Ordonnancement de projet sous contraintes de ressources à l'aide d'un algorithme génétique à croisement hybride de type OEP
Notice bibliographique
Résumé
Le problème de gestion de projet sous contraintes de ressources (Resource Constrained Project Scheduling Problem) consiste en l'ordonnancement de tâches, également appelées activités, à l'aide d'une ou plusieurs ressources renouvelables ou non, en quantité limitée. Le but visé par la résolution de ce problème est la détermination des dates d'exécution des activités en fonction de la disponibilité des ressources et de façon à satisfaire des objectifs fixés. Les activités sont liées entre elles par des contraintes de préséance qui doivent être respectées lors de l'ordonnancement. \n \nDepuis plus de 30 ans, de nombreuses études ont été consacrées au RCPSP qui est un problème NP-difficile au sens fort. L'aspect pratique de ce problème dans des contextes industriels divers a conduit à de nombreuses recherches et ainsi à des résolutions par des méthodes heuristiques et métaheuristiques. Les algorithmes génétiques (AG) figurent parmi les métaheuristiques qui perforaient le mieux pour la résolution de ce problème. L'optimisation par essaims particulaire (OEP), quant à elle, est une méthode émergente qui intéresse de plus en plus de chercheurs dans le domaine de l'optimisation discrète et qui donne d'assez bons résultats. \n \nCe mémoire propose une hybridation de ces.deux méthodes dans le but d'améliorer leurs performances individuelles sur des instances de taille moyenne. L'hybridation se fait au niveau du croisement en combinant deux méthodes de croisement, l'une étant le croisement classique à deux points largement répandu au sein de la littérature. La seconde méthode de croisement est nouvelle et se base sur un concept de distances entre deux solutions emprunté à un algorithme d'OEP de la littérature traitant du problème de minimisation du retard total pondéré sur une machine unique. Cet algorithme a d'abord été reproduit et adapté au RCPSP. La comparaison des performances obtenues avec celles des deux autres algorithmes d'OEP connus dans la littérature du RCPSP a été favorable à cette adaptation. Cela a donné lieu à la conception d'une méthode de croisement qui s'inspire des principes de l'OEP et du concept de distances pour générer de nouvelles solutions. Les performances observées lors de l'hybridation des deux méthodes de croisement ci-dessus énumérées montrent bien l'apport de cette technique innovatrice que constitue l'OEP discrète pour la résolution du RCPSP. \n \nCe travail de recherche représente surtout une première exploration du potentiel offert par la technique de l'OEP et sa combinaison avec deux autres champs de recherche en évolution continue : le RCPSP et les AG. L'association de ces trois domaines de recherche laisse entrevoir des possibilités intéressantes pouvant mener à la conception de nouveaux algorithmes plus performants pour la résolution du RCPSP. Ce mémoire constitue une contribution non seulement vers une meilleure connaissance de l'OEP mais aussi vers l'amélioration des outils d'optimisation en gestion de projet.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».