conits ind pendants a deux avions face a face sont regroup s dans le m me e ` ` e e cluster par linterm diaire dun avion coupant leurs axes. La gure 3.42 donne le r sultat de loptimie e sation. On observe qu une seule d viation de lavion coupant les axes r sout conits. e e
Le processus est charg de d tecter les paires davions en conit, de fabriquer les cluse e ters davions par fermeture transitive des paires davions en conits. Il v rie egalement les e trajectoires nouvelles propos es par e .
Le processus
Le processus
00
0
0: 1:54, previ 20 mn, freq 4 mn, incert 5%, fitness: 0.741429 6000 4000 2000 0 -2000 -4000 -6000 -4000 -2000 0 2000 4000 6000 8000 10000 12000 0: 9:54, previ 20 mn, freq 4 mn, incert 5%, fitness: 0.731054 6000 4000 2000 0 -2000 -4000 -6000 -4000 -2000 0 2000 4000 6000 8000 10000 12000 0:17:54, previ 20 mn, freq 4 mn, incert 5%, fitness: 0.715146 6000 4000 2000 0 -2000 -4000 -6000 -4000 -2000 0 2000 4000 6000 8000 10000 12000 6000 4000 2000 0 -2000 -4000 -6000 6000 4000 2000 0 -2000 -4000 -6000 6000 4000 2000 0 -2000 -4000 -6000
-4000 -2000 0 2000 4000 6000 8000 10000 12000 0:33:54, previ 20 mn, freq 4 mn, incert 5%, fitness: 0.845304
-4000 -2000 0 2000 4000 6000 8000 10000 12000 0:41:54, previ 20 mn, freq 4 mn, incert 5%, fitness: 1.000000
-4000 -2000
Figure 3.41:
124
0: 1:54, previ 20 mn, freq 4 mn, incert 5%, fitness: 0.788517 4000 4000
2000
2000
-2000
-2000
-4000 -4000 -2000 0 2000 4000 6000 8000 10000 0: 5:54, previ 20 mn, freq 4 mn, incert 5%, fitness: 0.780741 4000
-4000 -4000 -2000 0 2000 4000 6000 8000 10000 0:17:54, previ 20 mn, freq 4 mn, incert 5%, fitness: 0.809598 4000
2000
2000
-2000
-2000
-4000 -4000 -2000 0 2000 4000 6000 8000 10000 0: 9:54, previ 20 mn, freq 4 mn, incert 5%, fitness: 0.779955 4000
-4000 -4000 -2000 0 2000 4000 6000 8000 10000 0:21:54, previ 20 mn, freq 4 mn, incert 5%, fitness: 0.802115 4000
2000
2000
-2000
-2000
Figure 3.42:
125
P1
Traffic Simulator
P2
Conflict detection Clustering
P3
Problem Solver
P1
Problem solver
Problem solver
Cluster n
Figure 3.44: Architecture d taill e du simulateur de trac e e Larchitecture du simulateur de trac est d taill e gure 3.44. e e envoie les positions courantes des avions et les plans de vols au processus . Le processus construit alors les trajectoires pr vues pour les minutes a venir et d tecte les paires de conits. e ` e prend en compte les incertitudes sur les vitesses (voir la partie 3.4). Apr` s avoir d tect les paires e e e davions, construit les clusters davions par fermeture transitive des paires davions sur les minutes a venir. Les clusters sont en fait les classes d quivalence de la relation est en conit avec. ` e Tous les clusters sont ensuite r solus par le r solveur de conits de facon ind pendante. Le r solveur e e e e de conits retourne a ` les trajectoires modi es. e v rie alors que les trajectoires modi es e e dun cluster ne g n` rent pas de nouveaux conits avec les avions dun autre cluster. Si tel est le e e cas, les ordres de r solutions pour les minutes a venir sont envoy s a e ` e ` . Si le r solveur a g n r e e ee de nouveaux conits entre des avions de deux clusters diff rents, ces deux clusters sont regroup s, e e formant un nouveau cluster sur lequel on applique le r solveur de conits. Ce processus est r p t e e ee jusqu` ce que tous les conits disparaissent. Ce processus converge n cessairement. Dans le pire des a e cas, tous les avions en conits dans les prochaines minutes se retrouvent dans le m me cluster. e Cependant, le processus est dautant plus efcace quil est en pr sence de nombreux clusters que lon e r soudra en parall` le16 . e e
126
0 !
(les avions ne transitant pas par des balises, mais rejoignant directement leur destination). Seuls les conits en route ( au dessus de pieds) ont et consid r s. e ee Lorsque cette journ e est simul e avec un algorithme de d tection ne prenant pas en compte e e e lincertitude, conits au dessus de pieds sont d tect s. e e Lorsque une simulation compl` te est ex cut e, le processus e e e d tecte e paires davions en conits diff rents (un certain nombre de conits durent plus de e conits ne repr sentant en fait que e minutes et sont donc d tect s plusieurs fois). e e clusters ont et s propos s au r solveur de conits. e e e Il en a r solu e . ont et presque r solus (le conit pr vu na nalement pas eu lieu en raison de e e e lincertitude adopt e). Le r solveur a echou sur e e e conits repr sentant en fait e diff rents conits e (r p t s dans le temps). En observant ces conits, on a pu remarquer quils etaient tous dus a des e ee ` d collages, atterrissages ou entr es dans lespace a rien francais simultan s (ces conits apparaissent e e e e car des donn es plan de vol non r gul es ont et utilis es). Dans ce cas, le r solveur de conit ne peut e e e e e e pieds ne bien evidemment pas s parer les avions. Ne consid rer que les conits au dessus de e e suft pas a saffranchir de ce probl` me. Un algorithme de pr -r gulation des plans de vol est en cours ` e e e d laboration pour r soudre ce probl` me. e e e
3.6.10 Conclusion
Les Algorithmes G n tiques se sont av r s tr` s efcaces pour r soudre des conits pouvant impliquer e e ee e e jusqu` une vingtaine davions. Lintroduction dun op rateur de croisement adapt aux fonctions a e e partiellement s parables combin avec une m thode de sharing sest toutefois r v l e tr` s utile. On e e e e ee e notera que lefcacit de cet op rateur peut egalement se constater sur des fonctions tests classiques e e partiellement s parables. La fonction d valuation utilis e est tr` s simple mais pourrait etre afn e e e e e e autant quon le souhaite. Les r sultats que nous avons obtenus sont tr` s encourageants. Ils le sont e e dautant plus que le r solveur de conit ne donne pour linstant que des r solutions dans le plan e e vertical.
r@
D D
!!
5@
I HG H
r@
5@ I HG H
I HG H
$ r @ 1 5 @" s
n
r5
!0
0
Figure 3.45: Codage dune conguration par un entier Notre id e est donc dutiliser un algorithme g n tique qui g n rera des congurations : une e e e e e conguration repr sente la donn e des sens de d viation et des ordres de passage, n cessaire pour e e e e etablir les conditions lin aires de s paration des avions. Une fois la conguration choisie, la r solution e e e du probl` me lin aire donnera la valeur de loffset a faire subir a chaque avion de mani` re a minimiser e e ` ` e ` la somme des retards.
x xn @
r@ 5 @
5@
5@ #
@
r@ $ r @ 1 5 @"
5@
I HG H x x# D
r@ r5
x x0 @ @
r5
5@
v
5@
Cette m thode pr sente un inconv nient majeur : certaines congurations m` nent a des probl` mes e e e e ` e doptimisation infaisables, cest a dire pour lesquels les contraintes ne peuvent pas etre toutes satis` faites simultan ment. Prendre une tness nulle pour les el ments de la population correspondant a de e e ` telles congurations ne serait pas une solution satisfaisante : une conguration menant a un probl` me ` e infaisable peut etre mieux adapt e quune autre, en ce sens quelle peut etre plus proche quelle dune e conguration menant a un probl` me faisable. Si une conguration m` ne a un probl` me doptimisa` e e ` e tion infaisable, on essaiera de supprimer une contrainte, si les contraintes restantes ne peuvent toujours pas etre satisfaites simultan ment, on en supprimera une seconde, et ainsi de suite, jusqu` ce que les e a contraintes restantes soient simultan ment satisables. Cette m thode se base sur lid e intuitive see e e lon laquelle un probl` me doptimisation infaisable est dautant plus proche dun probl` me faisable e e quil y a peu de contraintes a supprimer pour que les contraintes restantes puissent etre toutes simul` tan ment satisables. La tness dune conguration infaisable sera p nalis e en fonction du nombre e e e de contraintes quil a fallu supprimer pour trouver une conguration satisable, mais ne sera donc pas nulle.
3.7.5 R sultats e
L valuation des r sultats obtenus pose le probl` me suivant : il est difcile dobtenir par une autre e e e m thode une solution dont on sache quelle est optimale, pour la comparer a la solution obtenue gr ce e ` a a lalgorithme ci-dessus. De plus lalgorithme g n tique est un algorithme stochastique : pour evaluer ` e e son efcacit , il faut pouvoir le faire tourner un grand nombre de fois, et consid rer la moyenne et la e e distribution des r sultats obtenus. e
` Conit a cinq avions Dans le cas dun conit mettant en jeu 5 avions, il est encore possible de traiter par un programme doptimisation lin aire de mani` re syst matique et d terministe toutes les combinaisons possibles de e e e e sens de d viation et dordre de passage (il y en a 32 768), et de comparer tous les r sultats obtenus, e e an de d terminer la meilleure solution. e Nous consid rons pour cela lexemple suivant : les avions vont a la m me vitesse (400 kts), ils e ` e e e e sont au temps r guli` rement r partis sur un demi cercle de centre C (et de rayon 100 Nm), et leurs trajectoires se coupent en C (voir gure 3.46). La norme de s paration est de 7 Nm. On obtient alors e deux solutions optimales equivalentes : soit les quatre premiers avions sont d vi s vers la droite, e e tandis que le cinqui` me nest pas d vi , et si e e e , passe derri` re , soit le premier avion nest e pas d vi , et les quatre suivants sont d vi s vers la gauche, et si e e e e , passe devant . Cest cette derni` re solution qui est repr sent e sur la gure 3.46. e e e Pour un conit a 5 avions, le programme a et lanc 50 fois sur lexemple pr sent ci-dessus, avec ` e e e e 150 el ments de population et pendant 100 g n rations. e e e La gure 3.46 montre la r partition du nombre dappels au programme doptimisation lin aire e e n cessaire a lobtention dune solution optimale. Ces r sultats sont a comparer au fait que pour pare ` e ` courir toutes les congurations, il faut effectuer 32 768 appels au programme lin aire (ce qui correse pond a un temps de calcul de 108 secondes). Le gain en nombre dappels au programme lin aire est ` e beaucoup plus sensible dans le cas dun conit a 6 avions, dont la combinatoire est beaucoup plus ` importante. Nous allons etudier plus en d tail les r sultats obtenus dans ce cas. e e 129
r@
5@ # r@
5@ #
avion 1
9 8 7 6 5 4
avion 2
avion 5
3 2 1 0
avion 3
avion 4
25000
30000
avion 1
C
7 6 5 4
avion 2
avion 6
2 1
avion 3 avion 4
avion 5
5000 10000
15000
20000 25000 30000 35000 40000 45000 50000 55000 NOMBRE DAPPELS AU PROGRAMME LINEAIRE
` Conit a six avions Les solutions obtenues dans le cas dun conit a 6 avions sont plus d licates a v rier. Nous avons ` e ` e appliqu la m thode d crite ci-dessus a un conit a 6 avions comparable au conit a 5 avions pr sent e e e ` ` ` e e dans la section pr c dente : les avions vont a la m me vitesse (400 kts), ils sont au temps r guli` rement e e ` e e e r partis sur un demi cercle de centre C (et de rayon 100 Nm), et leurs trajectoires se coupent en C (voir e gure 3.47). La norme de s paration est toujours de 7 Nm. e Le programme a et utilis avec les m mes param` tres que dans le cas a 5 avions. Sur les 50 e e e e ` fois essais, nous avons obtenu une des deux meilleures solutions 39 fois. Il a fallu en moyenne 23000 appels au programme doptimisation lin aire pour obtenir une de ces solutions. La gure 3.47 montre e la r partition de ce nombre dappels. e Nous rappelons quun parcours exhaustif de tous les cas de gure en n cessite 2097152. e 130
3.7.6 Conclusion
Beaucoup de param` tres ayant permis datteindre ces r sultats pourraient encore etre ajust s de mani` re e e e e a am liorer lefcacit de la m thode pr sent e ici (notamment les formes exactes des fonctions uti` e e e e e lis es pour le calcul de la tness des el ments). Cependant les r sultats obtenus, surtout avec lexemple e e e a 6 avions, montrent que cette m thode peut sav rer int ressante sur le plan th orique. Pourtant, ` e e e e sur le plan pratique, cette m thode pr sente un inconv nient majeur : la trajectoire des avions doit e e e n cessairement etre rectiligne uniforme. Or, la vitesse dun avion varie ne serait-ce quen raison dun e changement daltitude. Dautre part, cette m thode ne permet pas de mod liser simplement lincertie e tude sur les vitesses. En conclusion, la r solution par techniques lin aires ne nous semble pas utilisable e e pour r soudre des conits r els. e e
Les algorithmes de type A, dont lalgorithme ([Pea90, Pea84, FG87, Far96], sont classiquement utilis s en Intelligence Articielle et en Robotique depuis de nombreuses ann es. Le co t a minimiser e e u ` est la somme des distances parcourues par les avions pour rejoindre leur destination, et lheuristique est simplement la somme des distances restant a parcourir, en supposant que les avions peuvent re` joindre directement leur destination. Cette heuristique est clairement minorante, garantissant ainsi loptimalit de la solution. e La mod lisation choisie par Herv Gruber ne permettait pas de r soudre des conits a plus de e e e ` deux avions, que ce soit de facon optimale ou m me sous-optimale. Nous avons modi l g` rement e e e e cette mod lisation : ici, un avion est d vi a partir dun instant de 30 degr s a gauche ou a droite e e e` e ` ` pendant un temps , puis regagne directement sa destination. Il est alors possible de r soudre de facon optimale des conits a deux avions en un temps tr` s court e ` e (de lordre de quelques secondes). Cependant, il reste impossible de r soudre des conits ne seraite ce qu` trois avions. La raison en est simple. En utilisant lheuristique pr sent e ci-dessus, et notre a e e tend a reprendre la g n ration des etats apr` s un conit d` s le d but ` e e e e e mod lisation, lalgorithme e de la trajectoire. Cest une mauvaise strat gie de r solution. En effet, les avions ont alors de fortes e e chances de se retrouver a nouveau en conit au m me point. Il vaut en fait mieux essayer de reprendre ` e la g n ration des etats le plus pr` s possible du point de conit, car une d viation a ce moment l` a e e e e ` a` de plus fortes chances de r soudre. On peut favoriser ce comportement en multipliant la valeur de la e fonction heuristique par un facteur de lordre de (cela se comprend ais ment). On obtient alors e des r solutions sous-optimales, mais en un temps beaucoup plus r duit. Par exemple, la r solution e e e dun conit a deux avions ne prend plus que quelques centi` mes de seconde, et lon parvient m me a ` e e ` r soudre des conits a cinq avions (en un temps important cependant, de lordre de plusieurs minutes). e ` Cependant, le conit pr sent gure 3.48 est simple dans sa structure (avions en face a face). Dans le e e ` cas de conits plus complexes, nous ne sommes pas parvenus a obtenir des r sultats dans des temps ` e raisonnables (moins dune heure). 131
