PX Scheduling

Scheduling
Fernando Berzal, berzal@acm.org
Scheduling
Introduccin
Uso de recursos
Notacin
Soluciones exactas
Algoritmos greedy
Programacin dinmica
Branch & bound
Tcnicas heursticas
Algoritmos greedy
1
Tcnicas de bsqueda local
Scheduling
Definicin
Scheduling = Planificacin de acciones

que requieren el uso de recursos.
Tipos de recursos
Tiempo
Maquinaria
Personal
Material
Infraestructuras
Energa
Dinero 2
Scheduling
Solucin a un problema de planificacin:

Plan (conjunto parcialmente ordenado de acciones)
Acciones (operadores completamente instanciados)
i.e. especificando el uso de recursos.
Con recursos
Podemos modelar los recursos
como parmetros de las acciones
Demasiado ineficiente
(el planificador intenta todas las combinaciones)
3
Scheduling
Enfoque alternativo: planificar antes de asignar
1. Planificacin sin especificar el uso de recursos

(variables asociadas a los recursos no instanciadas):
Planificacin Razonamiento causal (qu hacer).
2. Asignacin de recursos a las acciones:

Scheduling Asignacin de recursos (y tiempos)
i.e. cmo cuando hacerlo
No resulta ptimo
4
Scheduling
Acciones y recursos
Recursos = Entidades necesarias para realizar acciones.
Variables de estado
(modificadas por las acciones en trminos absolutos)
p.ej. Mover recurso X de Lugar1 a Lugar2.
Variables de uso de recursos

(modificadas por las acciones en trminos relativos)
p.ej. Consumir X litros de gasolina hace que
el nivel del depsito baje de L a L-X
5
Scheduling
Acciones con restricciones temporales
Hora de comienzo ms temprana: startmin(a)
Hora de comienzo real: start(a)
Hora lmite de finalizacin: endmax(a)
Hora de finalizacin real: end(a)
Duracin: duration(a)
Tipos de acciones
1. Preemptive (no pueden interrumpirse)
duration(a) = end(a) - start(a)
2. Non-preemptive
(pueden interrumpirse, lo que permite a otras acciones 6
utilizar sus recursos mientras dure la interrupcin)
Scheduling
Acciones que utilizan recursos
Tipo de recurso requerido (r)
Cantidad requerida del recurso (q)
Tipos de recursos
Reutilizables (el recurso queda disponible para otras
acciones cuando se completa la accin).
p.ej. herramientas, mquinas, espacio de almacenamiento
Consumibles
(el recurso se gasta cuando se termina la accin).
p.ej. energa, tiempo de CPU, crdito 7
Scheduling
Recursos reutilizables
Disponibilidad de recursos
Qr Cantidad total del recurso r.
zr(t) Nivel del recurso r en el instante t.
Requisitos de uso de recursos:
require(a,r,q)
la accin a requiere q unidades del recurso r
zr
Qr q1
q2
a1: require(a1,r,q1)
8
a2: require(a2,r,q2)
Scheduling
Recursos consumibles
Disponibilidad de recursos
Qr Cantidad disponible del recurso r en t0.
zr(t) Nivel del recurso r en el instante t.
Produccin/consumo de recursos:
produce(a,r,q) / consume (a,r,q) /
zr la accin a produce/consume q unidades del recurso r
Qr q1
q3
q2
a1: consume(a1,r,q1)
a2: consume(a2,r,q2) 9
a3: produce(a3,r,q3)
Scheduling
Otras caractersticas de los recursos
Recursos discretos vs. recursos continuos
Recursos unarios (Qr=1) vs. recursos mltiples (Qr>1)
Uso exclusivo vs. uso compartido (simultneamente)
Recursos con estados

(las acciones pueden necesitar recursos en un estado
especfico, p.ej. congelador a una temperatura dada).
10
Scheduling
Uso combinado de recursos
Conjuncin (la accin requiere el uso de mltiples

recursos mientras se est realizando) .
Disyuncin (la accin requiere el uso de recursos

alternativos [y su coste/duracin puede variar en
funcin del recurso utilizado]).
Tipos/clases de recursos: s = {r1,,rm}

require(a,s,q)
equivale a una disyuncin sobre recursos idnticos.
11
Scheduling
Funciones de coste y criterios de optimizacin
Parmetros de la funcin de coste:

Cantidad requerida de cada tipo de recurso.
Tiempo durante el que se utiliza cada recurso.
Criterios de optimizacin:
Coste total [total schedule cost]
Tiempo de finalizacin de la ltima tarea [makespan]
Tiempo de finalizacin ponderado
Nmero de acciones realizadas tarde [lateness]
Mximo retraso de una accin [tardiness]
Uso de recursos
12
...
Scheduling
Machine scheduling
Mquinas
(recursos de capacidad unitaria,
no pueden realizar dos acciones a la vez).
Trabajos
(conjunto parcialmente ordenado de acciones,
cada una de las cuales requiere un tipo de recurso
durante un nmero determinado de unidades de tiempo).
PROBLEMA: Dadas m mquinas y n trabajos,

encontrar un plan [schedule] que asigne acciones a
mquinas y establezca sus tiempos de inicio. 13
Scheduling
Machine scheduling
PLANIFICACIN POR TRABAJOS
Mquinas: j1 m1 m2
m1 de tipo r1
m2 de tipo r2
j2 m1 m2
Trabajos:
j1: r1(1), r2(2) j1 m1 m2
j2: r1(3), r2(1)
j2 m1 m2
14
Scheduling
Machine scheduling
PLANIFICACIN POR MQUINAS
Mquinas: m1 a11 a21

m1 de tipo r1
m2 de tipo r2
m2 a12 a22
Trabajos:
j1: r1(1), r2(2) m1 a21 a11
j2: r1(3), r2(1)
m2 a22 a12
15
Notacin
||
Caractersticas del entorno (p.ej. mquinas).
Caractersticas de los trabajos (tareas).
Criterio de optimalidad (funcin objetivo).

16
Notacin
Caractersticas del entorno
||
1 Una sola mquina
P m mquinas idnticas en paralelo
J job shop (como en una cadena de montaje)

i.e. trabajos divididos en una serie de operaciones.
17
Notacin
Caractersticas de los trabajos
||
pmtn = preemption (trabajos divisibles/interrumpibles)
Ji Jk (relaciones de precedencia)
ri = release dates (momento en el que estn disponibles)
pi = processing requirements (tiempo de procesamiento)
di = deadlines (plazos lmite)
18
Notacin
Criterio de optimalidad
||
Dos tipos de funciones de coste:
Cuellos de botella max {fi}
Sumas fi
El objetivo consiste en minimizar la funcin de coste
19
Notacin
||
Fijndonos en el tiempo de finalizacin de cada tarea Ci
tenemos cuatro posibles objetivos:
Cmax ltima tarea [makespan] = max { Ci }

Ci Tiempo total [total flow time]
max wiCi Mximo ponderado
wiCi Total ponderado [weighted flow time]
20
Notacin
||
Otros posibles criterios que nos pueden interesar
Li = Ci -di Retraso [lateness]
Ei = max{0, di -Ci} Prontitud [earliness]
Ti = max{0,Ci -di } Tardanza [tardiness]
Di = |Ci -di| Desviacin
Si = (Ci -di)2 Desviacin cuadrtica
Ui = {0 si Cidi, 1 en otro caso} = Penalizacin 21
Scheduling
Resolucin de problemas de scheduling
ALGORITMOS DE BSQUEDA
Soluciones exactas
Algoritmos greedy
Programacin dinmica
Branch & bound (NP)
Soluciones aproximadas: Uso de heursticas

Algoritmos greedy
Algoritmos de bsqueda local
22
Algoritmos greedy
Tenemos que elegir de entre un conjunto de actividades:

Para cada actividad, conocemos su hora de comienzo
y su hora de finalizacin.
Podemos asistir a todas las actividades que queramos.
Sin embargo, hay actividades que se solapan en el
tiempo y no podemos estar en dos sitios a la vez.
Posibles objetivos
1. Asistir al mayor nmero de actividades posible.
2. Minimizar el tiempo que estamos ociosos.
23
Algoritmos greedy
Problema de seleccin de actividades
Dado un conjunto C de n actividades, con
si = tiempo de comienzo de la actividad i

fi = tiempo de finalizacin de la actividad i
encontrar el subconjunto S de actividades compatibles

de tamao mximo (esto es, actividades que no se
solapen en el tiempo).
24
Algoritmos greedy
Los algoritmos greedy
Se utilizan generalmente para resolver problemas de

optimizacin (obtener el mximo o el mnimo).
Toman decisiones en funcin de la informacin que

est disponible en cada momento.
Una vez tomada la decisin, sta no vuelve a

replantearse en el futuro.
Suelen ser rpidos y fciles de implementar.
No siempre garantizan alcanzar la solucin ptima.

