Tel 00009238

Thse
Prpare au Laboratoire dAnalyse et dArchitecture des Systmes du CNRS
en vue de lobtention du grade de Docteure de lInstitut National des Sciences Appliques de Toulouse
Spcialit : par
Systmes Industriels
tel-00009238, version 1 - 11 May 2005
Catherine Mancel
Ingnieure ISIMA
MODLISATION ET RSOLUTION DE PROBLMES DOPTIMISATION COMBINATOIRE ISSUS DAPPLICATIONS SPATIALES
Soutenue le 25 juin 2004 devant le jury :

Prsidente Rapporteurs
C. MERC P. MAHEY P. MICHELON N. BATAILLE P. LOPEZ R. VALETTE J.-C. HOCHON
Examinateur Directeurs de thse
Invit
tel-00009238, version 1 - 11 May 2005
Avant-propos
Le travail prsent dans ce mmoire a t ralis au Laboratoire dAutomatique et dAnalyse des Systmes (LAAS) du CNRS, dans le cadre dune Convention Industrielle de Formation par la Recherche. Je remercie Messieurs Jean-Claude Laprie et Malik Ghallab, directeurs succesifs du laboratoire pendant mon sjour au LAAS, de mavoir accueillie dans leur structure. Je remercie galement Monsieur Christophe Lansade, alors Directeur Rgional de la socit IXI, devenue par la suite GFI-Consulting, de mavoir donn la possibilit dengager cette thse CIFRE. Pour lhonneur quil me fait davoir accept dtre rapporteur de ma thse et avant cela, pour mavoir enseign mes premiers cours de Recherche Oprationnelle lInstitut Suprieur dInformatique, de Modlisation et leurs Applications (ISIMA), je remercie Monsieur Philippe Mahey, Professeur lUniversit de Clermont-Ferrand. Je suis trs reconnaissante Monsieur Philippe Michelon, Professeur lUniversit dAvignon et des Pays de Vaucluse, qui ma galement fait lhonneur dtudier mes travaux et den tre rapporteur. Jexprime ma gratitude Madame Colette Merc, Professeure lInstitut National des Sciences Appliques (INSA) de Toulouse, pour avoir prsid le jury de cette thse et pour sa lecture attentive de mon manuscrit. Je remercie trs sincrement Monsieur Nicolas Bataille, Ingnieur au Centre National des tudes Spatiales (CNES), pour sa participation au jury, mais aussi pour lintrt quil a port mes travaux depuis mon DEA et tout au long de ma thse, et pour laide quil ma apporte dans ltude de direntes problmatiques lies au domaine spatial. Je tiens remercier Monsieur Jean-Claude Hochon, mon responsable industriel GFIConsulting pendant ces annes de thse, qui, tout en me laissant une grande libert de travail, sest toujours montr disponible pour rpondre mes questions. Je veux exprimer ici mon extrme reconnaissance envers mes deux directeurs de thse, Monsieur Pierre Lopez, Charg de Recherche au LAAS et Monsieur Robert Valette, Directeur de Recherche au LAAS. Leur comptence, les conseils et critiques dont ils mont fait bncier, ainsi que leur soutien constant et la disponibilit exemplaire dont ils ont fait preuve mon gard, pendant toute la dure de ma thse, mont permis de mener ces travaux leur terme. Je remercie Robert pour sa gentillesse au quotidien et pour stre toujours attach suivre au plus prs mon travail, qui pourtant sest trs vite loign de ses domaines de prdilection. Je remercie Pierre de mavoir donn got ses domaines de recherche et son mtier lors de mon premier stage au LAAS, puis davoir continu mencadrer dans ce climat de travail apprciable, la fois rigoureux et dtendu. Notre collaboration a t, pour moi, trs formatrice et je souhaite quelle puisse se poursuivre encore longtemps. Je noublie pas mes collgues et amis du LAAS, qui contribuent par leur bonne humeur, leur
tel-00009238, version 1 - 11 May 2005
sympathie, par leur comptence galement, faire de ce lieu un cadre privilgi de travail et dchanges. Jadresse une pense particulire aux doctorantes (et docteure) dex -OCSD, avec en tte, Emmanuelle et Stphanie, dont le soutien moral et logistique, tout particulirement dans les derniers moments, ma t trs prcieux. Je remercie enn, pour laccueil chaleureux quils mont rserv, les membres du Laboratoire dInformatique dAvignon (LIA), o jai pass mes derniers mois de thse en tant quATER. Je remercie en particulier mes collgues chercheurs oprationnels et optimiseurs, notamment Dominique Feillet qui a consacr du temps la lecture de certaines parties de mon manuscrit, ainsi que Christian Artigues et Cristian Oliva, dont la prsence amicale dans les priodes diciles de rdaction ma beaucoup aide.
tel-00009238, version 1 - 11 May 2005
Table des matires

Introduction 9
Applications spatiales et optimisation combinatoire
13
15
tel-00009238, version 1 - 11 May 2005
1 Problmes doptimisation combinatoire dans les applications spatiales 1.1 1.2
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 Problmes classiques doptimisation combinatoire . . . . . . . . . . . . . . . . . 15 1.2.1 1.2.2 1.2.3 1.2.4 Problme du sac--dos . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 Problme daectation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 Problme du voyageur de commerce . . . . . . . . . . . . . . . . . . . . 18 Problme dordonnancement . . . . . . . . . . . . . . . . . . . . . . . . . 19 Spcicit des problmes poss . . . . . . . . . . . . . . . . . . . . . . . 21 Modlisation et rsolution : revue des mthodes utilises . . . . . . . . . 23 1.3.2.1 1.3.2.2 1.3.2.3 1.3.2.4 Heuristiques et algorithmes ddis . . . . . . . . . . . . . . . . 23 Approches par contraintes, mthodes dIntelligence Articielle 25 Mthodes exactes . . . . . . . . . . . . . . . . . . . . . . . . . 26 Approches par simulation : utilisation des Rseaux de Petri . . 27
1.3
Problmes doptimisation combinatoire issus dapplications spatiales . . . . . . 21 1.3.1 1.3.2
1.4
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 31
2 Techniques de rsolution retenues 2.1 2.2
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 Propagation de contraintes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 2.2.1 Propagation de contraintes temporelles . . . . . . . . . . . . . . . . . . . 32 2.2.1.1 2.2.2 Problmes temporels simples . . . . . . . . . . . . . . . . . . . 32 2.2.1.2 Problmes temporels gnraux . . . . . . . . . . . . . . . . . . 33 Propagation de contraintes de partage de ressources . . . . . . . . . . . 33 2.2.2.1 2.2.2.2 Oprations locales, oprations globales . . . . . . . . . . . . . . 34 Raisonnement nergtique . . . . . . . . . . . . . . . . . . . . . 34
2.3
Programmation linaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.3.1 2.3.2
Dnitions 2.3.2.1 2.3.2.2
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
Rsolution des programmes linaires . . . . . . . . . . . . . . . . . . . . 39 Principaux algorithmes . . . . . . . . . . . . . . . . . . . . . . 39 Mthode du simplexe . . . . . . . . . . . . . . . . . . . . . . . 40
2.3.3 2.4 2.4.1 2.4.2 2.4.3 2.4.4
Programmation linaire en nombres entiers . . . . . . . . . . . . . . . . 41 Principe de rsolution par gnration de colonnes . . . . . . . . . . . . . 44 Convergence de la mthode . . . . . . . . . . . . . . . . . . . . . . . . . 46 Dcomposition de Dantzig-Wolfe (1960) . . . . . . . . . . . . . . . . . . 47 Rsolution de PLNE par gnration de colonnes . . . . . . . . . . . . . . 50 2.4.4.1 2.4.4.2 2.4.4.3 Dcomposition des PLNE . . . . . . . . . . . . . . . . . . . . . 50 Algorithme gnrateur . . . . . . . . . . . . . . . . . . . . . . . 50 Recherche de solutions entires : branch and price . . . . . . . 51
Gnration de colonnes pour les problmes de grande dimension . . . . . . . . . 44
tel-00009238, version 1 - 11 May 2005
2.5
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
II tude de trois projets spatiaux : analyse et modlisation des problmes de planication 55

3 Skybridge : une constellation basse altitude pour la communication 3.1 3.1.1 3.1.2 3.2 3.3 3.4 3.5 3.6 57
Prsentation du projet Skybridge . . . . . . . . . . . . . . . . . . . . . . . . . . 57 Constellations basse altitude de tlcommunication . . . . . . . . . . . . 57 Architecture de la constellation Skybridge . . . . . . . . . . . . . . . . . 58 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
Problmatique
Analyse du problme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 Modlisation du problme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 Travaux connexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65 Bilan de ltude sur Skybridge . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65 67
4 Netlander : projet dexploration de la plante MARS 4.1 4.2 4.3 Problmatique 4.3.1 4.3.2 4.3.3
Prsentation de la mission . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68 Analyse du problme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71 Revue de la littrature . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71 Proposition dune dcomposition . . . . . . . . . . . . . . . . . . . . . . 72 Sous-problme de planication des communications orbiteur/sondes . . . 74 4.3.3.1 4.3.3.2 4.3.4 4.3.4.1 Analyse du problme . . . . . . . . . . . . . . . . . . . . . . . 74 Modlisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75 Analyse du problme . . . . . . . . . . . . . . . . . . . . . . . 77
Sous-problme de planication des expriences . . . . . . . . . . . . . . 77
4.3.4.2 4.4
Modlisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80 81
5 Pliades : Satellites dobservation de la Terre 5.1 5.2 5.3 Problmatique 5.3.1 5.3.2 5.4 5.5
Prsentation du projet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83 Analyse du problme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86 Revue de la littrature . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86 Modlisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
tude de la complexit du problme Pliades . . . . . . . . . . . . . . . . . . . 91 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
tel-00009238, version 1 - 11 May 2005
III Rsolution de problmes de planication dans les projets Netlander et Pliades 93

6 Planication de communications et dexpriences dans le projet Netlander 95 6.1 6.2 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95 Planication des communications orbiteur/sondes . . . . . . . . . . . . . . . . . 95 6.2.1 6.2.2 6.2.3 6.2.4 6.3 6.3.1 Description des orbites testes et des outils utiliss . . . . . . . . . . . . 96 Rsultats du modle initial . . . . . . . . . . . . . . . . . . . . . . . . . 97 Gnralisation du problme . . . . . . . . . . . . . . . . . . . . . . . . . 99 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101 Courbe de charge de la mmoire de masse dune sonde . . . . . . . . . . 102 6.3.1.1 6.3.1.2 6.3.1.3 6.3.2 6.3.2.1 6.3.2.2 6.3.2.3 6.3.3 6.3.4 La mmoire de masse dune sonde . . . . . . . . . . . . . . . . 102 laboration de la courbe de charge de la mmoire de masse . . 103 Analyse des courbes, rgles de dduction . . . . . . . . . . . . 108
Planication des expriences . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
Courbe de consommation de lnergie lectrique dune sonde . . . . . . . 109 Lnergie lectrique dune sonde . . . . . . . . . . . . . . . . . 109 laboration de la courbe dutilisation de lnergie lectrique . . 109 Analyse des courbes, rgles de dduction . . . . . . . . . . . . 115
Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122 129
7 Planication de prises de vues dans le projet Pliades 7.1 7.2 7.3 7.4
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129 Positionnement bibliographique . . . . . . . . . . . . . . . . . . . . . . . . . . . 129 Dcomposition du problme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131 Description du problme de gnration des pseudo-squences de prises de vue . 133
7.5
Algorithme de gnration de colonnes pour le problme Pliades . . . . . . . . . 135 7.5.1 Gnration des pseudo-squences de prises de vue . . . . . . . . . . . . . 135 7.5.1.1 Chemins lmentaires, algorithme PLPSE . . . . . . . . . . . . 135 7.5.1.2 Chemins avec cycles autoriss, algorithme PLPSC . . . . . . . 140 Rsolution de la relaxation linaire de P M . . . . . . . . . . . . . . . . 141 7.5.2.1 7.5.2.2 Fonction Construction_Graphe(SP ) . . . . . . . . . . . . . . 142 Construction de 0 . . . . . . . . . . . . . . . . . . . . . . . . 143
7.5.2
7.6
Exprimentations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144 7.6.1 Modle linaire initial . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144 7.6.1.1 7.6.1.2 7.6.2 7.6.3 Calcul dune valeur de Nsup . . . . . . . . . . . . . . . . . . . . 144 Bornes suprieures obtenues par programmation linaire . . . . 145
Gnration de squences solutions de prises de vue . . . . . . . . . . . . 146 Procdure de gnration de colonnes . . . . . . . . . . . . . . . . . . . . 147 7.6.3.1 Prtraitement des donnes : rduction du graphe G . . . . . . . 147
tel-00009238, version 1 - 11 May 2005
7.7
7.6.3.2 Procdure GC(0 ) . . . . . . . . . . . . . . . . . . . . . . . . . 148 Conclusions et perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149 151 154
Conclusion Bibliographie
Introduction
Initialises avec le lancement du satellite Spoutnik en 1957, les missions spatiales furent dabord dveloppes dans un but dexploration de lUnivers et pour le rayonnement scientique et militaire des principales puissances mondiales de laprs-guerre. Ltude de la Terre et de lEspace fait aujourdhui encore lobjet de nombreuses missions scientiques par lenvoi de satellites, sondes ou vols habits. Paralllement cela, les progrs technologiques rapides et lapparition de besoins nouveaux dans les domaines des tlcommunications et de lobservation de la Terre ont conduit, essentiellement partir des annes 80, au dveloppement dun autre type de missions dont le but principal est de proposer des services (communication de dirents types dinformations sur toute la plante, localisation pour la navigation, surveillance de la Terre, cartographie, etc.). Dans tous les cas, ces missions spatiales, vocation scientique, militaire ou commerciale, mettent en jeu des systmes dune grande complexit technologique et ncessitent toujours dimportants investissements en termes de moyens, dtudes scientiques et de temps de travail. Ce sont ainsi des projets de grande envergure, qui posent des problmes doptimisation des dcisions dans de nombreux domaines (pour la dnition du systme, la mise et le maintien poste, la planication des oprations de la mission). En particulier, des problmes combinatoires complexes relatifs la gestion des ressources du systme telles que lnergie, la mmoire, les antennes de communication, divers instruments de mesure mergent lors des phases de planication dune mission spatiale, avec un niveau croissant dexigence sur la abilit et loptimisation des rsultats. Ces problmes prsentent des caractristiques communes en termes de problmatiques et de contraintes, lies en particulier une forte limitation des ressources disponibles et du temps et la dynamique des systmes satellitaires. De plus en plus, les approches de rsolution de ces problmes font appel aux mthodes et techniques issues des domaines de la Recherche Oprationnelle et de lIntelligence Articielle, avec, en gnral, le dveloppement dheuristiques pour fournir des solutions. Dans cette thse, nous nous intressons la modlisation et la rsolution de ces problmes doptimisation combinatoire issus de la planication de missions spatiales. Nous tudions les apports de mthodes exactes issues de la Recherche Oprationnelle en particulier la Programmation Linaire et de techniques de rduction des espaces de recherche par Propagation de Contraintes par exemple , pour la rsolution de ces problmes. Les travaux prsents dans ce manuscrit ont t raliss dans le cadre dune Convention Industrielle de Formation par la Recherche entre la socit GFI-Consulting et le groupe MO-
tel-00009238, version 1 - 11 May 2005
10 GISA 1 du LAAS-CNRS 2 et en collaboration avec le CNES 3 .
Introduction
Cette collaboration a dbut en juin 2000, au cours du stage de DEA, qui portait sur le projet Skybridge (constellation de satellites basse altitude pour la communication) men par Alcatel Space Industries et auquel participait le CNES. Ces premiers travaux ont permis principalement dtablir une comparaison de diverses techniques doptimisation envisageables pour un problme dallocation de liens de communication et ont motiv la poursuite de la collaboration dans la voie de recherche doutils ecaces pour la rsolution de dirents problmes de gestion des ressources dans les sytmes spatiaux. Suite au gel du projet Skybridge n 2000 et labandon de plusieurs autres constellations satellitaires de communication cette mme poque, notre travail sest port sur des problmes issus de deux autres projets dvelopps au CNES : Netlander, qui a pour but lexploration de Mars et Pliades, pour lobservation de la Terre par satellites. Le projet Netlander pose un problme de planication dexpriences sur un ensemble de sondes poses la surface de Mars et de planication des communications entre les sondes et un orbiteur martien. Le projet Pliades pose un problme de planication des prises de vue que doit raliser un satellite "agile" dobservation de la Terre. Notons que ce dernier problme a galement t propos comme sujet du challenge ROADEF03 4 . Le manuscrit est divis en trois parties. La partie I pose le cadre de travail en proposant un tour dhorizon des problmes doptimisation combinatoire qui mergent dans les missions spatiales et en dcrivant les principaux concepts et mthodes utiliss dans la suite des travaux : la Programmation Linaire et les techniques de Propagation de Contraintes. Cette partie fait lobjet de deux chapitres. Le chapitre 1 introduit dabord la problmatique de loptimisation combinatoire en prsentant, du point de vue de leur modlisation et de leur rsolution, quatre problmes classiquement tudis en Recherche Oprationelle : un problme de sac--dos, un problme daectation, un problme de voyageur de commerce et un problme dordonnancement. Dans ce chapitre, nous caractrisons ensuite les problmes doptimisation combinatoire spciques aux applications spatiales, en nous appuyant sur les points communs qui existent dans les problmatiques et les contraintes de ces problmes. Nous dressons un bref tat de lart des approches utilises pour rsoudre ces problmes. Les mthodes dveloppes puisent essentiellement dans les concepts de la Recherche Oprationnelle et de lIntelligence Articielle. Si en pratique les heuristiques sont le plus souvent utilises pour la recherche de solutions, une approche par des mthodes exactes, en particulier la Programmation Linaire, prsente plusieurs intrts, en dehors dune rsolution optimale de certains problmes. Notons que nous compltons cet tat de lart au cours de la partie suivante, lorsque nous revenons plus en dtail sur certains problmes. Le chapitre 2 dcrit les concepts de base de la Propagation de Contraintes, ainsi que les principes de la Programmation Linaire, de la Programmation Linaire en Nombres Entiers et de la Gnration de Colonnes. Ce sont les mthodes que nous avons privilgies par la suite pour ltude des dirents problmes doptimisation soumis par le CNES. Les techniques de Propagation de Contraintes permettent de rduire lespace de recherche des solutions dun problme. Couples lutilisation dune mthode exacte comme la Programmation Linaire ou ses extensions aux problmes en variables entires (PLNE) ou aux problmes de grande dimension (GC), elle peuvent permettre de renforcer lecacit de
1. Modlisation, Optimisation et Gestion Intgre de Systmes dActivits 2. Laboratoire dAnalyse et dArchitecture des Systmes Centre National de la Recherche Scientique 3. Centre National dtudes Spatiales 4. ROADEF : Socit Franaise de Recherche Oprationnelle et dAide la Dcision
tel-00009238, version 1 - 11 May 2005
la rsolution. La partie II prsente une analyse des problmatiques issues des trois projets spatiaux que nous avons tudis et propose pour chacune un modle mathmatique. Elle est compose des chapitres 3 5. Le chapitre 3 est consacr ltude dun problme dallocation des crneaux de communication dans la constellation Skybridge. La particularit de ce problme est essentiellement due la contrainte lie aux "handovers" qui consistent transfrer la prise en charge dune communication dun satellite un autre, sans interrompre la communication. En eectuant des hypothses simplicatrices sur la demande de service, nous proposons un modle linaire en variables mixtes pour ce problme. Nous terminons ce chapitre en prsentant quelques rsultats de validation du modle. Du fait de labandon du projet Skybridge, ltude de ce problme na pas t poursuivie et nous ny revenons plus dans la suite du manuscrit. Dans le chapitre 4, nous prsentons le projet dexploration martienne, Netlander. Le systme considr est essentiellement compos de quatres sondes poses la surface de Mars et dun orbiteur martien qui relaie les communications avec la Terre. Dans ce projet, un problme d"optimisation des boucles de programmation" nous a t soumis par le CNES. Lanalyse de cette problmatique nous conduit dnir un problme mixte de planication de communications entre les sondes martiennes et lorbiteur, et de planication des expriences des sondes. Nous proposons une dcomposition en deux sous-problmes. Nous modlisons le sousproblme de planication des communications orbiteur/sondes par un programme linaire en nombres entiers. Le sous-problme de planication des expriences des sondes est mal dni et se pose plutt comme un problme daide la dcision. Le chapitre 5 concerne le projet Pliades. Il sagit du programme dobservation de la Terre du CNES destin remplacer les satellites SPOT actuellement en place. Du fait des innovations technologiques apportes au satellite Pliades par rapport ses prdcesseurs et qui en font un satellite "agile", il se pose un nouveau problme de planication des prises de vue, complexe et trs fortement combinatoire. En posant une hypothse simplicatrice sur la dnition du critre doptimisation, nous proposons un modle linaire en variables mixtes de ce problme. Enn, la partie III qui regroupe les sixime et septime chapitres, expose les mthodes dveloppes pour la rsolution des problmes issus des projets Netlander et Pliades. Dans le chapitre 6, nous rsolvons le problme de planication des communications orbiteur/sondes par PLNE, sur des instances dorbites fournies par le CNES comme orbites candidates pour le projet Netlander. Nous proposons ensuite une approche daide la planication des expriences des sondes, en calculant des courbes dvaluation de la charge des principales ressources en jeu. Ces valuations se basent sur des raisonnements nergtiques (techniques de Propagation de Contraintes). Le chapitre 7 dveloppe une mthode de Gnration de Colonnes pour le calcul de bornes du problme de planication des prises de vue dun satellite Pliades. Cette approche se base sur la dcomposition du modle linaire du problme, en un problme (esclave) de recherche de "pseudo-squences" de prises de vue, dune part et, dautre part, en un programme linaire (problme matre), qui contient certaines contraintes particulires du problme. Nous dcrivons des algorithmes pour la recherche de pseudo-squences, en incluant des techniques de ltrage des donnes et nous dcrivons le processus de rsolution par Gnration de Colonnes du programme linaire relch. Nous terminons par la validation de cette approche et par des perspectives damlioration de la mthode et de poursuite des travaux.
tel-00009238, version 1 - 11 May 2005
tel-00009238, version 1 - 11 May 2005
Premire partie
tel-00009238, version 1 - 11 May 2005
Applications spatiales et optimisation combinatoire
tel-00009238, version 1 - 11 May 2005
Chapitre 1
Problmes doptimisation combinatoire dans les applications spatiales