2000
2000
1000
1000
-1000
-1000
-2000
-2000
-3000
-3000
-4000 0 1000 2000 3000 4000 5000 6000 7000 8000 9000
Figure 3.48: R solution dun conit a deux avions de facon optimale et dun conit a cinq avions de e ` ` facon sous optimale
3.8.3 Conclusion
Les deux m thodes pr c demment evoqu es montrent les deux ecueils duaux, presque caricaturaux, e e e e auxquels on se trouve confront lorsque lon travaille sur des algorithmes de parcours de graphe. Dun e c t un algorithme garantissant loptimalit pour la r solution, mais lent et co teux en m moire, de oe e e u e lautre un algorithme extr mement rapide mais fournissant des solutions inutilisables. e Il est clair quun algorithme aussi primitif que la m thode de plus forte pente est inapplicable. En e revanche, les r sultats connus sur la complexit e e ne permettent gu` re desp rer r soudre des conits e e e impliquant trop davions avec cet algorithme. En effet, le nombre de nuds de peut- tre consid r e ee comme proportionnel au nombre de nuds du graphe au carr . Or, dans le cas qui nous int resse, le e e nombre de nuds du graphe crot de facon exponentielle avec le nombre davions (on peut en fait montrer que dans le cas o` notre heuristique est minorante, la complexit du probl` me crot comme u e e o` est le nombre de pas de temps et le nombre davions). u Nous pensons cependant fermement que cette direction de recherche doit etre reprise s rieusement. e Il faut en particulier sint resser a des algorithmes de moyen terme ( , d veloppement partiel, etc) e ` e 132
120000
100000
80000
60000
40000
20000
Figure 3.49: Trajectoires fantaisistes obtenues par la m thode du gradient (n=11) e qui nous permettraient de mieux tirer partir de notre connaissance du probl` me dans le d veloppement e e des etats. Il sagit l` dune direction de recherche a reprendre. a `
Les forces attractives qui permettent aux avions datteindre leur objectif (une balise ou leur destination nale par exemple). Les forces r pulsives qui permettent aux avions d viter un obstacle proche donc dangereux. e e Cet obstacle peut etre un avion ou une zone interdite. Les forces de glissement qui permettent de contourner les obstacles. Les avions ont alors une action coordonn e (voir gure 3.50). Un force de glissement est d nie de la mani` re suivante : e e e 133
Force de glissement
Obstacle Equipotentielle
vitesse relative 1/2
avion 2
Force glissante
Force de glissement
Figure 3.50: Force r pulsive et force glissante, forces de glissements coordonn es. e e si lon observe l quipotentielle de danger passant par lavion, une force de glissement est tane gente a cette equipotentielle alors que la force r pulsive est normale a cette equipotentielle. Il ` e ` y a donc plusieurs forces de glissement possibles. Si lon reste dans le plan horizontal, la gure 3.50 montre que lon peut d nir deux sens de glissement (` droite ou a gauche). Le sens e a ` optimal (il sagit ici doptimalit locale, pour lavion concern ) est celui qui favorise le rape e prochement vers lobjectif. Dans le cas dun obstacle mobile, Karim Zeghal d nit une action e coordonn e d vitement. Si deux avions arrivant au m me point suivent des forces de glissee e e ment compl mentaires, alors l vitement peut se faire de facon tr` s efcace. Dans le cas simple e e e de deux avions (voir gure 3.50), on projette par exemple la vitesse relative sur l quipotentielle e de danger pour chaque avion et on obtient ainsi deux forces de glissements coordonn es. e Il sagit ensuite, pour limiter les changements brutaux de direction, de g rer lintensit des diff rentes e e e forces entre elles. En effet, les avions etant limit s par leurs taux de virage, de mont e et de descente, e e ils ne peuvent pas effectuer de manuvre trop rapide. Les diff rentes forces sexercant sur les avions e sadditionnent donc avec des coefcients variables suivant limminence du danger. Pour g rer les conits a plus de deux avions, Karim Zeghal propose dadditionner les forces relae ` tives a chaque avion. Intuitivement, except quelques cas exotiques, cela devrait permettre dobtenir ` e des directions de forces coh rentes entre elles et par rapport aux obstacles. Les fondements de cette e hypoth` se ne reposent que sur l tude de cas pratique. e e La coordination dactions gr ce aux forces de glissement na pas pour objectif la recherche dopa timalit , mais vise avant tout une bonne efcacit ainsi quune bonne robustesse des solutions. e e L tude des possibilit s dutilisation dune th orie de la coordination dactions pour les besoins e e e . Trois syst` mes sont envisag s : e e de la navigation a rienne a commenc au CENA en e e Dans la mesure o` le processus individuel ne n cessite que des informations locales a lappareil, u e ` il peut fonctionner de facon autonome a partir dune perception de son environnement. Karim ` Zeghal propose donc un syst` me davion autonome hybride17 . Lint r t premier de ce syst` me e ee e est sa robustesse. La panne dun avion ne remet pas en cause la s curit du syst` me. Il apparat e e e une forme de redondance dans le syst` me qui renforce sa robustesse. Ce syst` me devrait g rer e e e des conits entre et minutes a lavenir, ce qui suppose quun syst` me sup rieur continue a ` e e ` g rer la densit locale de trac an d viter une saturation. e e e
17
L quivalent du TCAS am ricain (Trafc alert and Collision Avoidance System) mais a plus longue ech ance e e ` e
134
!nn
La robustesse des solutions est un des atouts des travaux de Karim Zeghal. Il reste n anmoins de e nombreux probl` mes a r soudre. Dans la mesure o` lon souhaite continuer a coner a lhomme son e ` e u ` ` r le de pilote dans lavion, il est indispensable de pouvoir lui transmettre des manuvres ex cutables o e et donc simples. Par exemple, on peut demander a un pilote de changer de cap pendant un certain ` temps ou de prolonger une mont e ou de modier une heure de d but de descente. On ne peut pas e e lui demander de modier en permanence son cap sa vitesse et son taux de mont e ou descente. Il e serait donc n cessaire de revoir la mod lisation des trajectoires pour les simplier et les rendre accese e sibles au pilote. De plus, si lon doit pouvoir prouver que pour deux avions ces techniques peuvent ` e ee r soudre tous les conits, la g n ralisation a avions (qui consiste a additionner les forces g n r es e e e ` par chaque avion) na et v ri e que sur des exemples. Enn, aucune recherche doptimalit globale e e e e nest envisag e. e Evaluation Jean-Francois Bosc a implant la m thode pr c dente en y apportant quelques am lioration. Il a e e e e e dautre part impos un certain nombre de contraintes : e
tous les avions ont le m me comportement e on utilise seulement des routes directes on ne modie pas la vitesse des avions, car on suppose que les marges de mauvre sur la vitesse sont trop faibles on limite le taux de virage a 3 degr s par seconde e
Les r sultats obtenus sont int ressants a plus dun titre (voir gure 3.51). Pour des valeurs elev es e e ` e du volume de trac et de la s paration horizontale (trac multipli par 2,5 et 10 NM de s paration), e e e la r solution nit par g n rer plus de conits quil ny en avait initialement. Ceci est d a la fois a e e e u` ` laccroissement des temps de vol qui devient tr` s important et aux oscillations des avions soumis e aux force issues dintrus multiples. Une des limitations des m thodes r actives est quon est incapable e e de tenir compte du fait quun intrus en rapprochement pourra passer a distance sufsante sans mo` dication de trajectoire. Une manuvre est effectu e, ce qui perturbe inutilement la trajectoire et les e autres evitements en cours. On a egalement remarqu quen g n ral les variantes de la m thode de e e e e r solution qui etaient moins performantes sur un trac mod r se d gradaient moins nettement lorsque e ee e la complexit augmente. e 135
Karim Zeghal propose egalement un syst` me daide au contr leur. Il suft pour cela dutiliser le e o processus individuel sous forme de processus centralis et de simuler les trajectoires futures. Le e r sultat dune simulation est alors un ensemble de trajectoires assurant l vitement sur lintere e valle de temps consid r pour lensemble des appareils. Ceci pourrait selon lui avoir un grand ee int r t pour planier les trajectoires et faire des propositions au contr leur. ee o Les r solutions propos es par ces techniques etant des commandes continues, il semble peu e e probables que celle-ci puissent etre mises en pratique dans un cadre o` le pilote et les contr leurs u o sont maintenus dans le syst` me. e Enn on peut imaginer un syst` me double interm diaire. Dans ce cas, certains avions sont e e autonomes et dautres pas. Le contr leur a alors une disponibilit suppl mentaire et la capacit o e e e de son secteur augmente.
1.5
2 2.5 Compression
3.5
7 6 Separation (NM)
Figure 3.51: Pourcentages de conits non r solus e Il est donc probable que la saturation observ e est une saturation de la m thode de r solution e e e plut t quune saturation de lespace a rien. Au niveau de complexit dARC2000 (trac multipli par o e e e 2.5, et des s parations horizontales allant de 5 a 10 NM selon la g om trie du conit), la m thode e ` e e e Zeghal implant e sous cette forme fournit des r sultats (en termes de pourcentage de r solution et de e e e d lais) nettement moins bons (25% de conits non r solus et 6.7% de d lai moyen avec une s paration e e e e (constante) de 6 NM).
18
136
Langle
Le cap
uc
"
La distance
y y '
'
Le cap
aircaft 1
||
heading change
d /dt
aircraft 2
Destination
Figure 3.52: Les entr es du r seau de neurones et sa structure e e Le r seau quant a lui est simplement un classique r seau a 3 couches. La fonction dactivation est la e ` e ` classique fonction logistique Le probl` me est quil est impossible dutiliser des techniques dapprentissage supervis pour e e r aliser lapprentissage du r seau. En effet, il est long et co teux de construire une r solution ope e u e timale de conits a deux avions, et impossible de le faire pour un nombre davions sup rieur a deux. ` e ` Pour construire le r seau de neurones, nous utilisons donc un algorithme g n tique (cette technique a e e e d j` et employ , en particulier pour traiter le probl` me du parcage dune voiture [SRD93]). eae e e Chaque el ment de population de lalgorithme g n tique est un r seau de neurones, repr sent par e e e e e e la matrice des poids de ses connexions. On utilise un croisement barycentrique et la mutation ajoute un bruit gaussien a un certain nombre de poids du r seau, pris au hasard. ` e La tness de chaque r seau est calcul e de la facon suivante : on fait voler les deux avions sur un e e ensemble de congurations consid r es comme repr sentatives. On dit alors que la tness vaut : ee e
p
La base dapprentissage On a utilis 12 congurations diff rentes. Dans chacune de ces congurations, les avions sont distants e e de miles a ` .
On retrouve ici la classique m thode consistant a p naliser la tness dun el ment violant les contraintes, sans toutefois e ` e e lannuler
19
0 !
dans ( ,
congurations, les avions ont la m me vitesse et convergent avec des angles diff rents e e , , degr s, voir gure 3.53). e
137
est la moyenne des d lais induits par les d viations de lavion et e e r siduels19 . e
A
& |
e x & $ " @
&
4 4 3 3 2
20
2 1
60 120 150
dans congurations, les avions ont des vitesses diff rentes et leurs caps sont calcul s de facon e e a g n rer des conits. (les vitesses sont de ` e e , , , , et nuds, voir gure 3.53).
En raison des sym tries, ces congurations sont repr sentatives de tous les cas possibles. Nous e e appelons conguration positive une conguration dans laquelle langle entre lavion le plus lent et lavion le plus rapide est positif. Quand on rencontre une conguration n gative, on utilise la congue ration positive sym trique, en donnant des valeurs n gatives aux entr es du r seau. e e e e R sultats num riques e e Pour valider les r sultats, nous avons test notre r seau sur des congurations non apprises, an de e e e v rier sa capacit a g n raliser. Les solutions optimales ont et calcul es avec LANCELOT [CGT92] e e` e e e e et compar es avec les r solutions fournies par le r seau de neurone. Sur chacune des gures, la e e e r solution du r seau de neurones est a gauche, et la solution optimale trouv e par Lancelot a droite. e e ` e `
La gure 3.55 donne un exemple de conit a degr s (les avions ont la m me vitesse). Il sagit ` e e dun conit tr` s difcile a r soudre. Les solutions sont diff rentes, mais les co ts sont proches e ` e e u et la solution donn e par le r seau de neurones est robuste. e e La gure 3.56 donne un exemple de r solution de face a face. Les solutions sont identiques. e ` 138
n
La gure 3.55 montre un exemple de conit a ` Les deux solutions sont identiques.
dans
dans
congurations, les avions sont face a face, avec la m me vitesse (voir gure 3.54). ` e congurations, les avions sont en rattrapage (voir gure 3.54).
0 !