25
Algoritmos greedy
NOTA IMPORTANTE SOBRE LOS ALGORITMOS GREEDY
El enfoque greedy no nos garantiza obtener

soluciones ptimas.
Por lo tanto, siempre habr que estudiar la

correccin del algoritmo para demostrar si las
soluciones obtenidas son ptimas o no.
26
Algoritmos greedy
Para poder resolver un problema usando el enfoque
greedy, tendremos que considerar 6 elementos:
1. Conjunto de candidatos (elementos seleccionables).
2. Solucin parcial (candidatos seleccionados).
3. Funcin de seleccin (determina el mejor candidato
del conjunto de candidatos seleccionables).
4. Funcin de factibilidad (determina si es posible
completar la solucin parcial para alcanzar una solucin
del problema).
5. Criterio que define lo que es una solucin (indica
si la solucin parcial obtenida resuelve el problema).
6. Funcin objetivo (valor de la solucin alcanzada). 27
Algoritmos greedy
Se parte de un conjunto vaco: S = .
De la lista de candidatos, se elige el mejor (de

acuerdo con la funcin de seleccin).
Comprobamos si se puede llegar a una solucin con el

candidato seleccionado (funcin de factibilidad).
Si no es as, lo eliminamos de la lista de candidatos
posibles y nunca ms lo consideraremos.
Si an no hemos llegado a una solucin,

seleccionamos otro candidato y repetimos el proceso
hasta llegar a una solucin [o quedarnos sin posibles
candidatos]. 28
Algoritmos greedy
Greedy (conjunto de candidatos C): solucin S
S =
while (S no sea una solucin y C ) {
x = seleccin(C)
C = C {x}
{x} es factible)
if (S
{x}
S = S
}
if (S es una solucin)
return S;
else
return No se encontr una solucin;
29
Algoritmos greedy
Seleccin de actividades
Elementos del algoritmo greedy
Conjunto de candidatos: C = {actividades ofertadas}.

Solucin parcial: S (inicialmente, S=).
Funcin de seleccin: menor duracin, menor
solapamiento, terminacin ms temprana
Funcin de factibilidad: x es factible si es compatible
(esto es, no se solapa) con las actividades de S.
Criterio que define lo que es una solucin: C=.
Funcin objetivo (lo que tratamos de optimizar):
El tamao de S. 30
Algoritmos greedy
Estrategias greedy alternativas
Orden en el que se pueden considerar las actividades:
Orden creciente de hora de comienzo.

Orden creciente de hora de finalizacin.
Orden creciente de duracin: fi - si
Orden creciente de conflictos con otras actividades
(con cuntas actividades se solapa).
31
Algoritmos greedy
Estrategias greedy alternativas
Contraejemplos (para descartar alternativas)
Orden creciente de hora de comienzo.
Orden creciente de duracin: fi - si
Orden creciente de conflictos con otras actividades
32
Algoritmos greedy
Algoritmo Greedy
SeleccinActividades (C: actividades): S
Ordenar C en orden creciente de tiempo de finalizacin.

Seleccionar la primera actividad de C
(esto es, extraerla del conjunto C y aadirla a S).
Repetir
Extraer la siguiente actividad del conjunto ordenado:
Si comienza despus de que la actividad previa en S
haya terminado, seleccionarla (aadirla a S).
hasta que C est vaco. 33
Algoritmos greedy
Algoritmo Greedy
SeleccinActividades (C: actividades): S
{
sort(C); // ordenar segn tiempo de finalizacin
S[0] = C[0]; // seleccionar la primera actividad
i = 1; prev = 0;
while (i<C.length) { // solucin(S)?
x = C[i]; // seleccionar x
if (x.inicio >= S[prev].fin) // factible(x)?
S[++prev] = x; // aadir x a S
i++;
}
34
}
Algoritmos greedy
B
H Tiempo
35
Algoritmos greedy
B
H Tiempo
36
Algoritmos greedy
B
H Tiempo
B C
37
Algoritmos greedy
B
H Tiempo
B A
38
Algoritmos greedy
B
H Tiempo
B E
39
Algoritmos greedy
B
H Tiempo
B D
E
40
Algoritmos greedy
B
H Tiempo
B E F
41
Algoritmos greedy
B
H Tiempo
B E G
42
Algoritmos greedy
B
H Tiempo
B E H
43
Algoritmos greedy
Demostracin de optimalidad
Por reduccin al absurdo:

Suponemos que el algoritmo
no calcula la solucin ptima
La actividad ir+1 termina antes que la jr+1
greedy i1 i1 ir ir+1
ptimo j1 j2 jr jr+1 ...
Por qu no reemplazar la
actividad jr+1 con ir+1? 44
Algoritmos greedy
Por reduccin al absurdo:

Suponemos que el algoritmo
no calcula la solucin ptima
La actividad ir+1 termina antes que la jr+1
greedy i1 i1 ir ir+1
ptimo j1 j2 jr ir+1 ...
Pero entonces, la solucin parcial del algoritmo

greedy sigue siendo factible y, adems, es ptima 45
Algoritmos greedy
Jon Kleinberg & Eva Tardos: Algorithm Design.

