Programmation Linéaire en Nombres Entiers Pour L'ordonnancement Modulo Sous Contraintes de Ressources.

Def.
Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Programmation linaire en nombres entiers pour

lordonnancement modulo sous contraintes de
ressources.
Maria Alejandra Ayala P.
Universit de Toulouse III, France
LAAS - CNRS
15 Juin 2011
1/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Contexte et motivation
Contexte industriel : problme dordonnancement cyclique
dinstructions
Paralllisme dinstructions
Architectures VLIW : ST200 de STMicroelectronics
Proposer un ordonnancement des instructions pour terminer le

programme en un temps minimal.
Optimiser lexcution des boucles : pipeline logiciel.
problme dordonnancement cyclique : ordonnancement modulo.
2/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Plan
Dfinition du problme RCMSP
Programmation linaire en nombres entiers
Dcomposition de Dantzig-Wolfe
Relaxation Lagrangienne
Mthode hybride
Conclusion et perspectives
3/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Plan
1
Nouvelles formulations
Gnration de colonnes
Sous-problme
Rsultats exprimentaux
Dfinition et rsolution du sous-problme Lagrangien
Heuristique
Mthode hybride
Mthode hybride
4/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Ordonnancement cyclique
Un ensemble doprations gnriques : {Oi }1in rptes une

infinit de fois (diffrentes occurrences ou instances).
Dure {pi }1in
< i, q > la q ime ocurrence de la tche gnrique i.
Ordonnancement : date de dbut iq de chaque occurrence
< i, q >.
5/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Ordonnancement priodique
Dfinition
Le temps de cycle moyen :
maxiO (iq + pi )
q
q
z() = lim
Problme : trouver un ordonnancement ralisable minimisant le temps

de cycle moyen z() tout en respectant des contraintes de prcdence
entre les tches.
Dfinition
Ordonnancement priodique avec une priode
i O, q 1, iq = i0 + q
La priode est gale au temps de cycle moyen z().
6/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Ordonnancement modulo sous contraintes de ressources

(RCMSP)
Ordonnancement modulo : structure dordonnancement cyclique

(1)-priodique avec priode entire.
Dures unitaires.
Ensemble de m ressources.
Chaque ressource a une disponibilit limite Bs .
Chaque tche demande bis units de chaque ressource s.
Ensemble E de contraintes de prcdence (latence ij , distance
ij ) pour (i, j) E.
7/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion

(RCMSP)
Variables de dcision : i {0...T }, o T est lhorizon de temps.
Formulation du RCMSP :
min Lex(,
n
X
wi i )
i=1
s.c
j i + ij ij , (i, j) E
X
bis Bs , s {1, . . . , m}, t N
iA(t)
i 0, i = 1, 2, ..., n
o A(t) = {i {1, . . . , n}|q N, iq = t} est lensemble des instances
des tches excutes linstant t N
8/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Contraintes de prcdence (ou de dpendance)

Graphe orient
Sommets : oprations
Arcs (i, j) E ou E ensemble de prcdences
latence ij : longueur de la dpendance.
distance ij : nombre ditrations qui sparent les occurrences de
i et j
9/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Contraintes de prcdence
Exemple de dpendance :
Dpendance (i, j) avec ij = 2, ij = 1, = 2.
j; q + 1
j; q
i =
j
q + ij
itration de la tche j
ij = 1
i; q
=2
Contrainte de prcdence entre < i, q > et < j, q + ij >

q+ij
q 1, iq + ij j
q 1, i + ij i j j
Problme polynomiale, ordonnancements priodiques,
algorithmes O(n 3 logn) de recherche de circuite critique.
10/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion

(RCMSP)
Exemple dutilisation des ressources :
Ressources
Disponibilit
Oprations
1
2
3
4
5
6
7
8
9
10
R1
4
R1
1
1
1
1
1
1
1
1
1
1
R2
1
R2
0
1
1
1
0
1
0
0
0
0
R3
1
R3
0
0
0
0
0
0
0
0
1
0
R4
2
R4
0
0
0
0
0
0
0
0
1
0
R4
R3
R2
4.0
1.0
8.0
7.0
4.0
5.0
1.0
2.0
3.0
9.0
9.1
9.0
9.1
6.0
2.1
4.1
3.1
6.1
4.2
8.1
8.2
4.1
7.1
9.0
1.1
5.1
6.0
10.0
2.1
4.2
R1
3.0
2
3.1
6
9.1
1.2
6.1
10.1
8
= 4, Cmax = 5
11/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion

(RCMSP)
m2
m3
2,3
1,1
m1
1,4
1,2
2,1
2,2
2,4
1,3
Ordo priodique
=1
1,1
m1
m2
1,2
2,1
2,2
Ordo modulo
=2
m3
Lallocation des ressources est conserve dune itration lautre en

ordonnancement modulo.
12/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Rsolution du RCMSP
Mthode classique dordonnancement modulo (Rau et al. 1981, 1996)

calcul dune borne infrieure pour la priode
min = max(res , prec )
prec =
circuit de G
n
P
res
()
()
max
= max
1sm
i=1
bis
Bs
Recherche pour la plus petite priode telle que le RCMSP est

ralisable.
13/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Etat de lart pour le RCMSP
Ordonnancement cyclique sur processeurs paralleles. Hanen et