! 0 0
Figure 3.54:
Figure 3.53:
2 1
139
Conclusion La r solution r active de conits a deux avions par r seaux de neurones donne dexcellents r sultats. e e ` e e Mais le probl` me de cette m thode est lextension a un nombre plus elev davions. Nous sommes e e ` e parvenus a la faire fonctionner avec trois avions, mais le nombre dentr es du r seau augmente et le ` e e nombre de congurations dapprentissage augmente egalement. Lextension a des cas de quatre ou ` cinq avions parat difcile, du moins dans ce cadre.
3.10 Conclusion
Nous nous sommes efforc s de pr senter dans ces quelques pages un panorama assez complet des e e techniques qui peuvent sappliquer pour r soudre des conits a riens. Le travail qui reste a effectuer e e ` est encore tr s important : e
La gure 3.56 pr sente un exemple de r solution de rattrapage. Les solutions sont identiques. e e
Il faut examiner a nouveau les techniques classiques de recherche de type A. Ces algorithmes ` devraient se r v ler extr` mement utiles lorsque le nombre davions nest pas trop important. e e e Il faut reprendre les exp rimentations et r aliser une validation sur plusieurs journ es de trac. e e e Il faut que nous disposions dun algorithme susceptible daffecter des cr neaux darriv e aux e e avions dans lespace que nous contr lons, de facon a eliminer les conits aux fronti` res. o ` e Enn, il nous faudrait connecter lensemble des ltres dont nous disposons (affectation de cr neaux, r solution a 20 minutes et evitement court terme), de facon a faire des estimations e e ` ` de sensibilit de chacun de ces ltres a ceux qui le suivent ou le pr c` dent dans la chane de e ` e e contr le. o
Nous poursuivons activement ces quatre directions, dans le cadre de DEA ou de th` ses. e
140
Chapitre 4
Dans le cadre de ce travail, on sest plus particuli` rement int ress aux probl` mes du contr le en e e e e o route. Actuellement on enregistre sur le territoire francais environ 4000 mouvements par jour, ce qui repr sente une charge de contr le impossible a g rer par un seul contr leur. On r partit alors cette e o ` e o e charge de travail en divisant lespace a rien en plusieurs secteurs pour chacun desquels on affecte une e equipe de contr leurs. Le nombre de secteurs est alors d termin par la capacit dun contr leur a o e e e o ` g rer avions simultan ment (dans la pratique la moyenne semble etre de 10 a 15 avions; lorsque e e ` cette limite est atteinte on dit que le secteur est satur ). Un des objectifs principaux de la sectorisae tion est de fournir des secteurs equilibr s en terme de charge de contr le an que chaque equipe de e o contr leurs travaille de la m me facon. o e Au cours de ces derni` res d cennies, au fur et a mesure de laugmentation du trac, lespace a rien e e ` e a et divis en secteurs de plus en plus petits an d viter la saturation de ces derniers. Malheureusee e e ment, ce principe de resectorisation pr sente une limite dans la mesure o` lon doit m nager un temps e u e sufsant au contr leur pour g rer son trac ( laboration des strat gies de r solution des conits entre o e e e e a ronefs) et donc g n rer des secteurs dont la taille permet de satisfaire cette contrainte. De plus, le e e e contr leur ne connat que le trac li a son secteur et lorsquun avion passe dun secteur a un autre, il o e` ` sop` re un dialogue entre les contr leurs et le pilote an dassurer la s curit du vol lorsquil p n` tre e o e e e e dans le nouveau secteur (ce dialogue induit une charge de travail suppl mentaire pour les contr leurs e o
1
Ce chapitre pr sente les r sultats obtenus par Daniel Delahaye dans le cadre de sa th` se. e e e
contr le da rodrome : gestion des phases de roulage, de d collage et datterrissage; o e e contr le dapproche : gestion du trac en etape pr paratoire a latterrissage ou post-d collage o e ` e dans une zone proche dun a rodrome; e contr le en route : il concerne essentiellement le trac en croisi` re entre les a rodromes. o e e
141
appel e charge de coordination). Ainsi, en augmentant le nombre des secteurs, on augmente aussi les e coordinations et donc la charge de contr le globale. o Dans le cadre op rationnel, le principe de resectorisation dun domaine despace a rien est le e e suivant. Lorsque lon d tecte un secteur qui se trouve souvent en limite de saturation, une equipe e dexperts se r unit et propose une nouvelle sectorisation de la zone incrimin e. Pour valider cette e e proposition on proc` de a deux types de simulations : simulation arithm tique et simulation temps r el. e ` e e La premi` re consiste a evaluer la sectorisation a laide de logiciels de simulation sur trac enregistr e ` ` e (ou simul ). Si les r sultats de ces premi` res evaluations sont satisfaisants, la sectorisation est ensuite e e e test e en temps r el a laide dun environnement de contr le simul faisant intervenir des contr leurs e e ` o e o et des pseudo-pilotes (sur poste de pilotage reconstitu en salle (version simpli e)). Apr` s cette e e e derni` re etape, on modie les fronti` res des secteurs sur site et on contr le que ces changements e e o permettent effectivement de r soudre les probl` mes initiaux. On gardera cette sectorisation jusqu` ce e e a que de nouveaux probl` mes apparaissent, li s principalement a la croissance du trac. e e ` Cette approche est essentiellement locale et aboutit a une sectorisation globale qui est la juxta` position de r gions de contr le optimis es individuellement. Pour mieux comprendre les m thodes e o e e utilis es dans le contr le du trac a rien, on pourra consulter les r f rences [Mai91, Vil84, CDV92]. e o e ee Le travail de Daniel Delahaye se d composait en trois parties principales : e ` Sectorisation dun r seau a ux affect s : il sagit de r aliser une sectorisation equilibr e de lese e e e pace en fonction des ux affect s sur le r seau de routes. e e Affectation des ux sur un r seau sectoris : r solution du probl` me dual : laffectation des avions e e e e sur les routes a riennes, la sectorisation etant x e. e e Optimisation simultan e de la sectorisation et de laffectation de trac : Partant simplement des e demandes de trac entre les paires Origine-Destination, il sagit de construire simultan ment e une sectorisation et une affectation des avions sur les routes.
deux raisons. Dune part, il existe dans beaucoup de pays un assez grand nombre de zones r serv es e e aux militaires qui doivent etre contourn es par les routes a riennes civiles, dautre part, le contr le e e o de la circulation a rienne nest pas capable dassurer un ecoulement s r et ordonn du trac lorsque e u e chacun va directement de son point de d part a son point de destination. Laiguilleur du ciel a besoin e ` pour travailler de points de report par rapport auxquels il peut situer son trac. Une route a rienne pouvant etre utilis e dans les deux sens, il a et elabor une r` gle de s paration e e e e e e verticale (r` gle semi-circulaire) imposant des altitudes de vol aux a ronefs an dassurer des croie e sements en toute s curit . Dans un soucis de simplicit , une route a rienne sera donc simplement e e e e mod lis par un arc bidirectionnel joignant deux balises. e e Le r seau a rien sera donc mod lis par un r seau de transport qui aura les propri t s suivantes : e e e e e ee
Les demandes de trac des usagers sont ensuite distribu es sur le r seau (` linitiative des utilisae e a teurs ou par linterm diaire dun processus daffectation de trac ou les deux). En supposant que les e avions se d placent a des vitesses moyennes quasi-identiques (homog n it du trac), la r partition e ` e e e e de ux induite fait apparatre une charge de contr le r partie dans lespace que nous nous proposons o e maintenant de mod liser avant de d crire les probl` mes quil nous faut r soudre. e e e e
Il est pilotable car il nous est possible dimposer des routes aux avions par linterm diaire des e contr leurs o Les co ts darcs sont non s parables : en effet, le nombre moyen de conits entre a ronefs a u e e ` la verticale dune balise est proportionnel aux ux sur les deux routes a riennes. Il faut bien e se rappeler que la r solution dun conit induit une charge de contr le importante et provoque e o parfois des modications de navigation p nalisant la consommation. Le co t sur un arc d pend e u e donc des co ts sur les autres arcs, do` la non-s parabilit . u u e e Les co ts darcs sont asym triques : en effet, si lon route des avions vers des secteurs d j` u e ea charg s, on peut provoquer la saturation du secteur et donc le refus du contr leur en charge de e o ce secteur daccepter ces nouveaux avions et donc des co ts de d routement assez elev s quand u e e bien m me il ny a pas beaucoup de trac (donc de congestion) sur la route initialement choisie. e
de 10 minutes car elle provoque un fort stress des contr leurs qui risquent alors de ne plus pouvoir o assurer la gestion du trac dans des conditions optimales de s curit . e e Apr` s une enqu te aupr` s des contr leurs on remarque que la charge de travail dans un secteur e e e o d pend des crit` res qualitatifs et quantitatifs. Les crit` res qualitatifs regroupent essentiellement les e e e facteurs humains dont le principal est le stress. Tous les contr leurs ne r agissent pas de la m me o e e facon face a une situation de trac difcile et il est donc d licat de fournir un mod` le math matique ` e e e de stress applicable a tous les contr leurs. On peut seulement pr ciser que le stress est directement li ` o e e aux crit` res quantitatifs suivants : e
Il existe dautres charges de contr le [TPC76] facilement quantiables mais leur impact sur leno semble de la charge secteur est n gligeable par rapport aux trois pr c dentes. e e e Nous allons dans un premier temps, pr ciser et quantier chacune de ces trois charges de contr le e o avant de fournir un mod` le math matique de la charge globale dans un secteur. e e Charge de r solution des conits e On dit que deux avions sont en conit lorsque la distance qui les s pare risque de devenir inf rieure a e e ` une valeur particuli` re appel e norme de s paration. Lorsque deux avions sont en conit, le contr leur e e e o doit modier la route des avions an dassurer le respect des normes de s paration. e Suivant langle de croisement des routes a riennes les conits sont plus ou moins faciles a r soudre e ` e car les avions sont plus ou moins longtemps en situation conictuelle. En supposant que la charge de contr le a la verticale du croisement est proportionnelle au nombre o ` dans le cas dun croisement a deux routes, o` ` u de conits g n r s, on a e ee est un coefcient de proportionnalit d pendant de langle de croisement entre les routes, et e e et les ux sur les arcs et . Lorsque le croisement comporte plus de deux routes incidentes, la charge de conit est la somme des charges induites par les arcs pris deux a deux. La charge de conit ` dans un secteur est alors la somme des charges de conits sur chacun des nuds contenus dans ce secteur. Charge de coordination Tous les avions qui sont dans un m me secteur communiquent au moyen de la m me fr quence avec le e e e contr leur en charge du secteur. Lorsquils changent de secteur, ils doivent changer de fr quence et il o e sop` re alors un transfert de contr le. Ce transfert doit avoir fait lobjet au pr alable dune n gociation e o e e entre le contr leur qui transf` re et le contr leur qui recoit, pour assurer que celui-ci peut accepter o e o lavion et pour d nir les modalit s (niveau de vol, etc) selon lesquelles lop ration a lieu. Un transe e e fert n cessite un travail relativement important de la part des deux contr leurs; de plus cest une e o op ration au cours de laquelle des incompr hensions ou des erreurs peuvent se produire causant des e e pertes accidentelles de s paration. Les charges de contr le induites par ces transferts sont regroup es e o e dans une charge unique appel e coordination. Dans un r seau de transport sectoris la charge de coe e e ordination est proportionnelle aux ux coup s par les fronti` res des secteurs. En etudiant la charge de e e coordination g n r e par un arc e ee de route a rienne dont une partie ou la totalit appartient a un e e ` secteur , on peut identier trois cas de gure :
144
rk 7 r5 7 $ k r5 $" '
$ 1 #"
Fb
2. Une seule extr mit de larc appartient au secteur e e Il existe donc une intersection entre larc et la fronti` re du secteur . On peut alors repr senter la charge de coordination par : e e o` u est un coefcient de proportionnalit permettant de pond rer linuence de e e la coordination par rapport aux autres charges de contr le. o
Charge de monitoring Dans un secteur de contr le les avions qui ne sont pas en conit ou en transfert n cessitent une o e surveillance de la part du contr leur qui v rie le bon d roulement des plans de vol sur limage o e e radar et qui essaye de d terminer les risques potentiels de conits futurs induits par ces avions. Le e monitoring est en fait la t che de fond du contr leur et repr sente une source importante de stress a o e pour ce dernier. Cette charge de contr le est directement li e au nombre davions pr sents dans le o e e on peut la mod liser par : e secteur de contr le. Pour un secteur o avec :
: coefcient de proportionnalit . e
La charge de contr le dans un secteur est donc la somme de la charge de conit, de la charge de o coordination et de la charge de monitoring. Disposant maintenant dun mod` le math matique du r seau a rien ainsi que de la charge de e e e e contr le (quil nous faudra confronter a la r alit ), nous pouvons formaliser la description des deux o ` e e probl` mes que nous nous sommes attach s a r soudre. e e ` e
une composante discr` te localis e au niveau des nuds (conits); e e une composante continue r partie sur les arcs (monitoring). e
Lorsque lon met en place des fronti` res de secteur, ces derni` res coupent des arcs de routes e e a riennes g n rant a posteriori une nouvelle charge de contr le (coordination) pouvant remettre en e e e o cause l quilibre obtenu pour les deux crit` res pr c dents (conit et monitoring). Un petit exemple e e e e 145
Fb
$ 1 #"
proportion de larc
rF5 7 r5 & b
3. Les deux extr mit s de larc sont ext rieures au secteur e e e fois. On peut alors mod liser la charge par : e
Fb
Fb
Fb
Fb
r5
r 5 7 r5 & $ 1 #"
' $ " r5 a
50
110 20
xx Charge de conflit xx Charge secteur sans coordination 40 10 xxx Charge secteur avec coordination 25 50 100
20