Seccin 4.1 Interval Scheduling: The greedy algorithm
stays ahead.
Thomas H. Cormen, Charles E. Leiserson, Ronald L.
Rivest & Clifford Stein: Introduction to Algorithms.
[2 edicin] Seccin 16.1 An activity-selection problem.
46
Algoritmos greedy
Planificacin de actividades
Problema 1|rj|Lmax
Problema NP en general.
Resoluble de forma eficiente en algunos casos
Algoritmo de Horn: O(n log n)

Si pj=1 (todos los trabajos son de la misma duracin),
basta con planificar las tareas utilizando un algoritmo
greedy que escoja en cada momento aqulla cuyo
plazo lmite est ms cerca.
W.A. Horn: Some simple scheduling algorithms

47
Naval Research Logistics Quarterly 21(1):177-185, 1974
Algoritmos greedy
Problema 1|rj|Lmax
Regla de Jackson: O(n log n)

Si rj=r (todos los trabajos estn disponibles a la vez),
basta con planificar las tareas utilizando un algoritmo
greedy que escoja las tareas en orden no decreciente
de plazo lmite [EDD = earliest due date].
48
Algoritmos greedy
Problema 1|rj|Lmax
Otro algoritmo O(n log n)

Si dj=d (todos los trabajos tienen el mismo plazo
lmite), basta con planificar las tareas utilizando un
algoritmo greedy que escoja las tareas en orden no
decreciente de disponibilidad ri.
49
Programacin Dinmica
Esta tcnica se aplica sobre problemas que presentan
las siguientes caractersticas:
Subproblemas optimales: La solucin ptima a un

problema puede ser definida en funcin de soluciones
ptimas a subproblemas de tamao menor.
Solapamiento entre subproblemas: Al plantear la

solucin recursiva del problema, un mismo problema
se resuelve ms de una vez.
50
Programacin Dinmica
Enfoque ascendente (bottom-up):
Primero se calculan las soluciones ptimas para
problemas de tamao pequeo.
Luego, utilizando dichas soluciones, encuentra
soluciones a problemas de mayor tamao.
Clave: Memorizacin
Almacenar las soluciones de los subproblemas en
alguna estructura de datos para reutilizarlas
posteriormente. De esa forma, se consigue un
algoritmo ms eficiente que la fuerza bruta, que
resuelve el mismo subproblema una y otra vez.
51
Programacin Dinmica
Memorizacin
Para evitar calcular lo mismo varias veces:
Cuando se calcula una solucin, sta se almacena.
Antes de realizar una llamada recursiva para un
subproblema Q, se comprueba si la solucin ha sido
obtenida previamente:
Si no ha sido obtenida, se hace la llamada recursiva
y, antes de devolver la solucin, sta se almacena.
Si ya ha sido previamente calculada, se recupera la
solucin directamente (no hace falta calcularla).
Usualmente, se utiliza una matriz que se rellena
conforme las soluciones a los subproblemas son
52
calculados (espacio vs. tiempo).
Programacin Dinmica
Uso de la programacin dinmica:
1. Caracterizar la estructura de una solucin ptima.
2. Definir de forma recursiva la solucin ptima.
3. Calcular la solucin ptima de forma ascendente.
4. Construir la solucin ptima a partir de los datos

almacenados al obtener soluciones parciales.
53
Programacin Dinmica
Estrategias de diseo
Algoritmos greedy:
Se construye la solucin incrementalmente, utilizando
un criterio de optimizacin local.
Programacin dinmica:
Se descompone el problema en subproblemas
solapados y se va construyendo la solucin con las
soluciones de esos subproblemas.
Divide y vencers:
Se descompone el problema en subproblemas
independientes y se combinan las soluciones de
esos subproblemas.
54
Programacin Dinmica
Principio de Optimalidad
Para poder emplear programacin dinmica, una
secuencia ptima debe cumplir la condicin de que
cada una de sus subsecuencias tambin sea ptima:
Dado un problema P con n elementos,