Munier (1994)
Thorie classique dordonnancement modulo : Rau et al. (1981),
Lam (1988), Rau (1996)
Pipeline logiciel dcompos (DSP) : Gasperoni et Schwiegelshohn
(1991), Waung et Eisenbis (1994), Hanen et Benabid (2009,
2011), Insertion Scheduling Dupont-de-Dinechin (1995).
Mthodes exactes et PLNE : Govindarajan et al. (1991),
Eichenberger et Davidson(1995), Dupont-de-Dinechin (2003)
Mthodes sans une valeur de fixe. Lombardi et al. 2011.
14/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Instances pour lexprimentation
Deux groupes dinstances :

36 instances dures unitaires provenant du processeur ST200 de
STMicroelectronics : consommation des ressources
principalement unitaires
Groupe dinstances correspondants une modification du
premier ensemble dinstances : genration alatoire (U [1, 10])
de la consommation de ressources.
Linstance la plus petite, gsm-st231.10.rcms est compose de 10
tches gnriques et 42 relations de prcdence.
Linstance la plus grande, gsm-st231.18.rcms est compose de 214
tches gnriques et 1063 relations de prcdence.
15/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion

(RCMSP)
Exemple.
Resource
ALU
MEM
CTL
ODD
Capacity
4
1
1
2
RESERVATION
ALU
ALUX
MUL
MULX
MEM
MEMX
CTL
ALU MEM CTL ODD

1
0
0
0
2
0
0
1
1
0
0
1
2
0
0
1
1
1
0
0
2
1
0
1
1
0
1
1
=2
Cmax = 7
16/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Plan
1
Sous-problme
Heuristique
Mthode hybride
Mthode hybride
17/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
PLNE pour le RCMSP

But dutilisation de la PLNE :
Calculer des bornes infrieures de la priode optimale et de
lobjectif secondaire.
Rsolution exacte si cest possible ou approche.
PLNE pour le RCMSP :
Formulation directe :
date de dbut de la tche gnrique i, i [0, T 1]
Formulation dcompose :
i = ki + i
[0, ..., b T1
c],
o : ki
ki est le numro du cycle dans lequel
chaque tche est place. i = i mod, date de dbut de la tche
gnrique i dans lintervalle [0, 1].
18/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
PLNE pour le RCMSP

Formulation dcompose :
Formulation directe :
10
10
9
9
8
7
8
7
4
4
2
2
1
1
i
ki
2
0
Cmax = 4
5 = 5 + k5 avec
5 = 2 + 0(4) = 2
2
1
=4
Cmax = 4
6 7
=4
i est place dans lhorizon T .
19/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
PLNE pour le RCMSP

Formulation dcompose (Eichenberger et al 1997) : i = ki + i
min
n
X
i=1
1
X
1
X
wi (
yi + ki )
=0
yi = 1, i [1, n]
=0
1
X
yi + ki + ij ij
1
X
yj + kj , (i, j) E
=0
=0
n
X
yi bis Bs , s m, [0, 1]
i=1
yi {1, 0}, ki N
20/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
PLNE pour le RCMSP
Contrainte de dpendance structure : base sur rsultats de

Chaudhuri et al. (1994).
1
X
x=
j
( + 1)mod
i
i
yx
yx + ki kj i b
+ ij 1
c + 1, [0, 1], (i, j) E
x=0
Meilleure relaxation de programmation linaire.
21/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
PLNE pour le RCMSP

Formulation directe (Dupont de Dinechin 2004). i =
min
n
X
wi (
i=1
K
X
K
X
PT
t=0
txit .
txit )
t=0
xit = 1
t=0
K
X
t=0
txit + ij ij
K
X
txjt , (i, j) E
t=0
n bX
c
X
xi +k bis Bs , [0, 1], s [1, m)
i=1 k=0
xit {0, 1}
22/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
PLNE pour le RCMSP
Contrainte de prcdence dsagrge : Christofides et al. (1987).

K
X
h=t
t+ij ij 1
xih +
xjh 1, t [0, . . . , K 1], (i, j) E
h=0
Meilleure relaxation de la programmation linaire.
23/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Comparaison des relaxations de programmation linaire

pour le RCMSP
But : tudier la qualite des relaxations PLNE des formulations

decompose et directe.
Comparaison des valeurs thoriques des relaxations.
Comparaison exprimentalement les deux formulations PLNE.
Remarque : la formulation directe comporte plus de variables et de
contraintes que la formulation dcompose.
24/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion

pour le RCMSP
Thorme
Soit z (decomp) la valeur optimale pour la relaxation de la
formulation (decomp) et z (direct) la valeur optimale pour la
relaxation de la formulation (direct). Nous avons
z (direct) = z (decomp)
Thorme
Soit z (decomp+) la valeur optimale pour la relaxation de la
formulation dcompose renforce et z (direct+) la valeur optimale
pour la relaxation de la formulation directe renforce, alors
z (direct+) = z (decomp+)
25/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion

pour le RCMSP
Principe de la dmonstration :
T = K , avec T , K , N .
i = i + ki .
yi =
K1
X
xi +k
i {1, . . . , n}, {0, . . . , 1}
k=0
ki =
K1
X K1
X
xit
i {1, . . . , n}
k=1 t=k
Remplacement de variables et demonstration de lunimodularit

des matrices de contraintes.
26/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Calcul de bornes infrieures et rsolution exacte
Borne infrieure pour la priode :