35 50 80
Figure 4.1: Inuence de la coordination sur l quilibrage a posteriori e simple nous permet de mieux comprendre ce probl` me. Sur la gure 4.1 la sectorisation est initiae lement equilibr e (` 50) pour les charges de conit et de monitoring. Si lon tient compte des coor e a dinations dans l quilibrage, on constate un d s quilibre net des nouvelles charges de contr le dans e ee o les secteurs. De fait, ce nest quapr` s avoir pris la d cision de sectoriser que lon sait a posteriori e e si les secteurs sont equilibr s ou non. Une analogie avec la m canique nous permet de mieux sentir e e ce probl` me. Si lon assimile la charge de contr le a une masse, notre r seau de transport peut etre e o ` e mod lis par un ensemble de boules denses r parties aux nuds, reli es entre elles par des barres e e e e pesantes. Notre objectif initial est donc de rechercher une sectorisation pour laquelle chaque secteur a la m me masse. Le probl` me est que lon ajoute des masses de coordination lorsque lon coupe des e e barres modiant ainsi l quilibre calcul . Ce premier objectif d quilibrage est important mais doit e e e etre compl t par un objectif connexe de minimisation des coordinations. En effet, si lon se contente ee seulement de rechercher l quilibrage, on risque dobtenir des aberrations en terme de contr le dont un e o exemple extr me est donn gure 4.2. On remarque sans difcult que le cas 2 est nettement meilleur e e e en terme de contr le quand bien m me il est moins equilibr . o e e Enn, la sectorisation construire doit prendre en compte certaines contraintes : Convexit de routes : Lorsque lon examine la sectorisation actuelle ainsi que le r seau de routes ase e soci , on remarque que pour chacun des trajets possibles reliant une paire Origine-Destination, e les secteurs rencontr s ne sont travers s quune seule fois. Ainsi un pilote ne contacte quune e e seule fois le contr leur en charge du secteur quil traverse. o Temps minimal de r solution : Lorsquun contr leur d tecte un conit entre deux avions, il doit se e o e m nager un d lai sufsant an d laborer un processus de r solution adapt . Or, comme nous e e e e e lavons vu pr c demment, les conits entre a ronefs sont localis s aux croisements des routes e e e e a riennes et donc sur les nuds du r seau de transport. De plus, le trac g r par un contr leur e e ee o est limit au secteur dont il a la charge et il ne dispose pas dinformations sur le trac pr sent e e dans les secteurs voisins. Si au moment o` un avion lui est transf r ce dernier se trouve en u ee conit, le contr leur na pas le temps de construire un processus de r solution. Pour eviter ce o e probl` me, il faut eloigner sufsamment les fronti` res des secteurs des points de croisement an e e 146
CAS 1 S1 40
CAS 2 40
60 S1 S2 S2
60
CH (S1) = 50 mo CH co
CH
CH
(S2) = 60 mo
(S1) = 100 CH
CHco (S2) = 0
Figure 4.2: Importance de la minimisation des coordinations de m nager un temps minimum de r solution au contr leur recevant les avions. Ceci induit une e e o seconde contrainte, dite contrainte de s curit : la distance entre un nud et une fronti` re de e e e secteur sera au moins egale a une distance de s curit de lordre de 50NM. ` e e Temps minimal de s jour : pour quun contr leur puisse agir facilement sur les vols pr sents dans e o e son secteur, ces derniers doivent y s journer un temps sufsant egal au temps de s curit . Un e e e avion devra rester un temps minimum dans chacun des secteurs quil traverse. Le probl` me de sectorisation peut donc se formuler de la facon suivante : Soit un r seau de transe e ` port dans un espace a deux dimensions sur lequel une r partition de ux produit une charge de e contr le r partie dans lensemble de lespace a rien. On se propose de sectoriser cet espace en o e e secteurs equilibr s (en terme de charge de contr le) en minimisant les coordinations. Cette e o sectorisation devra respecter les contraintes de convexit de route, de s curit aux balises et de e e e temps de s jour minimum. e
modications se font a longue ech ance), on ne prendra pas en compte laspect dynamique du trac et ` e nous nous attacherons a travailler sur des ux davions macroscopiques. De plus, on se placera dans ` le cas le plus d favorable consistant a prendre les demandes de trac maximum entre chaque paire e ` Origine-Destination. Le probl` me daffectation peut donc s noncer ainsi : Soit un r seau de transport dans un e e e ` espace a deux dimensions, divis en e secteurs. On d sire affecter le trac entre chaque paire e Origine-Destination, en respectant la contrainte d quit , an de minimiser la charge de contr le e e o tout en r duisant les rallongements induits. e
Le premier sous-probl` me est discret-continu NP complet (discret : equilibrage des charges de e conit et de coordination; continu : equilibrage des charges de monitoring). En effet, en ne consid rant e que la partie discr` te li e aux charges de conit et de coordination, le probl` me est equivalent a un e e e ` Partitionnement de graphe en composantes connexes qui est connu pour etre NP complet [Che92]. partitionnement de graphe a ` Le sous-probl` me de minimisation des coordinations est aussi un e minimisation de ux coup s et est donc NP complet. On peut donc raisonnablement penser que la e combinaison de ces deux probl` mes est aussi NP complet. e
148
9
de trac (Origine-Destination) entre les divers centrodes induisant une r partition spatiale des ux. e Cette r partition de ux g n` re une charge de contr le dans lespace quil nous faut maintenant sece e e o toriser. Chacun des secteurs ainsi cr es sera ensuite attribu a une equipe de contr leurs qui aura la e e` o responsabilit du trac qui y transitera. e Lorsquun contr leur arrive sur une nouvelle position de contr le, il lui faut entre trois et quatre o o mois dapprentissage pour acqu rir les r exes de gestion du trac associ s a ce nouveau secteur. Ce e e e ` long d lai de formation impose une certaine stabilit de la sectorisation dans un centre de contr le e e o quand bien m me une sectorisation dynamique serait parfois plus adapt e. En effet, pour chaque e e r partition de trac sur le r seau, il existe une sectorisation optimale. Mais celle-ci serait inefcace si e e elle est chang e toutes les heures car aucune equipe de contr leurs ne peut la g rer. La sectorisation e o e r sulte donc dun compromis. Elle est calcul e pour accepter la charge de contr le maximale aux e e o heures de pointe mais elle devient sous-optimale pendant les heures creuses. Les ux sur le r seau qui e sont consid r s pour la sectorisation sont des ux moyenn s correspondant aux p riodes de fort trac. ee e e
Si lon consid` re la charge globale de contr le e o e sectorisation a secteurs est donn e par : `
Si lon veut se rapprocher dun equilibre sur chacune des charges de contr le, il faut appliquer o cette formule aux conits, a la coordination ainsi quau monitoring et le crit` re d quilibrage relatif ` e e devient :
Avec cette deuxi` me forme, on concoit tr` s bien quil sera plus difcile et m me parfois impose e e sible dannuler le crit` re car certains r seaux ne peuvent pas etre equilibr s pour les trois types de e e e charges. 149
sF sF sF y y i I G I G y y y I G I G y y y I G I G y y & l q ( l q ( l h q (
$ F b"
"
k $ F b"
y
F y s & y $ F b" q
$ F b"
la charge de monitoring
$ F b"
la charge de coordination
$ F b" h
y
la charge de conit
; ;
La minimisation de la coordination sera etablie en r duisant la part relative de coordination par e rapport aux charges globales de conit et de monitoring :
On voit bien ici que notre probl` me est un probl` me multi-objectifs mais dans un premier temps e e et dans un souci de simplication nous nous ramenons a un probl` me mono-objectif en elaborant un ` e crit` re global e qui est une pond ration des deux pr c dents : e e e avec . Principe de construction des secteurs Il nous faut tout dabord une m thode permettant de g n rer des populations dindividus dans lespace e e e d tat. Pour atteindre cet objectif, on utilise le principe dagr gation de Forgy [Sap90] utilis dans les e e e nu es dynamiques en statistique exploratoire et qui permet dextraire des clusters dun ensemble de e points r partis dans un espace muni dune distance. e ` e Une m thode simple pour obtenir un -partitionnement dun domaine consiste a jeter al atoirement e points (appel s centres de classe) et de regrouper chacun des e dans le domaine un ensemble de points contenus dans a son centre de classe le plus proche (principe dagr gation). Pour eviter ` e davoir des secteurs vides, il faut interdire a deux centres de classes doccuper la m me position dans ` e . Il est facile de prouver que les secteurs ainsi g n r s sont g om triquement convexes. Cette proe ee e e pri t de convexit g om trique est plus forte que la convexit de route et permet donc de respecter ee e e e e 3 . On peut egalement ais ment v rier qu` la contrainte associ e (pour un arc de route a rienne) e e e e a chaque ensemble de centres de classe correspond une sectorisation unique en secteurs convexes du domaine (la r ciproque est fausse). e Ce principe de synth` se de sectorisation est simple a mettre en uvre car il n cessite peu dinfore ` e mations (les positions g ographiques des centres de classe) pour d nir compl` tement lensemble des e e e secteurs et satisfait la contrainte de convexit . e Prise en compte des autres contraintes Les contraintes de s curit et de temps de s jour minimum sont prises en compte a laide dun coefe e e ` cient de p nalit qui majore articiellement la coordination sur les arcs qui violent les contraintes. La e e nouvelle charge de coordination sera exprim e de la facon suivante : e
: ou exclusif ; le coefcient de p nalit mod lisant le d passement des contraintes est calcul de e e e e e la facon suivante ; Soit la longueur relative du segment de larc contenu dans le secteur et la longueur totale de larc . Si la portion darc contenu dans le secteur est inf rieure a e ` la distance de s curit , il faut majorer la coordination associ e : e e e
Il faut pr ciser que ce type de convexit (g om trique) restreint notre espace d tat en nous interdisant de g n rer des e e e e e e e secteurs polygonaux non convexes.
3
150
Fb
$ '
Fb
r5 @
'
C3
C2 C1 y1 x1
x1
y1
x2
y2
x3
y3
Si Sinon
alors
On traite ainsi de la m me facon les deux contraintes. e A partir de cette formalisation, il nous est possible de d velopper un principe doptimisation utilie sant les algorithmes g n tiques. e e
E ie G 6 & l{
I 2 2
f e
S2
S3 S5
S1 S4 Y1 x X1
CODAGE
X1 X2 X3 X4 X5 Y1 Y2 Y3 Y4 Y5
Figure 4.4: Codage du chromosome les abscisses et les ordonn es des centres de classe. Un exemple de codage dun chromosome est donn e e en gure 4.4. Comme il ny a pas bijection entre le codage du chromosome et la sectorisation associ e, une e m me sectorisation peut etre g n r e par plusieurs ensembles de centres de classe diff rents. Toutefois e e ee e lorsque le nombre de secteurs est important, ce qui est notre cas, il est quasiment impossible quun tel ev nement se produise au sein dune population. En excluant ce cas de similitude tr` s rare, o` e e u deux ensembles de centres de classe g n` rent la m me sectorisation, il faut remarquer quun m me e e e e ensemble de centres de classe peut etre cod par une multitude de chromosomes diff rents. En effet, e e toute permutation des centres de classe effectu e a lint rieur dun m me chromosome, g n` re le e ` e e e e m me ensemble, donc la m me sectorisation. Ainsi, le nombre de chromosomes synth tisant la m me e e e e sectorisation est egale a . Pour une sectorisation a trois secteurs il y aura donc ` ` chromosomes possibles ayant les m mes centres de classe : e
Ce dernier point aura des r percussions dans le calcul de la distance inter-chromosomes pour le e sharing d tat. e Principe de g n ration de la population initiale e e Le processus de g n ration de la population initiale est imm diat. En effet, pour chaque individu e e e contenu dans la population, on tire al atoirement et de mani` re uniforme couples de coordonn es e e e g ographiques repr sentant les centres de classe d nissant chaque sectorisation. e e e 152
&
Figure 4.5: Slicing crossover Op rateur de croisement e Pour ce type de probl` me nous avons test deux types de croisement : e e
Le premier correspond au croisement classique utilis dans les algorithmes g n tiques binaires e e e mais implant ici avec des chanes de ottants. Ce croisement consiste a tirer al atoirement une posie ` e tion dans le chromosome et a echanger les deux sous-chanes ainsi produites (voir gure 4.5). ` Le second consiste a tirer al atoirement un centre de classe dans chacun des chromosomes puis ` e a joindre articiellement ces derniers par une ligne droite ; ensuite on d place al atoirement (distri` e e bution uniforme) les centres sur cette ligne an de g n rer deux nouveaux individus. La position des e e nouveaux centres de classe est alors donn e par : e
(voir gure 4.6 (dans cet exemple le g` ne 2 a et s lectionn e)). Ce dernier type de croisement est plus e e e e adapt pour les espaces continus et fournit de meilleurs r sultats sur notre probl` me qui comporte une e e e composante continue. Op rateur de mutation e Pour muter un chromosome, on tire al atoirement une position dans le chromosome puis on d place e e le centre de classe associ en ajoutant du bruit a chacune de ses coordonn es suivant une loi de e ` e distribution particuli` re. Un exemple de mutation est donn en gure 4.6. e e 153
2 1 3
3 2 1
3
1 1
2
2
2 2
2
2
2
2 3
2 1
Figure 4.6: Croisement et mutation Introduction de la distance inter-chromosomes pour le sharing Pour faire du sharing, il faut etre capable destimer la distance entre deux chromosomes dans les pace d tat an de d terminer le niveau dagr gation des individus. Les chromosomes etant des e e e concat nations de vecteurs en dimension deux, la m thode la plus simple pour calculer cette distance e e consiste a faire la somme des distances euclidiennes inter-centre de classe pris deux a deux dans ` ` lordre o` ils apparaissent dans le chromosome. Cette m thode conduit a des erreurs importantes car u e ` comme nous lavons dit dans la section pr c dente, un m me ensemble de centres de classe peut etre e e e cod de multiples facons, induisant des valeurs de distance non nulles pour deux codages diff rents e e dune m me sectorisation, ce qui est contraire a lobjectif recherch dans le sharing. e ` e Exemple : soient deux individus ici