tel-00009238, version 1 - 11 May 2005
1.1
Introduction
Les systmes spatiaux, de leur conception leur maintenance, impliquent toujours des investissements lourds en termes de moyens, de comptences scientiques et de temps de travail. Les missions spatiales utilisant ces systmes doivent satisfaire des critres de performance et de qualit de service de plus en plus levs. De la gestion de ces systmes spatiaux dcoulent des problmes doptimisation de direntes natures. Dune part, on a des problmes qui sont fortement lis une tude complexe de la mcanique spatiale et des technologies employes, o les domaines de variables sont principalement continus (par exemple, recherche dune gomtrie optimale dun systme spatial, tude du maintien poste dune constellation moindre cot [Brochet 99]). Dautre part, on a des problmes qui concernent plus prcisment la planication des missions dun point de vue de la gestion des ressources et qui font principalement intervenir des variables domaines discrets. Cest ce deuxime type de problmes, fortement combinatoires, auquel nous nous intressons dans ce travail. Aprs une prsentation de problmes classiques doptimisation combinatoire, ce premier chapitre passe en revue les mthodes de modlisation et de rsolution (issues le plus souvent des communauts de la Recherche Oprationnelle et de lIntelligence Articielle) proposes pour traiter les problmes doptimisation combinatoire mergeant dans le cadre de la planication de missions spatiales.
1.2
Problmes classiques doptimisation combinatoire
Un problme doptimisation consiste chercher une instanciation dun ensemble de variables soumises des contraintes, de faon maximiser ou minimiser un critre. Lorsque les domaines de valeurs des variables sont discrets, on parle alors de problmes doptimisation combinatoire.
16
Nous prsentons rapidement ici quatre problmes classiques doptimisation combinatoire : le problme du sac--dos, le problme daectation, le problme du voyageur de commerce et le problme dordonnancement.
1.2.1
Problme du sac--dos
Le "problme du sac--dos" est un problme de slection qui consiste maximiser un critre de qualit sous une contrainte linaire de capacit de ressource. Il doit son nom lanalogie qui peut tre faite avec le problme qui se pose au randonneur au moment de remplir son sac-dos : il lui faut choisir les objets emporter de faon avoir un sac le plus "utile" possible, tout en respectant son volume. Plus formellement, on peut le dcrire de la faon suivante. Soit un ensemble de n lments et une ressource disponible en quantit limite, b. Pour j = 1 n, on note pj le prot associ la slection de llment j et on note aj la quantit de ressource que ncessite llment j, sil est slectionn. Les coecients pj et aj prennent des valeurs positives pour tout j = 1 n. Le problme du sac--dos consiste choisir un sous-ensemble des n lments qui maximise le prot total obtenu, en respectant la quantit de ressource disponible [Nemhauser & Wolsey 88]. On associe chaque lment j une variable de slection, xj , binaire, gale 1 si j est slectionn, gale 0 sinon. Le prot total obtenu peut alors scrire comme la somme : n pj .xj j=1 et la quantit totale de ressource utilise comme la somme : n aj .xj . Le problme du sacj=1 -dos se modlise donc sous la forme : M ax s.c.
n j=1 pj .xj n j=1 aj .xj
tel-00009238, version 1 - 11 May 2005
b j = 1..n
xj {0,1}
La contrainte de ressource est appele "contrainte de sac--dos" ; on la retrouve dans des problmes doptimisation, issus de nombreux domaines dapplication, qui mettent en jeu des ressources capacit limite. Dans le cas o lon a plusieurs contraintes de ce type (par exemple, le randonneur peut considrer non seulement un volume maximal, mais galement un poids maximal, que son sac peut supporter), on parle de problme de sac--dos "multidimensionnel". Le problme du sac--dos a fait lobjet de dirents travaux proposant des mthodes exactes de rsolution. Un tat de lart dtaill de ces approches est prsent dans [Martello et al. 00]. Les algorithmes proposs relvent de trois principaux types de mthodes. Premirement, des algorithmes de type sparation et valuation 1 ont t proposs dans les annes 70, permettant de traiter ecacement des instances de petite taille. Ces performances ont par la suite t amliores par ladjonction de contraintes supplmentaires pour renforcer les bornes dans larbre de recherche. Deuximement, des algorithmes se basant sur lidentication dune variable critique et dun sous-ensemble associ de variables, sur lequel on applique une recherche arborescente tronque, ont permis, partir des annes 80, daugmenter la taille des instances pouvant tre rsolues (jusqu n = 100000). Troisimement, des algorithmes ecaces de programmation dynamique ont t proposs. En particulier, dans [Martello et al. 99],
1. Nous renvoyons la lecture du paragraphe 2.3.3, chapitre 2, pour une prsentation de la rsolution de problmes par sparation et valuation.
1.2 Problmes classiques doptimisation combinatoire
17
la programmation dynamique est combine avec lidentication dune variable critique et lutilisation de techniques de renforcement des bornes. Concernant le problme de sac--dos multidimensionnel, nous renvoyons la lecture de [Oliva et al. 01] qui dtaille les direntes approches existantes.
1.2.2
Problme daectation
Le "problme daectation" consiste tablir des liens entre les lments de deux ensembles distincts, de faon minimiser un cot et en respectant des contraintes dunicit de lien pour chaque lment. On considre m tches et n agents, avec n m. Pour tout couple (i,j) ( i = 1 m, j = 1 n), laectation de la tche i j entrane un cot de ralisation not ci,j (ci,j 0). Chaque tche doit tre ralise exactement une fois et chaque agent peut raliser au plus une tche. Le problme consiste aecter les tches aux agents, de faon minimiser le cot total de ralisation et en respectant les contraintes de ralisation des tches et de disponibilit des agents [Nemhauser & Wolsey 88]. tout couple tche/agent (i,j), on associe une variable daectation, xi,j , binaire, qui prend la valeur 1 si la tche i est aecte lagent j et 0 sinon. Le cot total de ralisation n des tches sexprime alors par la somme : m i=1 j=1 ci,j .xi,j . Le nombre dagents ralisant la n tche i est donn par : j=1 xi,j , pour tout i = 1 m et le nombre de tches ralises par lagent j est donn par : m xi,j , pour tout j = 1 n. On peut donc modliser le problme i=1 daectation sous la forme : M in s.c.
m n i=1 j=1 ci,j .xi,j n j=1 xi,j = 1 m i=1 xi,j 1
tel-00009238, version 1 - 11 May 2005
i = 1..m j = 1..n i = 1..m, j = 1..n
xi,j {0,1}
Les contraintes de ce problme se retrouvent dans de nombreuses applications mettant en jeu des problmes dallocation de ressources. Elles sont gnralement appeles "contraintes daectation". En thorie des graphes, on peut se ramener un "problme de couplage dans un graphe biparti" [Laburthe 98]. On dit dun graphe G quil est biparti si lon peut diviser les sommets en deux ensembles X1 et X2 de telle sorte que toutes les artes dans le graphe joignent un sommet de X1 un sommet de X2 . Un "couplage" dans un graphe biparti est un ensemble dartes qui nont, 2 2, aucun sommet commun dans G. En associant X1 lensemble des tches, de cardinalit m et X2 lensemble des agents, de cardinalit n, une arte (i,j) dans le graphe G (avec i X1 et j X2 ) reprsente la possibilit daecter la tche i lagent j ; on associe le poids ci,j chaque arte (i,j) de G. Le poids dun couplage tant dni comme la somme des poids de ses artes, le problme daectation revient alors chercher un couplage de cardinalit m de poids minimal dans le graphe G. Le cas particulier o X1 et X2 sont de mme cardinalit (correspondant au cas n = m pour le problme daectation) est frquemment tudi ; on sintresse alors la recherche dun couplage de cardinalit maximale. Si on considre des ensembles X1 et X2 de cardinalit n et sil existe n2 artes dans le graphe G (le graphe biparti est complet), alors le couplage
18
maximal est de cardinalit n et il est appel "couplage parfait". On peut tendre ce problme celui de la recherche dun couplage maximal de poids minimal dans G. Le problme daectation, ou de couplage dans un graphe biparti, peut tre modlis comme un problme de ot maximal cot minimal dans lequel les capacits des arcs sont toutes gales 1. Cest un problme classique de la thorie des graphes qui revient chercher faire passer un dbit maximal travers un rseau, pour un moindre cot 2 . Des algorithmes simples et ecaces existent pour rsoudre ce problme ; en particulier lalgorithme de Busaker et Gowen qui part dun ot nul et qui laugmente progressivement par recherche de "chanes augmentantes" (i.e., chemins sur les arcs desquels on peut systmatiquement augmenter le ot), de cot minimal. La "mthode Hongroise", propose par Kuhn en 1955, est un algorithme dual qui sappuie sur une modlisation du problme daectation sous forme dun programme linaire, mais qui peut tre vu comme une variante de lalgorithme de Busaker et Gowen, spcialise pour la structure biparti du graphe. Du fait de sa grande ecacit sur ce type de problme, cest lalgorithme de rfrence en Recherche Oprationnelle pour rsoudre le problme daectation. Son principe est bas sur le fait que les couplages de poids minimal dans le graphe du problme primal sont exactement les couplages de cardinalit maximale dans le graphe du problme dual (voir par exemple [Laburthe 98] ou [Gondran & Minoux 95] pour une prsentation dtaille de la mthode).
tel-00009238, version 1 - 11 May 2005
1.2.3
Problme du voyageur de commerce
Le "problme du voyageur de commerce", ou TSP (pour Traveling Salesman Problem), est le suivant : un reprsentant de commerce ayant n villes visiter souhaite tablir une tourne qui lui permette de passer exactement une fois par chaque ville et de revenir son point de dpart pour un moindre cot, cest--dire en parcourant la plus petite distance possible. Cest un des problmes les plus anciennement et largement tudis en optimisation combinatoire. Ses applications sont nombreuses. Par exemple, des problmes de squencement de processus de fabrication ou doptimisation de parcours en robotique peuvent sexprimer directement sous forme dun TSP et certains problmes, comme les problmes de transport, sont plus complexes que le TSP mais prsentent une structure sous-jacente de type TSP. Soit G = (X,U ), un graphe dans lequel lensemble X des sommets reprsente les villes visiter, ainsi que la ville de dpart de la tourne, et U , lensemble des arcs de G, reprsente les parcours possibles entre les villes. tout arc (i,j) U , on associe la distance de parcours di,j de la ville i la ville j. La longueur dun chemin dans G est la somme des distances associes aux arcs de ce chemin. Le TSP se ramne alors la recherche dun circuit hamiltonien (i.e., un chemin ferm passant exactement une fois par chacun des sommets du graphe) de longueur minimale dans G. Dans le cas o il existe certains arcs (i,j) U pour lesquels di,j = dj,i , on parle de TSP asymtrique [Nemhauser & Wolsey 88]. On peut formuler le TSP de manire quivalente en associant chaque couple (i,j) de villes visiter (i = 1 n, j = 1 n et i = j) une distance i,j gale di,j sil existe un moyen daller directement de i j (i.e., (i,j) U dans G), xe sinon et une variable de succession, xi,j , binaire, qui prend la valeur 1 si la ville j est visite immdiatement aprs la
2. Pour un expos formel du problme de ot maximal cot minimal et, de faon plus gnrale, pour une prsentation dtaille des dirents lments de la thorie des graphes, nous renvoyons la lecture douvrages spcialiss comme par exemple [Gondran & Minoux 95].
1.2 Problmes classiques doptimisation combinatoire ville i dans la tourne et qui prend la valeur 0 sinon. Le TSP est alors modlis par : M in s.c.
n n i=1 j=1 i,j .xi,j n j=1 xi,j = 1 n i=1 xi,j = 1 iS,j S /
19
i = 1..n j = 1..n S X,S = i = 1..n, j = 1..n
xi,j 2
xi,j {0,1}
Les deux premires contraintes traduisent le fait que chaque ville doit tre visite exactement une fois ; la troisime contrainte interdit les solutions composes de sous-tours disjoints, elle est gnralement appele contrainte dlimination des sous-tours. Des algorithmes de Programmation Linaire en Nombres Entiers ont t dvelopps pour rsoudre de faon exacte le TSP (nous reviendrons au chapitre 2 sur la PLNE). En particulier, des mthodes de recherche par sparation et valuation sont renforces ecacement par ladjonction de coupes (algorithmes de branch and cut ) et de techniques de propagation de contraintes dans larbre de recherche. Des algorithmes de programmation dynamique pour la recherche de circuits hamiltoniens dans un graphe, ainsi que la Programmation Par Contraintes (PPC) fournissent galement de bons rsultats pour des problmes allant jusqu une centaine de nuds [Laburthe 98]. De plus, on dispose de procdures heuristiques et de techniques doptimisation locale ecaces (par exemple, lalgorithme de Lin et Kernighan, voir [Laburthe 98]), ainsi que de calculs de bornes infrieures, bass par exemple sur une relaxation lagrangienne du TSP, permettant de fournir un bon encadrement de loptimum. Il existe de nombreuses variantes du TSP, obtenues soit par adjonctions de contraintes comme le TSP avec fentres de temps (TSPTW pour Traveling Salesman Problem with Time Windows) dans lequel la visite de chaque ville doit se faire dans un intervalle de temps donn , soit par modication, comme par exemple les problmes de tourne de vhicules (VRP pour Vehicule Routing Problem) dans lesquels on ne considre plus un unique reprsentant de commerce pour visiter les villes mais une quipe (une otte de vhicules) et qui peuvent tre vu comme des problmes de ot. Pour une prsentation dtaille des direntes variantes du TSP, ainsi que des mthodes de rsolution existantes, on peut se rfrer un ouvrage spcialis comme [Gutin & Punnen 02], ou [Laporte 92] pour une prsentation plus synthtique.
tel-00009238, version 1 - 11 May 2005
1.2.4
Problme dordonnancement
Le "problme dordonnancement" consiste squencer et placer dans le temps un ensemble dactivits (entits lmentaires de travail), compte tenu de contraintes temporelles (dlais, contraintes denchanement, . . . ) et de contraintes portant sur lutilisation et la disponibilit des ressources requises par les activits [Esquirol & Lopez 99]. Pos ainsi, il sagit dun problme de satisfaction de contraintes qui trouve ses applications dans divers domaines (gestion de projets, ateliers de production, . . . ) et qui fait lobjet de travaux de recherche dun point de vue de laide la dcision, notamment par des approches par contraintes [Lopez 03]. Dans un contexte doptimisation, on cherche de plus minimiser (ou maximiser) un critre, comme par exemple la dure totale de ralisation des activits (minimisation du Makespan). Le terme "problme dordonnancement", contrairement aux trois problmes vus prcdemment, ne fait pas rfrence un problme totalement dni pour lequel il existe une formulation
20
tel-00009238, version 1 - 11 May 2005
mathmatique directe, mais plutt une famille de problmes. En eet, un problme dordonnancement est dni par la donne des activits et des ressources qui le constituent et ces lments peuvent tre de natures trs varies. Par exemple, une ressource est "disjonctive" (ou non partageable) si elle ne peut pas excuter plus dune activit la fois (on parle alors de problme dordonnancement disjonctif) ; dans le cas contraire, la ressource est dite "cumulative" (et conduit un problme dordonnancement cumulatif). Une ressource est "renouvelable" si, aprs avoir t utilise par une ou plusieurs activits, elle est nouveau disponible en mme quantit (machine, processeur, ...) ; la quantit de ressource utilisable chaque instant est limite. Si la ralisation dune activit lampute dune certaine quantit, la ressource est au contraire "consommable" (matires premires, budget, ...) et dans ce cas, la consommation globale au cours du temps est limite. Une ressource est "doublement contrainte" si son utilisation instantane et sa consommation globale sont, toutes deux, limites (le nancement de projets en est lexemple le plus typique). Concernant les activits, on peut considrer quil est possible de les interrompre puis de les reprendre plus tard, ou au contraire quelles doivent tre excutes sans interruption. On parle alors respectivement de problme "premptif" et "non premptif". Direntes contraintes peuvent porter sur les activits ; par exemple des contraintes de "fentres" dexcution, avec des dates de "dbut au plus tt" et de "n au plus tard", des "contraintes de prcdence" qui imposent que certaines activits soient nies avant que dautres ne puissent dbuter, ou encore des contraintes de dure entre deux activits (temps dattente limit ou, au contraire, temps de prparation ncessaire entre deux tches). On peut se rfrer des ouvrages spcialiss sur les problmes dordonnancement, comme [Blazewicz et al. 01] ou [Lopez & Roubellat 01], pour plus de dtails sur ces notions, ainsi que la prsentation dautres critres de classication. Plusieurs types de variables de dcision peuvent tre utiliss pour modliser un problme dordonnancement. Par exemple, dans le cas dun problme dordonnancement une machine, disjonctif et non-premptif, [Van Den Akker 94] prsente une revue des direntes formulations mathmatiques proposes dans la littrature. On relve quatre types de variables de dcision : des variables relles indiquant le dbut ou la n de lexcution dune activit sur la machine (ti est la date de dbut dexcution de lactivit i), des variables binaires indiquant une relation de succession immdiate entre deux tches (fi,j = 1 si lactivit j est excute juste aprs i sur la machine, fi,j = 0 sinon), des variables binaires indiquant la position dune activit dans la squence (si,j = 1 si lactivit i est la j me activit excute par la machine, si,j = 0 sinon), des variables binaires, indices sur le temps discrtis et indiquant le dbut dune activit un certain pas de temps (xi,t = 1 si lactivit i dbute au pas de temps t, xi,t = 0 sinon). Les diverses contraintes sexpriment plus ou moins aisment dans les dirents formalismes. Par exemple, une formulation base uniquement sur les dates de dbut des activits permet de formuler des contraintes de prcdence du type "lactivit i est ralise avant lactivit j" (tj ti > pi , o pi est la dure dexcution de lactivit i), mais ne permet pas dexprimer certaines relations, comme les temps de prparation entre deux activits. Il est ncessaire dans ce cas dintroduire une variable indiquant la succession des activits entre elles (variable de type "successeur" ou "position dans la squence"). On obtient ainsi des modles linaires pour un grand nombre de problmes dordonnancement. La relaxation linaire de ces modles fournit des bornes qui peuvent tre utilises directement lintrieur dun algorithme de recherche arborescente par sparation et valuation,
1.3 Problmes doptimisation combinatoire issus dapplications spatiales
21
ou qui peuvent tre anes par direntes procdures (relaxation Lagrangienne, adjonction de coupes). De faon gnrale, les techniques purement linaires ne donnent pas de bons rsultats sur les problmes dordonnancement. Les algorithmes les plus ecaces, que ce soit pour une rsolution exacte du problme doptimisation ou pour la recherche de solutions admissibles de bonne qualit, reposent le plus souvent sur une utilisation de techniques pousses de propagation de contraintes [Laburthe 98].
1.3
1.3.1
Problmes doptimisation combinatoire issus dapplications spatiales

Spcicit des problmes poss
tel-00009238, version 1 - 11 May 2005
La planication des activits dune mission spatiale scientique, militaire ou commerciale pose des problmes doptimisation combinatoire complexes, qui, tout en se rapprochant de certains des problmes classiques que nous venons dvoquer, prsentent un certain nombre de spcicits [Hall & Magazine 94, Muscettola et al. 95]. Tout dabord, une fois mis en place, un systme spatial nest quasiment plus accessible pour dventuelles oprations de maintenance ou de rparation. Ceci implique donc, dune part, que le projet doit tre totalement dni et prt fonctionner avant son lancement et, dautre part, quil est ncessaire davoir une gestion de lensemble du systme extrmement able. En particulier, les direntes oprations ralises ne doivent pas amener le systme se trouver dans des situations de blocage (par exemple, par la destruction dun instrument de prise de vue suite une orientation directe vers le soleil, par limmobilisation dun rover dans une ornire, ...). De plus, les direntes ressources dune mission spatiale sont gnralement "prcieuses et rares" [Muscettola et al. 95]. Prcieuses, comme par exemple un instrument de mesure scientique, car cest en grande partie sur leur bon fonctionnement et sur leur judicieuse exploitation que repose le succs de la mission, elles utilisent le plus souvent des technologies de pointe ayant impliqu le travail de nombreuses personnes, sur de longues priodes et la part du budget global de la mission alloue leur conception et leur fabrication est importante. Rares, car pour des raisons de cot, de limitation de la charge utile embarque, de limpossibilit de les rparer ou les remplacer, les ressources sont disponibles en quantit toujours strictement limite et sont pourtant normment sollicites, amenant ainsi de nombreux conits arbitrer. Les ressources considres dans les problmes de planication de missions spatiales sont de diverses natures : instruments scientiques embarqus (tlscopes, radar, camras, ...), qui le plus souvent peuvent tre assimils des ressources disjonctives en ordonnancement, ressources nergtiques (combustibles ergol , batteries lectriques), place mmoire pour le stockage des donnes, qui peuvent tre vues comme des ressources cumulatives. Le temps peut galement tre considr comme une ressource, dautant quil est gnralement fortement contraint. En eet, dune part lexcution dune activit nest possible, le plus souvent, que dans une certaine fentre temporelle, pour des raisons de ralisabilit ou dintrt de la tche. Dautre part, en particulier lorsque des satellites dlants sont impliqus dans le problme, les ressources ne sont pas disponibles de faon continue mais seulement sur
22
certains intervalles. De plus, les temps de reconguration des dirents instruments entre deux excutions sont rarement ngligeables et ils induisent de nombreuses contraintes de type "temps de prparation". Aux direntes contraintes rcurrentes, voques jusqu prsent, peuvent sajouter, suivant le problme, des contraintes complexes dexclusion mutuelle, ou au contraire des contraintes de synchronisation ou de conjonction entre des activits (par exemple, nous prsenterons dans les chapitres 3 5 les contraintes de "handover", qui forcent deux activits successives se chevaucher pendant une certaine dure, ou encore les contraintes "stroscopiques" qui imposent que certaines activits soient ralises par paire ou pas du tout). Ces contraintes se rencontrent galement en dehors du contexte des applications spatiales, en particulier dans certains problmes dordonnancement, mais elles restent exotiques et font lobjet de relativement peu de publications de travaux. On relve deux principaux types de problmes de planication dans les missions spatiales : les problmes dallocation de liens de communications station(s)/satellite(s) et les problmes de slection et ordonnancement dactivits bord dengins spatiaux.
tel-00009238, version 1 - 11 May 2005
Les problmes dallocation de liens entre des stations au sol et un ou plusieurs satellites se posent non seulement dans les constellations de communication de type Globalstar 3 ou Iridium 4 , mais galement dans le cadre de missions dexploration, pour assurer la communication entre les centres de contrle terrestres et les systmes spatiaux (par exemple, les rcentes missions dexploration de Mars). Ces problmes sont gnralement soumis de trs fortes contraintes de qualit de service (par exemple, assurer la continuit des liens de communication tablis). Les problmes de slection et ordonnancement dactivits se posent plutt dans le cadre de la gestion dinstruments embarqus, dans les missions caractre scientique ncessitant la ralisation dune grande varit dexpriences, ou bien dans des missions plus routinires, comme lobservation de la Terre par satellites. Dans ces problmes, du fait notamment de la "raret" des ressources et du grand nombre de parties scientiques, pays ou clients se trouvant engages dans la mission, le nombre dactivits demandes au systme est toujours largement suprieur ce qui peut en tre attendu. Ainsi, la dicult de ces problmes rside tout autant dans la slection des activits qui pourront tre ralises que dans leur ordonnancement et la gestion des conits de ressources. La planication des activits dune mission spatiale permet de valoriser les investissements nanciers, temporels et humains qui lui sont allous. Les horizons de calcul considrs pour ces problmes de planication sont typiquement de lordre de la journe ou de la semaine, ce qui est peu en regard de la dure de la mission (plusieurs mois ou plusieurs annes), mais permet dtre ractif lvolution du systme. Les problmes doptimisation combinatoire sous-jacents se posent donc de faon rcurrente au cours de la mission. Les mthodes et stratgies utilises pour rsoudre ces problmes doivent ainsi tre tudies et testes en amont de la phase de lancement de la mission, compte tenu des connaissances du systme, de faon fournir des algorithmes ables et performants pour la planication des activits, au cours de la mission. Plusieurs publications font tat de travaux de recherche sur ces problmatiques, dans le cadre dtudes spciques certaines applications spatiales ou dun point de vue des mthodologies de la Recherche Oprationnelle ou de lIntelligence Articielle. Dans la suite, nous
3. http://www.globalstar.com 4. http://www.iridium.com
23
prsentons les direntes approches utilises pour la rsolution des problmes de planication des activits dapplications spatiales, que nous avons releves dans ces publications.
1.3.2
1.3.2.1
Modlisation et rsolution : revue des mthodes utilises

Heuristiques et algorithmes ddis
Compte tenu de la complexit des problmes traiter et du temps imparti leur rsolution en pratique, les algorithmes proposs pour la planication dactivits dans les sytmes spatiaux font trs souvent appel des mthodes approches. Cest le cas en particulier des problmes de planication des missions dobservation de la Terre. Dans [Wolfe & Sorensen 00], trois algorithmes sont proposs pour rsoudre un problme de planication des prises de vue dun satellite dobservation de la Terre de type Landsat (satellites dvelopps par la NASA 5 ). Le problme est formul par un programme linaire en variables entires o le critre doptimisation est la maximisation de la somme des valeurs associes aux prises de vue ralises. Un algorithme glouton est dabord propos, bas sur lutilisation de rgles de priorits pour slectionner et ordonnancer les prises de vue. Cet algorithme est ensuite amlior par ladjonction dune technique de "look ahead" qui permet dvaluer les consquences de dirents choix possibles, avant de prendre une dcision de slection. Enn, un algorithme gntique est dvelopp. La population considre est compose de permutations de prises de vue, tires des solutions obtenues par les algorithmes prcdents et on fait appel des stratgies de croisements et de mutation classiques. Le deuxime algorithme semble donner le meilleur compromis entre temps de calcul et qualit des solutions obtenues. Sur un problme trs similaire, [Bresina et al. 97] propose de gnrer une premire solution par un algorithme glouton stochastique, puis de lamliorer par une heuristique base sur des mesures de la criticit des ressources pour guider la recherche. Ces algorithmes sont repris plus tard dans un contexte dapproche par contraintes dans [Frank et al. 01]. On note quen pratique il semble que les algorithmes utiliss dans un systme tel que Landsat sont de type glouton, bass sur des rgles de priorit simples et avec trs peu de stratgies damlioration des solutions. Ceci est justi dans [Frank et al. 01] par le fait que la combinatoire des problmes considrs est trop grande pour tre traite par dautres mthodes dans les temps impartis et parce que les incertitudes qui psent en gnral sur lvolution du systme sont telles quelles rendent les tentatives doptimisation quasiment inutiles (par exemple, la prsence des nuages est particulirement dicile prendre en compte dans les systmes dobservation de la Terre et entrane cependant la perte dune partie importante des prises de vues ralises jusqu 70% sur certaines rgions ). Dans [Pemberton 00], le problme de planication des prises de vue dun satellite est prsent comme un problme dordonnancement "sur-contraint" (i.e., problme soumis un ensemble de contraintes tel quil nexiste pas de solution les vriant toutes ; ce type de problme fait lobjet de travaux spciques, voir par exemple [Schiex et al. 95]). Un algorithme hybride, combinant une descente gloutonne avec des procdures de recherche arborescente, permet damliorer sensiblement les rsultats obtenus par des algorithmes gloutons classiques, dans des temps de calculs assez courts. Dans cette approche, lalgorithme glouton est utilis pour partitionner les variables du problme suivant le niveau de priorit des requtes associes et chaque sous-problme ainsi obtenu est rsolu de faon exacte par une recherche arborescente.
5. National Aeronautics and Space Administration
tel-00009238, version 1 - 11 May 2005
24
tel-00009238, version 1 - 11 May 2005
La gestion des Satellites Pour lObservation de la Terre (SPOT), mene par le CNES 6 , soulve galement des problmes de slection et ordonnancement des prises de vue (voir [Bensana et al. 99]), pour lesquels des approches heuristiques sont proposes. Des premiers rsultats sont prsents dans [Verfaillie & Bensana 95], sur le projet SPOT5. Des mtaheuristiques classiques (recherche Tabou, recuit simul) sont testes, ainsi que des algorithmes gloutons et des recherches arborescentes tronques. Par la suite, sur la mme problmatique, [Vasquez & Hao 01] formule le problme de planication des prises de vue du satellite comme un problme de sac--dos multidimensionnel et obtient de meilleures solutions avec un algorithme de recherche Tabou avanc, adapt aux particularits du problme et qui intgre des techniques de propagation de contraintes. Ces rsultats sont amliors ensuite dans [Vasquez & Hao 03], avec une mthode qui utilise une recherche Tabou pour partitionner le problme puis qui rsout chaque sous-problme de faon exacte par programmation dynamique. Cette mthode est reprise en partie et adapte au cas de la gestion de satellites de nouvelle gnration, pour la mission Pliades qui va succder au programme SPOT dans les prochaines annes [Habet & Vasquez 03]. Nous reviendrons par la suite sur ce problme (chapitres 5 et 7). La planication des observations du tlscope spatial Hubble de la NASA est une problmatique trs proche, aborde par exemple dans [Aktur & Kili 99] par des algorithmes gloutons stochastiques associs des stratgies doptimisation locale ad hoc ainsi quun algorithme de recuit simul. Pour rsoudre des problmes dallocation de liens de communication pour des constellations de satellites ddies la communication, on fait galement appel des mthodes approches. Dans ces problmes, trouver une solution ralisable, cest--dire le plus souvent, assurer un lien de communication continu entre dirents clients, alors que la conguration de la constellation de satellites volue au cours du temps, est en soi un problme dicile. Les critres doptimisation qui peuvent sy ajouter concernent alors le nombre de clients que lon peut satisfaire, ou bien la quantit de ressources (nombre de satellites, nombre dantennes, ...) utilise, compte tenu dun certain niveau de demande. Dans [Ferreira et al. 01a], direntes stratgies de dcision sont passes en revue, bases sur des rgles de priorit ou sur des approches probabilistes, et rpondant des variantes du problme dallocation de liens de communication dans une constellation qui autorise les liens inter-satellites. [Landes 02] traite un problme dallocation de liens de communication dans une constellation nautorisant pas les liens inter-satellites. Lauteur propose un algorithme glouton et plusieurs algorithmes de recherche locale pour aborder ce problme, o lobjectif est de maximiser la satisfaction de la demande. Enn, [Hall & Magazine 94] traite un problme plus gnral de maximisation de la valeur dune mission spatiale. Un ensemble de rgles sont prsentes, pour la slection et lordonnancement des activits, puis sont intgres dans une procdure heuristique de gnration de solutions ou comme stratgie de branchement dans un algorithme de programmation dynamique. Les algorithmes qui en dcoulent sont tests sur des instances gnres alatoirement, compte tenu des caractristiques classiques, discutes au paragraphe prcdent, des problmes issus dapplication spatiales. En pratique, les mthodes approches sont donc largement utilises pour la planication des direntes activits dune mission spatiale. Cependant, elles sont souvent amliores par
6. Centre National dtudes Spatiales
25
des techniques labores de PPC (Programmation Par Contraintes) et sont dveloppes dans un contexte daide la dcision qui doit permettre au systme dtre ractif face aux volutions possibles de son environnement. 1.3.2.2 Approches par contraintes, mthodes dIntelligence Articielle
Lecacit de la gestion dun systme spatial dpend en grande partie de la bonne coordination des dirents sous-ensembles qui le composent et qui sont lis par de multiples contraintes. Plusieurs publications discutent de lintrt de dvelopper des outils gnriques et homognes pour planier et contrler les dirents aspects dune mission spatiale, en sappuyant sur des approches par contraintes pour modliser les problmes et rduire lespace de recherche des solutions [Muscettola et al. 95, Bresina et al. 97, Aktur & Kili 99, Harrison & Price 99, Smith et al. 00]. Dans ces approches, les problmes considrs sont le plus souvent modliss sous forme de Problmes de Satisfaction de Contraintes (CSP). Ceci permet de proposer des schmas gnriques de dveloppement de mthodes de rsolution qui prennent en compte les contraintes rcurrentes des problmes de planication issus des applications spatiales (fentres temporelles, disponibilit et partage des ressources, ...) et auxquels on peut intgrer facilement des contraintes supplmentaires. Par exemple, le systme HSTS (pour Heuristic Scheduling Testbed System) dcrit dans [Muscettola et al. 95], permet la planication automatique de commandes pour un engin spatial et est utilis dans le cadre des missions Cassini (orbiteur de la NASA associ la sonde europenne Huygens, pour lexploration de Saturne et Titan) et EUVE (tlscope embarqu utilisant les ultra-violets). Le systme ASPEN (Automated Scheduling/Planning Environment ), dcrit dans [Fukunaga et al. 97], est prsent comme une structure modulaire et gnrique pour la planication dune grande varit de problmes. Il est mis en uvre dans dirents projets mens par la NASA (satellites dobservation de la Terre EO-1 et UFO-1 actuellement en orbite, sondes pour un projet dexploration de Pluton,...). Dans une approche daide la dcision, le systme MEXAR, prsent dans [Cesta et al. 02b] est un support interactif dvelopp pour la planication des changes de donnes entre la Terre et un systme dexploration distant (utilis pour la mission Mars-Express). Le systme utilise des techniques de propagation de contraintes et propose dirents algorithmes paramtrables pour guider lutilisateur dans la recherche dune solution satisfaisante [Oddi et al. 03]. En Intelligence Articielle, les problmes de planication font lobjet de travaux bien spciques, avec le dveloppement de systmes thoriques de production de plans tel que Graphplan [Russel & Norwig 95]. Les problmes classiquement tudis consistent chercher un ensemble dactions qui permettent de faire passer un systme dun tat initial un tat nal requis. Dans les applications spatiales, ces travaux trouvent particulirement leurs applications lorsque quon cherche rendre certains systmes spatiaux autonomes. Cest le cas des atterrisseurs mobiles (rovers), tels que Spirit et Opportunity pour lexploration de la plante Mars, qui sont priodiquement contrls depuis la Terre mais qui ont des calculateurs intgrs pour planier leurs mouvements en fonction de leur environnement et compte tenu dobjectifs divers [Estlin & Gaines 02, Jnsson et al. 00]. Notons enn que les heuristiques vues au chapitre prcdent sont gnralement renforces par des techniques de PPC qui permettent de rduire ecacement lespace de recherche (en particulier, [Harrison & Price 99, Frank et al. 01, Pemberton 00]).
tel-00009238, version 1 - 11 May 2005
26 1.3.2.3
Problmes doptimisation combinatoire dans les applications spatiales Mthodes exactes
Les mthodes exactes telles que la programmation linaire en nombres entiers, les procdures de recherche arborescente ou la programmation dynamique, orent en thorie la garantie de trouver une solution optimale dun problme et den prouver loptimalit. Sur les problmes issus dapplications spatiales, elles sont ecaces en pratique sur des instances de petite taille, mais sont rapidement confrontes la combinatoire des problmes considrs. Cependant, ltude des problmes de planication des activits dune mission spatiale par le biais de mthodes exactes prsente plusieurs intrts. Dune part, la rsolution exacte dune version relche dun problme (en simpliant ou liminant certaines contraintes) permet dobtenir des bornes (suprieures ou infrieures, suivant que lon considre une fonction de maximisation ou de minimisation) qui servent valuer la qualit des direntes mthodes heuristiques proposes pour la recherche de solutions admissibles. Ainsi, parmi les travaux cits prcdemment, [Hall & Magazine 94] et [Vasquez & Hao 03] proposent des calculs de bornes, utilisant respectivement des algorithmes de relaxation lagrangienne et de programmation dynamique. Dautre part, dans une optique dtude "hors-ligne" des problmes, les mthodes exactes permettent dvaluer les capacits dun systme. Ainsi par exemple, la programmation mathmatique est utilise pour rsoudre des problmes de dimensionnement de systmes spatiaux [Brochet 99, Lebbar 00] et des mthodes issues de la thorie des graphes sont proposes pour tudier les performances que lon peut attendre de certaines ressources dun systme (antennes des satellites dans une constellation pour la communication, [Landes 02]). Ltude de la modlisation dun problme, de sa structure et des possibilits de dcomposition peuvent permettre de ramener la rsolution dun problme globalement trs complexe celle dun ensemble de sous-problmes plus faciles rsoudre, et/ou mieux connus. On peut alors faire appel des mthodes exactes pour rsoudre tout ou partie de ces sous-problmes. Dans le second cas, la rsolution exacte de certains aspects du problme global, peut tre intgre ecacement dans une mthode de rsolution heuristique. Dirents travaux font tat de mthodes faisant appel la dcomposition de problmes de planication de missions spatiales, exprims sous forme de programmes mathmatiques. Par exemple, [Brochet 99] propose un algorithme de rsolution exacte pour un problme doptimisation des manuvres de satellites pour leur maintien poste, bas sur une dcomposition de Benders dun modle mathmatique non-linaire du problme. Dans [Lebbar 00], le problme dallocation des communications Terre/satellite dans la constellation Skybridge est modlis par un programme linaire en nombre entiers. Ce modle est dcompos par la mthode de Dantzig-Wolfe et rsolu par un algorithme de gnration de colonnes. [Lee & Park 01] montre quun problme dallocation de communications dans une constellation autorisant les liens inter-satellite peut tre vu comme un problme de coloration sur un multigraphe biparti. La relaxation linaire du problme est rsolue par gnration de colonnes et une solution entire est ensuite obtenue par une recherche arborescente de sparation et valuation. Pour un problme proche, un modle linaire est propos dans [Ferreira et al. 00] et valid par programmation linaire. Le problme de slection et ordonnancement des prises de vue du satellite SPOT5, dj voqu au paragraphe 1.3.2.1 pour avoir fait lobjet de direntes approches heuristiques, est trait dans [Gabrel 99] par un algorithme de gnration de colonnes qui permet de calculer des bornes suprieures de bonne qualit. Par la suite, [Paschos et al. 01] tudie deux variantes de
tel-00009238, version 1 - 11 May 2005
27
ce mme problme. Les auteurs proposent une formulation en termes de recherche de plus long chemin et densemble stable dans un graphe et dveloppent des algorithmes exacts et approchs issus de la thorie des graphes pour rsoudre ces problmes. Dans [Gabrel & Vanderpooten 02], une approche multicritre du problme est propose. Lapproche est base sur lutilisation dun algorithme exact de recherche de plus court chemin dans un graphe sans circuit, intgr dans un processus interactif dvaluation multicritre des chemins.
1.3.2.4
Approches par simulation : utilisation des Rseaux de Petri
tel-00009238, version 1 - 11 May 2005
Dans certains cas, il est dicile dlaborer un modle exprimant dlement toutes les contraintes du systme tout en restant analytique. On se tourne alors vers une description de type procdurale, dcrivant des enchanements de causes et deets de faon dtaille. Les proprits du systme et ses paramtres signicatifs sont alors obtenus par simulation. Cette approche est principalement utilise dans les phases de prparation dune mission spatiale pour valider direntes prises de dcisions. Cest un moyen de rsolution de problmes de dcision par essai/valuation/correction. Dans ce contexte, les rseaux de Petri sont utiliss pour dcrire les dfaillances de composants, les stratgies de reconguration et les politiques de maintenance ou dentretien. Un simulateur comme MISS-RdP dvelopp par la socit GFI Consulting, permet, par simulation de Monte Carlo, dobtenir des valuations de paramtres de la sret de fonctionnement, comme la disponibilit, dans des cas o les mthodes analytiques ne peuvent pas tre utilises ou, plus exactement, dans le cas o les mthodes analytiques ncessiteraient trop dapproximations et donneraient ainsi des rsultats trop imprcis pour tre rellement utiles. Cet outil est utilis au CNES pour simuler la disponibilit, en fonction du temps, de constellations de satellites et valuer direntes stratgies pour remplacer les satellites dfaillants. Une question se pose alors : la description de nature procdurale et implicite des contraintes de squencement apporte par les rseaux de Petri peut-elle tre utilise dans un cadre plus gnral pour la rsolution de problmes doptimisation combinatoire? Cette question est pose clairement pour la premire fois dans [Richard 97]. Lorsque le systme comporte un ensemble de contraintes de squencement nombreuses et trop complexes pour tre dcrites de faon simple par un ensemble de contraintes linaires impliquant des variables boolennes, une approche possible consiste commencer par la recherche de comportements consistants avec ces contraintes (il sagit en quelque sorte dune relaxation des autres contraintes). Cela peut tre vu comme une phase de recherche arborescente prcdant une mise en quation et une rsolution, par exemple par programmation mathmatique. Le principe de la recherche de ces comportements (ou dun sous-ensemble de ces comportements) est tout fait analogue de la propagation de contraintes. Chaque comportement est caractris par un scnario de franchissements de transitions consistant avec les contraintes non relaxes. Mme si les contraintes ne sont pas exprimes de faon analytique par des quations, il sagit bien dune rsolution par contraintes puisque lon alterne des choix de transition franchir (analogie avec linstanciation dune variable) avec des constructions de liste de transitions franchissables (propagation pour dlimiter les nouveaux domaines admissibles pour les variables). Pour chaque comportement, un systme dinquations linaires dans lequel les variables sont les dates de franchissement des transitions est alors obtenu (sous la forme dun "Simple Temporal Problem" STP) [Mancel et al. 02].
28
tel-00009238, version 1 - 11 May 2005
En prsence de fortes contraintes de squencement, comme par exemple celles dcoulant de gammes de fabrication en productique, la dmarche ci-dessus peut permettre de rduire fortement lespace de recherche. Dans le cas o ces contraintes sont moins fortes, le nombre des comportements consistants avec les contraintes peut tre trop grand pour autoriser une numration complte. Lapproche peut, dans ce cas, sintgrer dans le cadre dutilisation dheuristiques. On nexplore alors que les comportements cohrents avec lheuristique choisie [Mancel et al. 03a]. Cette dmarche a t teste dans le cadre de ltude de la constellation Skybridge [Mancel et al. 01b, Mancel et al. 01c], mais nous ne lavons pas poursuivie pour les raisons suivantes. Dans les systmes spatiaux que nous avons tudis, les contraintes de squencement de nature purement logique et imposes initialement (relations de prcdence imposes par la nature des tches et non par le fait quelles partagent des ressources communes) sont peu nombreuses ; il nest donc pas judicieux de sappuyer sur de telles contraintes pour une phase initiale de rduction de lespace de recherche. Dautre part, tout au long de notre travail, nous avons privilgi les mthodes exactes et celles permettant lobtention de bornes par rapport des heuristiques permettant simplement dobtenir de bonnes solutions. Lapproche fonde sur les rseaux de Petri ne semblait donc pas prometteuse dans ce cadre qui concernait des systmes spatiaux avec peu de contraintes de squencement initialement donnes.
1.4
Conclusion
Ce chapitre propose un tour dhorizon des problmes de planication qui se posent dans le cadre de missions spatiales. Ces problmes prsentent des similitudes avec les problmes doptimisation combinatoire classiquement tudis en Recherche Oprationnelle, mais galement certaines spcicits en termes de problmatiques, de contraintes et dexigence sur la abilit des solutions. De plus, issus dapplications relles, ces problmes sont le plus souvent complexes et de grande taille. La rsolution de ces problmes combinatoires fait lobjet de divers travaux de recherche dans les domaines de la Recherche Oprationnelle et de lIntelligence Articielle. En pratique, lorsque les solutions de planication ne sont pas eectues " la main", les algorithmes mis en uvre font souvent appel des mthodes approches, ainsi qu des techniques de Propagation de Contraintes. Les mthodes exactes, en particulier la Programmation Linaire, orent quant elles un cadre formel pour la modlisation et lanalyse de la structure de ces problmes. De plus, dans une tude "hors-ligne" dune mission spatiale, cest--dire en amont de son lancement eectif, ces mthodes peuvent tre utilises pour borner les problmes doptimisation combinatoire qui se posent et ainsi valuer la qualit des algorithmes dvelopps pour la recherche de solutions. Couples une approche par dcomposition des problmes, elles peuvent galement tre intgres dans les processus de rsolution, en traitant de faon exacte certains "sousproblmes". Dans ces travaux, nous tudions, du point du vue de leur modlisation et de leur rsolution, des problmes doptimisation combinatoire qui mergent dans dirents projets de missions spatiales dvelopps au CNES. Nous nous intressons particulirement lapport de la Programmation Linaire pour ces problmes, associe des mthodes de simplication de lespace de recherche, par dcomposition des problmes, ou grce des techniques de Propagation de
1.4 Conclusion Contraintes.
29
Ainsi, dans le chapitre suivant, nous prsentons les fondements des mthodes que nous retenons pour la suite de nos travaux : les concepts des techniques de Propagation de Contraintes, les principes de la Programmation Linaire, ainsi que ceux de la Gnration de Colonnes, qui est une extension de la Programmation Linaire au traitement des problmes de grande taille, base sur une dcomposition des modles linaires.
tel-00009238, version 1 - 11 May 2005
30
tel-00009238, version 1 - 11 May 2005
Chapitre 2
Techniques de rsolution retenues