Mthode itrative = min = max(res , prec ).
Contraintes dintgralit relches.
Si PL irralisable alors : ( = + 1).
Borne infrieure pour le makespan (Cmax) :

Cmaxmin = max(, Cmax), tel que ralisable.
Solution optimale :
Mme principe de calcul de borne infrieure avec rsolution
PLNE.
27/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Solutions optimales : instances industrielles

Instances
adpcm-st231.1
adpcm-st231.2
gsm-st231.1
gsm-st231.2
gsm-st231.5
gsm-st231.6
gsm-st231.7
gsm-st231.8
gsm-st231.9
gsm-st231.10
gsm-st231.11
gsm-st231.12
gsm-st231.13
gsm-st231.14
gsm-st231.15
gsm-st231.16
gsm-st231.17
gsm-st231.18
gsm-st231.19
gsm-st231.20
gsm-st231.21
gsm-st231.22
gsm-st231.25
gsm-st231.29
gsm-st231.30
gsm-st231.31
gsm-st231.32
gsm-st231.33
gsm-st231.34
gsm-st231.35
gsm-st231.36
gsm-st231.39
gsm-st231.40
gsm-st231.41
gsm-st231.42
gsm-st231.43
min
21
38
24
26
11
7
11
8
28
4
20
8
19
10
8
16
9
53
8
6
18
18
16
11
7
11
15
15
4
6
10
8
10
18
6
8
21
40
24
26
11
7
11
8
28
4
20
8
19
10
8
16
9
8
6
18
18
16
11
7
11
15
15
4
6
10
8
10
18
6
8
PLNE(decomp+)
Cmax
CPUs
30
14400
42
582362
33
0.05
32
79362
17
0.05
13
17
17
0.05
8
0.05
28
0.05
4
0.05
21
0.05
8
0.05
25
1856
13
301.25
8
0.05
20
7520
16
0.05
9
0.05
10
0.05
22
0.05
22
0.05
25
3652
17
12.6
13
12
17
47
15
0.05
21
2365
5
0.05
11
0.05
15
27
16
0.05
10
0.05
24
2356
10
0.05
14
0.05
21
40
24
26
11
7
11
8
28
4
20
8
19
10
8
16
9
8
6
18
18
16
11
7
11
15
15
4
6
10
8
10
18
6
8
PLNE(direct+)
Cmax
CPUs
30
16235
42
601000
33
0.05
32
83991
17
0.05
13
20
17
0.05
8
0.05
28
0.05
4
0.05
21
0.05
8
0.05
25
2023
13
478
8
0.05
20
8156
16
0.05
9
0.05
10
0.05
22
0.05
22
0.05
25
4001
17
15
13
15
17
73
15
0.05
21
2503
5
0.05
11
0.05
15
42
16
0.05
10
0.05
24
2562
10
0.05
14
0.05
28/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Solutions optimales : instances modifies

Instances
adpcm-st231.1
adpcm-st231.2
gsm-st231.1
gsm-st231.2
gsm-st231.5
gsm-st231.6
gsm-st231.7
gsm-st231.8
gsm-st231.9
gsm-st231.10
gsm-st231.11
gsm-st231.12
gsm-st231.13
gsm-st231.14
gsm-st231.15
gsm-st231.16
gsm-st231.17
gsm-st231.18
gsm-st231.19
gsm-st231.20
gsm-st231.21
gsm-st231.22
gsm-st231.25
gsm-st231.29
gsm-st231.30
gsm-st231.31
gsm-st231.32
gsm-st231.33
gsm-st231.34
gsm-st231.35
gsm-st231.36
gsm-st231.39
gsm-st231.40
gsm-st231.41
gsm-st231.42
gsm-st231.43
min
52
82
24
59
26
17
28
9
28
6
20
10
27
20
9
38
23
120
12
13
20
18
37
28
16
26
21
33
7
12
18
15
12
33
14
15
PLNE(decomp+)
Cmax
25
42
36
46
27
27
41
45
12
12
32
35
8
8
24
24
13
13
43
48
33
45
12
12
33
33
15
15
20
27
30
30
29
29
56 (Gap=1.75%)
56
42
42
25
25
39
39
30
30
52(Gap=8%)
50
7
7
14
16
24
28
21
25
17
21
18
26
20
25
CPUs
250
280
152
92
0.27
0.56
0.10
0.37
12.65
985.03
220
12.36
90
38.23
123
42.03
80.36
604800
210
58
142
0.25
604800
5.05
52
230
95
15
12
15
25
36
27
41
12
32
8
24
13
43
33
12
33
15
20
30
29
42
25
39
30
7
14
24
21
17
18
20
PLNE(direct+)
Cmax
CPUs
42
375
46
299.03
27
265
45
115
12
0.31
35
60
8
0.11
24
0.39
13
19
48
1236
45
252
12
13
33
105
15
43
27
137
30
59
29
112
42
513
25
67
39
169
30
1.01
7
8
16
53
24
403
25
168
21
29
26
17
25
23
29/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Bornes infrieures : instances industrielles