Pour eviter ce probl` me, il faut calculer la somme des distances des centres de classe les plus proches e contenus dans chacun des chromosomes. Ainsi, on commence par rechercher dans le centre le plus e proche dun centre de . On calcule la distance associ e puis on elimine ces deux centres de et respectivement en it rant ce processus sur les centres restants. e Calcul du barycentre entre deux chromosomes Le chromosome etant d ni dans un espace vectoriel, le calcul du barycentre entre deux individus est e direct. En effet, soient deux individus et auxquels on associe les coefcients barycentriques et . Pour chaque centre de classe de on recherche dans le centre le plus proche. Soient et les positions g ographiques de ces centres, alors le centre barycentrique est donn par : e e
154
D 3
R
R
m0 & & $ R 1 R" t V V $ 1 " E1 $ 1 " 1E $ 1 " } & R $ 1 " $ 1 " $ 1 " } & R R E D D & D D 3 3 3 R R R
D 3
Figure 4.7: Exemple de sectorisation barycentrique e On elimine ensuite ces deux centres des individus et avant dappliquer le m me processus sur les centres restants. Un exemple graphique dune sectorisation barycentrique a coefcients unitaires ` ( et ) est donn sur la gure 4.7. e Pour chaque individu il nous faut maintenant d terminer son adaptation qui sera utilis e dans le e e processus de s lection des algorithmes g n tiques. e e e Calcul et normalisation de la tness Pour chacun des secteurs synth tis s par le chromosome, on evalue les charges de conit, de coordinae e tion et de monitoring associ es. La charge de conit aux nuds etant ind pendante de la sectorisation, e e elle est calcul e une seule fois au d but du processus de r solution ; seule la classication des nuds e e e dans les diff rents secteurs sera effectu e a chaque evaluation de tness. Pour les deux autres charges, e e ` il nous faut d terminer pour chaque arc : e
la r partition sectorielle du ux sur larc (cest-` -dire la r partition du ux dans les diff rents e a e e secteurs) ; le nombre de fronti` res de secteur qui coupent cet arc. e
Ces deux quantit s sont recherch es par dichotomie pour chacun des arcs constituant le r seau e e e de transport. On consid` re pour cela les positions g ographiques des nuds extr mit s de larc (sege e e e ment ) que lon traite, ainsi que la position des centres de classe permettant de synth tiser la e sectorisation (voir gure 4.8). On effectue ensuite une recherche dichotomique en parcourant le segment , an de d terminer e les centres de classe les plus proches de chacun des points de larc et donc la r partition sectorielle e associ e (on ne calcule pas l quation des droites constituant les fronti` res des secteurs). A partir des e e e charges de conit aux nuds et de la r partition sectorielle de ux, on d duit les trois charges ase e soci es a chacun des secteurs et ceci nous permet ensuite de d terminer les crit` res d quilibrage et e ` e e e de coordination utilis s dans l valuation nale de la tness. e e 155
2c 1 V V)
R R
& D
2c 1 V V)
& D
C3
Nd C2
No
C1
Figure 4.8: R partition sectorielle dun arc e Mixage de lAG avec une m thode d terministe e e Le principe d valuation d crit pr c demment correspond a la version de base de lalgorithme dont e e e e ` nous donnons maintenant une am lioration, bas e sur le mixage de lAG avec une technique d terministe e e e d quilibrage. e Connaissant les charges de contr le associ es a chacun des secteurs, il nous est facile de d terminer o e ` e les secteurs les plus charg s et den d duire une tendance de d placement des centres de classe pere e e mettant de diminuer l cart de masse entre les secteurs. En effet, si lon consid` re une r partition sure e e facique homog` ne de masse dans un rectangle et en examinant la situation initiale d crite sur partie e e gauche de la gure 4.9, on conclut facilement quil faut d placer les centres a droite pour se rapproe ` cher de l quilibre. Ce principe d quilibrage a et implant au niveau de l valuation des tness de e e e e e lalgorithme g n tique. En effet, cest a ce niveau que lon calcule les diverses charges de contr le e e ` o des secteurs et que lon peut effectivement d duire le d s quilibre associ . A partir de la connaissance e ee e des ecarts de masse entre les secteurs, on d duit les directions de d placement des centres de classe e e qui permettent de nous rapprocher de l quilibre. e Pour comprendre le principe de r equilibrage d terministe utilis , nous allons prendre le cas e e e simple dune sectorisation a deux secteurs sachant que nous avons etendu cette m thode aux sectori` e sations a K secteurs. Nous consid rons alors une densit surfacique de masse ` e e r partie sur e un rectangle de dimension (voir gure 4.9). Ce rectangle est ensuite sectoris a laide de centres e` de classe jet s al atoirement dans cet espace. Pour simplier la d marche (sans perte de g n ralit ) e e e e e e nous supposons que les centres de classe se trouvent sur une droite horizontale parall` le a la m diane e ` e horizontale d. Les masses associ es a ces deux secteurs sont alors donn es par : e ` e
o` u
156
$ 1 C" (
t C t $ 1 C" (
C C
&
BE
t C t $ 1 C" (
C C
p
&
y (x,y) Y S1 S2
GM G G1 G2
C1
C2 x X
Figure 4.9: Equilibrage et densit surfacique de masse e A laide de ces masses, on peut calculer les positions des centres de gravit associ s a chacun des e e ` ainsi que le centre de gravit total : e . secteurs On appelle centre g om trique : e e Le fonctionnement de lalgorithme est alors bas sur la remarque suivante : e Les deux secteurs sont equilibr s lorsque le centre de gravit est confondu avec le centre e e 4. g om trique e e On cherchera donc a induire des d placements des centres de classes tendant a rapprocher ces deux ` e ` points. Plus pr cis ment il faut d placer le centre g om trique vers le centre de gravit . La difcult e e e e e e e vient du fait que lon ne peut pas changer lun sans modier lautre. Nous allons alors envisager deux approches : 1. Approche analytique :
et
Cet objectif est bien diff rent de celui propos dans les m thodes de partitionnement (voir chapitre 3) pour lesquelles e e e on recherche une minimisation de linertie intra-classe.
157
C
a ajouter a ` `
et a `
$
& p( &
$ 1 C" (
constant (
1 1 3 3 3
s
&
b 1 b
), on a :
s s i
B B H & H
s i
(
!
&z
! (
x &
$ HC
$ HC
! H C"
E $
or
On a :
avec
Posons :
Apr` s d placement on a : e e
do` u
soit
158
sannule pour :
Etude de
On obtient ainsi une s rie g om trique dont la convergence est assur e pour e e e e ).
Si on augmente le nombre de secteurs, on applique ce principe a chaque paire de secteurs pos` sibles puis on effectue la somme vectorielle des ecarts ainsi obtenus en sassurant que les centres de classe restent dans le domaine g ographique (si tel nest pas le cas on fait des troncatures). e Par rapport a notre probl` me, ce processus d quilibrage ne peut etre men a terme pour deux ` e e e ` raisons essentielles ;
la r partition surfacique de masse est homog` ne et non continue en certains points faussant ainsi e e les calculs de d placement ; e quand bien m me il serait exact, ce processus ne permet pas de satisfaire le crit` re de minimie e sation des coordinations.
La difcult consiste alors a d terminer le nombre dit rations d quilibrage. Apr` s exp rimentation, e ` e e e e e et pour deux a cinq it rations, on sapercoit que lalgorithme se conne dans des zones despace ` e d tat desquelles il ne peut sortir facilement par mutation car le processus d quilibrage ly ram` ne e e e syst matiquement. A linverse, si lon ne fait aucun equilibrage lalgorithme est plus lent a converger. e ` Dapr` s les evaluations, il semble quun seul equilibrage soit n cessaire. Ainsi apr` s chaque calcul des e e e charges de secteur, on effectue une it ration d quilibrage qui modie le chromosome avant d valuer e e e le crit` re. e
4.5.4 Evaluation
Pour evaluer et comparer les diff rentes versions dalgorithmes, on utilise un r seau de test pour lequel e e une solution evidente est connue (voir gure 4.10). Sans nuire au principe g n ral d valuation, on e e e fait lhypoth` se que les ux sur les arcs de ce r seau sont constants. Les param` tres utilis s pour lAG e e e e furent les suivants : 400 el ments de population, 200 g n rations, 60% de probabilit de croisement , e e e e 6% de probabilit de mutation. e Pour observer la convergence de lalgorithme, la meilleure tness ainsi que la moyenne des tness sur lensemble de la population, sont m moris es a chaque g n ration. Dans le cas pr sent, e e ` e e e lalgorithme travaille sur une tness normalis e qui est born e a 1 lorsque les crit` res d quilibrage e e ` e e et de coordination sannulent simultan ment. L volution de ces deux param` tres en fonction de la e e e 159
$ 1 C" (
'
10000
10000
9000
1000 0 0
1000
2000
4000
6000
8000
10000
0 0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
STAT BEST FGA (square network) 1 0.8 fitness % 0.6 0.4 0.2 0 0 50 100 150 200 fitness % 1 0.8 0.6 0.4 0.2 0 0
50
100
150
200
STAT AVERAGE FGA (square network) 1 0.8 fitness % 0.6 0.4 0.2 0 0 50 100 generations 150 200 fitness % 1 0.8 0.6 0.4 0.2 0 0
50
100 generations
150
200
Figure 4.11: Convergence de lAG sans et avec RS sur le r seau sym trique e e
160
10000 9000 8000 7000 6000 5000 4000 3000 2000 1000 0 0 2000 4000 6000 8000 10000
10000 9000 8000 16 7000 6000 5000 4000 3000 2000 1000 0 0 1 3 7 11 12 2000 4000 6000 8000 10000 2 6 4 5 10 13 8 9 20 14 15 19 18 17
STAT AVERAGE FGA (asymetric network) 1 0.8 fitness % 0.6 0.4 0.2 0 0 50 100 generations 150 200 fitness % 1 0.8 0.6 0.4 0.2 0 0
50
100 generations
150
200
Figure 4.13: Convergence de lAG sans et avec RS sur le r seau asym trique e e g n ration est donn e sur la gure 4.11 (sans recuit simul (FGA)) et sur la gure 4.11 (avec recuit e e e e simul dans le croisement (EGA)). e Les deux algorithmes trouvent une solution exacte tr` s rapidement (15 g n rations pour FGA et 8 e e e g n rations pour EGA). Un exemple de solution fourni par lalgorithme est donn en gure 4.10. e e e Le temps de r solution pour ce type de probl` me est de cinq minutes sur station Sparc 10 (pour e e les deux cents g n rations). e e Apr` s ce premier r seau, nous avons test lalgorithme sur un r seau quelconque pour lequel il e e e e ny a pas de solution evidente (voir gure 4.12). On se propose de partitionner ce r seau en cinq secteurs. Comme on le constate sur les courbes de e convergence, lalgorithme a un tr` s bon comportement et fournit une solution quasi-exacte en moins e de 10 g n rations (voir gure 4.13 et gure 4.13 pour cette solution le secteur le moins equilibr est a e e e ` 0.7 pour cent de l quilibre exact) e A linverse du cas pr c dent, ici la tness ne peut atteindre 1 car il est impossible dannuler la e e coordination. La sectorisation physique g n r e par lalgorithme est donn e en gure 4.12 et le temps e ee e de r solution associ est de trois minutes. Comme on peut le constater, cette sectorisation respecte les e e 161
4.5.5 Conclusion
Cette premi` re etude a apport des r sultats encourageants concernant lutilisation des algorithmes e e e g n tiques dans le probl` me de sectorisation des r seaux de transport. Le codage du chromosome a e e e e une grande importance dans lefcacit de lalgorithme car il permet la synth` se de sectorisation avec e e un grande simplicit dimplantation. Cette simplicit se retrouve dans les op rateurs de croisement e e e et de mutation en favorisant les performances de lalgorithme. Lutilisation du recuit simul dans e lop rateur de croisement am liore la convergence au niveau de la statistique des moyennes. e e Dans la description pr c dente, la valeur de e e (nombre de secteurs) etait xe mais il serait en visageable de la coder directement dans le chromosome pour que lalgorithme g n tique ajuste sa e e valeur de facon adaptative. Il faudrait alors modier le crit` re pour p naliser fortement les individus e e dans lesquels il y a des secteurs qui ont une charge sup rieure a la charge maximum que peut g rer un e ` e contr leur. o
162
Algorithme de Dafermos Initialement cet algorithme [Daf72] a et d velopp pour des applications routi` res an de tenir e e e e compte des interactions des ux crois s lors des d passements. Ce mod` le math matique sapplique e e e e essentiellement a des r seaux a co ts darcs non s parables asym triques pour lesquels lhypoth` se ` e ` u e e e suivante est v ri e : la fonction co t que lon cherche a minimiser (co t total) doit etre strictement e e u ` u convexe par rapport a . On suppose de plus quil y a une r partition de trac sur le r seau qui sa` e e tisfait les lois de Kirchoff. Cette r partition pourrait etre, par exemple, le r sultat dun algorithme e e daffectation de Dijsktra produisant un equilibre utilisateur. A partir de la distribution de trac initiale, lalgorithme recherche pour chaque paire OrigineDestination, le chemin utilis de co t marginal maximum et le chemin de co t marginal minimum e u u et ces deux chemins. On retire ensuite une quantit du ux e (utilis ou non). Soient e transitant sur et on le place sur an de minimiser le crit` re global. On reproduit ce e en it rant par permutation circulaire, jusqu` ce que lon ne puisse plus e a processus sur toutes les diminuer le crit` re global. On montre alors que lon a atteint l quilibre syst` me. e e e Dans notre cas, lalgorithme de Dafermos ne peut etre utilis car il ne prend pas en compte la e contrainte d quit susmentionn . e e e
1! 1 1 1 1 } 1 1 m 1 1 ! 1 }
H 5 H5
w
w
O1D1 O1D2
O D i j
ij n
5 1 4 2 3 7
10 9 8 14
21 24 15 20 19 13 12 18
23
6 11
22
16
17
CODING
1->16
16->1
1->24
24->1
16->24
24->16
1 4 3 7 12 16
16 11 6 3 4 1
1 5 10 21 24
24 20 15 9 4 1
16 12 18 19 20 24
24 23 22 17 16
164
PARENTS
CROSSOVER
MUTATION
CHILDREN