si la secuencia ptima es e1e2...ek...en entonces:
e1e2...ek es solucin al problema P considerando los
k primeros elementos.
ek+1...en es solucin al problema P considerando los
elementos desde k+1 hasta n.
55
Programacin Dinmica
En otras palabras:
La solucin ptima de cualquier instancia no trivial

de un problema es una combinacin de las soluciones
ptimas de sus subproblemas.
Se busca la solucin ptima a un problema

como un proceso de decisin multietpico.
Se toma una decisin en cada paso, pero sta

depende de las soluciones a los subproblemas
que lo componen.
56
Programacin Dinmica
Un poco de historia: Bellman, aos 50
Enfoque est inspirado en la teora de control:

Se obtiene la poltica ptima para un problema de
control con n etapas basndose en una poltica ptima
para un problema similar, pero de n-1 etapas.
Etimologa: Programacin dinmica = Planificacin temporal

En una poca hostil a la investigacin matemtica, Bellman
busc un nombre llamativo que evitase posibles confrontaciones:
it's impossible to use dynamic in a pejorative sense
something not even a Congressman could object to
57
Richard E. Bellman: Eye of the Hurricane: An Autobiography
Programacin Dinmica
Principio de Optimalidad de Bellman
[Bellman, R.E.: Dynamic Programming. Princeton University Press, 1957]
Una poltica ptima tiene la propiedad de que,

sean cuales sea el estado inicial y la decisin inicial,
las decisiones restantes deben constituir una solucn
ptima con respecto al estado resultante de la primera
decisin.
En Informtica, un problema que puede descomponerse

de esta forma se dice que presenta subestructuras
optimales (la base de los algoritmos greedy y de la
programacin dinmica). 58
Programacin Dinmica
El principio de optimalidad se verifica

si toda solucin ptima a un problema est compuesta
por soluciones ptimas de sus subproblemas.
Ojo!
El principio de optimalidad no nos dice que,
si tenemos las soluciones ptimas de los subproblemas,
entonces podamos combinarlas para obtener la solucin
ptima del problema original
59
Programacin Dinmica
Ejemplo: Cambio en monedas

La solucin ptima para 0.07 euros
es 0.05 + 0.02 euros.
es 0.05 + 0.01 euros.
no es (0.05 + 2) + (0.05 + 0.01) euros.
Sin embargo, s que existe alguna forma de
descomponer 0.13 euros de tal forma que las
soluciones ptimas a los subproblemas nos den
60
una solucin ptima (p.ej. 0.11 y 0.02 euros).
Programacin Dinmica
Definicin del problema
Para aplicar programacin dinmica:
1. Se comprueba que se cumple el principio de

optimalidad de Bellman, para lo que hay que
encontrar la estructura de la solucin.
2. Se define recursivamente la solucin ptima del

problema (en funcin de los valores de las soluciones
para subproblemas de menor tamao).
61
Programacin Dinmica
y clculo de la solucin ptima
3. Se calcula el valor de la solucin ptima utilizando un
enfoque ascendente:
Se determina el conjunto de subproblemas que
hay que resolver (el tamao de la tabla).
Se identifican los subproblemas con una
solucin trivial (casos base).
Se van calculando los valores de soluciones
ms complejas a partir de los valores
previamente calculados.
4. Se determina la solucin ptima

a partir de los datos almacenados en la tabla.
62
Programacin Dinmica
Seleccin de actividades con pesos
Enunciado del problema
Dado un conjunto C de n tareas o actividades, con
si = tiempo de comienzo de la actividad i

fi = tiempo de finalizacin de la actividad i
vi = valor (o peso) de la actividad i
encontrar el subconjunto S de actividades compatibles

de peso mximo (esto es, un conjunto de actividades
que no se solapen en el tiempo y que, adems, nos
proporcione un valor mximo). 63
Programacin Dinmica
Recordatorio
Existe un algoritmo greedy para este problema cuando

todas las actividades tienen el mismo valor (elegir las
actividades en orden creciente de hora de finalizacin).
Sin embargo, el algoritmo greedy no funciona en general:
valor = 999 b
valor = 1 a
64
Programacin Dinmica
Observacin
Si, como en el algoritmo greedy, ordenamos las
actividades por su hora de finalizacin
8 Tiempo 65
Programacin Dinmica
Observacin
podemos definir p(j) como el mayor ndice i<j
tal que la actividad i es compatible con la actividad j
p(1)=0
p(2)=0
p(3)=0
p(4)=1
p(5)=0
p(6)=2
p(7)=3
p(8)=5 Tiempo 66
Programacin Dinmica
Definicin recursiva de la solucin
0 si j=0
OPT ( j ) =
max{v( j ) + OPT ( p ( j )), OPT ( j 1)} si j>0
Caso 1: Se elige la actividad j.