2.1
tel-00009238, version 1 - 11 May 2005
Introduction
Nous avons vu au chapitre prcdent que de nombreuses mthodes peuvent tre utilises pour aborder les problmes de planication de missions spatiales. Dans ces travaux, nous nous intressons principalement lapport des mthodes exactes pour ces problmes et en particulier la Programmation Linaire qui fournit un formalisme de modlisation et des mthodes de rsolution permettant daborder un large ventail de problmes doptimisation. Face des problmes complexes et fortement combinatoires, les algorithmes issus de la Programmation Linaire perdent cependant rapidement de leur ecacit. Des techniques visant rduire ou simplier lespace de recherche des solutions peuvent alors tre associes ces algorithmes an de les renforcer. ce titre, les techniques de Propagation de Contraintes et certaines mthodes de dcomposition peuvent tre envisages. Ainsi dans ce chapitre, nous prsentons en premier lieu un bref tour dhorizon des concepts et techniques lis la Propagation de Contraintes. Nous dtaillons ensuite les principes de la Programmation Linaire, son adaptation au cas des problmes en variables entires et sa forme gnralise, appele Gnration de Colonnes, base sur une dcomposition du modle en deux problmes interdpendants.
2.2
Propagation de contraintes
La propagation de contraintes consiste simplier la rsolution dun problme en anant la connaissance que lon a de ses variables, ou en dmontrant labsence de solution. Elle opre sur des problmes de satisfaction de contraintes (CSP) qui regroupent des problmes classiques dIntelligence Articielle, ainsi que des problmes issus de la Recherche Oprationnelle, comme les problmes dordonnancement [Alliot & Schiex 94]. Un problme de satisfaction de contraintes P est dni par un triplet P =< X,D,C > o X = {x1 , . . . ,xn } est lensemble des variables de P , D = {D1 , . . . ,Dn } est lensemble des domaines de valeurs des variables et C = {C1 , . . . ,Cm } est lensemble des contraintes liant les variables. La propagation de contraintes dsigne un ensemble de techniques de rcriture des
32
contraintes et de rgles de dduction logiques qui permettent de rduire les domaines de valeurs des variables, ou de simplier lexpression des contraintes, par exemple en identiant et en liminant celles qui sont redondantes. Dans un contexte daide la dcision, ces techniques permettent galement la caractrisation de solutions admissibles en dgageant des degrs de libert pour la prise de dcision eective. La propagation peut enn dans certains cas apporter la preuve dune inconsistance globale du problme, et ce avant toute tentative de rsolution. Nous prsentons ici une synthse des techniques classiques de propagation de contraintes.
2.2.1
Propagation de contraintes temporelles
tel-00009238, version 1 - 11 May 2005
Un CSP dont les variables (X) correspondent des entits temporelles (instants, intervalles, dures) et dont les contraintes (C) sont binaires et reprsentent des relations numriques ou logiques entre les variables, est appel un CSP temporel (TCSP) [Dechter et al. 91]. Un TCSP est numrique si les contraintes nexpriment que des relations numriques entre les variables. Dans ce cas, chaque domaine Di dune variable xi est lunion dun ensemble dintervalles disjoints. De plus, chaque contrainte est une relation binaire, note Cij , limitant les valeurs possibles dune distance entre deux variables, xj xi , par un domaine Dij , union dintervalles disjoints [Dechter et al. 91]. Notons que les contraintes de domaine dune variable peuvent tre mises sous la forme de contraintes binaires en introduisant une variable articielle x0 , reprsentant lorigine. Une incohrence apparat dans le problme lorsque lensemble des intervalles associ au domaine dune variable ou dune contrainte est vide.
2.2.1.1
Problmes temporels simples
Dans le cas particulier o chaque domaine Dij associ une contrainte est rduit un unique intervalle de valeurs, on parle de problme temporel simple (STP). On peut alors exprimer lensemble des contraintes du problme (prcdences, dates limites, dures xes) par un systme dingalits linaires entre deux variables et on peut obtenir le problme minimal (les domaines associs aux variables et aux contraintes ne comportent aucune valeur inconsistante) correspondant, de faon polynomiale. En eet, les contraintes dun STP peuvent tre reprsentes sur un graphe potentiels (voir, par exemple, [Esquirol & Lopez 99] pour la reprsentation de problmes dordonnancement). On peut alors appliquer une procdure de recherche de plus longs chemins entre tout couple de sommets sur ce graphe. Dans le formalisme des TCSP, la propagation correspondante est base sur lutilisation de deux oprations entre contraintes (intersection et composition) qui amne dterminer la borne infrieure et la borne suprieure du domaine des contraintes. Lalgorithme ainsi obtenu, PC-0, permet dexprimer des conditions de consistance locale entre tout triplet de variables dun problme P . Appliqu un STP, il est complet (toutes les valeurs inconsistantes sont limines). Il est alors quivalent lalgorithme de Floyd-Warshall appliqu au graphe potentiels correspondant. Cet algorithme permet dobtenir le domaine minimal des contraintes dun STP. Si on recherche uniquement les domaines minimaux des variables dun STP, on peut utiliser un algorithme de complexit moindre, comme lalgorithme de Bellman-Ford [Esquirol et al. 01].
2.2 Propagation de contraintes 2.2.1.2 Problmes temporels gnraux
33
tel-00009238, version 1 - 11 May 2005
Pour des problmes temporels gnraux, PC-0 est sain (les dates supprimes sont bien inconsistantes), mais il est incomplet (il ne garantit pas la dtection dun problme inconsistant). Une variante de cet algorithme, PC-1, consiste eectuer plusieurs passes de PC-0 sur un TCSP numrique, jusqu parvenir un point xe (problme pour lequel plus aucun ajustement des domaines des contraintes nest possible). PC-1 amliore PC-0 mais il reste incomplet ; de plus, son application est limite cause dun phnomne de fragmentation excessive des intervalles associs aux contraintes [Schwalb & Dechter 97]. An de limiter ce phnomne, deux mthodes sont proposes dans [Schwalb & Dechter 97]. La premire (ULT pour Upper-Lower Tightening) sappuie sur une relaxation des contraintes permettant de se ramener un STP. Elle dtermine les contraintes minimales et conserve les trous dans les domaines de valeurs. La seconde mthode (LPC pour Loose Path Consistency) fait appel la dnition dune nouvelle opration dintersection qui permet de ne pas augmenter le nombre dintervalles par contrainte mais qui agrandit les trous dans les domaines de valeurs. Dans [Schwalb & Dechter 97], les auteurs montrent que ces dirents algorithmes dterminent les mmes bornes minimales et maximales pour chaque contrainte. La dirence entre ces algorithmes tient uniquement la gestion des trous dans les domaines de valeurs. De nombreux problmes dordonnancement peuvent tre au moins en partie formuls comme des TCSP ou des STP. En eet, les contraintes temporelles telles que les dates limites ou les contraintes de prcdences, se traduisent, dans le formalisme des TCSP, en contraintes binaires associes un seul intervalle. Les contraintes de partage de ressources disjonctives peuvent galement tre exprimes comme des contraintes binaires, mais dont le domaine comporte deux intervalles. Les algorithmes vus prcdemment peuvent donc tre utiliss sur ces dirents types de contraintes. En revanche, certaines contraintes de ressources, comme les ressources cumulatives, ne peuvent sexprimer dans le formalisme des TCSP ; on a alors recours des techniques de propagation spciques aux contraintes de partage de ressources.
2.2.2
Propagation de contraintes de partage de ressources
Dans un problme dordonnancement, la prise en compte des seules contraintes de partage des ressources dnit un problme de squencement. Il consiste ordonner partiellement ou totalement, suivant que les ressources sont cumulatives ou disjonctives, les tches ncessitant une mme ressource, de faon garantir que la consommation des tches ne dpasse aucun instant la quantit de ressource disponible. La prise en compte des fentres de ralisation des tches permet, grce lutilisation de rgles et dalgorithmes de propagation ecaces, de rduire lensemble des solutions du problme de squencement : certaines congurations se rvlent interdites, dautres deviennent obligatoires, ce qui peut conduire resserrer les fentres dexcution des tches. Il existe plusieurs types de rgles de propagation des contraintes de partage des ressources : les oprations locales et les oprations globales sont deux premiers types de rgles principalement ddis des problmes dont les ressources sont disjonctives. Un troisime type de rgles, li au concept dnergie, est particulirement adapt au cas des ressources cumulatives. Dans les paragraphes suivants, nous prsentons les principaux aspects des oprations lo-
34
cales et oprations globales, puis nous dveloppons plus en dtail les raisonnements nergtiques. 2.2.2.1 Oprations locales, oprations globales
Les techniques appeles oprations locales sont bases sur lapplication de rgles dinfrence locales une machine. Ces techniques oprent sur des ensembles critiques de tches en conit (plus petits sous-ensembles de tches qui ne peuvent sexcuter simultanment compte tenu de la disponibilit insusante des ressources) et prennent leur source dans les travaux de J. Carlier et J. Erschler [Carlier 75, Erschler 76] qui proposaient des premires conditions de squencement entre tches permettant de simplier la recherche de solutions de problmes dordonnancement. Dans un problme de squencement ressources disjonctives, il faut ordonner totalement les tches qui ncessitent les mmes machines. On cherche notamment dmontrer quune tche ne peut pas ou doit obligatoirement tre place avant ou aprs toutes les tches dun ensemble (cf. les ensembles non postrieurs/non antrieurs dans [Erschler 76], les rgles de edge-nding dans [Applegate & Cook 91], les slections immdiates dans [Carlier & Pinson 94, Brucker et al. 94, Nuijten 94], et les rgles not-rst/not-last exposes dans [Baptiste & Le Pape 96, Torres & Lopez 00]). Ces dductions ont comme rsultat de resserrer, ou ajuster, les fentres dexcution des tches. Les oprations globales, appleles galement techniques de shaving (cf. [Carlier & Pinson 94, Pridy 96, Martin & Shmoys 96]) sont bases sur la nature spcique des contraintes disjonctives : une contrainte locale est pose et les ajustements correspondants sont propags sur le problme global. La dtection dune inconsistance entrane la pose de la contrainte inverse. Ce mcanisme se rapproche de certaines techniques de renforcement de la consistance dans les rseaux de contraintes, bases sur un principe de rfutation : une variable est instancie ; le rsultat est propag ou utilis dans un arbre de recherche ; si une inconsistance apparat, la valeur implique dans linstanciation est retire du domaine de la variable (algorithmes SAC, singleton consistance darc [Debruyne & Bessire 97] et MAC, maintien de la consistance darc [Sabin & Freuder 94]). Ce dernier type de rgles de propagation permet dapprofondir la connaissance des domaines de valeurs (pouvant aller parfois jusqu une rsolution du problme) mais est beaucoup plus coteux en temps de calcul que les oprations locales. 2.2.2.2 Raisonnement nergtique
tel-00009238, version 1 - 11 May 2005
Lnergie correspondant au produit dun temps par une quantit de ressources, les rgles de propagation de contraintes bases sur ce concept permettent de raisonner simultanment sur les contraintes de temps et de ressources [Lopez 91, Lopez et al. 92]. Comme les oprations locales, ces raisonnements peuvent produire des conditions de squencement, sans toutefois ncessiter une analyse du problme en termes densembles critiques de tches en conit, mais il permettent aussi dinterdire la localisation dune tche sur certains intervalles de temps. Ils prennent tout leur intrt lorsque certaines caractristiques de ralisation, comme par exemple la dure des tches, ne sont pas entirement connues. Les dductions lies au raisonnement nergtique font appel des bilans dutilisation des ressources sur certains intervalles temporels, ce qui entrane lidentication et le calcul de
2.2 Propagation de contraintes
35
direntes nergies. Sur un intervalle de temps, lnergie peut en eet tre produite par une ressource ou consomme par une tche. Dans ce dernier cas, on distinguera sa consommation minimale de sa consommation maximale sur lintervalle. Pour prsenter ces dirents lments, on introduit les notations suivantes : Capk est la capacit dune ressource k (la quantit maximale instantane disponible de la ressource) ; intik est lintensit dune tche i (la quantit ncessaire requise chaque instant pour lexcution de la tche). Pour allger la notation, nous faisons lhypothse quune tche i ne requiert quune ressource et son intensit sera note inti . nergie produite, nergie consomme Lnergie maximale disponible quune ressource k produit sur un intervalle = [t1 ,t2 ] correspond au produit de la longueur de lintervalle par la capacit (constante) Capk de la ressource : Wk = Capk (t2 t1 ) Pour une tche i localise dans le temps (sti et f ti , les dates de dbut et n de i, sont xs), lnergie requise ou consommation par une tche i sur un intervalle = [t1 ,t2 ], note wi , est donne par le produit de son intensit par lintersection de avec lexcution de i : wi = inti max[0, min(f ti ,t2 ) max(sti ,t1 )] soit, sachant que f ti sti = pi (la dure de i) :
wi = inti max[0, min(pi ,t2 t1 ,f ti t1 ,t2 sti )]
tel-00009238, version 1 - 11 May 2005
La formule prcdente est illustre par la gure 2.1 o les zones hachures reprsentent la consommation dune tche entre t1 et t2 pour direntes positions dans sa fentre dexcution [ri ,di ].
ri

di
t1
Fig. 2.1 Consommation dune tche pour trois de ses positionnements (inti = 2) Les bornes infrieure et suprieure de la consommation dune tche sur un intervalle sont appeles respectivement consommation obligatoire et consommation maximale. La consommation obligatoire, note w , est obtenue en considrant les positions de la i tche pour lesquelles son intersection avec est minimale : w = inti max[0, min(pi ,t2 t1 ,ri + pi t1 ,t2 di + pi )] i

6

12

t2
36
Techniques de rsolution retenues De manire duale, on obtient la formule de lnergie maximale, note w : k w = inti max[0, min(pi ,t2 t1 ,di t1 ,t2 ri )] i
Sur la gure 2.1, la consommation obligatoire de i est obtenue pour son calage droite, soit w = 6 ; la consommation maximale est obtenue lorsque i est excute totalement entre i t1 et t2 : w = 12. i Rgles de dduction Ces rgles, bases sur des bilans nergtiques, permettent de dterminer des conditions dadmissibilit dun ordonnancement, le squencement entre tches ou lajustement de fentres dexcution. Condition susante dinconsistance globale
tel-00009238, version 1 - 11 May 2005
tq Wk < iTk
w = inconsistance i
En eet, dans un ordonnancement admissible, quel que soit lintervalle considr, la consommation globale de chaque ressource sur cet intervalle doit tre infrieure lnergie produite par la ressource sur cet intervalle. Ajustements (inconsistance locale) Pour une tche i et un intervalle donns, soit = Wk jTk \{i} w lnergie maximale disponible pour excuter i sur compte tenu j de la consommation obligatoire des autres tches de Tk :
i, tq Si < w = il existe des dates interdites pour i i Les dates conduisant une consommation plus grande que Si sont inconsistantes et doivent tre supprimes. La suppression de ces valeurs dans le domaine initialement permis, peut crer un ajustement des dates de dbut au plus tt et/ou de n au plus tard de i (avec ventuellement cration dun trou dans le domaine de sti ).
Si
Relations de squencement Pour une paire de tches (i,j) et un intervalle donns, soit S(i,j) = Wk lTk \{i,j} w lnergie maximale disponible pour excuter i et j sur , l compte tenu de la consommation obligatoire des autres tches de Tk . On a la rgle suivante :
i,j, tq S(i,j) < w + w = il existe des couples de dates interdites pour i et j i j
En dautres termes, si i et j consomment toutes deux sur , elles doivent tre loignes dune distance minimale. On montre que le raisonnement nergtique fournit des rgles dont la formulation recouvre celle des rgles performantes de propagation dans le cas de ressources disjonctives (paires de disjonction, slections immdiates, not-rst/not-last). Il est dune grande gnralit puisquil permet aussi de fournir des rgles dduisant des dates de dbut intermdiaires interdites (dans son expression la plus gnrale, la rgle dinconsitance locale conduit la cration de trous dans le domaine de sti ).
2.3 Programmation linaire
37
2.3
2.3.1
Programmation linaire
Dnitions
Programme linaire Un Programme Linaire (PL) est un problme doptimisation consistant maximiser (ou minimiser) une fonction objectif linaire de variables soumises un ensemble de contraintes exprimes sous forme dquations ou dinquations linaires. La forme gnrale dun programme linaire est la suivante : M ax(M in) z = s.c.
n j=1 cj xj n j=1 aij xj n j=1 aij xj n j=1 aij xj
(fonction objectif) bi i I {1,...,m} bi i I+ {1,...,m} = bi i I 0 {1,...,m} j = 1,...,n (contraintes ingalit) (contraintes ingalit) (contraintes galit) (contraintes de non-ngativit)
(P0 )
tel-00009238, version 1 - 11 May 2005
xj 0
o les ensembles I , I + et I 0 sont disjoints, I = I I + I 0 = {1,...,m} et o cj , aij et bi (i = 1,...,m j = 1,...,n) sont des constantes supposes connues. P0 est un programme linaire n variables et m contraintes. Notons quil nest pas restrictif de poser des contraintes de non-ngativit pour les variables xj (j = 1,...,n). En eet, toute variable xj qui peut prendre une valeur relle quelconque, positive, ngative ou nulle, peut tre remplace par la dirence (x+ x ) de deux variables j j x+ et x astreintes, elles, tre non-ngatives (voir par exemple [Minoux 83a]). j j Forme standard On dit quun programme linaire est mis sous forme standard si sa fonction objectif est une fonction de maximisation et si toutes ses contraintes en dehors des contraintes de nonngativit sont des galits. Un programme linaire sous forme standard se prsente donc comme suit : M ax z = c.x (P1 ) A.x = b s.c. x0 avec : n : nombre de variables (x = (x1 ,...,xn ) ), m : nombre de contraintes (m n), A = (aij )i=1,...,m : Matrice des contraintes (m n, rang(A) = m),
j=1,...,n
c = (c1 ,...,cn ) : vecteur ligne des prots (ou gains), b = (b1 ,...,bm ) : vecteur colonne des seconds membres. Notons que lon peut toujours considrer que lon a rang(A) = m. En eet, rang(A) < m signie quune ou plusieurs lignes de la matrice A sont une combinaison linaire des autres
38
lignes. Ceci revient dire que les contraintes correspondantes sont soit redondantes, soit incompatibles avec les autres (suivant la valeur des seconds membres bi ) ; dans le premier cas, on peut liminer ces contraintes, dans le second cas, le systme A.x = b na pas de solution. Tout programme linaire peut sexprimer sous forme standard (P1 ), en ajoutant ventuellement certaines variables appeles variables dcart (par exemple, une inquation a.x b devient lquation a.x + s = b, s 0). Dans la suite, nous nous intressons uniquement aux programmes linaires exprims sous forme standard. Solutions dun programme linaire Une solution dun programme linaire est une aectation de valeurs aux variables du problme. Une solution est ralisable si elle satisfait toutes les contraintes du problme : x = (x1 ,...,xn ) est une solution ralisable de (P1 ) si et seulement si A.x = b et x 0. Une solution optimale est une solution ralisable, note x pour laquelle la fonction objectif z prend sa valeur maximale z . Considrons A.x = b, le systme dquations linaires de (P1 ). On appelle base (de lespace des colonnes de A) toute sous-matrice carre m m, inversible de A. Soit B une telle sousmatrice de A et N la sous-matrice de A telle que A = (B|N ) aprs permutation des colonnes de A ; on peut crire : xB A.x = b (B|N ). =b xN o xB sont les variables de base (associes la base B) de (P1 ) et xN sont les variables hors-base de (P1 ). En multipliant ce systme par B 1 , on obtient : B 1 .(B|N ). xB xN = B 1 .b xB + B 1 .N.xN = B 1 .b
tel-00009238, version 1 - 11 May 2005
On peut alors dterminer lensemble des solutions du systme A.x = b en xant arbitrairement les valeurs de xN et en calculant les valeurs rsultantes de xB : xN = v Rnm xB = B 1 .b B 1 .N.v La solution particulire obtenue en xant 0 les variables hors-base xN est appele solution de base (ou solution basique) associe la base B ; elle est donc gale : xB = B 1 .b et xN = 0 Une base est dite dgnre si le vecteur xB = B 1 .b a une de ses composantes nulle. Une solution de base (associe une base B) est une solution de base ralisable si elle vrie de plus les contraintes de non-ngativit xB 0. Une base est ralisable si et seulement si sa solution basique lest. On montre (voir par exemple [Minoux 83a]) que, si (P1 ) admet une solution optimale valeur nie, alors il existe une base ralisable B telle que la solution de base associe x est optimale.
2.3 Programmation linaire
39
Gomtriquement, lensemble X des solutions ralisables de (P1 ) est un ensemble convexe X = {x|A.x = b,x 0}, appel polydre des solutions (ou polydre des contraintes), dont les sommets (ou points extrmes) correspondent aux solutions de base ralisables. Si (P1 ) admet une solution optimale valeur nie, cette solution correspond donc un sommet du polydre X. Dualit Considrons le programme linaire (P1 ) ; on associe chaque contrainte i de (P1 ) (i = 1 m) une variable ui positive, ngative ou nulle, appele variable duale. Le programme linaire D1 dni par : M in w = u.b (D1 ) u.A c s.c. u 0
tel-00009238, version 1 - 11 May 2005
o u est le vecteur ligne : (u1 ,...,um ), est appel le dual du programme (P1 ) (par opposition, (P1 ) est appel le primal). La matrice des contraintes de (D1 ) est la transpose de la matrice des contraintes de (P1 ), le vecteur des seconds membres de (D1 ) est le vecteur des cots de (P1 ) et vice-versa. De cette notion dcoule le thorme de la dualit (extrait de [Minoux 83a]) : tant donn un programme linaire (P ) et le programme dual (D) associ : Si (P ) et (D) ont des solutions, alors chacun deux a une solution optimale et : z = M ax(P ) = M in(D) = w Si lun deux a un optimum non born, lautre na pas de solution. Ce thorme est de grande porte thorique et pratique. Dautres proprits et thormes lis la dualit sont largement utiliss en programmation linaire. Nous renvoyons la lecture douvrages spcialiss, par exemple [Minoux 83a, Teghem 96, Goldfarb & Todd 89], pour une prsentation complte de ces notions et rsultats.
2.3.2
2.3.2.1
Rsolution des programmes linaires