Figure 4.16: Op rateur de croisement et de mutation e restent positifs. Pour chacune des paires Origine-destination contenues dans le chromosome, on reo` u est le cherche le chemin le plus court a laide dun algorithme de Dijkstra (complexit ` e nombre de nuds du r seau). e Suivant la d viation de la distribution gaussienne, les chemins g n r s seront plus ou moins e e ee diff rents du chemin g ographique le plus court dans le r seau non bruit . Ce principe dinitialisae e e e tion evite la g n ration purement al atoire des chemins dans le r seau qui conduirait a des aberrations e e e e ` en terme de navigation (par exemple, un chemin qui passerait par Moscou pour une paire OrigineDestination reliant Madrid a Londres). Ce type d v nement doit rester rare mais ne doit pas etre ` e e compl` tement inhib car il permet denrichir la diversit des g` nes. En effet, apr` s croisement un e e e e e mauvais chemin peut produire des solutions tout a fait acceptables. ` Ayant maintenant une population non homog` ne, il nous faut d nir les op rateurs de croisement e e e et de mutation associ s qui vont permettre la g n ration de nouveaux el ments au sein de la populae e e e tion. Op rateur de croisement e Notre espace de recherche etant discret, on ne peut envisager dutiliser un croisement barycentrique et seul le croisement a segmentation de chromosome a et utilis (Slicing Crossover). Pour effec` e e tuer un croisement, on tire al atoirement une position dans le chromosome puis on echange les deux e ensembles de chemins terminaux (voir gure 4.16). Op rateur de mutation e Lop rateur de mutation nous permet denrichir la diversit de la population en cr ant de nouveaux e e e chemins. En effet, lop rateur de croisement d crit pr c demment g n` re des nouveaux chromosomes e e e e e e mais ne modie pas la population de chemins g n r s al atoirement lors de linitialisation du procese ee e sus. Pour cr er de nouveaux chemins, lop rateur de mutation tire al atoirement une paire Originee e e Destination dans le chromosome et applique le m me principe de g n ration al atoire de chemin e e e e que celui utilis lors de la cr ation de la population initiale mais ici avec un ecart-type plus fort. Un e e 165
$ " V
Q4 Q2 Q3 Q5 D P4 P3 P2
Figure 4.17: Surface d limit e par deux chemins e e exemple dop rateur de mutation est donn dans gure 4.16. e e Introduction de la distance inter-chromosomes pour le sharing Pour effectuer un sharing, on doit disposer dune distance inter-chromosomes an d valuer le taux e dagr gation des individus dans lespace d tat. Si lon consid` re la description stricte du chromoe e e some, on ne peut pas d nir une distance r aliste entre individus car on ne dispose pas dune structure e e despace vectoriel. En effet, chaque chemin etant cod par la liste des indices des nuds qui le compo e sent, il est tr` s difcile de d terminer une notion de distance repr sentative de la diff rence physique e e e e induite dans lespace g ographique sous-jacent. Pour d terminer cette distance entre chemins, on se e e place directement dans cet espace g ographique en consid rant non plus les indices des nuds mais e e leurs coordonn es. On d nit alors la distance entre deux chemins par la surface ferm e quils entoue e e rent (voir gure 4.17). Cette surface est alors calcul e en faisant la somme des surfaces des triangles construits a laide e ` des nuds de chacun des chemins comme le montre la gure 4.17. Lexpression analytique de cette surface est donn e par la formule suivante: e
Q1 O P1
avec
Que se passe-t-il lorsque les chemins se croisent? Dans le cas g n ral, cette pseudo-distance e e majore laire comprise entre les deux chemins ; dans le cas particulier de notre r seau de transport e planaire dans lequel les croisements de routes se font au niveau des nuds, la pseudo-distance est toujours egale a laire comprise entre les deux chemins. ` Disposant dune distance entre deux chemins, on calcule la distance entre deux chromosomes en faisant la somme des distances respectives associ es a chacune des paires de chemins contenues dans e ` chaque chromosome. 166
ChB Q2
Ch1 Q3
Q4 Q5
Q1 P1 P2 P3 Ch2 P4 X Q6 P5
Figure 4.18: Exemple de chemin barycentrique Calcul du barycentre entre deux chromosomes Comme pour le calcul de la distance inter-chromosomes, il nous faut travailler dans lespace g ographique e sous-jacent au r seau de transport pour calculer le barycentre entre deux chemins. Soient deux chee mins :
Dans cette expression repr sente la position g ographique du nud . e e Un exemple de chemin barycentrique est donn sur la gure 4.18 avec e et . Pour d terminer le barycentre entre deux chromosomes, il suft dappliquer ce processus de calcul e a chacun des chemins contenus dans le chromosome. ` Calcul et normalisation de la tness Dans un premier temps, on consid` re le r seau de transport sans trac. Pour chaque paire Originee e Destination contenue dans le chromosome, on affecte la demande correspondante sur le chemin d crit e par la liste des nuds associ e. On dispose alors de la r partition de ux sur chacun des arcs du r seau, e e e ce qui nous permet de calculer le sous-crit` re daffectation e ainsi que la charge de contr le globale o (et donc le crit` re ). e Le nombre dop rations n cessaires a l valuation dune tness d pend de la taille du r seau et e e ` e e e varie en ( : nombre de paires Origine-Destination, : nombre darcs du r seau, : nombre de secteurs, : nombre de nuds). e 167
@
Soient et les coefcients barycentriques associ s respectivement aux chemins e Le chemin barycentrique est alors donn par : e
D
et .
BE
c V $$ @ " @ c " V V V
10000 9000 8000 7000 6000 5000 4000 3000 2000 1000 0 0 2000 4000 6000 8000 10000
10000 9000 8000 7000 6000 5000 4000 3000 2000 1000 0 0 2000 4000 6000 8000 10000
Figure 4.19: R seau test et affectation r sultante e e Evaluation Pour evaluer notre algorithme, on utilise un r seau test pour lequel on connat une solution triviale e daffectation (voir gure 4.19). Sur ce r seau, les nuds sur la premi` re diagonale repr sentent les a roports et ceux de la deuxi` me e e e e e diagonale sont les balises. On se propose daffecter une demande de trac constante entre chaque paire da roports de facon sym trique (chaque a roport g n` re une demande a destination de la roport e e e e e ` e sym trique, ce dernier lui envoyant la m me quantit de trac). e e e Pour cet exemple, on r` gle le coefcient de congestion de telle sorte que deux ots de trac ne e peuvent emprunter le m me arc ; on interdit de m me que deux ots se retrouvent face a face sur un e e ` arc. Le crit` re se pr sente alors sous la forme suivante : e e
Comme on peut le constater, il ny a pas de sectorisation mais la forme du crit` re est similaire a e ` celle d crite pr c demment et ne change en rien la g n ralit de lalgorithme. e e e e e e Les param` tres utilis s furent les suivants : 400 el ments de population, 300 g n rations, 60% de e e e e e probabilit de croisement , 6% de probabilit de mutation. e e Pour ce test nous avons utilis un algorithme g n tique avec du recuit simul dans lop rateur de e e e e e croisement an dam liorer les performances de convergence. L volution de la tness (normalis e e e e entre 0 et 1) du meilleur individu ainsi que la moyenne des tness sur lensemble de la population, en fonction de la g n ration, sont donn es sur la gure 4.20. e e e Comme on peut le constater, une solution optimale est trouv e a partir de la g n ration 180 pour e ` e e laquelle intervient seulement la partie du crit` re li e a la distance de parcours. Cette solution est obe e ` tenue en six minutes sur une station Sparc 10. Laffectation physique correspondant a cette solution ` est donn e sur la gure 4.19. e Au cours de ces evaluations, on sapercoit que les performances de cet algorithme sont tr` s sen e sibles a lamplitude de l cart-type de la distribution utilis e pour bruiter les co ts darcs dans le ` e e u processus de g n ration des chemins al atoires. Pour chaque probl` me, il faut r gler ce param` tre e e e e e e an dobtenir des chemins al atoires diff rents du chemin optimal (en terme de distance) mais qui a e e ` linverse ne soient pas trop p nalisants par rapport au rallongement induit. Une solution consisterait e 168
5 r 7 r5 7 v
STAT BEST GA and SA 1 fitness % 0.8 0.6 0.4 0.2 0 0 50 100 150 200 250 300
STAT AVERAGE GA and SA 1 fitness % 0.8 0.6 0.4 0.2 0 0 50 100 150 generations 200 250 300
Figure 4.20: Evolution de la tness normalis e e a coder ce param` tre dans le chromosome et a le faire ajuster par lalgorithme g n tique de facon ` e ` e e adaptative.
4.6.3 Conclusion
La contrainte d quit nous emp che dutiliser les m thodes classiques daffectation de trac sur les e e e e r seaux a co ts darcs non s parables et induit une forte complexit nous obligeant a nous orienter e ` u e e ` vers des m thodes doptimisation stochastique. Apr` s avoir d velopp un codage du chromosome e e e e ainsi que des op rateurs adapt s, on sapercoit que les algorithmes g n tiques traitent ce probl` me de e e e e e facon efcace a condition que le g n rateur de chemins al atoires soit adapt au r seau de transport ` e e e e e utilis . e La contrainte d quit , qui permet de conserver la libre concurrence des compagnies a riennes, a e e e pour inconv nient de r duire notre espace de recherche et nous interdit donc dacc der a des zones e e e ` despace o` le crit` re serait assur ment meilleur. En effet, on montre que lorsque le crit` re a optimiser u e e e ` nest pas lin aire par rapport aux ux sur les chemins, mais plut t quadratique, il est plus avantageux e o de segmenter les ux an de rendre le syst` me plus capacitif. e
laide dun algorithme g n tique unique en codant les deux sous-probl` mes dans un diplode6 . Cette e e e approche na pas encore et test e. e e
Un diplode est un chromosome a deux branches poss dant des g` nes bien distincts. ` e e Ce travail a donn lieu a une publication[DASF95]. e `
170
Reseau Sous-jacent S6 S1 S5
S4 Frontiere inter-groupes
Figure 4.21: Exemple de regroupement pour N=4 et K=2 probl` me de sectorisation lespace etait continu et les fronti` res des secteurs g n r s pouvaient se e e e ee trouver a nimporte quel endroit dans lespace g ographique. A linverse, lespace de recherche li ` e e au probl` me de regroupement est un espace discret pour lequel les fronti` res des groupes constitu s e e e doivent concider avec les fronti` res des secteurs existants (chaque groupe associe un ensemble de sec e teurs sans en cr er de nouveaux). Notre probl` me de regroupement sapparente donc a un probl` me e e ` e de classication.
Si lon tient compte maintenant de la contrainte de connexit lespace de recherche se r duit. e e Pour etudier la complexit induite, le probl` me est mod lis de la facon suivante. On construit un e e e e graphe dans un espace euclidien dont chaque nud repr sente le barycentre de chacun des secteurs e constituant la sectorisation initiale et dont chaque arc traduit la relation ont une fronti` re commune. e Il sagit alors de la recherche dun -partitionnement optimal dun graphe a nuds en compo` santes connexes, probl` me connu pour etre NP complet. Le probl` me trait etant de forte dimension e e e (N=600,K=200), seules les techniques doptimisation stochastique ont et envisag es pour le r soudre. e e e
pp p p & p p b
10000 9000 8000 7000 6000 5000 4000 3000 2000 1000 0 0
10000 9000 8000 7000 6000 5000 4000 3000 2000 1000 0 0
1000
2000
3000
4000
5000
6000
7000
8000
9000
10000
1000
2000
3000
4000
5000
6000
7000
8000
9000
10000
Figure 4.22: R seau test utilis et son d coupage e e e etant une version discr` te du probl` me de sectorisation, il est tout a fait logique dutiliser un codage e e ` et des op rateurs similaires. e Ainsi, disposant dune sectorisation initiale, on calcule pour chaque secteur le barycentre g om trique e e associ auquel on affecte la charge de contr le quil renferme. Pour g n rer al atoirement groupes e o e e e de secteurs, on jette points (centres de groupe) dans lespace g ographique, dont les coordonn es e e suivent une loi de distribution uniforme, puis on agr` ge chaque barycentre a son centre de groupe le e ` plus proche. On synth tise ainsi des groupes qui respectent toujours la contrainte de connexit car e e le polygone construit a laide des barycentres des secteurs contenus dans un groupe est convexe, les ` secteurs associ s sont donc obligatoirement connexes. On retrouve alors un codage du chromosome e identique a celui utilis pour le probl` me de sectorisation dans lequel sont regroup s ici les coor` e e e donn es des centres de groupe. e Ayant un codage identique a celui utilis dans la r solution du probl` me de sectorisation on utilise ` e e e les m mes op rateurs de croisement et de mutation. Le calcul des distances inter-chromosomes et du e e barycentre entre deux individus est effectu de la m me facon. e e A linitialisation du processus, on calcule la charge de contr le de chacun des secteurs de la sectoo risation initiale. Pour chaque individu, on d termine la charge de monitoring et de conit dans chacun e des groupes quil renferme en faisant la somme des charges de contr le contenues dans les divers seco teurs ainsi que la charge r siduelle de coordination. Ces quantit s nous permettent ensuite de calculer e e les sous-crit` res d quilibrage et de coordination et donc la tness associ e a un regroupement. e e e ` De la m me mani` re que pour les probl` mes de sectorisation, on valide les performances de lalgoe e e rithme a laide dun r seau articiel pour lequel on connat une solution evidente. Dans le cas pr sent, ` e e on reprend le r seau test utilis dans le probl` me de sectorisation (voir gure 4.22) que lon d coupe e e e e initialement en 81 secteurs (voir gure 4.22) et pour lequel on recherche neuf groupes equilibr s e qui minimisent les coordinations. La solution evidente de ce probl` me est constitu e des neuf sous e e r seaux regroupant chacun neuf secteurs. Une solution optimale est trouv e a la g n ration 50 (apr` s e e ` e e e une minute de temps de calcul sur Sparc 10). Le r sultat obtenu peut surprendre au premier abord (gure 4.23), mais il faut se rappeler que lale gorithme travaille avec les barycentres des secteurs et non avec les secteurs eux-m mes. En revenant e a la d nition initiale des secteurs, on obtient le regroupement d crit sur la gure 4.23 qui correspond ` e e bien au r sultat attendu. e Les r sultats fournis par ces evaluations, nous incitent a penser que les algorithmes g n tiques e ` e e 172
10000 9000 8000 7000 6000 5000 4000 3000 2000 1000 0 0
10000 9000 8000 7000 6000 5000 4000 3000 2000 1000 0 0
1000
2000
3000
4000
5000
6000
7000
8000
9000
10000
1000
2000
3000
4000
5000
6000
7000
8000
9000
10000
sont bien adapt s pour r soudre le probl` me de regroupement. Malgr la restriction de lespace d tat e e e e e li e au codage du chromosome, les solutions apport es par lalgorithme sont de tr` s bonne qualit e e e e dans la plupart des cas.