No se pueden escoger actividades incompatibles >p(j).
La solucin incluir la solucin ptima para p(j).
Caso 2: No se elige la actividad j.

La solucin coincidir con la solucin ptima
para las primeras (j-1) actividades.
67
Programacin Dinmica
Implementacin iterativa del algoritmo
SeleccinActividadesConPesos (C: actividades): S

{
Ordenar C segn tiempo de finalizacin; // O(n log n)
Calcular p[1]..p[n]; // O(n log n)
mejor[0] = 0; // O(1)
for (i=1; i<=n, i++) // O(n)
mejor[i] = max ( valor[i]+mejor[p[i]],
mejor[i-1] );
return Solucin(mejor); // O(n)

}
68
Programacin Dinmica
Planificacin de actividades con pesos
Algunos problemas de secuenciacin de tareas se

pueden resolver utilizando programacin dinmica:
wiUi
Problema 1||
wiCi
Problema P||
69
Programacin Dinmica
Planificacin de proyectos
Diagrama de Gantt
Microsoft Project
70
Programacin Dinmica
Planificacin de proyectos
Camino crtico
Conjunto de tareas que deben completarse de acuerdo al
plan si queremos que el proyecto en su conjunto termine
en la fecha establecida.
Los mtodos de planificacin de proyectos proporcionan

herramientas para determinar el camino crtico:
CPM [Critical Path Method]
PERT [Program Evaluation and Review Technique]
71
Programacin Dinmica
Planificacin de proyectos: CPM
Dadas las duraciones de cada tarea
y las dependencias existentes entre ellas:
ES [Earliest Start]: Comienzo ms temprano

ES(t) = maxp t { ES(p) + duracin(p) }
siendo ES(t)=0 para las tareas sin predecesoras.
LS [Latest Start]: Comienzo ms tardo

LS(t) = mins t { LS(s) - duracin(t) }
siendo LS(t)=ES(t) para las tareas sin sucesoras.
James Kelley (Remington Rand) & Morgan Walker (DuPont)

Critical-Path Planning and Scheduling 72
Proceedings of the Eastern Joint Computer Conference, 1959.
Programacin Dinmica
Dadas las duraciones de cada tarea
y las dependencias existentes entre ellas:
Holgura [slack, a.k.a. float]

slack(t) = LS(t) - ES(t)
Actividades crticas:
Tareas sin holgura.
73
Programacin Dinmica
Camino crtico
Diagrama AON [activity on node]

74
Microsoft Project
Branch & Bound

B&B es una generalizacin de la tcnica de backtracking:
Se realiza un recorrido sistemtico del rbol de estados
de un problema, si bien ese recorrido no tiene por qu
ser en profundidad, como suceda en backtracking:
usaremos una estrategia de ramificacin.
Adems, utilizaremos tcnicas de poda para eliminar
todos aquellos nodos que no lleven a soluciones ptimas
(estimando, en cada nodo, cotas del beneficio que
podemos obtener a partir del mismo).
NOTA: Los algoritmos que utilizan B&B suelen ser

de orden exponencial (o peor) en su peor caso.
75
Branch & Bound
Diferencias con backtracking
En backtracking, tan pronto como se genera un nuevo
hijo, este hijo pasa a ser el nodo actual (en profundidad).
En B&B, se generan todos los hijos del nodo actual antes
de que cualquier otro nodo vivo pase a ser el nuevo nodo
en curso (no se realiza un recorrido en profundidad).
En consecuencia:
En backtracking, los nicos nodos vivos son los que
estn en el camino de la raz al nodo en curso.
En B&B, puede haber ms nodos vivos,
que se almacenan en una lista de nodos vivos.
76
Branch & Bound

Diferencias con backtracking
En backtracking, el test de comprobacin realizado por la
funciones de poda nos indica nicamente si un nodo
concreto nos puede llevar a una solucin o no.
En B&B, sin embargo, se acota el valor de la solucin a la
que nos puede conducir un nodo concreto, de forma que
esta acotacin nos permite
podar el rbol (si sabemos que no nos va a llevar a
una solucin mejor de la que ya tenemos) y
establecer el orden de ramificacin (de modo que
comenzaremos explorando las ramas ms
prometedores del rbol).
77
Branch & Bound
Estimacin de las cotas
a partir de una solucin parcial: 1 x1
Antes de explorar s, 2 3
x2
se acota el valor de
la mejor solucin M s s= (x1, x2)
alcanzable desde s. ................
CI(s) valor(M) CS(s) ?