Principaux algorithmes
Aujourdhui encore la plus utilise des mthodes de rsolution en programmation linaire, la mthode du simplexe, dveloppe en 1947 par G. Dantzig, a longtemps t la base de la plupart des algorithmes de rsolution des programmes linaires. Cependant, sil se rvle trs ecace en moyenne, Klee et Minty ont mis en vidence en 1972 des exemples pour lesquels le simplexe ncessite un nombre doprations croissant exponentiellement avec la taille du problme [Klee & Minty 72]. Cette possibilit thorique davoir un mauvais comportement du simplexe a suscit un regain dintrt pour la recherche dalgorithmes polynomiaux 1 de rsolution des programmes linaires.
1. Un algorithme est polynomial si on peut borner le temps maximal de son excution par une fonction polynomiale de la taille du problme considr.
40
Le premier algorithme de ce type, appel mthode ellipsode, a t dvelopp en 1979 par Khachian, montrant alors que les problmes de programmation linaire sont polynomiaux [Khachian 79]. Il sagit dune variante des mthodes de dilatation despace dues Shor (cf. [Minoux 83a], chap.4) ; il sinspire galement de travaux antrieurs sur des algorithmes dits ellipsodaux. Lide est dutiliser une suite dellipsodes de volume dcroissant mais qui contiennent chaque itration la solution optimale du programme linaire rsoudre. On peut trouver une prsentation dtaille de cet algorithme dans [Goldfarb & Todd 89]. Bien que plus rapide que le simplexe sur les problmes de Klee et Minty, il reste bien plus lent sur les problmes rels. Karmakar a dvelopp un deuxime algorithme polynomial en 1984 [Karmarkar 84]. Il sagit dune mthode de points intrieurs qui se base sur des principes de gomtrie projective et de programmation non linaire. Lide est de chercher des points, lintrieur du polydre des contraintes, permettant de se diriger rapidement vers le sommet optimal. Des drivs de cet algorithme, en particulier la mthode dite de barrire, commencent concurrencer le simplexe sur certains problmes de grande taille. Pour plus de dtails sur cet algorithme, on peut se rfrer des ouvrages spcialiss tels que [Goldfarb & Todd 89]. Le simplexe reste cependant la mthode privilgie de rsolution des programmes linaires formuls dans la pratique. Ceci est d ses performances et galement sa capacit fournir des solutions de base, trs importantes dans les approches de dcomposition ou encore dans des procdures de r-optimisation itratives (cf. [Lebbar 00]). Nous prsentons un aperu de la mthode du simplexe au paragraphe suivant. 2.3.2.2 Mthode du simplexe
tel-00009238, version 1 - 11 May 2005
La mthode du simplexe est une mthode exacte et itrative dans laquelle on retrouve les concepts dnis au paragraphe 2.3.1. En eet, dun point de vue gomtrique, tant donn quune solution dun programme linaire se trouve toujours sur un point extrme du polydre des contraintes, le simplexe consiste se dplacer dun point extrme lautre, le long des artes du polydre, jusqu trouver le point associ la solution optimale. Algbriquement, le simplexe sinterprte comme la dtermination dune suite de bases adjacentes ralisables telles que les valeurs associes de la fonction objectif soient croissantes. Considrons le programme linaire (P1 ) et soit B une base ralisable (non dgnre) issue de la matrice des contraintes. On dcompose la fonction objectif : z = c.x = cN .xN + cB .xB En eectuant le changement de variable : xB = B 1 .b B 1 .N.xN on peut exprimer z en fonction de xN : z = (cN cB .B 1 .N )xN + cB .B 1 .b Pour la solution de base associe B, on a z = cB .B 1 .b (car xN = 0). On pose = (1 ,...,m ), dni par : = cB .B 1
2.3 Programmation linaire le vecteur des multiplicateurs du simplexe et : cN = cN .N
41
le vecteur des prots marginaux (ou rduits) des variables hors base. Les prots marginaux donnent le gain obtenu en augmentant de 1 la variable associe. Sil existe une variable hors base xr dont le prot marginal cr est strictement positif, alors N il sut daugmenter sa valeur dans la solution de base pour augmenter la valeur de z. La base B courante nest donc pas optimale ; on augmente alors la variable hors base xr , actuellement 0, jusqu annuler une variable de base. la suite de cette opration de pivotage, la variable hors base augmente, dite entrante (dans la base), remplace la variable de base annule, dite sortante : le problme est exprim dans une nouvelle base B , adjacente B. Cest le principe ditration de la mthode du simplexe. Gomtriquement, cette opration revient passer sur un sommet adjacent du polydre. Si on a, au contraire, cN 0, alors toute augmentation de variable diminuerait la valeur de z; la valeur optimale (le maximum) de z est donc obtenue pour la solution de base (B 1 .b|0). Notons que le vecteur est alors la solution optimale du problme dual (D1 ) de (P1 ) (u = = (1 ,...,m ), (1 ,...,m ) sont les valeurs duales de (P1 )). Sous lhypothse de non-dgnrescence des bases, la convergence est garantie en un nombre ni ditrations, du fait du nombre ni de sommets dun polydre. Comme nous lavons dj dit, la complexit du simplexe est thoriquement exponentielle. En pratique, des tudes statistiques ont cependant montr quil converge gnralement en m 3m itrations (m tant le nombre de contraintes du problme). Cest ce qui en fait une mthode trs ecace et trs utilise pour la rsolution de problmes rels. Le simplexe permet galement dindiquer lexistence dune innit de solutions optimales ainsi que le cas o il ny a pas de solution optimale valeur nie. Pour plus de dtails sur la mthode du simplexe, notamment sur la prise en compte de ces cas spciaux et sur ltude de sa complexit, on peut se rfrer des ouvrages traitant de la programmation linaire tels que [Minoux 83a, Teghem 96, Goldfarb & Todd 89].
tel-00009238, version 1 - 11 May 2005
2.3.3
Programmation linaire en nombres entiers
De nombreux problmes doptimisation, issus de domaines dapplications trs divers, peuvent tre modliss comme des programmes linaires dont les variables sont contraintes tre entires. Les programmes linaires ainsi obtenus sont appels programmes linaires en nombres entier s (PLNE). Ils sont souvent diciles rsoudre, du fait notamment que lespace de recherche nest plus convexe mais discret. Toutefois, la programmation linaire en nombres entiers est dj un outil trs utile de modlisation des problmes et de nombreuses approches de rsolution ont t dveloppes. La formulation gnrale dun PLNE est la suivante : M ax z = c.x (P2 ) A.x b s.c. x Nn En gnral, on suppose que A et b sont composs uniquement de valeurs entires.
42
On montre quun programme linaire en nombres entiers peut toujours sexprimer sous la forme dun programme linaire en variables boolennes (PL en 0 1). Dans le cas particulier, frquemment rencontr, o une partie des variables seulement sont astreintes tre entires, on parle de programme linaire en variables mixtes (PL mixte). Les mthodes classiques de programmation linaire ne peuvent tre utilises systmatiquement pour les PLNE puisquelles cherchent un sommet optimal du polydre des contraintes {x|A.x b,x 0} qui, en gnral, na pas de coordonnes entires (cf. gure 2.2).
y
3x
3x +
+4
y=
24
4y =2 5,3 33
(4,3) solution optimale du PLNE (16/3,7/3) solution optimale du PL : sommet du polydre
3y= x+
tel-00009238, version 1 - 11 May 2005
x+2 y=1 0 2x+
Fig. 2.2 Exemple de PLNE : 3 sommets du polydre des contraintes nont pas leurs coordonnes entires Pour certains problmes particuliers, comme les problmes de ot et plus gnralement les problmes dont la matrice des contraintes est totalement unimodulaire, la solution optimale de la relaxation linaire du problme est entire. On peut donc utiliser des algorithmes classiques de programmation linaire pour les rsoudre. En dehors de ces cas particuliers, la solution optimale de relaxation linaire dun PLNE est quand mme intressante calculer car elle fournit une borne suprieure (pour un problme de maximisation) de la valeur optimale du critre en variables entires. Direntes approches ont t tudies pour la recherche de solutions optimales entires des PLNE. Elles font appel essentiellement des algorithmes de recherche arborescente par sparation et valuation (branch and bound) et des mthodes de coupes. Un moyen naturel pour rsoudre un PLNE de trs petite taille consiste calculer lensemble des solutions entires du problme et en retenir la meilleure. Or, au del de quelques variables, cette numration explicite devient impossible du fait de la combinatoire du problme. Lide de la recherche arborescente par sparation et valuation est deectuer une numration implicite des solutions du PLNE. Cette mthode consiste sparer le problme en plusieurs sous-problmes, puis valuer chaque sous-problme en calculant une borne suprieure (en maximisation) de sa valeur optimale et en la comparant une valeur de rfrence (correspondant une solution connue du problme). On itre ensuite le processus uniquement sur les sous-problmes dont lvaluation est suprieure la valeur de rfrence (ils sont seuls susceptibles de lamliorer). Lensemble des solutions est ainsi reprsent par une arborescence dans laquelle un grand nombre de noeuds sont limins. Lvaluation des sous-problmes se fait souvent en rsolvant (par le simplexe) leur relaxation linaire. La gure 2.3 donne un exemple de recherche arborescente par
3 y=1
2.3 Programmation linaire sparation et valuation, pour le PLNE prsent la gure 2.2.
Evaluation 0 de (P ) expl x <= 5 z = 25,333 x = 16/3 y = 7/3 x >= 6 z = 16 x=6 y=1
43
Evaluation 1
z = 25 x=5 y = 5/2 y >= 3
Evaluation 4
y <= 2
Evaluation 2
tel-00009238, version 1 - 11 May 2005
z = 23 x=5 y=2
Evaluation 3
z = 24 x=5 y=3
Solution entire
Meilleure solution entire
Fig. 2.3 Recherche par sparation et valuation applique (Pexpl ) Les mthodes de coupes ont pour but de trouver lenveloppe convexe des solutions entires, cest--dire le plus petit polydre contenant toutes les solutions entires du PLNE. En eet, si on arrive dterminer cette enveloppe convexe, la rsolution de la relaxation linaire du PLNE rduit cet ensemble donne une solution optimale entire. En pratique, ces mthodes consistent itrer le processus suivant jusqu obtenir une solution entire : rsoudre la relaxation linaire du problme puis ajouter des contraintes (les coupes) qui rduisent le polydre des solutions sans liminer de solution entire (voir exemple de la gure 2.4). La dicult de ces mthodes rside dans la gnration de coupes ecaces. Les plus connues sont les coupes de Gomory ; on prouve la convergence nie de la mthode avec ces coupes [Gomory 58], mais en pratique, ce ne sont pas les plus utilises. La convergence est en eet trs lente et on leur prfre en gnral des coupes bases sur une tude pousse de la structure du problme. De plus, les mthodes de coupe, utilises seules, achent des performances modestes. En revanche, elles se rvlent ecaces associes des mthodes de recherche arborescente (Branch and cut). Pour une prsentation plus dtaille de la programmation linaire en nombres entiers, on peut se rfrer des ouvrages de synthse tel que [Minoux 83b] ou [Guret et al. 00], ou bien des ouvrages entirement consacrs ce domaine comme [Nemhauser & Wolsey 89], ou [Wolsey 98]. Ces livres abordent en particulier des aspects de modlisation ; les direntes techniques existantes font de la programmation linaire en nombres entiers un outil puissant de modlisation, ce qui participe pour beaucoup son succs. Concernant plus particulirement les mthodes de coupes, dans [Marchand et al. 99], les auteurs exposent un tour dhorizon trs dtaill des direntes techniques existantes.
44
y

Polydre des solutions de (P ) expl
Enveloppe convexe des solutions entires de (P ) expl
Coupes
tel-00009238, version 1 - 11 May 2005
Fig. 2.4 Exemple de coupes appliques au polydre des solutions de (Pexpl ) Enn, dans [Johnson et al. 00], les auteurs prsentent les principaux progrs apports, ces dix dernires annes, en matire de programmation linaire en nombre entiers. Ils citent, entre autres, les techniques de preprocessing, permettant de rduire lespace de recherche des solutions avant la rsolution dun problme, ainsi que les procdures de branch and price, que nous prsentons dans la suite de ce chapitre.
2.4
Gnration de colonnes pour les problmes de grande dimension
De nombreux problmes doptimisation combinatoire issus dapplications relles peuvent tre modliss comme des PLNE, mais leur taille, ainsi que leur structure empchent frquemment une rsolution par les mthodes prcdemment prsentes de programmation linaire. En eet, la relaxation linaire de ces modles fournit souvent une borne de mauvaise qualit qui, ajoute la combinatoire du problme, rend la recherche arborescente par sparation et valuation dune solution optimale entire, trs dicile. Une formulation alternative de ces problmes, obtenue par une dcomposition du modle initial par la mthode de Dantzig-Wolfe, peut fournir de meilleures bornes. Le modle ainsi obtenu est alors de trop grande taille pour tre totalement explicit et donc rsolu par un algorithme tel que le simplexe, mais on peut se ramener une suite de sous-problmes plus faciles rsoudre que le problme global et dont les liens de dpendance sont traits un niveau suprieur de coordination. Cette mthode de rsolution des programmes linaires de grande taille, appele gnration de colonnes, fait lobjet des paragraphes suivants.
2.4.1
Principe de rsolution par gnration de colonnes
La gnration de colonnes, ou programmation linaire gnralise, permet de rsoudre certains programmes linaires contenant un nombre de variables tel quil interdit lapplication
2.4 Gnration de colonnes pour les problmes de grande dimension
45
de lalgorithme du simplexe au problme dans sa globalit. Le principe de cette technique consiste ne manipuler quun petit nombre de variables la fois et identier les variables entrant en base au cours de la rsolution sans les numrer explicitement. Considrons (P3 ), le PL sous forme standard suivant : M ax z = c.x (P3 ) A.x = b s.c. x0
On suppose que (P3 ) comporte un nombre de contraintes raisonnable et un nombre de variables trs largement suprieur (n m), tel que la matrice A ne peut pas tre explicite. On suppose cependant que A est connue implicitement, cest--dire que ses colonnes correspondent aux lments dun ensemble que lon sait caractriser.
tel-00009238, version 1 - 11 May 2005
On suppose galement que lon dispose dun algorithme ecace (appel algorithme gnrateur ) pour exhiber une colonne de A maximisant une fonction linaire de la forme z(Aj ) = cj .Aj , o = (1 ,...,m ) est un vecteur-ligne quelconque. Soit un sous-ensemble des variables de (P3 ) et A la sous-matrice de A correspondante (on suppose que A est de rang m). On note (P r3 ) la restriction de (P3 ) . La rsolution par le simplexe (cf. 2.3.2.2) de (P r3 ) fournit une solution de base optimale associe une base B issue de A , de rang m. Cette solution est admissible mais pas ncessairement optimale pour (P3 ) . Pour lamliorer, en suivant la mthode du simplexe, on cherche donc faire entrer en base une variable de (P3 ) de prot marginal strictement positif (en maximisation). On sait quune telle variable nexiste pas dans (sinon (B 1 .b|0) nest pas optimale pour (P r3 )) ; il faut donc exhiber une des variables non explicites dans (P3 ) et gnrer la colonne de A correspondante. Or, on sait que le prot marginal dune variable xj (hors base) est dni par : (B 1 .b|0) cj = cj .Aj o est le vecteur des multiplicateurs du simplexe associs B ( = c .B 1 ), cest--dire B le vecteur des valeurs duales de (P r3 ). On peut donc dterminer, en utilisant lalgorithme gnrateur, la colonne Ar de A telle que : cr = M axj (z = cj .Aj ) Tant que cr est strictement positif, on ajoute la variable xr et la colonne Ar A et on itre le processus en rsolvant le nouveau programme linaire (P r3 ). Lorsque lalgorithme gnrateur dtermine cr 0, lalgorithme sarrte ; en eet, toutes les variables hors base ont alors un cot rduit ngatif ou nul, la solution courante est donc maximale pour (P3 ). Comme le simplexe, la mthode de rsolution par gnration de colonnes converge (chaque colonne de A est gnre au plus une fois) et est exacte. Bien entendu, lhypothse faite sur lexistence dun algorithme gnrateur ecace est une hypothse forte et peut donner le sentiment que la dicult du problme a seulement t masque. Cependant, dans de nombreuses applications, les colonnes de la matrice A ont une structure naturelle particulire que lon peut exploiter avantageusement dans un algorithme gnrateur.
46
tel-00009238, version 1 - 11 May 2005
Lexemple du problme de dcoupe industrielle illustre particulirement bien lecacit de la gnration de colonnes. Il sagit dune des premires applications de ces techniques, que lon doit aux travaux de Gilmore et Gomory entre 1961 et 1965 [Gilmore & Gomory 61, Gilmore & Gomory 63, Gilmore & Gomory 65]. On considre un stock (suppos inni) de rouleaux de papier de largeur L standard ; lobjectif est de satisfaire une demande dau moins bi pices de largeur li (pour i = 1 m) tout en minimisant le nombre de rouleaux dcouper. On associe une variable xj chaque patron de dcoupe possible dun rouleau (on a ainsi un nombre potentiellement trs grand de variables). On obtient une formulation du problme par un programme linaire (en nombres entiers) o la variable xj reprsente le nombre de rouleaux dcouper selon le patron j et dont les coecients aij de la matrice A des contraintes reprsentent la quantit de pices de largeur li obtenues avec le patron j. On applique alors la technique de gnration de colonnes la relaxation linaire de ce problme et lalgorithme gnrateur, qui consiste exhiber des patrons de dcoupe, rsout dans ce cas un problme de sac--dos. On trouve une description dtaille de ce problme dans un grand nombre douvrages traitant de la gnration de colonnes (par exemple [Lasdon 70, Goldfarb & Todd 89]). De nombreux programmes linaires peuvent tre reformuls de faon prsenter une structure adapte la rsolution par gnration de colonnes. On utilise classiquement la mthode de dcomposition de Dantzig-Wolfe que nous prsentons dans la suite.
2.4.2
Convergence de la mthode
La rapidit de la mthode de gnration de colonnes dpend du nombre ditrations ncessaires jusqu la preuve de loptimalit, ainsi que du temps de calcul consacr chaque tape du processus de rsolution. Le rle de lalgorithme gnrateur est, chaque itration, de fournir une colonne amliorante ou de prouver quil nen existe aucune. La rapidit de la mthode de gnration de colonnes est donc largement tributaire de lecacit de lalgorithme gnrateur. Nimporte quelle colonne de prot marginal positif (en maximisation) peut contribuer amliorer la solution courante, il nest donc pas toujours utile de rsoudre exactement chaque sous-problme. Lalgorithme gnrateur peut ainsi nen rsoudre quune restriction, ou bien faire appel des mthodes approches, an de rduire les temps de calcul. Notons toutefois que pour sortir du processus itratif, on doit utiliser au moins une fois un algorithme exact pour prouver quil nexiste plus de colonne amliorante. Une autre pratique courante dacclration de la mthode de gnration de colonnes consiste gnrer plusieurs colonnes amliorantes chaque itration [Lasdon 70] ; ceci peut permettre de rduire le nombre ditrations ncessaires pour gnrer les colonnes de la base optimale du problme matre. Des problmes de convergence sont malgr tout frquemment observs dans lapplication de la mthode de gnration de colonnes, lis au fait que les valeurs duales convergent vers leur optimum en oscillant de faon irrgulire. Dirents travaux de recherche portent sur les techniques dacclration de la convergence, consistant contrler au mieux ces valeurs duales. Parmi ces travaux, les mthodes de stabilisation de la procdure de rsolution proposes par [Merle et al. 99] puis [Ben Amor 02] sont particulirement ecaces ; elles se basent sur lintroduction de perturbations dans le problme matre, couples avec des bornes des variables duales. Les rsultats reports dans ces travaux montrent dimportantes rductions du nombre ditrations et des temps de calcul sur dirents problmes, ainsi que la possibilit de rsoudre
2.4 Gnration de colonnes pour les problmes de grande dimension des problmes de plus grande taille.
47
Dans [Desaulniers et al. 99], les auteurs prsentent un ensemble de stratgies dacclration, intervenant dans les direntes phases du processus de rsolution et permettant de traiter des problmes rels de trs grande taille, dans des dlais raisonnables.
2.4.3
Dcomposition de Dantzig-Wolfe (1960)
Dans les programmes linaires qui modlisent des applications relles comportant un grand nombre de variables et de contraintes, les matrices de contraintes sont gnralement trs creuses et les lments nuls sont distribus de telle faon quils forment de grandes sousmatrices. Ceci est d au fait que les activits associes aux variables ne sont pas toutes directement lies entre elles, mais que chacune ne participe qu quelques-unes des contraintes du problme. Ainsi on met en vidence des sous-systmes fortement lis en interne et fortement dcoupls les uns des autres. Ceci correspond une segmentation logique du problme en sous-problmes, lis entre eux par un ensemble restreint de contraintes (contraintes couplantes) et donnant une structure bloc-angulaire aux matrices de contraintes, comme illustr gure 2.5. Dans cet exemple, la matrice des contraintes est compose de p blocs indpendants et dun bloc A0 de contraintes couplantes ; pour tout k = 1 K, xk est un sous-ensemble du vecteur variable x (x = (x1 ,x2 ,...,xK )).
A1 0 A1 A2 AK A2 0 AK 0 x1 x2 b0 b1 b2 bK
tel-00009238, version 1 - 11 May 2005
xK
Fig. 2.5 Formulation des contraintes dun PL avec une matrice bloc-angulaire La dcomposition de Dantzig-Wolfe associe un polydre chaque bloc Ak (k = 1 K) et exprime les variables du problme comme combinaison linaire des sommets de ces polydres, permettant ainsi une formulation quivalente du PL de dpart, dans laquelle seules les contraintes couplantes sont explicites. Considrons un programme linaire, (P4 ), associ la matrice de contraintes de la gure 2.5. Soit X k le polydre (born) dni par X k = {xk | Ak .xk bk , xk 0} pour tout k = 1 K, (P4 ) scrit alors (formulation compacte de (P4 )) : M ax z = s.c.
K k k k=1 c .x K k k k=1 A0 .x xk X k
(P4 )
b0 k = 1..K
Xk.
Pour tout k = 1 K, soit k lensemble (ni) des indices des sommets xk du polydre s Tout vecteur xk de X k peut sexprimer comme combinaison linaire de ces sommets ; ie.
48 il existe un ensemble de scalaires k tel que : s xk =

sk
k .xk s s
avec sk k = 1 et k [0; 1] pour tout s k . s s On peut donc crire le problme (P4 ) sous la forme : M ax z = s.c. (P M4 )
K k=1 K k=1 sk
k .ck .xk s s b0 k = 1..K k = 1..K
k k k sk s .A0 .xs k sk s = 1
k [0; 1] s
tel-00009238, version 1 - 11 May 2005
Dans cette nouvelle formulation, totalement quivalente (P4 ), les seules variables de dcision sont les k . En eet, mme sils ne sont pas explicits, on sait caractriser les sommets s des polydres X k , ils sont donc implicitement connus. Comme illustr la gure 2.6, la matrice des contraintes de (P M4 ) contient un nombre restreint de lignes mais beaucoup plus de colonnes que la matrice initiale et ces colonnes sont implicitement connues.
A1 0 A1 A2 0 A2 AK AK 0
x k combinaison linaire des sommets de Xk
A 0 . (x s ) 1
11 ...... 1
2 A 2 . (x s ) 2 0
K A K. (x s ) K 0
11 ...... 1 11 ...... 1
Fig. 2.6 Transformation de la matrice bloc-angulaire des contraintes Ainsi, le programme linaire (P M4 ) a la forme requise pour tre rsolu par gnration de colonnes. On appelle problme matre le programme linaire (P M4 ). chaque itration du processus de rsolution par gnration de colonnes, on rsout une restriction du problme matre un sous-ensemble des variables ((P M R4 ), problme matre restreint ). On cherche ensuite faire entrer en base de nouvelles variables, de prot marginal positif. Ceci revient, pour lalgorithme gnrateur, chercher les sommets xk des K polydres X k qui maximisent la valeur s ck .xk . Ak Ak 0 .xk = xk (ck . 0 ) 1 1
o est le vecteur des valeurs duales de (P M R4 ), cest--dire rsoudre les K sous-problmes : Ak k k 0 M ax z = sk xs (cs . 1 ) s.c. Ak .xk bk (SPk ) xk 0 Le processus itratif sarrte lorsquil nexiste plus de solution strictement positive ces problmes. La solution optimale du problme matre restreint courant (P M R4 ) est alors la solution optimale du problme matre (P M4 ) et elle fournit galement la solution de (P4 ).
49
Ainsi, lapproche de rsolution dun programme linaire par gnration de colonnes peut tre vue comme un schma itratif de coopration entre deux types de problmes plus faciles rsoudre que le problme global : le problme matre, qui est une formulation quivalente du programme linaire initial, avec moins de contraintes et plus de variables, et dont on ne rsout chaque itration quune restriction un sous-ensemble de variables ; le problme esclave, constitu dun ensemble de sous-problmes indpendants, rsolus chaque itration par un algorithme gnrateur et qui consiste gnrer, si elle existe, une colonne qui, insre la matrice du problme matre restreint courant, permet damliorer la solution courante. La gure 2.7 illustre ce schma de coopration.
Initialisation : Trouver une base admissible B du PL
tel-00009238, version 1 - 11 May 2005
Problme matre (PM) Problme esclave
A=
colonnes non explicites
duales
Pour tout sousproblme : Mettre jour la fonction objectif