z coupe verticale
S4
S5
S2
Sol
4.9.2 Prise en compte de la troisi` me dimension e
S1
S3 xy
Jusqu` pr sent, seul le trac en route a et pris en compte pour synth tiser la charge de contr le. Cette a e e e o hypoth` se sur la nature du trac nous a permis de mod liser le r seau de transport a rien a laide dun e e e e ` graphe dans un espace de dimension deux. Malheureusement, ce type de repr sentation nest pas adapt pour le trac evolutif pour lequel e e les avions changent tr` s souvent de niveau de vol. Il faut alors utiliser un r seau de transport a trois e e ` dimensions dans lequel les arcs repr sentent des routes a riennes 3D. e e On pourrait essayer de se rapprocher du principe actuel de sectorisation 3D qui utilise des secteurs de forme polygonale a fronti` res verticales planaires (voir gure 4.24). Ces secteurs ont de plus ` e des extensions verticales diff rentes qui produit une structure imbriqu e dont un exemple est donn e e e sur la gure 4.24. Cependant cette structure de sectorisation demande de modier en profondeur la repr sentation du chromosome et donc lalgorithme g n tique dans son ensemble. e e e
10 10 10
S1 60
10 10 10 S2
limites secteurs
Figure 4.25: Exemple de limitation li e a la convexit g om trique e ` e e e
ser. Ainsi, sur lexemple de la gure 4.25, une sectorisation convexe ne peut pas equilibrer les charges de contr le alors quen supprimant la convexit g om trique il est possible datteindre cet objectif. o e e e De la m me facon que pour la limitation des algorithmes g n tiques par rapport a lextension trie e e ` dimensionnelle, le codage de chromosomes permettant de synth tiser des sectorisations polygonales e non convexes sav` re assez compliqu . Daniel Delahaye propose diverses solutions pour rem dier a e e e ` ce probl` me [Del95]. e
4.10 Conclusion
En examinant le contexte op rationnel, on remarque que ces algorithmes ont besoin dadaptation pour e envisager leur utilisation sur le r seau a rien r el. La principale am lioration se situe au niveau de la e e e e description de la charge de contr le. Le probl` me a r soudre est complexe et il nexiste pas aujourdhui o e ` e de mod` le able facile a implanter. e ` La seconde limitation se trouve au niveau du codage du chromosome de sectorisation qui, dans son etat actuel, synth tise des secteurs convexes au sens g om trique du terme. Ce type de convexit e e e e masque des domaines de lespace d tat o` se trouve parfois loptimum global. e u Enn, la prise en compte de la troisi` me dimension permettrait de traiter le trac evolutif dans les e zones terminales, mais il faut pour cela synth tiser des secteurs a fronti` res lat rales verticales, ce qui e ` e e complique sensiblement la description du chromosome. En amont de la sectorisation, il est clair que le r seau de routes a riennes actuel n cessite lui-m me e e e e une optimisation qui permettrait ensuite de d velopper une sectorisation plus performante. En effet, ce e r seau a et construit en regroupant un ensemble de sous-r seaux (propres a chaque pays europ en), e e e ` e optimis s individuellement. Il est possible que laugmentation de la capacit des secteurs ATC, passe e e dabord par une red nition du r seau de routes : ces derni` res ont et construites pour une demande e e e e de trac donn e qui ne cesse aujourdhui de se modier tant en volume quen orientation. e
176
Conclusion
Les probl` mes li s au trac a rien sont a la fois int ressants, difciles, et surtout largement inexplor s. e e e ` e e Il sagit dune mine extraordinaire pour le chercheur, et on est m me parfois surpris de la raret du e e travail scientique sur des domaines aussi fondamentaux pour lAviation Civile que la r solution de e conits, la sectorisation ou la pr vision de trajectoires. e Pour notre part, nous nous sommes efforc s dappliquer une m thodologie scientique a certains e e ` probl` mes doptimisation qui se posent dans le cadre du trac a rien. Nous pouvons r sumer notre e e e approche de la facon suivante :
Il serait bien difcile, et fort pr tentieux, destimer la port e de nos travaux. Pourtant, il nous e e semble indispensable de poursuivre ce type de recherches au sein de lAviation Civile. En quelques ann es, les cockpits davion, et les syst` mes de commande et de contr le du vol, sont devenus de e e o v ritables centres informatiques, et lautomatisation a et pouss e au maximum, peut- tre dailleurs e e e e trop vite. On peut en revanche se pr occuper du retard pris en mati` re de modernisation du contr le e e o a rien, et les centres de contr le donnent par comparaison limpression den etre encore a l ge de e o ` a pierre. Alors que les constructeurs a riens font des efforts d mesur s pour r duire les co ts dop ration e e e e u e des appareils de quelques dixi` mes de pourcent, les compagnies estiment actuellement que linuence e du contr le sur leurs co ts dop rations est de lordre de 10%. o u e Avec laugmentation r guli` re de la densit du trac, il est probable que la seule augmentation e e e du nombre de contr leurs ne permettra pas dobtenir un ecoulement uide. Le probl` me se pose de o e facon dautant plus aigu pour la France, qui se trouve a la crois e des grands ux de trac Nord e ` e Sud et Est-Ouest passant au dessus de lEurope. Elle sera donc un des pays les plus touch s par le e probl` me du contr le en route, et des d lais et co ts induits8 . Cest pour cette raison quil faut mettre e o e u en place des structures et des equipes susceptibles de r pondre aux pr occupations des compagnies en e e mati` re doptimisation des capacit s et des techniques de contr le. Enn, pour obtenir une v ritable e e o e cr dibilit , il faut absolument encourager la publication des travaux d tudes et de recherches dans e e e des conf rences et des revues a comit de lecture ext rieurs a la DGAC. Ceci peut certes etre ressenti e ` e e ` comme une contrainte. Pourtant, comme la recherche scientique lenseigne, le progr` s passe par une e
Les probl` mes du contr le am ricain sont bien diff rents : il sagit surtout de probl` mes de r gulation de ux au niveau e o e e e e des a roports, qui sont aux Etats-Unis l l ment limitant du syst` me. e ee e
8
mod lisation math matique des probl` mes rencontr s e e e e calcul de leur complexit e recherche dalgorithmes adapt s e validation des r sultats obtenus, sur un plan exp rimental par la simulation, sur un plan scientie e que par la publication.
177
permanente remise en cause, et le b n ce que lon en retire vaut bien plus quun auto-satisfecit trop e e facilement d livr . e e
178
Bibliographie
[AK89] [Ale70] [All95] [AS92] E Aarts and J Korst. Simulated Annealing and Boltzmann Machine. John Wiley and Sons, 1989. Ben Alexander. Aircraft density and midair collision. Proceedings of the IEEE, 58(3), March 1970. Jean-Marc Alliot. A genetic algorithm to improve an othello program. In Proceedings of EA95. Springer Verlag, 1995. Jean-Marc Alliot and Thomas Schiex. Intelligence Articielle et Informatique Th orique. Cepadues, 1992. ISBN: 2-85428-324-4. e
[AVAD52] Adelson-Velsky, Arlazarov, and Donskoy. Algorithms for games. Springer-Verlag, 1952. ISBN: 0-387-96629-3. [BD93] [BG87] A. Bertoni and M. Dorigo. Implicit parallelism in genetic algorithms. Articial Intelligence, 61(2): 307314, 1993. C.L Bridges and D.E Goldberg. An analysis of reproduction and crossover in a binarycoded genetic algorithm. In Proceedings of the Second International Conference on Genetic Algorithm. ICGA, 1987. C.L Bridges and D.E Goldberg. An analysis of multipoint crossover. In Proceedings of the Foundation Of Genetic Algorithms. FOGA, 1991. John T. Betts and William P. Huffman. Trajectory optimization on a parallem processor. Journal of Guidance, Control and Dynamics, 14(2): 431439, 1991. T.N Bui and B.R Moon. Hyperplane synthesis for genetic algorithms. In Proceedings of the Fifth International Conference on Genetic Algorithm. ICGA, 1993. T.N Bui and B.R Moon. Analysing hyperplane synthesis in genetic algorithms using clustered schemata. Technical Report Cse-94-026, Dep. of Comp. Sci. and Engineering, Penn. State University, March 1994. J. F. Bosc. Rapport pr liminaire 1.1, Ecole Nationale de lAviation Civile, Mai 1994. e J. F. Bosc. Rapport interm diaire 2.2, Ecole Nationale de lAviation Civile, Ao t 1994. e u J. F. Bosc. Rapport interm diaire 3.2, Ecole Nationale de lAviation Civile, Novembre e 1994. 179
[Bos95a] [Bos95b] [Bos95c] [Bos96a] [Bos96b] [Bra90] [Bro69] [Bur94] [Cat90] [CDV92] [Cel90] [Cer94] [CGT92] [Cha95] [Che92] [CJ91] [Cle90]
J. F. Bosc. Rapport interm diaire 4.3, Ecole Nationale de lAviation Civile, F vrier 1995. e e J. F. Bosc. Rapport interm diaire 5.3, Ecole Nationale de lAviation Civile, Juin 1995. e J. F. Bosc. Rapport interm diaire 6.2, Ecole Nationale de lAviation Civile, Ao t 1995. e u J. F. Bosc. Rapport interm diaire 7.2, Ecole Nationale de lAviation Civile, Janvier 1996. e J. F. Bosc. Rapport interm diaire 8.3, Ecole Nationale de lAviation Civile, Avril 1996. e H. Braun. On traveling salesman problems by genetic algorithms. In 1st Workshop on Parallel Problem Solving from Nature, October 1990. C.G. Broyden. A new double-rank minimization algorith. AMS notices, 16: 670, 1969. Michael Buro. Techniken fur die bewertung von Speilsituationen anhand von beispielen. PhD thesis, Universitat GH Paderborn, 1994. O. Catoni. Large deviations for Annealing. PhD thesis, Universit de Paris XI, 1990. e D Colin De Verdi` re. Le syst` me francais de contr le du trac a rien : Le CAUTRA. e e o e Technical report, CENA, Toulouse France, Aout 1992. Joseph C. Celio. Controller perspective of AERA2. Technical report, MITRE, February 1990. MP-88W00015. R Cerf. Une Th orie Asymptotique des Algorithmes G n tiques. PhD thesis, Universit e e e e Montpellier II (France), 1994. A.R. Conn, Nick Gould, and Ph. L. Toint. A comprehensive description of LANCELOT. Technical report, IBM T.J. Watson research center, 1992. Report 91/10. Olivier Chansou. R solution automatis e de conits en route. Masters thesis, Ecole e e Nationale de lAviation Civile (ENAC), 1995. C.K Cheng. The optimal partitioning of networks. Networks, 22: 297315, 1992. R.J. Collins and D.R. Jefferson. Selection in massively parallel genetic algorithms. In Proceedings of the Fourth International Conference on Genetic Algorithms, 1991. John C. Clements. Minimum-time turn trajectories to y-to points. Optimal Control Applications and Methods, 11: 3950, 1990.
[CMMR87] A. Corana, M. Marchesi, C. Martini, and S. Ridella. Minimizing multimodal unctions of continuous variables with the simulated annealing algorithm. In Proceedings of the ACM Transaction and Mathematical Software. ACM, 1987. [CS88] R.A Caruana and J.D Schaffer. Representation and hidden bias : Gray versus binary coding for genetic algorithms. In Proceedings of the Fifth International Conference on Machine Learning, 1988. Nicolas Durand and Jean-Marc Alliot. Existing algorithms for collision avoidance, and what the future might hold. Technical report, CENA, 1993. 180
[DA93]
[DA96]
N. Durand and J.M. Alliot. Genetic algorithms for partially separable functions. In Submitted to the Fourth International Conference on Parallel Problem Solving from Nature, PPSN96, Berlin, 1996.
[DAAS94] Nicolas Durand, Nicolas Alech, Jean-Marc Alliot, and Marc Schoenauer. Genetic algorithms for optimal air trafc conict resolution. In Proceedings of the Second Singapore Conference on Intelligent Systems. SPICIS, 1994. [Daf72] [DAM93] [DAN94] S.C Dafermos. The trafc assignment problem for multiclass-user transportation networks. Transportation Science, 6: 7387, 1972. Patrick Dujardin, Jean-Marc Alliot, and Paul-Henri Mourlon. Different paths to automation. In IFAC93, 1993. Nicolas Durand, Jean-Marc Alliot, and Joseph Noailles. Algorithmes genetiques : un croisement pour les problemes partiellement separables. In Proceedings of the Journees Evolution Articielle Francophones. EAF, 1994. N. Durand, J.M. Alliot, and J. Noailles. Collision avoidance using neural networks learned by genetic algorithms. In Ninth International Conference on Industrial and Engineering Applications of Articial Intelligence and Expert Systems, Fukuoka, 1996.