Instances
adpcm-st231.1
adpcm-st231.2
gsm-st231.1
gsm-st231.2
gsm-st231.5
gsm-st231.6
gsm-st231.7
gsm-st231.8
gsm-st231.9
gsm-st231.10
gsm-st231.11
gsm-st231.12
gsm-st231.13
gsm-st231.14
gsm-st231.15
gsm-st231.16
gsm-st231.17
gsm-st231.18
gsm-st231.19
gsm-st231.20
gsm-st231.21
gsm-st231.22
gsm-st231.25
gsm-st231.29
gsm-st231.30
gsm-st231.31
gsm-st231.32
gsm-st231.33
gsm-st231.34
gsm-st231.35
gsm-st231.36
gsm-st231.39
gsm-st231.40
gsm-st231.41
gsm-st231.42
gsm-st231.43
min
21
38
24
26
11
7
11
8
28
4
20
8
19
10
8
16
9
53
8
6
18
18
16
11
7
11
15
15
4
6
10
8
10
18
6
8
21
38
24
26
11
7
11
8
28
4
20
8
19
10
8
16
9
53
8
6
18
18
16
11
7
11
15
15
4
6
10
8
10
18
6
8
Cmax
29.5
42
33
31.5
15.2
11.2
15.2
8
28
4
21
8
25
12.63
8
16.97
15.25
53
8
10
22
21
24.52
15.2
11.2
15.2
15
17.23
5
8.2
10
12.5
10
18
10
10.4
CPU (s) (decomp+)

498
5326.37
0.02
586
0.02
0.02
0.02
0.02
0.02
0.00
0.02
0.00
0.02
0.02
0.00
3625.12
0.02
7256
0.00
0.00
15
17
789.26
7.52
0.02
0.02
4.25
42
0.00
0.00
0.02
0.02
0.00
12
0.02
0.00
CPU (s) (direct+)

536
6012
0.02
614
0.02
0.02
0.02
0.02
0.02
0.00
0.02
0.00
0.02
0.02
0.00
3812.03
0.02
8002.03
0.00
0.00
15
20
814
7.84
0.02
0.02
4.45
42
0.00
0.00
0.02
0.02
0.00
0.02
0.02
0.00
30/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Bornes infrieures : instances modifies

Instances
adpcm-st231.1
adpcm-st231.2
gsm-st231.1
gsm-st231.2
gsm-st231.5
gsm-st231.6
gsm-st231.7
gsm-st231.8
gsm-st231.9
gsm-st231.10
gsm-st231.11
gsm-st231.12
gsm-st231.13
gsm-st231.14
gsm-st231.15
gsm-st231.16
gsm-st231.17
gsm-st231.18
gsm-st231.19
gsm-st231.20
gsm-st231.21
gsm-st231.22
gsm-st231.25
gsm-st231.29
gsm-st231.30
gsm-st231.31
gsm-st231.32
gsm-st231.33
gsm-st231.34
gsm-st231.35
gsm-st231.36
gsm-st231.39
gsm-st231.40
gsm-st231.41
gsm-st231.42
gsm-st231.43
min
52
82
24
59
26
17
28
9
28
6
20
10
27
20
9
38
24
120
12
13
20
18
37
28
16
26
21
33
6
11
18
15
12
34
14
15
52
82
24
59
26
17
28
9
28
6
20
10
27
20
9
38
24
120
12
13
20
18
37
28
16
26
21
33
6
11
18
15
12
34
14
15
Cmax
52
82
32
59
26
17
28
9
28
6
21
10
27
20
9
38
24
120
12
13
22
21
37
28
16
26
21
33
6
11
18
15
12
34
14
15
CPU (s) (decomp+)

1800
7214
600
7200
600
600
22
0.02
25
0.0001
0.15
0.0001
48
18
0.001
420
720
600
0.002
0.002
24
8
300
60
0.25
58
3.02
52
0.001
0.002
8
0.06
0.0001
47
4.03
0.026
CPU (s) (direct+)