(calcul des profits marginaux)
Mettre jour (PMR) : restriction de (PM) Rsoudre (PMR) solution optimale de (PMR) valeurs duales de (PMR)
colonnes
Rsoudre le sousproblme
(algorithme gnrateur)
nouvelle colonne Test darrt : existence dune colonne amliorante ? oui non
STOP
Fig. 2.7 Schma de rsolution dun PL par gnration de colonnes Une approche duale de la dcomposition de Dantzig-Wolfe, appele dcomposition de Benders, consiste partitionner les variables dun PL de faon obtenir des sous-problmes indpendants, lis entre eux uniquement par un ensemble de variables couplantes [Benders 62]. On peut appliquer la gnration de colonnes au dual dun problme dcompos de la sorte, ce qui revient dvelopper une mthode de gnration de contraintes dans le problme primal. Ce type de dcomposition trouve ses applications particulirement dans des problmes en variables mixtes, ou des problmes partiellement non linaires (voir [Minoux 83b] 4.4 et [Lasdon 70] 7.3 pour une prsentation dtaille de la mthode par dcomposition de Benders et pour sa comparaison avec la mthode de Dantzig-Wolfe). Notons enn que la gnration de colonnes peut tre galement vue comme une version duale de la relaxation Lagrangienne. Nous ne prsentons pas cette mthode ici, mais on peut
50
en trouver une description dtaille ainsi que des lments de comparaison avec la gnration de colonnes dans dirents ouvrages, en particulier dans [Minoux 83b].
2.4.4
2.4.4.1
Rsolution de PLNE par gnration de colonnes

Dcomposition des PLNE
Nous avons vu que la mthode de Dantzig-Wolfe permet de dcomposer des programmes linaires et de les rsoudre par gnration de colonnes ; en pratique, cette mthode est trs utilise pour la rsolution de trs grands programmes linaires en nombres entiers ou en variables mixtes. En eet, la dcomposition de Dantzig-Wolfe est adaptable aux PLNE. Considrons le problme (P4 ) dni comme le programme linaire (P4 ) auquel on ajoute la contrainte dintgrit des variables. On a alors la formulation compacte de (P4 ) :
tel-00009238, version 1 - 11 May 2005
avec P k = {xk | Ak .xk bk , xk 0} et X k = P k Nn , pour tout k = 1 K. Supposons P k born, on sait alors quil existe un ensemble ni de points (entiers) {xk }qQk X k , tel que q tout xk X k est combinaison linaire des xk [Vanderbeck 00]. q On peut ainsi formuler le problme matre suivant : M ax z = s.c. (P M4 )
K k=1 K k=1 qQk
M ax z = (P4 ) s.c.
K k k k=1 c .x K k k k=1 A0 .x xk X k
b0 k = 1..K
k .ck .xk q q b0 k = 1..K k = 1..K
k k k qQk q .A0 .xq k qQk q = 1
k {0,1} q
Ce programme linaire contient des variables discrtes mais sa relaxation linaire a la forme requise pour tre rsolue par gnration de colonnes. De nombreux cas dapplication de la gnration de colonnes des problmes combinatoires sont reports dans la littrature. [Lbbecke & Desrosiers 02] dresse un tableau synthtique des dirents types de problmes qui ont t rsolus avec succs par ces mthodes ; on relve en particulier des problmes de dcoupe, avec [Gilmore & Gomory 61, Gilmore & Gomory 63] et plus rcemment [Vance 98, Vanderbeck 00]), des problmes daectation et dordonnancement de tches [Savelsbergh 97, Van Den Akker et al. 00], des problmes de tourne avec contraintes supplmentaires fentres de temps et contraintes de ressources [Desrosiers et al. 84, Desrochers et al. 92, Ribeiro & Soumis 94] et des problmes de construction de plannings dans le domaine des transports ariens [Desaulniers et al. 97, Barnhart et al. 98a]. 2.4.4.2 Algorithme gnrateur
Les sous-problmes issus de la dcomposition de Dantzig-Wolfe dun PLNE sont galement formuls comme des PLNE.
51
Pour les applications releves dans la littrature, les colonnes du problme matre peuvent tre gnralement interprtes comme des chemins dans un graphe ou des ots dans un rseau. Les algorithmes gnrateurs font souvent appel la thorie des graphes et la programmation dynamique et, plus rarement, dautres mthodes comme la programmation linaire ou la programmation non linaire (cf. [Lasdon 70]). Le sous-problme se ramne frquemment un problme de plus court chemin dans un graphe avec contraintes supplmentaires. Les algorithmes gnrateurs dvelopps pour ce type de problme se basent essentiellement sur un algorithme de programmation dynamique, pseudo-polynomial, prsent dans [Desrochers & Soumis 88, Desrochers et al. 92] pour la rsolution par gnration de colonnes dun problme de tourne de bus scolaires (avec fentres temporelles et contraintes de ressources). Le principe de cet algorithme est dassocier chaque chemin partiel du graphe une tiquette fournissant une valuation multi-critre (sur le temps et la consommation des direntes ressources) et dliminer des chemins partiels grce des rgles de dominance. Cest une extension de lalgorithme classique de Bellman-Ford pour la recherche de plus courts chemins dans un graphe [Prins 94].
tel-00009238, version 1 - 11 May 2005
Des mthodes approches peuvent galement tre utilises pour gnrer les colonnes du problme matre ; elles se basent gnralement sur les mmes principes mais se contentent de rechercher un chemin ralisable dans le graphe, satisfaisant lensemble des contraintes du sousproblme. Cependant, une itration donne, le fait de ne pas trouver de colonne amliorante, par un algorithme heuristique, ne prouve pas loptimalit de la solution courante du problme matre. Pour terminer le processus itratif, on doit donc utiliser un algorithme gnrateur exact.
2.4.4.3
Recherche de solutions entires : branch and price
La gnration de colonnes applique un problme matre en nombres entiers (P M4 ) fournit une solution optimale de sa relaxation linaire qui, si elle nest pas entire, peut tre ensuite utilise comme borne (suprieure en maximisation) de la solution entire de (P M4 ) . Cette borne est souvent rapporte comme tant de bonne qualit (en particulier, par rapport celle que lon peut obtenir par la relaxation linaire de la formulation initiale de (P4 )). Ceci est d en particulier au fait que dans la relaxation linaire de (P M4 ), contrairement celle de (P4 ), on rduit implicitement les ensembles X k leur enveloppe convexe conv(X k ) pour la recherche des solutions. Une premire approche pour la recherche dune solution entire consiste obtenir par gnration de colonnes la solution du problme matre (P M4 ), puis lancer une recherche arborescente classique de type branch and bound sur le problme matre restreint lensemble des colonnes explicites lors du processus de gnration de colonnes. Cest une approche heuristique car, mme si lensemble de colonnes permet de trouver la solution optimale continue de (P M4 ) la racine de laborescence, on nest pas assur dobtenir la solution optimale (ni mme une solution ralisable) aux autres nuds de larbre. En eet, des colonnes, hors , sont susceptibles damliorer la solution (ou de rendre le problme faisable) au cours de la recherche arborescente. Ainsi, une deuxime approche, appele branch and price, adapte les principes du branch and bound au contexte de la gnration de colonnes en permettant dexpliciter de nouvelles colonnes chaque nud de larbre, cest--dire en utilisant une procdure dvaluation des
52 nuds par la mthode de gnration de colonnes.
Les techniques de sparation doivent alors permettre de supprimer des solutions fractionnaires, tout en nintroduisant que des contraintes qui puissent tre prises en compte aisment par lalgorithme gnrateur. [Barnhart et al. 98b, Vanderbeck & Wolsey 96, Vanderbeck 00] dtaillent les dirents aspects thoriques du branch and price et discutent en particulier des types de sparation envisageables. La premire stratgie est deectuer les sparations, comme classiquement dans un branch and bound, sur les variables du problme matre, cest--dire sur les choix des colonnes dans la solution. Or, sil est ais dajouter dans chaque branche de larbre la contrainte approprie au problme matre (par exemple k = 0 dans une branche et k = 1 dans lautre), q q on doit modier la structure du sous-problme associ pour quil intgre ce type de contrainte. Gnralement, ceci dgrade considrablement lecacit de lalgorithme gnrateur. Une autre stratgie permet dviter cet cueil : elle consiste sparer le problme sur les variables de la formulation initiale (P4 ). Ceci revient eectuer la sparation sur les variables des sousproblmes. Ainsi, chaque nud, on ajoute simplement des contraintes de borne sur les variables dun sous-problme, ce qui ne modie pas sa structure. La mme procdure dvaluation peut donc tre applique chaque nud. Ainsi, on adopte gnralement cette deuxime stratgie de sparation des variables. La recheche arborescente par branch and price permet donc thoriquement de trouver la solution optimale dun PLNE. Elle peut tre galement utilise dans le cadre dune approche heuristique pour obtenir des solutions de bonne qualit.
tel-00009238, version 1 - 11 May 2005
2.5
Conclusion
Dans ce deuxime chapitre, nous prsentons les mthodes que nous privilgions pour aborder les problmes de planication de missions spatiales tudis par la suite. Les techniques de Propagation de Contraintes ont pour but de simplier la rsolution dun problme en tirant un maximum dinformations de ses contraintes, de faon rduire le domaine des valeurs admissibles des variables et ainsi viter de nombreuses tentatives de rsolution voues lchec. Suivant le type de contrainte considre (contrainte temporelle, contrainte de partage de ressource), direntes rgles de dductions peuvent tre utilises. La mise en uvre de ces rgles fait lobjet de nombreux dveloppements algorithmiques. La Propagation de Contraintes peut tre utilise en prtraitement dun problme ou au cours dun processus de rsolution, de faon restreindre lespace de recherche des solutions. Elle peut galement tre vue, dans un contexte daide la dcision, comme un moyen de guider un utilisateur dans ses choix, dune part en liminant certaines valeurs de variables inconsistantes, dautre part en rpercutant les consquences de chaque prise de dcision sur le reste des dcisions prendre. La Programmation Linaire a pour objet ltude thorique de problmes doptimisation de fonctions linaires sous contraintes linaires, ainsi que la conception dalgorithmes de rsolution de ces problmes. En particulier, lalgorithme du simplexe est gnralement utilis pour rsoudre un problme doptimisation linaire. La Programmation Linaire propose un cadre formel permettant galement de modliser un grand nombre de problmes doptimisation en variables entires. Des mthodes utilisant la
relaxation linaire de ces problmes pour calculer des bornes, intgres dans des processus de recherche arborescente adapts aux problmes en variables entires, permettent de rsoudre ces problmes (PLNE). Pour des problmes doptimisation combinatoire de trs grande taille, ou pour lesquels la relaxation linaire ne fournit pas de bornes de qualit susante, une variante de la Programmation Linaire, appele Gnration de Colonnes, base sur une dcomposition du modle linaire, permet de dvelopper des mthodes de rsolution ecaces. Dans la partie suivante, nous nous appuyons sur le formalisme de la Programmation Linaire pour proposer une modlisation de problmes de planication mergeant dans trois projets spatiaux dvelopps au CNES, que nous avons tudis : un problme dallocation de liens de communication dans le projet de constellation Skybridge, un problme de planication dexpriences et de communications dans le projet Netlander dexploration de la plante Mars et un problme de planication de prises de vue pour un satellite Pliades dobservation de la Terre. Par la suite, nous mettons en uvre les mthodes vues dans ce chapitre pour rsoudre ces problmes.
tel-00009238, version 1 - 11 May 2005
tel-00009238, version 1 - 11 May 2005
Deuxime partie
tel-00009238, version 1 - 11 May 2005
tude de trois projets spatiaux : analyse et modlisation des problmes de planication
tel-00009238, version 1 - 11 May 2005
Chapitre 3
Skybridge : une constellation basse altitude pour la communication

tel-00009238, version 1 - 11 May 2005
3.1
3.1.1
Prsentation du projet Skybridge

Constellations basse altitude de tlcommunication
An de rpondre des besoins toujours croissants en matire de tlcommunications, de nouveaux systmes bass sur lexploitation de constellations de satellites ont t proposs comme alternative ou complment des systmes de tlcommunication dj existants. Ces nouveaux systmes peuvent en particulier tre utiliss pour un accs mondial haut-dbit des services multimdias interactifs. Il existe plusieurs catgories de constellations de satellites correspondant aux direntes altitudes utilises. Si les premiers systmes satellitaires exploits taient majoritairement gostationnaires (i.e., voluant sur une orbite quatoriale une altitude de 36 000 kilomtres), les tudes se portent dsormais vers les constellations moyenne altitude (MEO : medium earth orbit, entre 5 000 et 15 000 kilomtres) et surtout basse altitude (LEO : low earth orbit, entre 500 et 2 000 kilomtres). En eet, outre le fait que lorbite gostationnaire tend devenir sature, les constellations en orbite basse prsentent plusieurs avantages techniques et nanciers. Tout dabord, la taille, le poids, ainsi que les cots de fabrication et de mise poste des satellites MEO et LEO sont rduits par rapport ceux dun satellite gostationnaire. De plus, la propagation des signaux est jusqu 50 fois plus rapide avec des satellites en basse altitude quavec un satellite gostationnaire. Ceci permet donc de proposer de nouveaux types de services utilisant des transmissions quasi-instantanes des donnes. Enn, contrairement aux satellites gostationnaires qui couvrent dautant plus dicilement les rgions quelles sont loignes de la zone quatoriale, les constellations MEO et LEO assurent une couverture globale et de qualit homogne de toute la surface de la plante. Ce point est particulirement important si lon considre que le march des tlcommunications est principalement constitu de pays situs dans des latitudes autour de 45 dans les hmisphres nord et sud. Lexploitation de constellations MEO ou LEO pour les tlcommunications prsente cependant quelques inconvnients. Dune part, du fait de leur faible altitude, ces constellations doivent comporter un trs grand nombre de satellites pour assurer une couverture mondiale
58
chaque instant. Dautre part, un satellite non-gostationnaire napparat plus xe vu dun point au sol mais dlant, cest--dire quun satellite nest visible pour un utilisateur que sur certains intervalles temporels. Ceci induit une dynamique trs spcique dans le rseau de communication associ si lon veut assurer des communications continues aux utilisateurs.
3.1.2
Architecture de la constellation Skybridge
Le systme Skybridge est un projet de rseau daccs mondial des services de tlcommunication interactifs haute vitesse (accs Internet, visioconfrences, tl-travail, ...). Il utilise une constellation LEO de 80 satellites, ainsi que 200 stations sol (appeles galement gateways) permettant chacune la connexion dutilisateurs et avec la possibilit de sinterconnecter entre elles lorsquelles sont en visibilit dun mme satellite (voir gure 3.1).
tel-00009238, version 1 - 11 May 2005
Fig. 3.1 Fonctionnement gnral du systme Skybridge La constellation est de type Walker, cest--dire quelle possde certaines proprits gomtriques telles que : tous les satellites mme altitude (1 457 kilomtres) et quirpartis sur leur orbite, des orbites circulaires, de mme inclinaison par rapport au plan quatorial et quirparties autour de la Terre. 53 Dans la constellation Skybridge les satellites sont rpartis sur 20 plans orbitaux inclins comptant chacun 4 satellites quidistants. La gomtrie de cette constellation permet une couverture permanente dans la bande de latitudes 68 . Dans les zones tempres, elle permet une couverture par 2 6 satellites simultanment. Les satellites sont visibles dun point de la Terre sur des intervalles temporels (ou fentres de visibilit) de 15 20 minutes. Les satellites utiliss sont faisceaux xes ce qui signie que leurs antennes sont mobiles et quils sont ainsi capables, tout en se dplaant sur leur orbite, de pointer une antenne sur une zone prcise au sol. Ce type de matriel favorise le chevauchement entre les zones couvertes par les dirents satellites et permet ainsi de sadapter la demande en pointant un maximum dantennes de la constellation sur les zones o se concentre la demande. Le rle des satellites est de relier chaque utilisateur avec la station terrestre de connexion la plus proche par des antennes pointant vers les stations de connexion.
3.2 Problmatique
59
Terre, les 200 stations sol sont rparties de faon pouvoir assurer linterconnexion de tous les utilisateurs avec les rseaux terrestres de communication (voir gure 3.2).
tel-00009238, version 1 - 11 May 2005
Fig. 3.2 Rpartition des stations sol sur la Terre La surface terrestre couverte par le systme Skybridge est divise en cellules, qui sont des zones circulaires denviron 350 kilomtres de rayon centres sur une station sol. Tous les utilisateurs situs dans une mme cellule se connectent au rseau via une mme station sol. Le rle dune station sol est dassurer linterconnexion des utilisateurs de la cellule avec les rseaux terrestres de communication. Une description dtaille des caractristiques techniques du systme Skybridge et de ses capacits de service est prsente dans [Sourisse & Sorre 97] 1 .
3.2
Problmatique
Nous avons vu que, du fait de leur faible altitude, les satellites dune constellation comme Skybridge ne sont visibles pour un utilisateur ou pour une station sol, que sur certains intervalles temporels. Lorsque lon veut assurer la continuit dune communication tablie entre un utilisateur et sa station sol via un satellite, on doit donc basculer la communication du satellite qui sapprte sortir de la zone de visibilit un satellite qui entre en visibilit. Ce basculement est appel handover ; il sagit dune commutation de liaison transparente pour lutilisateur. On doit eectuer un handover chaque fois quune liaison dj tablie ne peut plus tre maintenue. Le droulement dun handover dans le systme Skybridge se dcompose en quatre tapes illustres dans la gure 3.3 : tape 1 : lutilisateur est en liaison avec le satellite 1 et attend un signal provenant de la station sol autorisant la liaison avec le satellite 2.
1. Voir galement le site http://www.skybridgesatellite.com.
60
tel-00009238, version 1 - 11 May 2005
Fig. 3.3 Droulement dun handover tape 2 : lutilisateur communique avec le satellite 1 et le satellite 2 pendant au moins une dure H (priode de double visibilit). tape 3 : la liaison avec le satellite 1 est coupe ds que le signal provenant de la station nest plus reu par ce satellite. tape 4 : lutilisateur est en liaison avec le satellite 2. De plus, pour des raisons de performance du systme, on estime que la dure dune liaison, hors ralisation des handovers, doit tre suprieure une dure minimale T (de lordre de 120 secondes pour le systme Skybridge). On peut ainsi schmatiser le droulement dune communication entre un utilisateur et sa station sol via la constellation par la gure 3.4. Pour assurer une couverture permanente de la Terre, chaque utilisateur doit pouvoir tre connect chaque instant par au moins un satellite et par au moins deux satellites lors dun handover. Pendant le handover, lutilisateur utilise deux fois plus de ressources que ncessaire pour une simple liaison. De plus, les liens de communication tablis pendant un handover sont de moins bonne qualit. Dans le cadre dtudes menes par le CNES sur ltablissement de plans prvisionnels dutilisation des ressources dune constellation comme Skybridge, on cherche donc planier lallocation des liens de communication des stations sol et des utilisateurs avec les satellites de faon assurer une couverture globale et continue de la Terre et en cherchant minimiser le nombre de handovers raliss. La constellation tudie est cyclique (cycles de dure 11 jours) et les calculs dphmrides des satellites mettent en vidence lexistence de sous-cycles au terme desquels on retrouve une
3.3 Analyse du problme
61
Fig. 3.4 Dcomposition dune communication mme conguration de la constellation une permutation prs des satellites. Ces sous-cycles ont une dure denviron 10 heures ; on considre donc le problme dallocation des liens de communication sur un horizon de 10 heures. Autant que possible, les handovers sont raliss simultanment pour tous les utilisateurs dune mme cellule (handovers de faisceau); cest--dire que tout le trac dune cellule via un satellite est commut pendant une unique priode de double visibilit (dune dure au moins gale H = 60 secondes). Ceci nous amne considrer un problme simpli en reprsentant lensemble des utilisateurs dune cellule par un unique utilisateur situ au centre de la cellule, ce qui revient ne sintresser quaux liaisons entre stations sol et satellites. Nous supposons galement que la demande est uniforme et quelle se traduit par le besoin dtablir un lien de communication utilisant une unique antenne dun unique satellite tout moment et dans toute cellule. Un satellite comporte un nombre xe dantennes ; le nombre de liens de communication que peut tablir simultanment un satellite avec les stations sol est ainsi limit ce nombre dantennes. Notre problme consiste donc, tant connues les fentres de visibilit sur un horizon de 10 heures des dirents satellites pour les stations sol, trouver des squences dallocation de liens stations/satellites qui assurent, pour chaque station sol, un lien continu avec la constellation et qui minimisent le nombre total de handovers raliss.
tel-00009238, version 1 - 11 May 2005
3.3
Analyse du problme
La complexit du problme dallocation des liens stations/satellites est due dirents facteurs. Tout dabord, la dynamique de la constellation est telle que les conits de ressources satellites, sont trs nombreux puisqu chaque instant une station sol est en visibilit de plusieurs satellites et un satellite est visible pour plusieurs stations. De plus, les nombreuses contraintes temporelles auxquelles sont soumises les communications, ainsi que lexcution des handovers, induisent que tout vnement, tel que le choix deectuer un handover avec un satellite particulier, a des consquences durant un intervalle de temps considrable et sur quasiment tout le systme. Ainsi, un mauvais choix dallocation dun satellite une station peut entraner plus ou moins long terme une discontinuit dans la communication, ce qui rend la solution non ralisable du fait de la contrainte forte de qualit de service fournir. Trouver
62
une solution ralisable est donc dj un problme dicile. Par ailleurs, le grand nombre de satellites et de stations sol ajout celui des combinaisons de choix de dcisions possibles rendent le problme fortement combinatoire. Depuis 1997, direntes mthodologies ont t tudies et mises en uvre au CNES pour traiter ce problme. Le premier souci pour la rsolution dun tel problme a t de montrer lexistence de solutions ralisables avant mme de chercher optimiser certains critres tels que le nombre de handovers. La premire mthode a t de dvelopper des heuristiques simples permettant de gnrer des solutions en considrant les stations sol les unes aprs les autres et en xant des rgles de priorit simples entre les satellites pour rgler les conits de ressources [Mancel 00]. Ces algorithmes ont permis dobtenir des premires solutions pour un nombre restreint de stations sol. Ces stratgies aboutissent dans de nombreux cas des situations de blocage, o un mauvais choix un instant donn entrane une rupture dun lien de communication qui aurait pu tre vite. Une approche par Rseaux de Petri a t tudie en 1999 [Dar 99]. Nous avons vu (cf. chapitre 1) que les Rseaux de Petri sont bien adapts pour exprimer les conits entre ressources, les contraintes de relation dordre, mais posent problme pour la prise en compte des contraintes temporelles. Ainsi, dans le modle mis en place, le temps est discrtis et chaque pas de temps correspond un changement dans les fentres de visibilit (dbut ou n dune fentre) ; le modle ne prend pas en compte la contrainte lie la priode de double visibilit pour la ralisation des handovers. Pour des problmes rduits un petit nombre de stations, cette mthode permet de trouver, sil en existe, une solution ralisable mais elle ne permet pas de chercher des solutions optimises. Une approche base uniquement sur les Rseaux de Petri ne savre donc pas satisfaisante puisque les contraintes de prcdence exprimes par la structure du rseau de Petri ne sont pas prpondrantes et que les autres contraintes, en particulier celles lies aux fentres de visibilit, doivent tre stockes sous la forme brute dattributs associs aux jetons. Or le nombre de ces contraintes augmente exponentiellement avec la taille du problme. Suite ces travaux, nous avons cherch associer direntes mthodes pour modliser et rsoudre le problme dans sa globalit. En particulier, nous avons pens introduire des techniques de propagation de contraintes dans le modle par Rseaux de Petri an de rduire les conits de ressources rgler. Dans cette optique, nous avons propos un modle mathmatique pour formaliser les variables et les contraintes, en particulier les contraintes temporelles, du problme dallocation des liens stations/satellites.
tel-00009238, version 1 - 11 May 2005
3.4
Modlisation du problme
Nous proposons une formalisation du problme dallocation de liens sous forme dun programme linaire en variables mixtes. Nous introduisons dabord les indices et paramtres suivants : T : horizon temporel de planication,
3.4 Modlisation du problme
63
i : numro de position dans une squence dallocations pour une station, i = 1, . . . , nsup o nsup est une borne suprieure du nombre dallocations de liens pour une station sur lhorizon T ; on dnit galement une borne infrieure ninf du nombre dallocations de liens pour une station sur lhorizon T , j : numro de satellite, j = 1,2, . . . ,s o s est le nombre de satellites de la constellation, k : numro de station sol k = 1,2, . . . ,g o g est le nombre de stations sol considres, m : numro de fentre de visibilit entre une station sol et un satellite sur lhorizon T , m = 1,2, . . . ,w o w est une borne suprieure du nombre de fentres de visibilit quil peut y avoir entre une station sol et un satellite sur lhorizon T , Svj,m,k : date de dbut de la mme fentre de visibilit entre la station k et le satellite j, F vj,m,k : date de n de la mme fentre de visibilit entre la station k et le satellite j. Nous posons alors les variables :
tel-00009238, version 1 - 11 May 2005
Xi,j,m,k : variable binaire gale 1 si la mme fentre de visibilit du satellite j pour la station k est aecte en ime position k, 0 sinon. Si,k : variable relle gale la date de dbut de la ime allocation de la station k. y : borne suprieure du nombre total daectations dun satellite sur lhorizon T . z : borne suprieure du nombre dallocations dun satellite un mme rang, sur lhorizon T. Nous reviendrons par la suite sur les deux dernires variables. Les contraintes du problme sexpriment par les quations suivantes :
m m m
j j j
Xi,j,m,k .Svj,m,k Si,k Xi,j,m,k .(F vj,m,k (2H + T )) Si,k Xi,j,m,k .(F vj,m,k H) Si+1,k Xi,j,m,k = 1 Xi,j,m,k
j
i=1..nsup,k=1..g i=1..nsup,k=1..g i=1..nsup1,k=1..g i=1..nsup1,j=1..s,m=1..w,k=1..g i=1..ninf 1,k=1..g k=1..g
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10)
Xi+1,j,m,k .(H + T ) Si+1,k Si,k + (1 Xi+1,j,m,k ). M

