Ordonnancement de projet sous contraintes de ressources à l'aide d'un algorithme génétique à croisement hybride de type OEP
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".