1995.03
7327
626
7298.04
600
600
23
0.02
30
0.0001
0.152
0.0001
52
21
0.002
452
795
603
0.002
0.002
24
8
317
62
0.253
60
3
51
0.001
0.002
8
0.08
0.0001
49
6
0.02
31/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Plan
1
Sous-problme
Heuristique
Mthode hybride
Mthode hybride
32/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Dcomposition de Dantzig-Wolfe pour le RCMSP
Amliorer les bornes obtenues par relaxation de PLNE pour la

priode .
Proposer nouvelles formulations PLNE pour le RCMSP : grand
nombre de variables.
Schma de gnration de colonnes de manire rsoudre la
relaxation de ces formulations.
Utilisons lapproche de Vanderbeck (2000) pour proposer des
nouvelles formulations pour le RCPSP bases sur la dcomposition de
Dantzig-Wolfe.
33/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Plan
1
Sous-problme
Heuristique
Mthode hybride
Mthode hybride
34/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Formulations renforces pour le RCMSP
Dcomposition de Dantzig-Wolfe :
P( ) : ensemble de solutions ralisables respectant les contraintes de
ressources linstant {0, ..., }.
(
)
n
X
n
s
P( ) = y {0, 1} |
yi bi Bs , s {1, . . . , m}
i=1
Correspondance bijective entre les points ralisables non-nuls de

P( )Pet lensemble R des ensembles doprations {i1 , . . . , iq } tel
q
que p=1 bisp Bs , s {1, . . . , m}.
Chaque ensemble de R est appel un ensemble ralisable.
35/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Le polydre P( ) peut tre reprsent par lnumration de tous ses
lments :
(
)
X
X
P( ) =
R |y
lR
zl = 1 pour tout zl {0, 1}, l R
zl Pl et
lR
Matrice binaire a tel que ail = 1 si la tche i appartient

lensemble ralisable Pl (ail reprsente le i-me lment de Pl ).
P l
En remplaant yi par
ai zl , tel que zl {0, 1}, l R.
lR
36/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion

R4
R3
R2
4.0
1.0
8.0
7.0
4.0
5.0
1.0
2.0
3.0
9.0
9.1
9.0
9.1
6.0
2.1
4.1
3.1
6.1
4.2
8.1
8.2
4.1
7.1
9.0
1.1
5.1
6.0
10.0
2.1
4.2
R1
3.0
2
3.1
6
9.1
1.2
6.1
10.1
= 4, Cmax = 5
= 4, {0, 1}
0
1
1
1
2
1
3
1
l1 = {4, 8, 1} zl = 1, zl = 0, zl = 0, zl = 0
1
2
0
2
2
2
3
2
l2 = {1, 7, 5, 2} zl = 0, zl = 1, zl = 0, zl = 0
0
3
0
zl0
1
3
1
z l4
2
3
2
zl
4
3
3
3
zl
4
l3 = {3} zl = 0, zl = 0, zl = 1, zl = 0
l4 = {9, 6}
= 0,
= 0,
= 0,
=1
37/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion

Nouvelle formulation (M-decomp) pour le RCMSP.
min
n
X
wi (ki +
1
X
X
=0
i=1
1
XX
ai zl = 1
ai zl )
lR
i {1, ..., n}
lR =0
zl 1, {0, . . . , 1}
lR
1
X
=0
l
aj zl
lR
l
ai zl
+ (kj kj ) i i (i, j) E
lR
zi {0, 1}
l {R}, {0, . . . , 1}
ki {0, . . . , K 1},
i {1, . . . , n}
38/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Contraintes de prcdence structures :

1
X
X
x= lR
j
( + 1) mod
i
l x
ai zl
x=0
lR
l x
aj zl + ki kj i b
+ ij 1
c + 1,
{0, . . . , 1}, (i, j) E
(1)
Une nouvelle formulation renforc appele (M-decomp+) est donc

obtenue.
Remarque : mme schma pour (M-direct) et (M-direct+)
39/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Plan
1
Sous-problme
Heuristique
Mthode hybride
Mthode hybride
40/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
PMR
R' R
Rsolution
simplexe
Valeurs
Duales
R << R
'
R ' = R ' {l}
Sous
Problme
Oui :
Ajoutons
lensemble l
Fin
Colonne cot
rduit
ngatif
Non
41/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Problme dual formulation (M-decomp)

Les contraintes duales associe la variable zl du problme matre
donn par la formulation (M-decomp) :
n
X
ail i
i=1
X
(i,j)E
ij (ajl ail )
n
X
wi ail , l R, {0, . . . , 1}
i=1
ce qui donne
n
X
F (i, )ail , l R, {0, . . . , 1}
i=1
P