(sin explorar)
M
M= (x1, x2, x3, x4,..., xn)
valor(M) = ? 78
Branch & Bound

Estimadores y cotas en Branch & Bound
Problema de Problema de
maximizacin minimizacin
Valor Beneficio Coste
Cota local Cota superior Cota inferior
CL ptimo local CL ptimo local
Interpretacin: No alcanzaremos
nada mejor al expandir el nodo.
Cota global Cota inferior Cota superior
CG ptimo global CG ptimo global
Interpretacin: La solucin ptima
nunca ser peor que esta cota.
79
Branch & Bound
Estrategia de poda en Branch & Bound
Adems de podar aquellos nodos que no cumplan las

restricciones del problema (soluciones parciales no
factibles), se podrn podar aquellos nodos cuya
cota local sea peor que la cota global.
Si s que lo mejor que se puede alcanzar al expandir un

nodo no puede mejorar una solucin que ya se ha
obtenido (o se va a obtener al explorar otra rama del
rbol), no es necesario expandir dicho nodo.
80
Branch & Bound

Estrategia de poda en Branch & Bound
Problema de Problema de
maximizacin minimizacin
Valor Beneficio Coste
Podar si CL < CG CL > CG
Cota local CL ptimo local CL ptimo local
Interpretacin: No alcanzaremos
nada mejor al expandir el nodo.
Cota global CG ptimo global CG ptimo global
Interpretacin: La solucin ptima
nunca ser peor que esta cota.
81
Tcnicas heursticas
Acciones asignables
Sea S un plan parcialmente definido para un problema P:
Una accin aji de un trabajo jl no est asignada si no

aparece en S.
Una accin aji de un trabajo jl es asignable si no tiene

predecesores no asignados en S.
82
Tcnicas heursticas
Acciones asignables
Mquinas Plan parcial S:

m1 de tipo r1
m1 a11 a21
m2 de tipo r2
m2 a12
Trabajos
j1: r1(1), r2(2)
j2: r1(3), r2(1) No asignadas
j2: r1(3), r2(1), r1(3) a22, a31, a32, a33
Asignables
83
a22, a31
Tcnicas heursticas
Una posible heurstica:
EAT [Earliest Assignable Time]
Tiempo asignable ms temprano
El EAT de una accin asignable aji a la mquina m

en el plan parcial S es el mximo de
el tiempo de finallizacin de la ltima accin
asignada a m en S, y
el tiempo de finalizacin del ltimo predecesor (aj0
aji-1) de aji en S.
OJO! La asignacin no tiene por qu ser ptima. 84
Tcnicas heursticas
EAT [Earliest Assignable Time]
Mquinas Plan parcial S:

m1 de tipo r1
m1 a11 a21
m2 de tipo r2
m2 a12
Trabajos
j1: r1(1), r2(2)
j2: r1(3), r2(1) EAT(a22, m2) = 4
j2: r1(3), r2(1), r1(3) EAT(a32, m1) = 4
85
Tcnicas heursticas
Planificador heurstico EAT [greedy]
heuristicScheduler(P,S)
assignables P.getAssignables(S)
if assignables.isEmpty() then return S
action assignables.selectOne()
machines P.getMachines(action)
machine machines.selectOne()
time S.getEarliestAssignableTime(action, machine)
S S + assign(action, machine, time)
return heuristicScheduler(P,S)
86
Tcnicas heursticas
Tcnicas de bsqueda local
Generar un plan inicial aleatorio.
Repetir
Generar vecinos del plan actual
p.ej. cambiar la mquina asignada a una accin
cambiar la posicin de una accin en el plan
Evaluar vecinos
(aplicando el criterio de optimizacin del problema).
87
Tcnicas heursticas
Planificador basado en tcnicas de bsqueda local
function LocalSearchScheduler(P)
best randomSchedule(P)
loop MAXLOOP times
S randomSchedule(P)
do
succs S.getBestNeighbours(P)
next succs.selectOne()
if S.evaluate() < next.evaluate() then
S next
while S = next
if S.evaluate() > best.evaluate() then
best S
88
return best
Bibliografa
Peter Brucker:
Scheduling Algorithms
Springer, 5th edition, 2007
ISBN 354069515X
Michael L. Pinedo:
Scheduling: Theory, Algorithms, and Systems
Springer, 4th edition, 2012
ISBN 1461419867
http://www.stern.nyu.edu/om/faculty/pinedo/schedtheory
89
Bibliografa
Stuart Russell & Peter Norvig:

Artificial Intelligence:
A Modern Approach
Prentice-Hall, 3rd edition, 2009
ISBN 0136042597
http://aima.cs.berkeley.edu/
Nils J. Nilsson:
The Quest for Artificial Intelligence
Cambridge University Press, 2009
ISBN 0521122937
http://ai.stanford.edu/~nilsson/QAI/qai.pdf
90
Bibliografa
Enlaces de inters
Complexity results (Universitt Osnabrck)

http://www.informatik.uni-osnabrueck.de/knust/class/
TORSCHE (Czech Technical University, Prague)

http://rtime.felk.cvut.cz/scheduling-toolbox/
MSC Automated Planning (University of Edinburgh)

http://www.inf.ed.ac.uk/teaching/courses/plan/
https://www.coursera.org/course/aiplan
CS541 Artificial Intelligence Planning (USC)

http://www.isi.edu/~blythe/cs541/
91

PX Scheduling

Загружено:

Сведения о документе

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

PX Scheduling

Загружено:

Авторское право:

Доступные форматы

Scheduling

Fernando Berzal, berzal@acm.org

Scheduling = Planificacin de acciones

Solucin a un problema de planificacin:

Enfoque alternativo: planificar antes de asignar

1. Planificacin sin especificar el uso de recursos

2. Asignacin de recursos a las acciones:

Recursos = Entidades necesarias para realizar acciones.

Variables de uso de recursos

Recursos discretos vs. recursos continuos

Recursos unarios (Qr=1) vs. recursos mltiples (Qr>1)

Uso exclusivo vs. uso compartido (simultneamente)

Recursos con estados

Conjuncin (la accin requiere el uso de mltiples

Disyuncin (la accin requiere el uso de recursos

Tipos/clases de recursos: s = {r1,,rm}

Parmetros de la funcin de coste:

PROBLEMA: Dadas m mquinas y n trabajos,

Mquinas: m1 a11 a21

Caractersticas del entorno (p.ej. mquinas).

Caractersticas de los trabajos (tareas).

Criterio de optimalidad (funcin objetivo).

P m mquinas idnticas en paralelo

J job shop (como en una cadena de montaje)

El objetivo consiste en minimizar la funcin de coste

Cmax ltima tarea [makespan] = max { Ci }

Soluciones aproximadas: Uso de heursticas

Tenemos que elegir de entre un conjunto de actividades:

Problema de seleccin de actividades

Dado un conjunto C de n actividades, con

si = tiempo de comienzo de la actividad i

encontrar el subconjunto S de actividades compatibles

Se utilizan generalmente para resolver problemas de

Toman decisiones en funcin de la informacin que

Una vez tomada la decisin, sta no vuelve a

Suelen ser rpidos y fciles de implementar.

No siempre garantizan alcanzar la solucin ptima.

NOTA IMPORTANTE SOBRE LOS ALGORITMOS GREEDY

El enfoque greedy no nos garantiza obtener

Por lo tanto, siempre habr que estudiar la

De la lista de candidatos, se elige el mejor (de

Comprobamos si se puede llegar a una solucin con el

Si an no hemos llegado a una solucin,

Conjunto de candidatos: C = {actividades ofertadas}.

Orden creciente de hora de comienzo.

Orden creciente de hora de comienzo.

Orden creciente de duracin: fi - si

Orden creciente de conflictos con otras actividades

Ordenar C en orden creciente de tiempo de finalizacin.

Por reduccin al absurdo:

ptimo j1 j2 jr jr+1 ...

Por reduccin al absurdo:

ptimo j1 j2 jr ir+1 ...

Pero entonces, la solucin parcial del algoritmo

Jon Kleinberg & Eva Tardos: Algorithm Design.

Algoritmo de Horn: O(n log n)

W.A. Horn: Some simple scheduling algorithms

Regla de Jackson: O(n log n)

Otro algoritmo O(n log n)

Subproblemas optimales: La solucin ptima a un

Solapamiento entre subproblemas: Al plantear la

1. Caracterizar la estructura de una solucin ptima.

2. Definir de forma recursiva la solucin ptima.

3. Calcular la solucin ptima de forma ascendente.