m j
S1,k = 0
m i i m j m j
Xi+1,j,m,k
i=ninf..nsup,k=1..g k=1..g j=1..s j=1..s,i=1..nsup
m|F vj,m,k T m k k
Xi,j,m,k = 1
Xi,j,m,k y
Xi,j,m,k z
Les contraintes (1) et (2) assurent que chaque allocation de satellite est ralise dans une fentre de visibilit ; chaque Si,k doit tre choisie dans la fentre correspondante : [Svj,m,k ; F vj,m,k (2H + T )]. Si,k ne peut pas tre suprieure F vj,m,k (2H + T ) puisque (2H + T ) est la dure minimale de chaque lien dune station avec un satellite (une dure H pour le handover qui permet dallouer le satellite, plus une dure minimale de
64
communication T , plus une nouvelle dure H pour le handover qui permet de relcher le satellite). La contrainte de double visibilit pour la ralisation des handovers est exprime en (3). Pour chaque station, elle force chaque allocation dbuter au moins H avant la n de la prcdente. La contrainte de dure minimale T dune communication est tablie dans (4) en imposant une dure minimale H + T entre deux dates de dbut dallocations successives. On utilise dans cette formule un paramtre M qui est un rel positif susamment grand pour rendre linquation triviale si Xi+1,j,m,k = 0. Les quations (5) et (6) permettent linitialisation des solutions : chaque station doit avoir au moins ninf allocations de liens et la premire commence la date 0. An de conserver, pour chaque squence dallocations, des indices de position cohrents, la contrainte (7) exprime le fait que, pour chaque station k, sil existe une ime allocation (i.e., il existe j,m tels que Xi,j,m,k = 1), alors il en existe une (i 1)me (i.e., il existe j ,m tels que Xi1,j ,m ,k = 1). La contrainte (8) garantit quun lien est allou chaque station la date T ; la continuit de liaison de chaque station avec la constellation est ainsi assure sur tout lhorizon considr. Les contraintes (9) et (10) nous permettent de prendre en compte dans une certaine mesure le caractre limit des ressoures satellites. On a vu prcdemment que le nombre de liens que peut tablir simultanment un satellite est limit par son nombre dantennes ; mais ce nombre nest pas bien dni et on ne focalise pas notre tude sur ce point. De plus, on sait que le partage des ressources est dicile modliser linairement sans une discrtisation du temps. Ainsi, dans un premier temps, on ne prend pas en compte les contraintes de ressources lies aux satellites. Les contraintes (9) et (10) ne sont alors pas prsentes dans le modle et on introduit le critre doptimisation de la faon suivante. Les solutions recherches doivent satisfaire les prcdentes contraintes et minimiser le nombre de handovers raliss sur lhorizon T , ce qui revient minimiser le nombre dallocation de liens sur cet horizon. La fonction objectif minimiser scrit alors sous la forme : M in (
i,j,m,k Xi,j,m,k )
tel-00009238, version 1 - 11 May 2005
(11)
Ensuite, an de tendre minimiser galement le nombre dantennes dun mme satellite utilises simultanment, on introduit les contraintes (9) et (10) qui dnissent les variables y et z comme tant, respectivement, le nombre maximal dantennes utilises par satellite sur tout lhorizon T et le nombre maximal dantennes utilises par satellite et par numro de fentre de visibilit avec les direntes stations sol. Lexpression (11) est ensuite augmente des variables y et z et la fonction objectif devient : M in (
i,j,m,k Xi,j,m,k
+ y + z)
(12)
Nous obtenons ainsi un programme linaire en variables mixtes qui modlise toutes les contraintes temporelles de notre problme, dans lequel le temps nest pas discrtis.
3.5 Travaux connexes
65
3.5
Travaux connexes
tel-00009238, version 1 - 11 May 2005
Deux travaux traitant de problmatiques trs proches de la ntre ont t publis. Un problme de dimensionnement dune constellation de type Skybridge est tudi dans la thse de [Lebbar 00]. Lauteur propose un modle linaire en nombres entiers bas sur une discrtisation temporelle et une rsolution par des techniques de gnration de colonnes et de contraintes. Cette approche permet dobtenir des bornes infrieures de bonne qualit et, associe une dcomposition temporelle, permet de gnrer des solutions entires sur des horizons temporels limits. Plus rcemment, un travail de thse portant sur lallocation de ressources dans la constellation Skybridge a t publi [Landes 02]. Le problme tudi prend en compte de nombreuses contraintes techniques du problme rel. Lauteur modlise le problme dallocation de liens de communication comme un problme de recherche de chemins dans un graphe dintervalles. Des algorithmes tabou et de recherche par voisinage variable permettent dobtenir des solutions sur un horizon temporel correspondant un sous-cycle (environ 10 heures). Dautres travaux concernant ltude de systmes satellitaires de tlcommunication ont t publis, mais ils portent essentiellement sur des systmes gostationnaires (comme Eutelsat, [Prins 91]), ou des constellations ayant la capacit dtablir des liens intersatellites (telles que Iridium ou Teledesic [Pratt et al. 99, Chang et al. 95, Ferreira et al. 00, Ferreira et al. 01b]). Dans ces deux cas, les problmes ainsi que les contraintes du systme sont assez dirents de celui qui nous concerne. En particulier, la contrainte de chevauchement lie la ralisation des handovers est trs spcique aux problmes poss par les constellations basse altitude et elle est peu traite, en temps que contrainte forte, dans la littrature.
3.6
Bilan de ltude sur Skybridge
Le problme dallocation des liens de communication dans la constellation Skybridge tire sa particularit et sa grande complexit des handovers quil faut raliser rgulirement pour assurer un lien continu entre deux utilisateurs. Considrant des hypothses simplicatrices concernant essentiellement la demande de service (agrgation des utilisateurs, demande constante et unitaire pour chaque utilisateur), nous avons modlis ce problme sous forme dun programme linaire en variables mixtes dans lequel le temps nest pas discrtis et qui prend en compte toutes les contraintes lies au processus de ralisation des handovers. Le projet Skybridge ayant t abandonn au cours de lautomne 2000 et suite aux grandes dicults rencontres par la plupart des projets de ce type (allant jusquau "d-orbitage" de la constellation Iridium), notre tude concernant le problme dallocation de liens de communication dans les constellations basse altitude sest rapidement arrte. Nous voquons ci-aprs les rsultats de validation obtenus ainsi que les pistes de travail envisages, mais ces travaux nont pas pu tre poursuivis et nous ny reviendrons plus dans la suite de ce mmoire. Nous avons valid et test notre modle en utilisant le logiciel de programmation linaire Xpress-MP. Les rsultats obtenus nous permettent de trouver une solution optimale pour des problmes rduits quelques utilisateurs et sur un horizon de calcul dune heure environ [Mancel 00]. Cependant, lutilisation de la programmation linaire est rapidement limite par la taille du problme considrer et, sil semble possible daugmenter lhorizon de calcul en
66
eectuant une dcomposition temporelle comme propos dans [Lebbar 00] , il est clair que la programmation linaire seule ne permet pas de rsoudre le problme pour des zones gographiques plus tendues. Partant du constat quaucune mthode tudie jusqualors au CNES ntait totalement satisfaisante, mais que chacune prsentait des aspects intressants, lide tait de combiner direntes techniques pour aborder ce problme. En particulier, une coopration des rseaux de Petri et des rcents rsultats obtenus concernant leur analyse par la logique linaire [Pradin-Chzalviel et al. 99], avec des outils de programmation linaire tait envisage [Mancel et al. 01b]. Toutefois, comme nous lavons dj mentionn, la structure du rseau de Petri nexprime quune faible partie des contraintes. En fait, seule la contrainte daectation, modlise par lquation (8), est prise en compte. Sappuyer sur cette seule contrainte pour essayer de limiter lespace de recherche des solutions nous semble peu ecace comme nous lavions dj dit dans le paragraphe 1.3.2.4, chapitre 1. Si le projet Skybridge avait t pousuivi, nous nous serions plutt orient vers des approches par dcomposition et|ou gnration de colonnes comme nous lavons fait dans le cadre des projets Netlander et Pliades que nous prsentons dans les chapitres suivants.
tel-00009238, version 1 - 11 May 2005
Chapitre 4
Netlander : projet dexploration de la plante MARS

tel-00009238, version 1 - 11 May 2005
4.1
Prsentation de la mission
Ltude de la plante Mars permet de suivre lessentiel des processus ayant aect, sur des chelles de temps gologiques ou saisonnires, les plantes internes du systme solaire et en particulier la Terre. En eet, Mars a connu toutes les tapes de lvolution plantaire, depuis le bombardement intense du premier milliard dannes du systme solaire jusqu la mort gologique, en passant par une phase de forte activit et elle prsente aujourdhui encore des types de surface acquis tout au long de son histoire. Ltude de Mars intresse ainsi une large communaut scientique incluant gologues, gophysiciens, climatologues, . . . mais aussi hydrologues et biologistes car cest galement la seule plante avec la Terre qui ait pu prsenter un moment de son histoire les conditions propres lmergence et au dveloppement de la vie. Les premires missions dexploration de Mars remontent au milieu des annes 60 avec en particulier les premires photographies de la plante ralises par les sondes amricaines Mariner. Ensuite, les missions Viking 1 et 2, qui ont cartographi Mars en 1976 et y ont dpos 2 atterrisseurs pour raliser les premires mesures in situ, ont apport lessentiel des connaissances sur Mars jusquau milieu des annes 90. Suite des revers nanciers et plusieurs checs cuisants au cours des annes 90, lexploration de Mars soriente vers des missions plus lgres, moins coteuses et participation internationale. On retient en particulier le succs de la mission Pathnder qui en 1997 fait atterrir sur Mars, de faon innovante, un petit robot mobile (rover), protg par des coussins dair au lieu dtre frein par des rtrofuses. Actuellement, trois sondes gravitent autour de Mars : Mars Global Surveyor, Mars Odyssey, qui avait permis de supposer la prsence deau dans le sous-sol martien et, trs rcemment, la sonde europenne Mars Express qui a prouv la vracit de cette hypothse, par observation directe de glace deau sur la calotte polaire australe de Mars. Les prochaines tapes de lexploration martienne vont consister en deux principaux points : dune part, la ralisation dexpriences et mesures in situ, avec, par exemple, les rovers amricains Spirit et Opportunity, lancs dans la fentre de tir de juinjuillet 2003 (la
68
Netlander : projet dexploration de la plante MARS mission de latterrisseur britannique Beagle 2, lanc avec la sonde Mars Express dans cette mme fentre de tir, mais probablement dtruit lors de son atterrissage sur Mars, sinscrivait galement dans cet axe dtude) ; dautre part, le retour sur Terre dchantillons martiens en vue danalyses nes de leur structure et de leur composition avec le programme Mars Sample Return prvu pour 2014.
Dans ce cadre, le CNES a entrepris la mise en uvre dun programme dexploration de Mars, appel PREMIER (Programme de Retour dchantillons Martiens et Installation dExpriences en Rseau) dont les deux principaux volets sont : une participation au programme Mars Sample Return (men par la NASA) ; ce volet inclut le dveloppement et la gestion des oprations de lorbiteur martien de la mission ; le dveloppement du projet Netlander qui consiste dployer la surface de Mars quatre atterrisseurs (ou sondes) fonctionnant en rseau et destins tudier la gophysique et la mtorologie martienne. Les tats-Unis ainsi que plusieurs partenaires europens participent ce projet, en particulier la Finlande, lAllemagne, la Belgique et la Suisse. Le CNES assure la matrise duvre du projet Netlander et a la responsabilit du dveloppement du systme dentre atmosphrique, de descente et datterrissage des sondes. La charge utile scientique est dveloppe par plusieurs instituts europens et amricains. Selon le scnario nominal, le projet Netlander doit se drouler de la faon suivante. Un orbiteur martien (prototype de lorbiteur de la mission Mars Sample Return) et quatre sondes, appeles netlanders, doivent tre lancs en Aot 2007 par une fuse Ariane 5 pour rejoindre la plante Mars. Aprs une phase de croisire dune dizaine de mois, lorbiteur se met en place autour de Mars et les sondes sont jectes de lorbiteur pour eectuer un atterrissage comparable celui de la mission Pathnder, avec une rpartition de trois sondes dans lhmisphre nord et de la quatrime dans lhmisphre sud. Les stations, une fois immobilises sur Mars dploient leurs panneaux solaires et leur antenne de tlcommunication, puis activent leurs dirents instruments de mesures. Ces tapes successives sont illustres dans la gure 4.1. La phase dite de routine de la mission dbute : les sondes ralisent direntes expriences indpendamment les unes des autres ou bien en rseau et elles envoient rgulirement sur Terre les rsultats accumuls ; toute communication entre les sondes et la Terre utilise un orbiteur martien comme relais (cf. gure 4.2), qui peut tre lorbiteur prototype de Mars Sample Return ou ventuellement un des autres orbiteurs martiens envoys lors de prcdentes missions. La dure de fonctionnement des sondes est estime une anne martienne, soit environ deux annes terrestres. Elle dpendra essentiellement de la vitesse de dgradation des panneaux solaires qui permettent lalimentation lectrique des sondes. Dirents types dexpriences sont prvus pour permettre ltude gophysique et mtorologique de Mars. Les expriences sont dclenches soit une date connue soit sur vnement.
tel-00009238, version 1 - 11 May 2005
4.2
Problmatique
La taille de la mmoire de masse (MdM) disponible au niveau de chaque sonde, lnergie lectrique produite par les panneaux solaires et consomme par les instruments et par
4.2 Problmatique
69
tel-00009238, version 1 - 11 May 2005
Fig. 4.1 Droulement de la mise poste de la mission Netlander lantenne de communication , ainsi que les opportunits et le dbit de communication entre chaque sonde et lorbiteur puis entre lorbiteur et la Terre, ne permettent pas denvisager une utilisation continue et simultane de lensemble des instruments qui quipent les sondes. Des choix sont ncessaires et il faut organiser dans le temps les diverses oprations des sondes et de lorbiteur. Le schma retenu consiste eectuer cette planication de faon rgulire au sol (au centre terrestre des oprations NMOC pour Netlander Mission Operation Center), en concertation avec les scientiques impliqus dans la mission, puis tlcharger les plans de travail ainsi obtenus lorbiteur puis aux sondes. Ce choix est justi par dirents points. Tout dabord, les valeurs nominales, concernant les consommations en mmoire et en nergie des instruments et de lantenne des sondes, les dbits de communication sondes/orbiteur et orbiteur/Terre, ainsi que la production nergtique des panneaux solaires des sondes, sont a priori connues. Les fentres de visibilit entre chaque sonde et lorbiteur et entre lorbiteur et la Terre sont galement prvisibles une fois lorbite dtermine. De plus, des informations sur lvolution de la mmoire de masse et de lnergie lectrique disponibles peuvent tre obtenues au sol au cours de la mission. Enn, les scientiques veulent rester impliqus dans la boucle de dcision tout au long de la mission et si lon peut envisager une automatisation de lorganisation des expriences raliser court terme (quelques jours), il nen va pas de mme sur les moyen et long termes. Un plan de travail dnit dune part, la mise en uvre des instruments, dautre part, le type de donnes attendues en rsultat. La mise en uvre des instruments sur chaque sonde est planie pour une priode donne (de lordre de la semaine). Lallocation des zones de mmoire de masse des sondes aux rsultats des direntes expriences est programme dans le plan de travail ainsi que les visibilits orbiteur/sonde qui seront utilises pour rapatrier les
70
tel-00009238, version 1 - 11 May 2005
Fig. 4.2 Mode de communication entre les sondes et la Terre
donnes. Il existe un dcalage temporel dau moins deux jours entre lenvoi dun plan de travail et le retour Terre des premiers rsultats correspondants. Ce dcalage est d en particulier aux dures des expriences, aux dures de transfert des informations et la ncessit de respecter les fentres de visibilit pour eectuer les communications. On appelle boucle de programmation lenchanement dactions qui commence par llaboration dun plan de travail et qui se termine par le retour au sol des donnes rsultant de ce plan. Les direntes actions qui composent une boucle de programmation interviennent donc aux dirents niveaux : sol, orbiteur et sondes. La gure 4.3 schmatise les principales tapes dune boucle de programmation. Le problme pos est celui de loptimisation de ces boucles de programmation. Un premier travail a consist caractriser prcisment les composantes dune boucle de programmation ainsi que les critres doptimisation souhaits et identier et formaliser les problmes de dcision qui se posent. Il en ressort qu"optimiser une boucle de programmation" consiste eectuer les choix qui permettent la fois de minimiser la dure de cette boucle (an dobtenir au plus vite les rsultats dexpriences) et de maximiser la valeur, en termes de quantit, de qualit et de pertinence scientique, des rsultats dexpriences obtenus. Les dcisions intervenant au cours dune boucle de programmation concernent, dune part, les communications sondes/orbiteur et orbiteur/Terre (slection des fentres de visibilit utiliser et ordonnancement des crneaux de communication) et, dautre part, les expriences raliser (slection dun ensemble dexpriences cohrent et ordonnancement de cet ensemble). Il apparat ensuite que les fentres de visibilit orbiteur/Terre ainsi que les dbits disponibles pour les communications orbiteur/Terre ne sont pas limitants. On considre ainsi quon dispose dun crneau de communication orbiteur/Terre journalier susant pour envoyer un
71
tel-00009238, version 1 - 11 May 2005
Fig. 4.3 Boucle de programmation plan de travail lorbiteur et tlcharger au sol toutes les donnes stockes dans le buer de lorbiteur. Ainsi, le problme de dcision qui nous intresse est double : il sagit en eet de planier la fois les communications orbiteur/sondes et les tches qui constituent les plans de travail envoys aux sondes lors de ces communications. Les solutions recherches doivent vrier des contraintes fortes, lies essentiellement au partage de la mmoire de masse, de lnergie lectrique et du temps.
4.3
4.3.1
Analyse du problme
Revue de la littrature
Les travaux publis sur le projet Netlander sont peu nombreux et concernent essentiellement les aspects technologiques de la mission. Il nexiste aucune publication traitant du problme de planication des communications et des expriences de la mission Netlander ; en eet, cest dans le cadre de notre tude sur le projet Netlander que ce problme a t dni. Dautres missions dexploration rcentes ou en cours dtude ncessitent la planication, au cours de la mission, de certaines tches. Les problmes poss sont dautant plus diciles rsoudre que la diversit des expriences envisages est grande et que lenvironnement du droulement de la mission est incertain ou mal connu. Ainsi, plusieurs travaux mens ce sujet, en particulier par la NASA, font appel des heuristiques simples pour gnrer des plans initiaux, ou mme considrent que ces plans sont fournis par des experts et se focalisent sur lexcution du plan en prvoyant une raction aux alas. Le but est alors de permettre lengin spatial de modier son plan de faon sadapter
72
aux changements qui interviennent dans lenvironnement de sa mission et ainsi dviter de se trouver dans une situation de blocage qui pourrait mettre n lensemble de la mission [Estlin & Gaines 02, Jnsson et al. 00]. Cependant, dans le cadre dune mission o les expriences raliser sont diverses et complexes, trouver un plan ralisable, mme de qualit moyenne, est souvent dj un problme dicile. Dans [Hall & Magazine 94] les auteurs abordent le problme gnral de loptimisation dune mission spatiale en proposant plusieurs heuristiques de planication des expriences ainsi quun calcul de borne suprieure permettant dvaluer la qualit des heuristiques. Notons enn quun problme de planication issu de la mission Mars Express, proche de celui pos par Netlander a rcemment t trait dans [Cesta et al. 02a]. Dans cette mission, lorbiteur martien est quip dinstruments de mesure qui excutent direntes expriences. Le problme consiste planier, en fonction dun plan dexpriences suppos connu, les transferts de donnes de lorbiteur vers la Terre, dans des dlais permettant dviter lcrasement de donnes sur le buer de lorbiteur. Les auteurs dnissent le problme MEX-MDP pour Mars EXpress Memory Dumping Problem et prsentent un outil logiciel daide la dcision. Direntes fonctions dinteraction sont proposes lutilisateur, avec, en particulier, la possibilit damliorer une solution initiale (gnre automatiquement par un algorithme glouton) la main ou en paramtrant un algorithme de recherche locale.
tel-00009238, version 1 - 11 May 2005
4.3.2
Proposition dune dcomposition
Les dcisions concernant les communications orbiteur/sondes et les expriences raliser sont de nature dirente. En eet, il savre tout dabord quelles ne sont pas soumises aux mmes contraintes. Une communication orbiteur/sonde ncessite que les antennes des deux engins soient en visibilit et elle requiert une assez faible puissance lectrique. Lexcution dune exprience sur une sonde consomme galement de lnergie lectrique avec une puissance variable selon le type dexprience ; elle requiert de plus un emplacement allou sur la MdM pour stocker les rsultats. Enn, suivant leur type (expriences ralises en rseau, dclenches sur vnement ou sur date, etc.), les expriences sont soumises direntes contraintes temporelles. Par ailleurs, les planications des communications et des expriences interviennent des tapes direntes de la vie du projet. Les communications orbiteur/sondes peuvent tre planies avant le dbut de la mission avec des rajustements au cours de son droulement (sur des horizons denviron 1 mois) en fonction de lvolution de lnergie lectrique disponible sur les sondes et sur lorbiteur, tandis que la planication des expriences se fera au cours de la mission, sur des horizons dune semaine environ, avec des rajustements ventuels quotidiens permettant ainsi dtre ractif lvolution de lenvironnement martien. Enn, on peut galement considrer que les communications orbiteur/sondes et les expriences nont pas le mme niveau de priorit dans le droulement de la mission. En eet, si les expriences ralises au cours de la mission dniront lintrt scientique que lon pourra en retirer, les communications sont quant elles absolument ncessaires au fonctionnement mme de la mission. En eet, les communications orbiteur/sondes assurent le seul lien entre la Terre et les sondes martiennes ; elles servent envoyer les plans de travail aux direntes sondes et rapatrier au sol les rsultats des expriences ainsi que direntes donnes de servitude. Lexcution dune exprience nest envisageable que dans la mesure o lon peut envoyer
73
lordre correspondant aux sondes et en rcuprer les rsultats. Ainsi, les communications orbiteur/sondes apparaissent prioritaires par rapport aux expriences. Il nous semble alors naturel de dcomposer le problme global de planication des communications et des expriences de la mission Netlander en deux sous-problmes : nous considrons dune part, le problme de planication des communications orbiteur/sondes et dautre part, celui de la planication des expriences. Le tableau 4.1 synthtise les principales caractristiques des deux sous-problmes.
critre doptimisation
planication des communications orbiteur/sondes minimisation de la dure dune boucle de programmation 1 mois oui oui oui non dtermines en dbut de projet valuation en dbut de projet + mises--jour en cours de mission valuation en dbut de projet + mises--jour en cours de mission
planication des expriences maximisation de la valeur dune boucle de programmation 1 semaine non non oui oui valuation ne en cours de mission valuation ne en cours de mission
tel-00009238, version 1 - 11 May 2005
connaissances requises
horizon de planication visibilits orbiteur/sondes buer (orbiteur) puis. lectrique (sondes) MdM (sondes) visibilits orbiteur/sondes buer (orbiteur) puis. lectrique (sondes) MdM (sondes)
ressources requises
Tab. 4.1 Caractristiques des deux sous-problmes
Notons que ces deux problmes ne sont pas totalement indpendants ; nous avons vu en particulier quils sont lis par le partage de la ressource nergtique des sondes martiennes, utilise la fois pour lexcution des expriences et pour les communications. Cependant, la priorit tant donne la ralisation de communications orbiteur/sondes plutt que dexpriences, nous allons considrer dabord le sous-problme de planication des communications, puis celui de planication des expriences en supposant alors connue lnergie lectrique consomme par les communications.
74
4.3.3
4.3.3.1
Sous-problme de planication des communications orbiteur/sondes

Analyse du problme
On dispose dune visibilit Terre/orbiteur de huit heures par jour. On suppose dni un crneau quotidien de communication Terre/orbiteur susant pour monter un plan de travail aux sondes et pour descendre au sol toutes les donnes stockes dans le buer de lorbiteur. Les fentres de visibilit entre lorbiteur et les sondes sont, quelle que soit lorbite envisage, beaucoup plus frquentes et beaucoup plus courtes ; on considre quon dispose, par sonde et entre deux crneaux de commmunication Terre/orbiteur, dau moins une fentre de visibilit avec lorbiteur permettant de monter le plan de travail jusqu la sonde. Le retour des donnes au sol est ainsi quotidien et il nest donc pas rythm directement par les dates de communication orbiteur/sonde. En revanche, le choix de ces crneaux de communication inue sur la quantit de donnes qui pourra tre descendue au sol chaque jour. Ainsi, dans le but de minimiser la dure de retour au sol des donnes, on doit planier les communications orbiteur/sondes de faon maximiser le volume de donnes changes.
tel-00009238, version 1 - 11 May 2005
Direntes contraintes portent sur lexcution de ces communications : dune part, des contraintes temporelles : chaque communication ne peut seectuer que dans une fentre de visibilit, chaque communication doit durer un temps minimum (de lordre de 6 minutes), un temps de reconguration doit tre observ aprs chaque communication (estim 2 minutes), dautre part, des contraintes de partage de ressources : lnergie lectrique disponible au niveau des sondes et de lorbiteur est limite et se renouvelle par les panneaux solaires au cours du temps ; une communication ne peut tre ralise que dans la mesure o la puissance requise est disponible, la capacit du buer de lorbiteur est galement limite et une communication nest utile qu la condition que les donnes qui lui sont envoyes par la sonde puissent tre stockes (notons que la MdM des sondes est aussi limite mais le volume de donnes qui leur sont envoyes nest pas critique car il correspond uniquement aux plans de travail), enn, lorbiteur peut communiquer avec une seule sonde la fois. Cette contrainte se pose lorsque lorbiteur survole les trois sondes situes dans le mme hmisphre ; en eet, du fait de leur proximit, leurs fentres de visibilit se chevauchent. Une premire analyse du sous-problme de planication des communications orbiteur/sondes, faite en collaboration avec les experts du projet Netlander, nous permet de considrer que lnergie lectrique disponible pour les communications, au niveau de lorbiteur et des sondes, ainsi que la capacit du buer de lorbiteur, sont des facteurs trs peu limitants devant celui des fentres de visibilit orbiteur/sondes. De plus, la puissance lectrique requise pour une communication ainsi que le dbit dchange des donnes sont des valeurs supposes constantes. Lnergie consomme par une communication ainsi que le volume de donnes changes sont donc linairement dpendants de la dure de cette communication. On peut donc simplier les contraintes de partage de la ressource lectrique et du buer de lorbiteur en les traduisant en termes de dure maximale de communication sur certains intervalles temporels. Dautre part, maximiser le volume de donnes changes entre deux communications quotidiennes entre la Terre et lorbiteur est quivalent maximiser la dure des communications orbiteur/sondes.
4.3 Analyse du problme 4.3.3.2 Modlisation
75
Le problme de planication des communications orbiteur/sondes peut se formuler de la faon suivante : connaissant les fentres de visibilit entre les sondes et lorbiteur, il sagit de dterminer, sur un horizon T donn, les crneaux de communication de chaque sonde, de faon maximiser la dure totale de communication. Nous prsentons un modle de ce problme, bas sur une discrtisation temporelle, sous forme du programme linaire en nombres entiers dtaill dans la suite. Nous introduisons les indices et paramtres suivants : T : horizon temporel de planication, t : pas de temps de lhorizon T ,
tel-00009238, version 1 - 11 May 2005
J = (j1 ,j2 ,...,jJ ) : liste des pas de temps correspondants la n dune communication Terre/orbiteur (lintervalle entre deux lments conscutifs de la liste correspond une journe), s : numro de sonde, s = 1 N (N = 4, le nombre de sondes), Is : union des intervalles dindisponibilit sur T de lorbiteur pour la sonde s (il sagit de lensemble complmentaire sur T des fentres de visibilit entre la sonde s et lorbiteur), dmin : dure minimale dune communication, dr : dure de reconguration de lorbiteur entre deux communications successives, Dmax1orb : dure maximale de communication de lorbiteur entre deux communications Terre/orbiteur (traduit la capacit du buer de lorbiteur), Ks = (k1 ,k2 ,...,kKs ) : liste des pas de temps dnissant les intervalles sur lesquels sont valus lnergie lectrique disponible pour la sonde s, Dmaxs (ki ,ki+1 ) : dure maximale de communication de la sonde s sur lintervalle [ki ; ki+1 ], i = 1,...,Ks (traduit lnergie lectrique disponible sur lintervalle [ki ; ki+1 ] sur s), L = (l1 ,l2 ,...,lL ) : liste des pas de temps dnissant les intervalles sur lesquels sont valus lnergie lectrique disponible pour lorbiteur, Dmax2orb (li ,li+1 ) : dure maximale de communication de lorbiteur sur lintervalle [li ; li+1 ], i = 1,...,L (traduit lnergie lectrique disponible sur lintervalle [li ; li+1 ] sur lorbiteur). Nous posons la variable binaire Xs,t , gale 1 si, au pas de temps t, la sonde s communique avec lorbiteur, gale 0 sinon. Les contraintes du problme sexpriment par les inquations :
76
Xs,t = 0
s Xs,t 1 t+dmin t =t+1 Xs,t
s=1..N, tIs t=1..T
(13) (14) (15) (16) (17) (18) (19) (20)
dmin.(Xs,t+1 Xs,t ) + Xs,t )
t=1..(T dmin), s=1..N t=(T dmin+1)..T, s=1..N t=2..(T dr+1), s=1..N i=1..J1 i=1..L1 i=1..Ks1 , s=1..N
Xs,t Xs,t1
t+dr1 t =t+1 Xs,t dr.(1 Xs,t1 ji+1 t=ji s Xs,t Dmax1orb li+1 t=li ki+1 t=ki s Xs,t
Dmax2orb (li ,li+1 )
Xs,t Dmaxs (ki ,ki+1 )
tel-00009238, version 1 - 11 May 2005
Les contraintes (13) et (14) expriment le fait que lorbiteur est une ressource disjonctive, non continment disponible : la contrainte (13) impose que la sonde s ne communique pas avec lorbiteur sur son ensemble Is (Xs,t = 0 sur cet ensemble). Lexpression (14) permet de vrier qu chaque pas de temps lorbiteur communique avec au plus une sonde. Les contraintes (15) et (16) imposent une dure minimale dmin aux communications. En particulier, la contrainte (15) exprime le fait que si, un pas de temps t0 , une sonde s dbute une communication avec le satellite (Xs,t0 1 = 0 et Xs,t0 = 1), alors Xs,t vaut 1 pour t de t0 t0 + dmin 1 (la communication de s qui dbute en t0 dure au moins dmin pas de temps). La contrainte (16) traite les derniers pas de temps de lhorizon T : partir du pas de temps T dmin + 1, aucune communication de peut dbuter. La contrainte (17) force chaque sonde respecter un temps de reconguration dr aprs une communication ; pour toute sonde s, cette contrainte est active pour chaque pas de temps t0 qui marque la n dune communication (cest--dire pour t0 tel que Xs,t0 1 = 1 et Xs,t0 = 0). On a alors Xs,t = 0 pour tout t de t0 t0 + dr 1. La contrainte (18) permet dexprimer la capacit limite du buer de lorbiteur. On sait que le buer de lorbiteur est vid chaque communication avec la Terre (cest--dire chaque pas de temps ji , i = 1..J) ; donc, dans chaque intervalle [ji ,ji+1 ], la capacit du buer recevoir des donnes des sondes est la mme et elle correspond une dure maximale de communication pour lorbiteur (Dmax1orb ). Enn, les expressions (19) et (20) permettent de prendre en compte les contraintes lies lnergie lectrique. Sur chacun des intervalles dnis par les listes L et Ks , on impose une dure maximale de communication qui correspond la consommation lectrique maximale sur cet intervalle. La contrainte (19) porte sur la ressource lectrique de lorbiteur et la contrainte (20) dnit ces dures maximales pour chaque sonde. Le critre doptimisation considr tant de maximiser la dure totale des communications orbiteur/sonde, on obtient la fonction de maximisation en sommant toutes les variables : M ax (
N s=1 T t=1 Xs,t )
(21)
77
4.3.4
4.3.4.1
Sous-problme de planication des expriences