P
o F (i, ) = i + (j,i)E ji (i,j)E ij + wi .
42/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Plan
1
Sous-problme
Heuristique
Mthode hybride
Mthode hybride
43/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Sous-problme
Il est possible de trouver
une contrainte duale viole, cest--dire un
Pn
vecteur ai tel que i=1 w1 (i, )ai .
max
n
X
F (i, )ai
i=1
n
X
ai bis Bs , s {1, . . . , m}
i=1
ai {0, 1},
i {1, . . . , n}
Pour chaque = 0, ..., 1. Nous avons donc sous-problmes

rsoudre.
Le problme matre est rsolu, puis les sous-problmes sont
galement rsolus.
44/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Calcul des bornes infrieures
La plus petite valeur de ralisable obtenue avec la solution des

relaxations des nouvelles formulations proposes, en utilisant le
schma de gnration de colonnes.
La borne pour le makespan est dfinie par
Cmaxmin = max(, Cmax), o Cmax correspond la valeur
obtenue avec la rsolution des relaxations en utilisant le schma
de gnration de colonnes, uniquement si le programme linaire
admet une solution ralisable pour une valeur de donne.
45/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Plan
1
Sous-problme
Heuristique
Mthode hybride
Mthode hybride
46/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Figure: Bornes pour la priode . Instances modifies.
Nombre dinstances rsolues

Test avec = opt
Ecart maximal opt
Ecart moyen opt
Relaxation (decomp+)
36/36
0/28
16
7.10
GC(M-decomp+)
34/36
23/28
1
0.58
47/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Figure: Bornes pour le Cmax. Instances modifies.

Test avec Cmax=Cmaxopt
Ecart maximal CmaxCmaxopt
Ecart moyen CmaxCmaxopt
Relaxation (decomp+)
36/36
0/28
25
9.57
GC (M-decomp+)
34/36
15/28
12
2.58
48/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Plan
1
Sous-problme
Heuristique
Mthode hybride
Mthode hybride
49/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
But : Obtenir bornes suprieures pour la priode et pour le Cmax

Relaxation Lagrangienne sur la formulation PLNE directe
desagrge.
Rsultats de Mhring et al. pour le RCPSP : solution de
sous-problme = coupe minimale dans un graphe oriente.
Heuristique : transformation de la formulation PLNE dcompose
en utilisant la relaxation lagrangienne.
50/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Considerons
L, (x) =
m 1
X
X
n
X
,s (
s=1 =0
i=1 t
bis xit )
mod =
m 1
X
X
,s Bs .
s=1 =0
le programme linaire
min{L, (x) | x ()}
,s 0 [0, 1].
()
polydre dfini par les contraintes de prcdence de la

formulation directe structure.
51/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Proposition
e() est vide si pour un 0, ()
est vide ou L,
> 0.
Soit le problme Lagrangien dual

max min{L, (x) | x ()}
borne infrieure RL : plus petit telque L 0

Remarque : Nous ne sommes pas intresses par la valeur de la borne
infrieure por la priode .
52/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Borne pour le Cmax.

0
Sous-problme Lagrangien : L,
(x) = Cmax + L, (x) avec
PT
t
Cmax = t=0 txn+1 .
Sous-problme Lagrangien :
0
min{L,
(x) | x
0 ()}
Borne pour le Cmax : solution du dual Lagrangien :

0
max min{L,
(x) | x
0 ()}
0
53/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Plan
1
Sous-problme
Heuristique
Mthode hybride
Mthode hybride
54/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion

ralisable pour la relaxation de la formulation PLNE directe.
Borne pour le Cmax : sous problme Lagrangien
L
0
(x) = Cmax+L, (x) =
,
T
X
t
txn+1 +
m 1
X
X
n
X
,s (
s=1 =0
t=0
Dfinition de poids :
m
P s
bi ,s
s=1
fi,t =
t
i=1 t
m 1
X
X
s t
bi xi )
mod =
,s Bs
s=1 =0
si i < n + 1 et t < T
si i = n + 1
sinon
Sous-problme Lagrangien :
min{
n+1 T
X
X
i=1
fi,t xi | x
()}
t=0
55/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion

Cas particulier du problme dordonnancement de projet avec cots
dpendant des dates de dbut dcrit par Mhring et al. (2003)
sommets vi ,t i {1... n}, t {0... T }.
Arcs daffectation (vi ,t , vi ,t +1 ) i {1... n}, t {0... T }.
arcs temporels
f i ,t
(vi ,t , vi ,t +( j j ) ) (i, j ) E , t {0... T }.

i
capacits.
f i ,t
.
.
.
b
a
2
1
0
T
56/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Thorme
Il existe une correspondance une une entre la coupe minimale a b
) G avec exactement n arcs avant et une solution
et la paire (X , X
optimale x pour le probleme Lagrangien obtenu par xi,t = 1 si
), et xi,t = 0 sinon.
(vi,t , vi,t+1 ) est un arc sortant de la coupe (X , X
La valeur w(x) dune solution optimale du problme Lagrangien est
) de la coupe minimale (X , X
) de G 0 .
gale la capacit c(X , X
Mhring et al. (2003).
Rsolution de dual Lagrangien : Sous-gradient
57/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Plan
1
Sous-problme
Heuristique
Mthode hybride
Mthode hybride
58/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Heuristique
Le vecteur x obtenu par lalgorithme du dual Lagrangien est