[DAN96a]
[DAN96b] Nicolas Durand, Jean-Marc Alliot, and Joseph Noailles. Automatic aircraft conict resolution using genetic algorithms. In Proceedings of the Symposium on Applied Computing, Philadelphia. ACM, 1996. [DASF94a] D Delahaye, J.M Alliot, M Schoenauer, and J.L Farges. Genetic algorithms for partitioning airspace. In Proceedings of the Tenth IEEE Conference on Articial Intelligence for Application. CAIA, 1994. [DASF94b] D Delahaye, J.M Alliot, M Schoenauer, and J.L Farges. Genetic algorithms for air trafc assignment. In Proceedings of the European Conference on Articial Intelligence. ECAI, 1994. [DASF94c] Daniel Delahaye, Jean-Marc Alliot, Marc Schoenauer, and Jean-Loup Farges. Genetic algorithms for air trafc. In Proceedings of the Conference on Articial Intelligence Application. CAIA, 1994. [DASF95] D Delahaye, J.M Alliot, M Schoenauer, and J.L Farges. Genetic algorithms automatic regrouping of air trafc sectors. In Proceedings of the Fourth International Conference on Evolutionary Programming. Natural Selection inc., 1995. Randall Davis. Expert Systems: Where Are We? And Where Do We Go From Here? The AI Magazine, Printemps 1982. Richard Dawkins. The blind watchmaker. Norton, New-York, 1986. Richard Dawkins. Lhorloger aveugle. Robert Laffont, 1989. Edition orignale [Daw86]. N. Durand, O. Chansou, and J.M. Alliot. An optimizing conict solver for atc. ATC Quarterly, 1996. 181
[DeJ75] [Del95]
K.A DeJong. An Analysis of the Behavior of a Class of genetic Adaptative Systems. PhD thesis, University of Michigan, 1975. Daniel Delahaye. Optimisation de la sectorisation de lespace a rien par algorithmes e g n tiques. PhD thesis, ENSAE, 1995. e e
[DFMN95] G. Dean, X. Fron, W. Miller, and J.P. Nicolaon. Arc2000 : An investigation into the feasibility of automatic conict. Technical report, Centre Exp rimental Eurocontrol, e 1995. [DM92] [Dre79] [Dre84] [Dre87] [DS83] [DS89] [Dur96] [Egl92] [EO83] [Far96] [FG87] [Fle70] [FMT93] [Fog95] [FOW66] D Dasgupta and D.R McGregor. A structured genetic algorithm. Technical Report IKBS-8-92, Dep. of Computer Science. University og Strathclyde, Clasgow. UK, 1992. Hubert Dreyfus. What computers cant do: the limits of articial intelligence. Harper and Row, 1979. ISBN: 0-06-090624-3. Hubert Dreyfus. Intelligence Articielle, mythes et limites. Flammarion, 1984. La traduction francaise correspond a la deuxi` me edition am ricaine [Dre79]. ` e e Hubert Dreyfus. Mind over machine. In Rainer Born, editor, Articial Intelligence, the case against. Croom Helm, 1987. ISBN: 0-312-00439-7. J.E. Denis and R.B. Schnabel. Numerical methods for unconstrained optimization and non linear equation. Prentice Hall, 1983. K. A. DeJong and W. M. Spears. Using genetic algorithms to solve np-complete problems. In Proceedings of the International Conference on Genetic Algorithms, 1989. Nicolas Durand. Optimisation de trajectoires pour la r solution de conits en route. e PhD thesis, INPT, 1996. R.W Eglese. Simulated annealing : A tool for operational research. European Journal of Operational Research, 46: 271973, 1992. Shinsuke Endoh and Amedeo R. Odoni. A Generalized Model for Predicting the Frequency of Air Conicts. September 1983. Henri Farreny. Recherche heuristiquement ordonnee Algorithmes et propriete. Masson, 1996. e Henri Farreny and Malik Ghallab. El ments dintelligence articielle. Herm` s, 1987. e R. Fletcher. A new approach to variable metric algorithms. Computer Journal, 13: 371, 1970. Xavier Fron, Bernard Maudry, and Jean-Claude Tumelin. Arc 2000 : Automatic radar control. Technical report, Eurocontrol, 1993. David B. Fogel. Evolutionnary Computation. IEEE Press, 1995. L.J Fogel, A.J Owens, and M.J Walsh. Articial Intelligence Through Simulated Evolution. Wiley and sons. NY, 1966. 182
[Fox90] [FW83]
Mark Fox. AI and Expert Systems : Myths, Legends and Facts. IEEE Expert, Fevrier 1990. M.I Freidlin and A.D Wentzell. Random Perturbations of Dynamical Systems. Springerverlag, New-York, 1983.
[GBD 94] A. Geist, A. Beguelin, J. Dongarra, W. Jiang, R. Manchek, and V. Sunderam. Pvm 3 users guide and reference manual. Technical report, Oak Ridge National Laboratory, 1994. [GGRG85] J. Grefenstette, R. Gopal, B. Rosmaita, and D. Gucht. Genetic algorithms for the traveling salesman problem. In 1st International Conference on Genetic Algorithms and their Applications, 1985. [GL85] [Gol70] [Gol89a] [Gol89b] [Gol89c] [Gol91] [Gru92] D. Goldberg and R. Lingle. Alleles, loci, and the travelling salesman problem. In 1st International Conference on Genetic Algorithms and their Applications, 1985. D. Goldfarb. A family of variable metric algorithms. Mathematical Computations, 24: 2326, 1970. David Goldberg. Genetic Algorithms. Addison Wesley, 1989. ISBN: 0-201-15767-5. D.E Goldberg. Genetic algorithms and walsh functions. part 1 and 2. Complex Systems, 3: 129171, 1989. D.E Goldberg. Genetic Algorithms in Search, Optimization and Machine Learning. Reading MA Addison Wesley, 1989. D.E Goldberg. Real-coded genetic algorithms, virtual alphabets and blocking. Complex Systems, 5: 139167, 1991. H. Gruber. Comparaison de diverses m thodes dintelligence articielle pour la e r solution de conit en contr le de trac a rien. Rapport de stage, Centre dEtudes e o e de la Navigation A rienne, 1992. e A. Griewank and Ph. L. Toint. On the unconstrained optimization of partially separable functions. In M. J. D. Powell, editor, Nonlinear Optimization 1981, pages 301312, London and New York, 1982. Academic Press. E. Hansen. Global optimization using interval analysis. Dekker, New-York, 1992. Jin-Kao Hao and Raphael Dorne. Nouveaux op rateurs g n tiques appliqu s a sat. In e e e e ` Proceedings de EA94. Cepadues, 1994. A. Homaifar, S. Guan, and G. Liepins. A new genetic approach on the traveling salesman problem. In Fifth International Conference on Genetic Algorithms, July 1993. J. Horn and N. Nafpliotis. Multiobjective optimization using the nitched pareto genetic algorithm. Illigal Report 93005, University of Illinois at Urbana, 1993. John Holland. Outline for a logical theory of adaptive systems. Journal of the Association of Computing Machinery, 3, 1962. 183
[GT82]
[Hue94]
Denis Huet. Nouvelles m thodespour la r solution de probl` mes SAT et CSP. Masters e e e thesis, Ecole Nationale de lAviation Civile (ENAC), 1994. L Ingber. Very fast simulated annealing. J. Math. Comp. Modeling, 12(8): 967973, 1989. L Ingber and B Rosen. Genetic algorithms and very fast simulated re-annealing. Mathematical Computer Modeling, 16(11): 87100, 1992. Lester Ingber and Bruce Rosen. Genetic algorithm and very fast simulated reannealing: a comparison. Mathematical and Computer Modeling, 16(1): 87100, 1992. S.L.S. Jacoby, J.S. Kowalik, and J.T. Pizzo. Iterative methods for non linear optimization problems. Prentice Hall, 1972. Fred Krella et al. Arc 2000 scenario (version 4.3). Technical report, Eurocontrol, April 1989. Marcel Leroux and Jean-Marc Alliot. En route air trafc organizer, an expert system for air trafc control. In Proceedings of the International Conference on Expert systems and their applications, Avignon, May 1991. Yann LeFablec. Optimisation par algorithmes g n tiques parall` les et multi-objectifs. e e e Masters thesis, Ecole Nationale de lAviation Civile (ENAC), 1995. Kai-Fu Lee and Sanjoy Mahajan. The development of a world class othello program. Articial Intelligence, 43, 1990. G Maignan. Le Contr le de la Circulation A rienne. Presse Universitaire de France, o e 1991. F. Medioni, Nicolas Durand, and J.M. Alliot. Algorithmes g n tiques et programmation e e lin aire appliqu s a la r solution de conits a riens. In Proceedings of the Journees e e e e Evolution Articielle Francophones. EAF, 1994. Magdi S. Mahmoud and Shawki Z. Eid. Optimization of freeway trafc control problems. Optimal Control Applications and Methods, 9: 3749, 1988. S.W Mahfoud and D.E Goldberg. Parallel recombinative simulated annealing : A genetic algorithm. Illigal report 92002, University of Illinois, Urbana, IL 61801-2996, April 1992. Dr. C. Meckiff and Dr. P. Gibbs. PHARE : Highly interactive problem solver. Technical report, Eurocontrol, 1994. Z Michalewicz. Genetic algorithms + Data Structures = Evolution Programs. Springerverlag, 1992. Z Michalewicz and C.Z Janikov. Handling constraints in genetic algorithms. In Proceedings of the Fourth International Conference on Genetic Algorithm. ICGA, 1991. 184
[Ing89]
[IR92a]
[IR92b]
[JKP72]
[K 89]
[LA91]
[LeF95]
[LM90]
[Mai91]
[MDA94]
[ME88]
[MG92]
[MG94]
[Mic92]
[MJ91]
[MM93]
David Moriarty and Risto Miikulainen. Evolving complex othello startegies using marker-based genetic encoding of neural networks. Technical Report AI93-206, University of Texas, Austin, TX 78712-1188, September 1993. David Moriarty and Risto Miikulainen. Evolving neural networks to focus minimax search. In Proceedings of the Twelfth National Conference on Articial Intelligence AAAI-94, Seattle, WA, 1994. H. Muhlenbein. Parallel genetic algorithms, population genetics and combinatorial optimization. In Proceedings of the Third International Conference on Genetic Algorithms, 1989. L. Mikhailov and J. Zaprianov. Multilevel hierarchical optimization of aircraft trajectories. In IFAC/IMACS Symposium, July 1988. W.P. Niedringhaus, I. Frolow, J.C. Corbin, A.H. Gisch, N.J. Taber, and F.H. Leiber. Automated En Route Air Trafc Control Algorithmic Specications: Flight Plan Conict Probe. Technical report, FAA, 1983. DOT/FAA/ES-83/6. W.P. Niedringhaus. Automated planning function for AERA3: Manoeuver Option Manager. Technical report, FAA, 1989. DOT/FAA/DS-89/21. W.P. Niedringhaus. A mathematical formulation for planning automated aircraft separation for AERA3. Technical report, FAA, 1989. DOT/FAA/DS-89/20. J.A. Nelder and R. Mead. A simplex method for function minimization. Computer Journal, 7: 308313, 1965. I. Oliver, D. Smith, and J. Holland. Permutation crossover operators on the travelling salesman problem. In Second International Conference on Genetic Algorithms, July 1989. Tekla S. Perry and John A. Adam. Improving the worlds largest, most advanced system! IEEE Spectrum, February 1991. Judea Pearl. Heuristics. Addison-Wesley, 1984. ISBN: 0-201-05594-5. Judea Pearl. Heuristique. Cepadues, 1990. Version francaise de [Pea84]. Pascal Planchon. Use of advanced technologies in ATM domain. In AGARD conference, Berlin, 1993. DLR. C. Pettey, M. Leuze, and J. Grefenstette. A parallel genetic algorithm. In Proceedings of the Second International Conference on Genetic Algorithms, 1987. G. Reinelt. Tsplib - a traveling salesman problem library. Journal on Computing 3, pages 376384, 1991. Helmut Ratschek and Jon Rokne. Interval methods. In Reiner Horst and Panos Pardalos, editors, Handbook of global Optimization. Kluwer, 1995. G Saporta. Probabilit s, analyse des donn es et statistiques. Technip, 1990. e e 185
[MM94]
[Muh89]
Robert L. Schultz. Three-dimensional trajectory optimization for aircraft. Journal of Guidance, Control and Dynamics, 13(6): 936943, 1990. Nicol N. Schraudolf and John J. Grefenstette. A users guide to GAucsd 1.2. Technical report, UCSD, 1991. Robert Smith and Brian Gray. Co-adaptive genetic algorithms, an example in othello strategy. In Proceedings of the Florida Artical Intelligence Symposium, 1994. R.E Smith, D.E Goldberg, and J.A Earickson. SGA-C: A C-language implementation of a Simple Genetic Algorithm, May 1991. TCGA report No. 91002. R.E. Smith, A.S. Perelson, and S. Forrest. Searching for diverse, cooperative populations with genetic algorithms. Evolutionary Computation, 1(2): 127149, 1993. E. M. Schuster, F. R. Petroski, R. K. Sciambi, and M. MC Stokrp. AERA 2 functional design and performance description. Technical report, MITRE, September 1983. MtR83W136. M Schoenauer, E Ronald, and S Damour. Evolving nets for control. In Proceeding of the Sixth International Conference on Neural Networks and their Industrial and Cognitive Applications. AFIA, 1993. P.L Tuan, H.S Procter, and G.J Couluris. Advanced productivity analysis methods for air trafc control operation. Technical report, Stanford Research institute, Menlo Park CA 94025, December 1976. A. Trouv . Parall lisation massive du recuit simul . PhD thesis, Universit de Paris XI, e e e e 1993. J Villiers. Contribution a une th orie du syst` me de contr le en route et ses perspectives ` e e o d volution. Technical report, DGAC, Paris France, Aout 1984. e M.D Vose. Generalizing the notion of schema in genetic algorithms. Articial Intelligence, 50: 385396, 1991. A.H Wright. Genetic algorithms for real parameter optimization. In Proceeding of the Foundation Of Genetic Algorithms. FOGA, 1991. D. Whitley, T. Starkweather, and D. Fuquay. Scheduling problems and traveling salesman: The genetic edge recombination operator. In Third International Conference on Genetic Algorithms, 1989. X Yin and N Germay. A fast genetic algorithm with sharing scheme using cluster analysis methods in multimodal function optimization. In Proceedings of the Articial Neural Nets and Genetic Algorithms, 1993. Karim Zeghal. Champs de forces sym triques : La logique dun syst` me anticollision e e coordonn . Technical report, ONERA, 1993. e Karim Zeghal. Vers une th orie de la coordination dactions, application a la navigation e ` a rienne. PhD thesis, Universite Paris VI, 1994. e 186
[SRD93]
[TPC76]
[YG93]
[Zeg93] [Zeg94]
[Zhi91]
Anatoly A. Zhigljavsky. Theory of Global Random Search. Kluwer Academic Plubishers, 1991.
187