Analyse du problme
Les quatres sondes martiennes sont identiques et comportent chacune les instruments scientiques suivants : une station mtorologique pour mesurer la pression, la temprature, lhumidit atmosphrique, etc., un capteur de champ lectrique pour la mesure de la conductivit lectrique de latmosphre et de ses champs lectriques, un radar pour la dtection de poches de glace et deau dans le sous-sol martien, un magntomtre pour ltude des champs magntiques, de lionosphre et galement pour la dtection deau dans le sous-sol, une camra panoramique stro multispectrale pouvant raliser dirents types de prises de vues, deux seismomtres de direntes largeur de bande pour ltude de lactivit sismique de Mars et la localisation de poches deau, un systme radio permettant une tude de la godsie de Mars (il est galement utilis pour les communications avec lorbiteur), un ensemble de capteurs thermiques pour tudier la temprature du sol martien, et un microphone. On peut ainsi raliser une multitude dexpriences dont le mode de fonctionnement varie selon dirents critres. Une grande partie des expriences doivent tre ralises en rseau, cest--dire sur les 4 sondes simultanment. Celles qui peuvent tre eectues indpendamment les unes des autres sont dites multi-sites. Le radar, le microphone et la camra fonctionnent en multi-site, les expriences utilisant les autres instruments doivent tre ralises en rseau pour prsenter un intrt scientique. Certaines expriences ont une dure xe (de quelques secondes une heure), alors que dautres expriences, qui assurent gnralement des fonctions de veille (par exemple les expriences de mtorologie ou de sismologie), devraient idalement fonctionner de manire continue. Enn, la consommation lectrique et la place mmoire requise sur la MdM dirent selon le type dinstrument utilis et le mode de fonctionnement choisi. Par exemple, la camra, selon le type de prise de vue que lon souhaite obtenir, peut consommer entre 72 et 1300 mWh et ncessiter entre 1,3 et 40 Mbit de place mmoire. On suppose connue la disponibilit au cours du temps des ressources des sondes (mmoire de masse et puissance lectrique). tant donn lensemble des demandes dexpriences manant des dirents centres scientiques impliqus dans la mission, on souhaite planier sur de courts horizons (la semaine typiquement) les expriences qui vont tre ralises par les sondes martiennes. Les plans de travail (sur chaque horizon, on dtermine un plan de travail par sonde) ainsi gnrs doivent maximiser la valeur scientique de la mission. Plusieurs dicults se posent pour dnir formellement ce problme. Tout dabord, une exprience peut faire appel lutilisation de dirents instruments (de faon simultane ou en suivant un certain squencement). Ainsi, le nombre total dexpriences
tel-00009238, version 1 - 11 May 2005
78
ralisables est a priori trs grand ; en fait, il est mme dicile valuer car on ne sait actuellement pas dcrire explicitement la totalit des expriences envisages par lensemble des centres scientiques impliqus dans la mission. An de pouvoir dnir implicitement lensemble des expriences possibles, nous introduisons les deux notions suivantes : un mode opratoire est une procdure lmentaire dutilisation dun instrument permettant de raliser un type de mesure spcique. Un mode opratoire est caractris par linstrument quil utilise, ses dures minimale et maximale dexcution Du et Du (dans le cas des modes opratoires dure xe, Du = Du = Du), sa puissance lectrique requise P (dans le cas des modes opratoires dure xe, lnergie consomme est constante, gale P Du), son dbit de donnes (dans le cas des modes opratoires dure xe, la place mmoire ncessaire est constante, gale .Du). Les modes opratoires sont de plus lis entre eux par des contraintes dexclusion. Dune part, deux modes opratoires utilisant un mme instrument ne peuvent tre raliss simultanment, dautre part, lutilisation de certains instruments, comme le radar par exemple, est extrmement sensible et interdit lutilisation en parallle dun instrument qui pourrat gner la mesure (en faisant vibrer la sonde par exemple). Ainsi, on associe chaque mode opratoire la liste des modes opratoires qui ne lui sont pas compatibles. une exprience lmentaire est la requte de mise en uvre dun mode opratoire sur une sonde. Une exprience lmentaire est ainsi caractrise par le mode opratoire concern mop, le numro de sonde s laquelle elle est aecte, une date de dbut au plus tt est, une date de n au plus tard lf t, les dures minimale et maximale dexcution du et du avec ventuellement du = du = du (et dans le cas des modes opratoires dure xe, on a du = du = du = Du). Une exprience requise par un centre scientique est un groupement dexpriences lmentaires lies par un ensemble de contraintes. Ces contraintes, dnies par le centre scientique qui met la requte, sont diciles recenser actuellement, mais on peut dresser une liste, probablement non exhaustive, des dirents types de contraintes que lon pourra rencontrer : des contraintes de simultanit dexcution de certaines expriences lmentaires sur une mme sonde ou sur des sondes direntes (dates de dbut ou de n dexcution identiques, dures dexcution identiques), des contraintes de squencement des expriences lmentaires, des contraintes de dlai minimal ou maximal entre lexcution de deux expriences lmentaires. Nous proposons donc dexprimer les requtes manant des centres scientiques non pas en terme dexpriences mais en termes dexpriences lmentaires, telles que nous venons de les dnir, et de contraintes liant ces expriences lmentaires entre elles. Une seconde dicult pour la formalisation du problme vient ensuite du fait que les contraintes liant les expriences lmentaires peuvent tre plus ou moins dures. En eet, certaines expriences ne peuvent avoir de valeur scientique que dans la mesure o toutes les expriences lmentaires qui les composent sont ralises, alors que dautres peuvent prsenter encore un intrt ntre ralises que partiellement ou en ne respectant pas toutes leurs contraintes. Dans un but de simplication du problme, nous faisons lhypothse que toutes les contraintes du problme sont dures.
tel-00009238, version 1 - 11 May 2005
79
Enn, les plans de travail doivent tendre maximiser la valeur scientique de la mission, cest--dire satisfaire au mieux lensemble des scientiques engags dans la mission. Or, ils sont nombreux, chacun spcialiste dun domaine dtude de Mars ; leurs intrts et leurs priorits sont ainsi souvent divergents. Il savre donc dicile dassocier une valeur une exprience, une exprience lmentaire ou un mode opratoire et dicile galement dvaluer un plan de travail. Nous ne proposons donc pas de critre doptimisation pour ce problme. Il nous semble que llaboration et lvaluation dun plan de travail ne peuvent tre faites sans une concertation des dirents scientiques avec le centre de mission, en tenant compte de lvolution de lenvironnement de la mission. 4.3.4.2 Modlisation
tel-00009238, version 1 - 11 May 2005
Nous proposons daborder la planication des expriences comme un problme daide la dcision. En eet, ce problme est combinatoire et fortement contraint (avec une partie importante des contraintes encore mal connues ou dnies dans les requtes des scientiques) et gnrer un plan de travail ralisable nest pas trivial. En particulier, on souhaite pouvoir gnrer des plans de travail vriant les contraintes lies au partage de la mmoire de masse et de la puissance lectrique des sondes. Par la suite, nous limitons notre tude aux contraintes lies ces deux ressources. Soit n le nombre de requtes dexpriences lmentaires mises par lensemble des scientiques pour un horizon de planication T , discrtis en pas de temps. Nous introduisons la variable binaire Ei,s,t gale 1 si lexprience lmentaire i est excute sur la sonde s au pas de temps t, gale 0 sinon (i = 1..n, s = 1..4 et t = 1.. ). Un plan de travail ralisable sur lhorizon T correspond a une instanciation des variables Ei,s,t vriant lensemble des contraintes du problme. La contrainte de partage de la puissance lectrique disponible sexprime pour chaque sonde et chaque pas de temps par lexpression :
n i=1 Ei,s,t .Pi
Ps (t)
s=1..4, t=1..
(22)
o Pi est la puissance requise par lexprience lmentaire i et Ps (t) est la puissance lectrique disponible sur la sonde s au pas de temps t. La contrainte de partage de la mmoire de masse sexprime pour chaque sonde et chaque pas de temps par lexpression :
t t =1 n i=1 Ei,s,t
.Di Vs (t)
s=1..4, t=1..
(23)
o Di est le dbit de donnes produit par lexprience lmentaire i et Vs (t) est la somme de la place mmoire disponible sur la sonde s au pas de temps t et du volume de donnes qui a t eac de la mmoire de la sonde s depuis le premier pas de temps. Notons que lvaluation de Ps (t) et Vs (t) nest pas triviale car ces valeurs dpendent des direntes expriences ralises aux pas de temps qui prcdent t. De plus, les variables Ei,s,t peuvent tre soumises dautres contraintes que (22) et (23), non formules ici, lies par exemple lexistence de dates de dbut au plus tt ou de n au plus tard des expriences, de dures minimales ou maximales dexcution.
80
4.4
Conclusion
Dans ce chapitre, nous prsentons le projet Netlander, dexploration de la plante Mars. Le systme tudi se compose principalement de quatre sondes poses la surface de Mars et dun orbiteur qui relaie les communications entre la Terre et ces sondes. partir du problme d"optimisation des boucles de progammation" de la mission, tel que pos par le CNES, nous dnissons le problme de planication des communications et des expriences pour la mission Netlander. La formalisation de ce problme est complexe car de nombreux paramtres sont prendre en compte, dont certains sont actuellement mal connus. En particulier, les critres doptimisation ne sont pas tous clairement dnis et la direnciation entre contraintes et prfrences nest pas toujours tablie. Pour aborder ce problme, nous proposons de le dcomposer en deux sous-problmes : le problme de planication des communications sondes/orbiteur dune part et le problme de planication des expriences ralises par les sondes dautre part. Nous montrons que, comptetenu de ltat actuel des connaissances sur le systme, on peut traiter ces deux problmes indpendamment lun de lautre. Le premier sous-problme est un problme doptimisation combinatoire bien dni, pour lequel nous proposons un modle linaire en nombres entiers bas sur une discrtisation de lhorizon temporel. Les incertitudes ou mconnaissances du systme Netlander concernent plutt le second sous-problme. Il se pose donc plus en termes daide la dcision que doptimisation. Pour ce problme, nous formulons les contraintes lies au partage des deux principales ressources : lnergie (batteries lectriques et panneaux solaires des sondes) et la place mmoire (mmoire de masse des sondes). Aprs les problmes de planication issus des projets Skybridge et Netlander, le chapitre suivant sintresse la gestion des satellites Pliades, destins lobservation de la Terre. Dans la partie suivante, nous proposons des mthodes de rsolution pour ces dirents problmes. Nous reviendrons en particulier sur les problmes de planication des communications sondes/orbiteur et des expriences dans le projet Netlander, au chapitre 6. Nous rsolvons le problme de planication des communications sondes/orbiteur par Programmation Linaire en Nombres Entiers et nous dveloppons une mthode daide la dcision base sur un raisonnement nergtique pour le problme de planication des expriences.
tel-00009238, version 1 - 11 May 2005
Chapitre 5
Pliades : Satellites dobservation de la Terre

tel-00009238, version 1 - 11 May 2005
5.1
Prsentation du projet
Au milieu du XIX sicle, le ballon a permis au photographe Flix Nadar, de raliser au-dessus de Paris les toutes premires photographies ariennes. Au dbut du sicle dernier, lavion a montr rapidement tous ses avantages en tant que plate-forme dobservation de la Terre usages civils ou militaires. De nos jours, des avions spcialement quips eectuent des missions pour la cartographie, ltude des forts, lurbanisme, lespionnage, la surveillance de la pollution, la recherche des ressources naturelles, etc. La photographie arienne par avion est able et dune grande prcision mais elle ne peut tre ralise que dans le cadre de missions ponctuelles, limites dans le temps et lespace, et particulirement coteuses. Lancs partir des annes 60 avec la constellation amricaine Tiros, les satellites dobservation de la Terre orent une alternative avantageuse lutilisation des avions. Ils permettent en eet dobserver, par divers moyens (instruments optiques, dtecteurs thermiques, capteurs radar) et de faon rptitive, des portions de territoires immenses. De plus, les images produites sont trs dtailles et dun cot de ralisation 3 4 fois infrieur celui dune prise de vue ralise partir davion. la suite des satellites Tiros, utiliss essentiellement pour la prvision mtorologique, de nombreux systmes satellitaires, ddis direntes missions et quips dinstruments dobservation de plus en plus performants ont t labors et exploits. Parmi les plus connus, on peut citer : la srie de satellites Landsat dvelopps par la NASA dans le cadre du programme amricain de gestion des ressources naturelles et dont les lancements se sont tals de 1972 pour Landsat 1 1999 pour Landsat 7 ; la constellation europenne MtoSat ddie linformation mtorologique, compose de satellites gostationnaires dont les premiers lancements remontent 1977 ; les satellites franais SPOT qui constituent le systme satellitaire dobservation de la Terre le plus utilis au monde pour limagerie usage civil. Le projet SPOT a dbut en 1978 au CNES, en coopration avec la Belgique et la Sude. Cinq satellites ont t lancs entre 1986 et 2002 et actuellement quatre dentre-eux sont encore
82
utiliss (SPOT 1, 2, 4 et 5). Ils sont quips dinstruments optiques permettant une haute rsolution spatiale (de 10 m pour SPOT 1 2,5 m pour SPOT 5) et capables de restituer le relief quelques mtres prs grce un jeu de miroirs autorisant un dpointage (ou angle de vise) latral par rapport la trace au sol du satellite (gure 5.1).
tel-00009238, version 1 - 11 May 2005
Fig. 5.1 Dpointage latral dun satellite Les satellites SPOT sont situs sur une orbite circulaire basse altitude (832 km), hliosynchrone, quasi-polaire (incline 98,7) et phase. Le terme hliosynchrone indique que le plan orbital du satellite forme un angle constant avec le plan orbital de la Terre autour du soleil ; ceci signie que le satellite survole un mme point du globe toujours la mme heure, ce qui assure un clairement constant et permet la comparaison des dirents clichs dune mme zone. Du fait de son orbite particulire, un satellite SPOT est clair lors de sa descente du Nord au Sud de la Terre et est plong dans lombre de celle-ci lorsquil remonte du Sud vers le Nord. Ainsi, il ne peut raliser des prises de vues que sur des demi-rvolutions, qui correspondent aux phases de descente Nord-Sud autour de la Terre (cf. gure 5.2). La gure 5.3 donne un exemple des traces au sol claires obtenues au cours dune journe pour un satellite SPOT. Depuis 1999, le CNES travaille llaboration dun nouveau programme dobservation de la Terre, Pliades, qui devrait succder la srie SPOT dici 2007. Pliades se veut une constellation de satellites dobservation de la Terre capable de couvrir lensemble des besoins europens (civils, militaires, pour lindustrie, le service public, etc.). Cest un systme volutif qui devrait tre constitu terme de six satellites (deux quips de capteurs optiques et quatre quips de capteurs radars), utilisant le mme type dorbite que les satellites SPOT, mais plus petits, plus performants et moins coteux que leurs prdcesseurs. Un avantage particulier de ces satellites nouvelle gnration est leur agilit, cest--dire quils peuvent, tout en se dplaant sur leur orbite, se mouvoir en attitude selon les trois axes de roulis, tangage et lacet (cf. gure 5.4). Ils ont ainsi une capacit de dpointage de leur instrument de mesure optique ou radar dans toutes les directions (et non pas uniquement en roulis comme pour les satellites SPOT). Ceci leur permet de raliser des clichs latralement, en avant et en arrire par rapport
5.2 Problmatique
83
tel-00009238, version 1 - 11 May 2005
Fig. 5.2 Phase de descente Nord-Sud dun satellite en orbite quasi-polaire leur trace au sol (cf. gures 5.5 et 5.6). Dans la suite, nous nous focalisons sur les satellites Pliades munis dinstruments optiques.
5.2
Problmatique
Les satellites agiles dobservation sont commands depuis le centre de mission au sol, de faon rpondre des requtes dimages de certaines zones terrestres, manant de faon continue des dirents utilisateurs du systme. Une requte est caractrise par : une zone gographique qui peut tre une cible (un cercle de dimension limite) ou un polygone (une large zone de forme polygonale) ; un intervalle de validit, exprim par lutilisateur (en jours dans la plupart des cas) ; des contraintes angulaires dacquisition (angles minimaux et maximaux en roulis et tangage) ; un type qui peut tre mono ou stro ; dans le cas dune demande stro, il faut photographier deux fois la zone en respectant des contraintes angulaires entre les deux photographies ; un poids ou une priorit qui exprime son importance aux yeux de lutilisateur et/ou du centre de mission. Le cur des instruments optiques dun satellite est un alignement de photo-diodes qui permet dacqurir chaque instant limage dun segment sur la surface terrestre. Cest la combinaison du mouvement du satellite agile sur son orbite et sur lui-mme qui permet dacqurir limage dune bande comme la conjonction dimages de segments contigus. Ces bandes sont rectangulaires, et considres de largeur xe (fauche au sol du satellite). Leur longueur, ainsi que la direction dacquisition restent libres.
84
Fig. 5.3 Traces au sol dun satellite SPOT sur une journe
tel-00009238, version 1 - 11 May 2005
Fig. 5.4 Axes de roulis, tangage et lacet dun satellite La fauche au sol de linstrument est susante pour acqurir une cible en une seule passe, cest--dire avec une seule bande. Elle nest en revanche pas susante pour acqurir en un seule passe les polygones. Ceux-ci sont donc prdcoups en bandes parallles, de mme largeur et de longueur variable. Les bandes rsultant du dcoupage dun polygone peuvent tre acquises partir de rvolutions direntes du satellite. Du fait de lagilit des satellites, en particulier leur capacit de dpointage en tangage, une bande peut tre de plus acquise dans un sens ou dans lautre. On appelle prise de vue lacquisition photographique dune bande par le satellite ; une mme bande correspondent donc deux prises de vue possibles (gure 5.7). Avant deectuer une prise de vue, le satellite doit se positionner de faon orienter correctement son instrument optique. Les mouvements ncessaires dpendent largement de la position dans laquelle il se trouvait auparavant (cest-dire, de la prise de vue prcdente) et leur dure nest pas ngligeable. Dans le cas de requtes stroscopiques, chaque bande est ddouble et les bandes jumelles
5.2 Problmatique
85
tel-00009238, version 1 - 11 May 2005
Fig. 5.5 Agilit dun satellite Pliades (3 positions dun mme satellite)
Fig. 5.6 Exemple dacquisitions dimages le long dune trace au sol
PDV 2j
. ..
Fig. 5.7 Dcoupage en bandes dune requte
doivent tre acquises dans le mme sens (et depuis la mme orbite) ; donc chaque couple de bandes jumelles correspondent seulement deux et non pas quatre couples de prises de vue possibles. On sait que le nombre de requtes est trs lev ; on cherche donc planier les images raliser par les dirents satellites au cours du temps, de faon satisfaire au mieux lensemble des utilisateurs. Il se pose donc au pralable un problme daectation des requtes aux dirents satellites et un problme de dtermination de lhorizon de planication. Dans cette tude, nous considrons que le problme daectation entre les satellites est dj rsolu et nous choisissons comme horizon de travail une demi-rvolution claire dun satellite autour de la Terre (eectue en 50 minutes environ). Pour une demi-rvolution, nous supposons connu lensemble des requtes dimages des dirents utilisateurs. De plus, le prdcoupage des polygones des requtes est dni lavance ;
m lace dep ent atel du s lite
. ..
PDV 2j+1 bande j
86
on a ainsi un ensemble de bandes candidates, chacune caractrise par : la requte dont elle est issue ; deux intervalles de ralisation (un pour chaque prise de vue) qui dpendent des contraintes angulaires et de lintervalle de validit de la requte associe, ainsi que de la fentre de visibilit du satellite avec la bande ; une dure dacquisition ; la vitesse dacquisition de linstrument tant constante, on considre que la dure dacquisition dune bande est proportionnelle sa longueur. tant donn un ensemble de requtes dimages prdcoupes en bandes dont on peut dduire un ensemble de prises de vue candidates, il sagit donc de slectionner et ordonnancer les prises de vues que le satellite devra raliser sur une demi-rvolution, de faon satisfaire au mieux lensemble des clients. Pour valuer la satisfaction des clients, on suppose que lon sait associer un gain chaque requte. Deux mthodes de calcul sont alors envisages. Une premire valuation consiste associer un gain chaque bande candidate, proportionellement la fraction de requte quelle reprsente et sommer les gains des bandes acquises. Avec ce mode de calcul linaire, le fait de photographier une requte entirement nest pas privilgi par rapport au fait de photographier, uniquement partiellement, plusieurs requtes. Or, du point du vue du client, il nest pas vident que la ralisation de 50% dune requte, soit 50% satisfaisante, il est donc souhaitable de privilgier lacquisition totale des requtes. Une seconde mthode dvaluation consiste ainsi pondrer non linairement la fraction acquise de chaque requte, calculer les gains correspondants et sommer ces gains. De cette faon, on considre par exemple quune requte acquise 40% apporte 10% du gain total associ la requte, quune requte acquise 70% apporte 40% du gain, etc. Nous reviendrons par la suite sur ces aspects de dnition du critre doptimisation du problme (paragraphe 5.3.2). Le problme de slection et ordonnancment des prises de vue dun satellite Pleiades apparat demble dicile, du fait de lagilit des satellites et du grand nombre de requtes qui en font un problme fortement combinatoire.
tel-00009238, version 1 - 11 May 2005
5.3
5.3.1
Analyse du problme
Revue de la littrature
Une premire tude de ce problme a t ralise par lONERA du point du vue de sa modlisation et de sa rsolution [Lematre et al. 02]. Sur la base dun mme modle utilisant des variables de type "successeur" (une variable boolenne est associe chaque succession de deux prises de vue), quatre algorithmes sont tests et compars pour la recherche de solutions en un temps de calcul limit 2 minutes : un algorithme glouton et un algorithme de Programmation Dynamique qui ne prennent pas en compte les contraintes stroscopiques et qui considrent le critre doptimisation linaire, un algorithme de Programmation Par Contraintes et un algorithme Tabou de Recherche Locale qui prennent en compte toutes les contraintes ainsi que le critre non linaire.
87
Compte tenu du modle choisi et du temps de calcul x, lalgorithme de recherche locale fournit les rsultats les plus satisfaisants. Par la suite, le problme Pliades a t soumis comme sujet du challenge ROADEF 2003 1 ; il sagit l de trouver, en un temps limit 3 minutes, une solution respectant lensemble des contraintes et maximisant un critre de qualit non linaire. cette occasion, direntes mthodes approches ont t proposes, utilisant une recherche Tabou [Cordeau & Laporte 03, Jaumard et al. 03, Habet & Vasquez 03], le recuit simul [Kuipers 03, Vasquez et al. 03, Wild et al. 03], ou un algorithme gntique [Ribeiro 03] ou encore la programmation par contraintes dans un contexte de recherche arborescente partielle de type LDS (Limited Discrepancy Search [Harvey & Ginsberg 95]) [Caseau 03, de Givry & Jeannin 03]. Lalgorithme de recuit simul prsent par [Kuipers 03] fournit les meilleurs rsultats ; il utilise un paramtrage ad hoc des direntes quations de la mthode et dnit le voisinage dune solution (squence admissible de prises de vues) comme lensemble des squences admissibles que lon peut obtenir en retirant les prises de vues issues dau plus 4 requtes et en ajoutant un nombre alatoire de prises de vues issues dau plus 4 requtes. Dautres travaux ont t mens sur des problmes proches de gestion de missions de satellites dobservation de la Terre. En particulier, [Gabrel 99] puis [Vasquez & Hao 03] sintressent au calcul de bornes suprieures pour le problme de planication de prises de vues du satellite SPOT5 (voir chapitre 5 et [Bensana et al. 99] pour une prsentation plus dtaille de la problmatique SPOT5). [Gabrel 99] propose un modle linaire du problme qui permet dobtenir les premires bornes suprieures par rsolution de la relaxation linaire, puis amliore sensiblement ces bornes en dcomposant le modle et en utilisant une procdure de gnration de colonnes pour sa rsolution. Plus rcemment, [Vasquez & Hao 03] propose une approche dite "partition/backtrack-dynamique" qui consiste eectuer une partition des variables du problme grce une recherche Tabou, puis rsoudre chaque sous-problme ainsi obtenu de faon exacte par un algorithme de backtracking itratif inspir du principe des poupes russes. Cette mthode amliore les bornes connues et permet de traiter des instances de plus grande taille. Par ailleurs, [Wolfe & Sorensen 00] propose trois algorithmes dirents pour lordonnancement de tches dans le domaine de lobservation de la Terre par satellite : un algorithme glouton, un algorithme utilisant une procdure de look-ahead puis un algorithme gntique. Dune faon gnrale, les algorithmes gloutons sont largement utiliss pour fournir des solutions ; ils sont ensuite coupls des techniques heuristiques damlioration, trs dpendantes du problme spcique considr (cf. [Pemberton 00], [Frank et al. 01], [Bresina et al. 97]).
tel-00009238, version 1 - 11 May 2005
5.3.2
Modlisation
Nous introduisons les indices et paramtres suivants : T : horizon de planication (correspondant une demi-rvolution du satellite autour de la Terre, soit 50 minutes environ), NR : nombre total de requtes, r : numro de requte, r = 1 NR , N br : nombre de bandes issues du prdcoupage de la requte r,
1. ROADEF : Socit Franaise de Recherche Oprationnelle et dAide la Dcision ; dtails du challenge sur http://www.prism.uvsq.fr/ vdc/ROADEF/CHALLENGES/2003/challenge2003_en.html
88
Pliades : Satellites dobservation de la Terre NB : nombre total de bandes candidates, j : numro de bande, j = 0 NB 1, k : numro de prise de vue ; toute bande j correspondent les deux prises de vues 2j et 2j + 1 ; on a donc k = 0 2NB 1 (gure 5.7), Nsup : nombre maximal de prises de vue ralisables sur lhorizon T (ce paramtre nest pas connu a priori, mais par dfaut on peut xer Nsup = NB ), i : position dans une squence solution de prises de vue excuter, i = 1 Nsup , T min0(j), T max0(j) : dates de dbut au plus tt et au plus tard de la prise de vue 2j, T min1(j), T max1(j) : dates de dbut au plus tt et au plus tard des prises de vue 2j +1, Du(j) : dure dacquisition pour la bande j ; les dures des prises de vue 2j et 2j + 1 sont identiques,
tel-00009238, version 1 - 11 May 2005
Dt(k,k ) : dure de transition entre la n de la prise de vue k et le dbut de la prise de vue k ; cette dure est induite par le changement dattitude du satellite ncessaire entre deux prises de vue (notons que pour une bande j et une prise de vue k, Dt(2j,k) = Dt(2j + 1,k)). Lvaluation de cette dure nest pas triviale et fait lobjet dtudes spciques ; lhypothse retenue considre que Dt(k,k ) ne dpend pas de la date de n exacte de la prise de vue k [Lematre et al. 02], T w : vecteur des "bandes jumelles" ; pour j = 1 NB 1, T w(j) = 1 si la bande j nest pas issue dune requte stroscopique, T w(j) = j o j est la bande jumelle de j sinon, Str : matrice indiquant, pour chaque requte et chaque bande issue de cette requte, le numro de bande associ, R(j) : requte dont est issue la bande j, S(r) : surface de la requte r, Su(j) : surface utile de la bande j, i.e., surface de lintersection de la bande j avec la requte associe, G(r) : gain associ lacquisition totale de la requte r. [Lematre et al. 02] prsente un modle mathmatique du problme Pliades qui utilise trois types de variables : variables relles de date de dbut de prise de vue, variables binaires de slection dune prise de vue et variables binaires de succession entre deux prises de vue. Nous proposons ci-aprs un modle dirent, faisant appel aux deux variables suivantes :
se(k,i), variable binaire gale 1 si la prise de vue k est slectionne en position i, gale 0 sinon ; t(i), variable relle gale la date de dbut de la prise de vue en position i dans la squence construite.
Les contraintes du problme sexpriment par les expressions suivantes :
89
i j j j
(se(2j,i) + se(2j + 1,i)) 1 (se(2j,i) + se(2j + 1,i)) 1 (se(2j,i + 1) + se(2j + 1,i + 1))
j
j=0..NB 1 i=1..Nsup
(24) (25) (26) (27) (28)
(se(2j,i) + se(2j + 1,i))
i=1..Nsup 1 i=1..Nsup i=1..Nsup
(T min0(j).se(2j,i) + T min1(j).se(2j + 1,i)) < t(i)

j
t(i) <
(T max0(j).se(2j,i) + T max1(j).se(2j + 1,i))

l
t(i + 1) > t(i) + Du(j) + +

l
Dt(2j,2l).se(2l,i + 1) (29)
Dt(2j,2l + 1).se(2l + 1,i + 1)

i=1..Nsup , j=0..NB 1 l
+T (se(2j,i) 1) t(i + 1) > t(i) + Du(j) + +

l
Dt(2j + 1,2l).se(2l,i + 1) (30) (31) (32)
Dt(2j + 1,2l + 1).se(2l + 1,i + 1)