entier (0 1)
Construction des solutions ralisables.
Heuristique :
Formulation dcompose.
i = i + ki
Valeurs de ki fonction du vecteur x trouv par la relaxation
Lagrangienne.
Solution de PLNE avec les valeurs ki fixes.
59/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Plan
1
Sous-problme
Heuristique
Mthode hybride
Mthode hybride
60/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Test avec = opt
Ecart maximal opt
Ecart moyen opt
Test avec Cmaxsup = Cmax opt
Ecart maximal Cmax opt Cmaxsup
Ecart moyen Cmax opt Cmaxsup
36/36
28/36
8
0.55
21/28
5
0.68
Table: Rcapitulatif des bornes suprieures obtenues pour la priode et

pour le Cmax. Instances industrielles

Test avec sup = opt
Ecart maximal opt sup
Ecart moyen opt sup
Test avec Cmaxsup = Cmax opt
Ecart maximal Cmax opt Cmaxsup
Ecart moyen Cmax opt Cmaxsup
33/36
14/28
3
0.64
12/14
5
1.21
Table: Rcapitulatif des bornes suprieure obtenues pour la priode et

pour le Cmax. Instances modifies
61/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Plan
1
Sous-problme
Heuristique
Mthode hybride
Mthode hybride
62/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Plan
1
Sous-problme
Heuristique
Mthode hybride
Mthode hybride
63/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Mthode hybride
But : bornes suprieures ou solutions ralisables en temps

raisonnables.
Mthode hybride :
Collaboration avec Abir BENABID et Claire HANEN (LIP6).
Pipeline logiciel dcompos
Transformation du vecteur colonne dinstructions (i ) en une
matrice deux dimensions.
Les lignes : la date de dbut i dans la priode
Les colonnes : litration dans la boucle dorigine (i.e. le numro
de la priode ki ).
64/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Pipeline logiciel dcompos

Pipeline logiciel dcompos (DSP)
Dcalage des instructions
Compaction de la boucle
Circuit retiming
Algorithme de liste
Ordonnancement ralisable
* Algorithme de Gasparoni et Schwiegelsohn (1992).
* Minimisation du chemin critique. Leiserson et Saxe (1991).
* Minimisation du nombre d'arcs. Darte et Huard (2000).
* Minimisation du nombre d'arcs et chemin critique. Darte et Huard (2000).
65/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
DSP : Dcalage des instructions
Dcalage des instructions : circuit retiming

G = (O, E, , ), un vecteur retiming (i ) est une fonction qui affecte
les poids des arcs du graphe G.
= (ij ) = ij + j i
(i, j) E, : (i, j) Z tel que i,j
Dfinition
Un retiming lgal est un retiming tel que
(i, j) E, : (i, j) Z tel que i,j

= (ij ) = ij + j i 0
66/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Mthode hybride
Mthode hybride
Dcalage des instructions
Circuit retiming
* Algorithme de Gasparoni et
Schwiegelsohn (1992).
Compaction de la boucle
Formulation PLNE
dcompose structure.
ki i , i = 1,..., n
* Minimisation du nombre d'arcs et

chemin critique. Darte et Huard (2000).
Ordonnancement ralisable
i i = 1,..., n
67/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Mthode hybride
Algorithme 1: Mthode hybride
1
2
Calculer un retiming lgal pour G

Trouver ralisable (mthode itrative) et une solution ralisable du systeme suivant :
min
n
X
wi (
yi + i )
=0
i=1
1
X
1
X
yi = 1, i [1, n]
=0
1
X
x=
j
( + 1)mod
i
i
yx +
yx + i j i b
+ ij 1
c + 1, [0, ), (i, j) E
x=0
n
X
yi bi ms , s {1, . . . , m}, [0, )
i=1
yi {0, 1}
3
Dfinir un ordonnancement i i = 1..n, i = i + i

68/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Plan
1
Sous-problme
Heuristique
Mthode hybride
Mthode hybride
69/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion

Test avec = opt
Ecart maximal opt
Ecart moyen opt
HybrideHD
36/36
34/36
1
0.005
HybrideGS
36/36
32/36
3
0.22
DSP
36/36
30/36
3
0.25
iFLAT
33/33
26/33
3
0.24
Rellag
36/36
28/36
8
0.55
Table: Comparaison de la mthode hybride avec des autres mthodes pour

la recherche des solutions ralisables. Instances industrielles

Test avec = opt
Ecart maximal opt
Ecart moyen opt
HybrideHD
34/36
21/28
4
0.39
HybrideGS
32/36
20/28
3
0.42
DSP
36/36
20/28
5
0.82
iFLAT
25/25
16/25
3
0.64
Rellag
33/36
14/28
3
0.64
Table: Comparaison de la mthode hybride avec des autres mthodes pour

la recherche des solutions ralisables. Instances modifies
70/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Plan
1
Sous-problme
Heuristique
Mthode hybride
Mthode hybride
71/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Problme dordonnancement modulo sous contraintes de
ressources : application lordonnancement dinstructions VLIW.
Formulations PLNE pour le RCMSP :
Formulations dcompose et directe + version structure et
dsagrge.
Comparaison des valeurs thoriques des relaxations.
Comparaison exprimentale des formulations presentes.
Bornes faibles pour la priode .
Nouvelles formulations rnforces : grand nombre de variables.
Schma de gnration de colonnes : solution des relaxations des
nouvelles formulations.
Amelioration des bornes pour les instances avec consommation de
ressources non unitaires.
Rsultats publis : PMS 2010 et Article sumis Discrete Applied

Mathematics (2 revision)
72/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Relaxation Lagrangienne :
Relaxation Lagrangienne sur la formulation directe structure.
Solution du sous-problme partir dune coupe minimale :
rsultats de Mhring.
Heuristique : relaxation Lagrangienne + formulation PLNE
dcompose.
Bornes suprieures de bonne qualit pour la priode et pour le
Cmax.
Temps de calcul importants.
Rsultats publis : ISCO 2010. Electronic Notes in Discrete
Mathematics, Vol.36, pp.191-198, Aot 2010
Mthode hybride :
Combinaison de DSP + formulation PLNE structure
Nouvelles bornes suprieures pour la priode .
Amlioration des temps de calcul.
Rsultats publis : article sumis Computational Optimization
And Applications
73/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Gnration de colonnes : inclure rgles pour rduire lespace des

sous ensembles ralisables (coupes).
Heuristique base sur la relaxation Lagrangienne pour la
recherche des solutions ralisables (sans PLNE) .
Amlioration de limplmentation du code de programmation de
la gnration de colonnes et relaxation Lagrangienne.
Extension des mthodes et techniques proposes pour des
problmes dordonnancement stochastiques en considrant la
dure des oprations ou dautres paramtres du problme comme
des variables alatoires.
74/75
Def. Problme
Approche PLNE
Dantzig-Wolfe
Lagrange
Hybride
Conclusion
Merci de votre attention.
75/75

Programmation Linéaire en Nombres Entiers Pour L'ordonnancement Modulo Sous Contraintes de Ressources.

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Programmation Linéaire en Nombres Entiers Pour L'ordonnancement Modulo Sous Contraintes de Ressources.

Загружено:

Авторское право:

Доступные форматы

Def.

Programmation linaire en nombres entiers pour

Proposer un ordonnancement des instructions pour terminer le

Dfinition du problme RCMSP

Programmation linaire en nombres entiers

Dfinition du problme RCMSP

Programmation linaire en nombres entiers

Un ensemble doprations gnriques : {Oi }1in rptes une

Problme : trouver un ordonnancement ralisable minimisant le temps

Ordonnancement modulo sous contraintes de ressources

Ordonnancement modulo : structure dordonnancement cyclique

Ordonnancement modulo sous contraintes de ressources

bis Bs , s {1, . . . , m}, t N

Contraintes de prcdence (ou de dpendance)

Contrainte de prcdence entre < i, q > et < j, q + ij >

Ordonnancement modulo sous contraintes de ressources

Ordonnancement modulo sous contraintes de ressources

Lallocation des ressources est conserve dune itration lautre en

Mthode classique dordonnancement modulo (Rau et al. 1981, 1996)

Recherche pour la plus petite priode telle que le RCMSP est

Etat de lart pour le RCMSP

Ordonnancement cyclique sur processeurs paralleles. Hanen et

Instances pour lexprimentation

Deux groupes dinstances :

Ordonnancement modulo sous contraintes de ressources

ALU MEM CTL ODD

Dfinition du problme RCMSP

Programmation linaire en nombres entiers

PLNE pour le RCMSP

PLNE pour le RCMSP

i est place dans lhorizon T .

PLNE pour le RCMSP

PLNE pour le RCMSP

Contrainte de dpendance structure : base sur rsultats de

c + 1, [0, 1], (i, j) E

Meilleure relaxation de programmation linaire.

PLNE pour le RCMSP

xi +k bis Bs , [0, 1], s [1, m)

PLNE pour le RCMSP

Contrainte de prcdence dsagrge : Christofides et al. (1987).

xjh 1, t [0, . . . , K 1], (i, j) E

Meilleure relaxation de la programmation linaire.

Comparaison des relaxations de programmation linaire

But : tudier la qualite des relaxations PLNE des formulations

Comparaison des relaxations de programmation linaire

Comparaison des relaxations de programmation linaire

i {1, . . . , n}, {0, . . . , 1}

Remplacement de variables et demonstration de lunimodularit

Calcul de bornes infrieures et rsolution exacte

Borne infrieure pour la priode :

Borne infrieure pour le makespan (Cmax) :

Solutions optimales : instances industrielles

Solutions optimales : instances modifies

Bornes infrieures : instances industrielles

CPU (s) (decomp+)

CPU (s) (direct+)

Bornes infrieures : instances modifies

CPU (s) (decomp+)

CPU (s) (direct+)

Dfinition du problme RCMSP

Programmation linaire en nombres entiers

Dcomposition de Dantzig-Wolfe pour le RCMSP

Amliorer les bornes obtenues par relaxation de PLNE pour la