i=1..Nsup , j=0..NB 1 j=0..NB 1 | T w(j)>j
+T (se(2j + 1,i) 1)
tel-00009238, version 1 - 11 May 2005
i i
se(2j,i) =
se(2T w(j),i)
i se(2T w(j)
se(2j + 1,i) =
+ 1,i)
j=0..NB 1 | T w(j)>j
Les contraintes (24) et (25) limitent chaque bande tre photographie au plus une fois et chaque position dans la squence tre occupe par au plus une prise de vue. La contrainte (26) interdit les "trous" dans la squence : sil ny a aucune prise de vue slectionne en position i dans la squence, alors il ny a plus aucune prise de vue slectionne pour tout i = i + 1 Nsup . Les expressions (27) (30) expriment les contraintes temporelles du problme. Les contraintes (27) et (28) concernent les fentres de ralisation des direntes prises de vue : la date de dbut au plus tt (respectivement au plus tard) de la prise de vue place en position i dans la squence est T min0(j) ou T min1(j) (respectivement T max0(j) ou T max1(j)) selon que la prise de vue est de la forme 2j ou 2j + 1 (i.e., selon le sens dacquisition de la bande). Une dure de transition, entre la n dune prise et le dbut de la suivante, est assure grce aux contraintes (29) et (30). (29) traite le cas o une prise de vue de forme 2j est en position i et (30) traite le cas o une prise de vue de forme 2j + 1 est en position i. Ces deux contraintes font appel lutilisation dune constante de type "grand M" (ici T ) les rendant inactives dans le cas o la prise de vue 2j (respectivement, 2j + 1) nest pas slectionne en position i dans la squence. Enn, les expressions (31) et (32) expriment les contraintes stroscopiques du problme : pour tout couple de bandes jumelles, j et T w(j), soit ces deux bandes sont acquises, dans le mme sens, soit aucune des deux ne lest. La contrainte (31) traite le cas o les bandes jumelles sont acquises par des prises de vue de forme 2j et la contrainte (32) traite celui o les prises de vue sont de forme 2j + 1. Ces contraintes sont dnies pour tout j = 1..NB tel que T w(j) > j, ce qui permet dignorer les bandes non stroscopiques (T w(j) = 1 < j) et de ne pas avoir de contrainte redontante (les couples (j, T w(j)) et (T w(j), j) sont traits par la mme contrainte). La satisfaction de lensemble des utilisateurs, que lon souhaite maximiser, se mesure sur la base des gains G(r), chacun associ lacquisition dune requte et que lon pondre dun coecient qui tient compte de la fraction acquise f r(r) de cette requte.
90
Soit Sulr la surface acquise par la bande Str(r,l) (pour r = 1 NR et l = 1 N br ), on a lgalit : Sulr =
Nsup i=1
Su(Str(r,l))
r=1..NR , l=1..N br
[se(2(Str(r,l),i) + se(2(Str(r,l) + 1,i)] La fraction acquise dune requte r, f (r),est donc dnie par : f r(r) =
1 S(r)
(33)
N br l=1
Sulr
r=1..NR
(34)
An dexprimer le fait que lon souhaite favoriser lacquisition totale des requtes (le but tant de ne pas multiplier le nombre de requtes partiellement satisfaites), ce coecient volue de manire non linaire et suivant une pente qui crot avec laugmentation de la fraction acquise comme illustr sur la gure 5.8. Ceci nous conduit la fonction de maximisation : M ax
r
G(r) g(f r(r))
(35)
tel-00009238, version 1 - 11 May 2005
o g(.) est la fonction reprsentant lvolution du facteur de pondration.
0.4
0.1 0 0.4 0.7 1
Fig. 5.8 Fonction g de pondration du gain
La fonction g(.) rend le critre (35) non linaire. Dans un but de simplication du problme, nous linarisons cette fonction en posant g(f r(r)) = f r(r), r. On a alors lgalit :
r
G(r) f r(r) =
gain(j).
i (se(2j,i)
+ se(2j + 1,i))
o gain(j) = G(R(j))Su(j) est le gain associ lacquisition de la bande j. Ceci nous permet dobtenir le critre de maximisation suivant, linaire et suprieur au critre (35) : M ax
j
gain(j).
i (se(2j,i)
+ se(2j + 1,i))
(36)
On nomme P le modle linaire ainsi obtenu pour le problme Pliades, constitu des contraintes (24) (32) et du critre de maximisation (36).
5.4 tude de la complexit du problme Pliades
91
5.4
tude de la complexit du problme Pliades
On peut pressentir que le problme Pliades appartient la classe des problmes NPdiciles 2 . Pour le dmontrer, nous proposons une rduction du problme de dcision associ au problme de Voyageur de Commerce Slectif (STSP pour Selective Traveling Salesman Problem) vers le problme de dcision associ au problme Pliades. Soit J = {1..N } un ensemble de clients. On associe un gain gj 0 chaque client j J et un temps de parcours djl 0 entre chaque couple de clients (j,l) J 2 . Le STSP consiste dterminer une tourne de gain maximal, partant dun dpt o, visitant au plus une fois chaque client et dont la dure ne dpasse pas une limite impose T . [Golden et al. 87] puis [Laporte & Martello 90] montrent que ce problme est NP-dicile. Notons STSPdec et Pliadesdec les problmes de dcision associs respectivement au STSP et au problme Pliades. Pour montrer que le problme Pliades est NP-dicile, montrons que Pliadesdec est NP-complet.
tel-00009238, version 1 - 11 May 2005
la dirence du problme doptimisation Pliades, Pliadesdec cherche slectionner et ordonnancer un ensemble de prises de vues permettant dobtenir un gain suprieur une valeur xe, g, plutt quun gain optimal. Soit une solution admissible du problme Pliades, il est possible de vrier en un temps polynomial en la taille des donnes si cette solution est admissible pour Pliadesdec , cest--dire si elle vrie lensemble des contraintes du problme et si le gain obtenu est suprieur g. Le problme Pliadesdec appartient donc la classe NP. En reprenant les notations prcdentes, STSPdec consiste dterminer sil existe une tourne partant dun dpt o, visitant au plus une fois chaque client de J, dune dure totale infrieure ou gale T et collectant un gain suprieur une valeur g. Sans perte de gnralit pour le STSP, on peut introduire les lments suivants, issus du modle P propos prcdemment pour le problme Pliades : chaque client j J, on associe : deux prises de vues 2j et 2j + 1, les intervalles de ralisation [T min0(j), T max0(j)] = [0,T ] et [T min1(j), T max1(j)] = [0,0], une dure Du(j) = 0, lindicateur de bande jumelle T w = 1 (pas de bande jumelle), un gain gain(j) = gj ; tout couple de clients (j,l) J 2 , on associe les dures de transition Dt(2j,2l) = djl et Dt(2j,2l + 1) = Dt(2j + 1,2l) = Dt(2j + 1,2l + 1) = 0. On peut alors modliser le STSPdec comme une instance du problme Pliadesdec , o seules les prises de vues de forme 2j peuvent tre ralises (les intervalles de ralisation des prises de vues de forme 2j + 1 sont vides) et dans laquelle il ny a pas de requte stroscopique (T w = 1 pour tout j J). Ainsi, rpondre au problme Pliadesdec permet de rpondre au problme STSPdec . On peut donc raliser une rduction du problme STSPdec vers le
2. Un problme doptimisation est NP-dicile si le problme de dcision associ (problme pour lequel la rponse est oui ou non) est NP-complet. Un problme de dcision, D, est NP-complet sil appartient la classe NP (si on peut vrier en un temps polynomial quune instance donne permet de rpondre armativement au problme) et sil existe un problme D , NP-complet, que lon peut rduire polynomialement en D (D est une gnralisation de D ). Pour une prsentation plus rigoureuse et formelle de la thorie de la complexit nous renvoyons la lecture douvrages spcialiss comme [Garey & Johnson 79].
problme Pliadesdec ; notons que cette rduction seectue en temps polynomial. Comme STSPdec est NP-complet, Pliadesdec est galement NP-complet. Nous pouvons donc conclure que le problme Pliades est un problme NP-dicile.
5.5
Conclusion
Dans ce chapitre, nous prsentons la mission dobservation de la Terre des satellites Pliades. Il sagit de satellites plus "agiles" que ceux actuellement en place (comme les satellites SPOT) et qui induisent de ce fait un nouveau problme complexe de planication. Contrairement aux problmes relatifs au projet Netlander, vus au chapitre prcdent, le problme Pliades a dj fait lobjet de travaux de recherche concernant sa modlisation et sa rsolution. Nous proposons un modle original, sous forme dun programme linaire en variables mixtes, et nous montrons que ce problme doptimisation combinatoire est NPdicile.
tel-00009238, version 1 - 11 May 2005
Face la grande combinatoire du problme (plusieurs centaintes de requtes) et compte tenu des temps de rsolution trs courts imposs en pratique, la plupart des approches de rsolution proposes font appel des heuristiques. Toutefois, dans le but de gnrer des bornes suprieures, voire de fournir certaines solutions optimales, nous poursuivons, au chapitre 7, ltude de ce problme dans la voie des mthodes exactes. Nous proposons une dcomposition du modle, base sur lobservation des similitudes que prsente le problme Pliades avec le STSP (problme de voyageur de commerce slectif) et nous dveloppons une mthode de rsolution par Gnration de Colonnes. Ce chapitre conclut la deuxime partie du mmoire. Dans cette partie, nous avons prsent trois projets de missions spatiales dvelopps au CNES, et propos des modles pour les problmes de planication qui en dcoulent : un problme dallocation de liens de communication dans la constellation Skybridge, un problme de planication de communications et de planication dexpriences pour le projet Netlander, et un problme de slection et ordonnancement de prises de vue dun satellite Pliades. On peut constater que ces problmes se posent dirents stades de la vie dun projet et que le travail de modlisation qui en rsulte est de dicult variable. Dans le cas de Skybridge et surtout Pliades, le systme est dj bien dni et on dispose de documents faisant tat de la description du problme ou de travaux relatifs la modlisation et la rsolution de ces problmes. Le projet Netlander est quant lui dans une phase amont, o de nombreuses dcisions restent prendre concernant les caractristiques physiques et fonctionnelles du systme. Dans ce cas, une partie considrable de ltude a consist prcisment caractriser la problmatique et la formaliser [Mancel & Saleman 01, Mancel et al. 01a], avant mme den donner un modle mathmatique. Dans la troisime et dernire partie, nous poursuivons ltude sur les projets Netlander (au chapitre 6) et Pliades (au chapitre 7), par la proposition de mthodes de rsolution.
Troisime partie
tel-00009238, version 1 - 11 May 2005
Rsolution de problmes de planication dans les projets Netlander et Pliades
tel-00009238, version 1 - 11 May 2005
Chapitre 6
Planication de communications et dexpriences dans le projet Netlander

tel-00009238, version 1 - 11 May 2005
6.1
Introduction
Nous avons vu au chapitre 4 que le problme de planication des communications et des expriences dans le projet Netlander peut tre dcompos en deux sous-problmes considrs comme indpendants. Le premier sous-problme est celui de la planication des communications entre lorbiteur de Mars et les sondes ; cest un problme doptimisation combinatoire que nous avons modlis par un programme linaire en nombres entiers. Le second sous-problme est celui de la planication des expriences ralises par les sondes. Dirents paramtres de ce problme sont encore mconnus (en particulier, on ne sait pas dnir un critre de qualit associ un plan de travail et il est dicile de direncier les contraintes et les prfrences) et gnrer un plan de travail ralisable par les sondes est dj complexe et fera ncessairement lobjet de ngociations entre dirents experts engags dans la mission. Nous labordons donc comme un problme daide la dcision. Dans ce chapitre, nous rsolvons dune part, le problme de planication des communications orbiteur/sondes par une mthode classique de PLNE et nous gnralisons le problme au cas o plusieurs orbiteurs peuvent tre utiliss pour les communications. Dautre part, pour le problme de planication des expriences, nous proposons un calcul de courbes dvaluation de la charge des deux principales ressources, que sont lnergie lectrique et la mmoire de masse, en faisant appel des concepts de raisonnement nergtique. Ces courbes peuvent tre utilises pour guider llaboration des plans de travail dune sonde.
6.2
Planication des communications orbiteur/sondes
Le problme de la planication des communications orbiteur/sondes dans le projet Netlander consiste, tant donn lensemble des fentres de visibilit entre les sondes et lorbiteur martien sur un horizon T , dterminer les crneaux de communication de chaque sonde sur T , de faon maximiser la dure totale de communication. Ce problme peut tre modlis par le programme linaire en nombres entiers propos au chapitre 4 (pages 75 et 76).
96
Le CNES a calcul les phmrides de lorbiteur sur des priodes de trente jours (avec un pas de temps de deux minutes), pour dirents scnarios susceptibles dtre mis en uvre dans le projet Netlander. On souhaite obtenir une solution du problme sur ces 30 jours. Les donnes fournies nous ont incit tenter une rsolution directe par des outils de programmation linaire. En eet, pour chaque sonde, on remarque que les priodes de visibilits avec lorbiteur sont trs minoritaires devant les priodes de "non-visibilit". Ainsi, mme si la taille du problme sur un horizon de trente jours (21 600 pas de temps) est considrable (de lordre de 85 000 variables et 300 000 contraintes), il savre que le nombre de pas de temps t sur lesquels les variables daectation Xs,t peuvent tre non nulles est trs limit (de lordre de 200 pour chaque sonde s). Par consquent, une grande majorit de variables sont xes zro (par les contraintes (13)) et un grand nombre des contraintes (15) et (17) sont ainsi rendues "inactives". Dans la suite, nous prsentons les dirents tests eectus sur le problme initial, puis nous tudions les limites dune rsolution par programmation linaire en gnralisant ce problme de planication des communications au cas o plusieurs orbiteurs peuvent tre utiliss.
tel-00009238, version 1 - 11 May 2005
6.2.1
Description des orbites testes et des outils utiliss
Les trois scnarios fournis par le CNES dirent uniquement par lorbite considre pour calculer les phmrides de lorbiteur martien. Dans tous les cas, on a les caractristiques suivantes : quatre sondes martiennes dont les positions sont spcies dans le tableau 6.1 ; un degr dlvation minimum de 20 pour tablir les communications orbiteur/sonde ; un horizon de simulation de 30 jours avec une discrtisation du temps par pas de 2 minutes (21 600 pas). la dure minimale dune communication, dmin, est de 6 minutes (3 pas de temps) ; la dure de reconguration de lorbiteur, dr, est de 2 minutes (1 pas de temps) ; la dure de communication est limite pour chaque sonde 40 minutes (20 pas de temps) par jour (on pose K = J et Dmaxs (ji ,ji+1 ) = 20 pour i = 1..J) ; la capacit du buer, ainsi que les ressources lectriques de lorbiteur ntant pas dnies, on relche les contraintes de dure maximale de communication de lorbiteur (on pose Dmax1orb (t,t ) = et Dmax2orb (t,t ) = pour tout intervalle [t,t ]) ; sonde i 1 2 3 4 longitude (degrs) 71 -132 -60 -75 latitude (degrs) -22 35 12 25 altitude (mtres) 0 0 0 0
Tab. 6.1 Position des sondes martiennes Les direntes orbites envisages sont dcrites dans [Ridder et al. 01] ; ce sont des orbites hliosynchrones et basse altitude (entre quatre cents et huit cents kilomtres). Pour chaque scnario, nous disposons de deux jeux de donnes : le premier contient les visibilits de lorbiteur pour les direntes sondes pendant leurs priodes densoleillement et le second contient
6.2 Planication des communications orbiteur/sondes
97
toute les visibilits ( la fois de jour et de nuit). Rappelons que dans le mode de fonctionnement nominal, les sondes sont supposes ne pas communiquer avec lorbiteur lorsquelles ne sont pas ensoleilles, nous avons toutefois test notre modle sur les deux types de jeux de donnes. Le modle linaire a t implment et test sur une station Sun-Blade-100 502MHz, possdant 604Mo de RAM. Les programmes ont t dvelopps en C++, compils avec CC 5.0. Nous utilisons loutil de programmation linaire ILOG CPLEX 7.5 (avec les bibliothques ILOG CONCERT 1.2) pour la rsolution du problme relch ainsi que la recherche arborescente de la solution entire.
6.2.2
Rsultats du modle initial
Les rsultats obtenus sur les six jeux de donnes sont prsents dans le tableau 6.2. jeu de donnes jour (sc1.1) jour et nuit (sc1.2) jour (sc2.1) jour et nuit (sc2.2) jour (sc3.1) jour et nuit (sc3.2) temps CPU (secondes) 80 86 73 74 75 79 solution PL relch 702 1705 263,75 646 724 1710 solution optimale entire 695 1705 257 638 724 1710
tel-00009238, version 1 - 11 May 2005
Tab. 6.2 Rsultats obtenus par programmation linaire pour le problme de planication des communications orbiteur/sondes Pour chaque scnario i = 1 3, nous avons test le modle sur lhorizon de planication total (21 600 pas de temps), en considrant dune part, uniquement les visibilits orbiteur/sondes de jour (jeu sci.1) et, dautre part, toutes les visibilts orbiteur/sondes (jeu sci.2). Pour chaque jeu de donnes, le tableau 6.2 donne le temps CPU dexcution du programme, la solution optimale de la relaxation linaire du problme (dure totale de communication en nombre de pas de temps) et la solution optimale entire du problme. Pour les six tests eectus, on obtient la solution optimale du problme sur lhorizon total de trente jours, en moins de 90 secondes. Dans la moiti des cas (sc1.2, sc3.1 et sc3.2), on note que la solution du problme relch est la solution entire (les valeurs 702 et 646 obtenues pour les jeux de donnes sc1.1 et sc2.2 ne correspondent pas des solutions entires). Pour les autres cas, la solution du problme relch est trs proche de la solution entire (1,4 % en moyenne). Ces rsultats sont satisfaisants puisquils nous permettent de rpondre de faon optimale et en un temps trs limit au problme de planication des communications orbiteur/sondes
scnario 3 scnario 2 scnario 1
98
sur un horizon de 30 jours ; ceci mme lorsque lon prend en compte les visibilits de nuit en plus de celles de jour, ce qui double, en moyenne, la taille des jeux de donnes (jeux sc1.2, sc2.2 et sc3.2). partir des solutions obtenues, on peut donner une premire analyse des orbites proposes dans les dirents scnarios. En eet, on observe que la dure totale de communication sur une dure de 30 jours varie, selon le scnario choisi, de 514 minutes (257 pas de temps pour sc2.1, soit environ 8 heures) 1448 minutes (724 pas de temps pour sc3.1, soit environ 24h) dans le cas nominal de fonctionnement, o on ne considre que les visibilits de jour (sc1.1, sc2.1 et sc3.1). Ceci donne une dure de communication moyenne par jour martien (appel sol, avec 1 sol = 24 heures 37 minutes) et par sonde variant entre 4 et 12 minutes. Or, les tudes menes au CNES sur le projet Netlander prconisent dutiliser des orbites martiennes permettant dassurer une moyenne de 40 60 minutes de communication orbiteur/sonde par sol et par sonde en dbut de vie et 20 minutes en n de vie, avec au moins une communication par sol et par sonde [Mancel & Saleman 01, Marsal et al. 01]. Le premier constat que lon peut faire est que les orbites proposes dans les trois scnarios que nous avons tests ne semblent pas compatibles avec ces exigences. De plus, mme dans le cas o lon autorise les communications pendant les priodes de nuit des sondes (sc1.2, sc2.2 et sc3.2), bien que la dure totale de communication augmente considrablement (elle est plus que double), la dure moyenne de communication par sol et par sonde reste infrieure 30 minutes (14,7 pas de temps pour sc3.2). Ces dures moyennes de communication pour la solution optimale sont prsentes dans le tableau 6.3 en nombre de pas de temps. Ce tableau donne galement, pour chaque jeu de donnes, les dures minimale et maximale de communication par sol et par sonde. On remarque que les orbites testes permettent dobtenir, au mieux, 40 minutes de communication par sol et par sonde (dure maximale de 20 pas de temps pour sc1.2, sc 3.1 et sc 3.2 ) et que seules les orbites des scnarios 1 et 3 permettent dassurer, condition de prendre en compte les visibilits de nuit, au moins une communication par sol et par sonde (avec une dure minimale de 3 pas de temps). Le scnario 2 semble particulirement mal adapt puisquil a les plus petites dures moyennes de communication, quil ne permet quau plus une dure maximale de communication par sol et par sonde de 22 minutes et quil ne garantit en aucun cas davoir une communication par sol et par sonde. An dtudier la possibilit de trouver des solutions de bonne qualit en termes de temps total de communication et qui permettent dassurer un minimum non nul de communication par sol et par sonde, on modie le critre doptimisation du modle linaire en prenant la fonction de maximisation : M ax (mins,j (
j+1 1 Xs,t )) t=j
tel-00009238, version 1 - 11 May 2005
o j = 1..Nsol avec Nsol le nombre de sols dans lhorizon T et j est la date de dbut du jour j de T . Ce nouveau critre doptimisation consiste donc maximiser la dure minimale de communication par sol et par sonde. Lide est de rsoudre le problme en deux temps, en cherchant dabord une solution maximisant la dure minimale de communication par sol et par sonde,
6.2 Planication des communications orbiteur/sondes
99
puis en incluant cette valeur comme borne infrieure de dure de communication par sol et par sonde pour rechercher une solution qui maximise le temps total de communication. Malheureusement, les tests eectus sur les six jeux de donnes avec le nouveau critre doptimisation, namliorent pas les dures minimales de communication par sol et par sonde (les solutions obtenues sont exactement gales aux valeurs de la premire colonne du tableau 6.3). Ceci montre que, pour les orbites proposes dans les trois scnarios de test, il nexiste pas de solution permettant dassurer au moins une communication par sol et par sonde, si on ne prend en compte que les visibilits de jour. Par ailleurs, si on autorise les communications de nuit, seuls les scnarios 1 et 3 permettent dassurer au moins une communication par sol et par sonde. dure min. de comm. (/sol et /sonde) 0 3 0 0 0 3 dure moy. de comm. (/sol et /sonde) 5,9 14,6 2,2 5,5 6,2 14,7 dure max. de comm. (/sol et /sonde) 12 20 5 11 20 20
tel-00009238, version 1 - 11 May 2005
jeu de donnes sc 1.1 sc 1.2 sc 2.1 sc 2.2 sc 3.1 sc 3.2
Tab. 6.3 Synthse des dures de communication par sol et par sonde pour la solution optimale
6.2.3
Gnralisation du problme
Le systme Netlander est conu pour fonctionner avec quatre sondes et un unique orbiteur, mais il est probable quil y ait un ou plusieurs autres satellites en orbite autour de Mars lors de la mission et que lon puisse galement les utiliser pour relayer les communications entre la Terre et les sondes martiennes. Il est donc intressant dtudier une gnralisation du problme de planication des communications au cas "multi-orbiteurs". Nous proposons une adaptation simple de notre modle linaire en ajoutant un indice la variable de dcision Xs,t : soit Norb le nombre dorbiteurs, on pose, pour tout o = 1 Norb , Xo,s,t gale 1 si, au pas de temps t, la sonde s communique avec lorbiteur o et gale 0 sinon. De nouvelles contraintes viennent sajouter au modle initial, concernant la capacit de communication des sondes. En eet, chaque sonde ne possdant quune antenne, elle communique avec au plus un orbiteur la fois. Ceci se traduit par lingalit : Xo,s,t 1
o t=1..T, s=1..N
(37)
Les contraintes (13) (15) et (17) (19) du modle initial (voir page 76) sont dclines pour chaque orbiteur et on obtient ainsi le modle linaire suivant :
100
tel-00009238, version 1 - 11 May 2005
M ax o,s,t Xo,s,t s.c. Xo,s,t = 0 s Xo,s,t 1 o Xo,s,t 1 t+dmin t =t+1 Xo,s,t dmin.(Xo,s,t+1 Xo,s,t ) o Xo,s,t o Xo,s,t1 t+dr1 t =t+1 Xo,s,t dro .(1 Xo,s,t1 + Xo,s,t ) ji+1 t=ji s Xo,s,t Dmax1o li+1 t=li s Xo,s,t Dmax2o (li ,li+1 ) ki+1 t=ki o Xo,s,t Dmaxs (ki ,ki+1 )
(21bis )
s=1..N, o=1..Norb , tIs,o t=1..T, o=1..Norb t=1..T, s=1..N t=1..(T dmin), s=1..N, o=1..Norb t=(T dmin+1)..T, s=1..N t=2..(T dr+1), s=1..N, o=1..Norb i=1..J1, o=1..Norb i=1..L1, o=1..Norb i=1..Ks 1, s=1..N
(13bis ) (14bis ) (37) (15bis ) (16bis ) (17bis ) (18bis ) (19bis ) (20bis )
o les paramtres dro , Dmax1o et Dmax2o , pour chaque orbiteur (o = 1..Norb ), remplacent respectivement les paramtres dr, Dmax1orb et Dmax2orb du modle initial. Ainsi, dro est la dure de reconguration de lorbiteur o entre deux communications successives, Dmax1o traduit la capacit du buer de lorbiteur o et Dmax2o (li ,li+1 ) traduit lnergie lectrique de lorbiteur o, sur lintervalle [li ,li+1 ] (pour i = 1..L). Les autres paramtres et indices utiliss dans ce modle sont prsents page 75. Les contraintes (13bis ) (20bis ), ainsi que le critre de maximisation (21bis ) ont respectivement la mme signication, dans un contexte multi-orbiteurs, que les contraintes (13) (20) et que le critre (21) du modle initial. Nous renvoyons donc aux dtails donns page 76 pour leur explication. Nous avons test la rsolution par programmation linaire de ce modle pour des instances deux et trois orbiteurs en utilisant les jeux de donnes (avec visibilits de jour uniquement) fournis par le CNES et en autorisant un temps maximum dexcution de 4 minutes. Le tableau 6.4 indique pour chaque couple de scnarios, puis pour les trois scnarios ensemble, le temps dexcution du programme et la solution obtenue (en nombre de pas de temps) pour dirents horizons de planication : dune part pour lhorizon maximal rsolu, dautre part, pour quatre horizons successifs (de 5 400 pas de temps chacun) qui couvrent lhorizon total de planication. Lhorizon temporel que lon peut traiter est naturellement dautant plus petit que le nombre dorbiteurs considr est lev. Pour exemple, nous obtenons dans un dlai de trois minutes et demi une solution optimale pour des problmes deux satellites sur un horizon de dixneuf jours, et trois satellites sur un horizon de huit jours et demi. Pour des problmes plus de trois orbiteurs, nous manquons de jeux de donnes ; notons que nous avons ralis des tests jusqu cinq satellites en considrant plusieurs fois le mme scnario. On rsout de tels problmes sur un horizon de cinq jours mais ces instances ne sont pas reprsentatives de cas rels puisquon multiplie articiellement les mmes intervalles de visibilit. Notons enn que les dirents scnarios prsents dans le tableau 6.4 ne permettent toujours pas dassurer une dure de communication de 40 minutes par sol et par sonde.
6.3 Planication des expriences

horizons de 7 jours 1/2 horizon maximal rsolu horizon CPU solut sc1.1 +sc2.1 sc1.1 +sc3.1 sc2.1 +sc3.1 sc1.1 +sc2.1 +sc3.1 0 13331 (18 jours 1/2) 0 13680 (19 jours) 0 13680 (19 jours) 0 6075 (8 jours 1/2) 205 207 205 756 524 589
0 5400 5400 10800
101
CPU 53 53 47
solut 249 222 241
CPU 47 53 47
solut 235 220 235
CPU 48 53 47
10800 16200 solut
CPU 46 52 47
16200 21600 solut
221 202 221
230 204 200
181
291
157
284
156
276
156
257
144
259
Tab. 6.4 Rsultats obtenus par programmation linaire pour le problme gnralis
6.2.4
Conclusion
tel-00009238, version 1 - 11 May 2005
Le problme de planication des communications orbiteur/sondes dans le projet Netlander, bien quen variables dicrtes, est peu combinatoire et reste dans le domaine des problmes traitables par une mthode exacte classique et par des outils commerciaux comme CPLEX. Ceci est principalement d la nature des donnes traites. En eet, les sondes tant susamment loignes les unes des autres, les fentres de visibilit de lorbiteur avec les direntes sondes se chevauchent relativement peu entre elles, ce qui limite les conits de partage de lorbiteur. De plus, du point de vue dune sonde, lorbiteur est la plupart du temps indisponible, ce qui xe un grand nombre de variables zro. Dans le cas gnralis o lon considre plusieurs orbiteurs, on a naturellement plus de conits grer, mais on voit que lon obtient encore des rsultats satisfaisants par Programmation Linaire en Nombres Entiers. On pourrait poursuivre ltude de ce problme, pour le rsoudre sur de plus grands horizons temporels par exemple, en dveloppant une approche par dcomposition du modle, suivant les direntes orbites (dcomposition de Benders par exemple, avec une rsolution des problmes lis chaque orbite par PLNE et gestion des contraintes couplantes (37) un niveau suprieur de coordination). Dans la suite de ce chapitre, nous traitons le problme de planication des expriences dune sonde dans le projet Netlander.
6.3

Planication des expriences

un mode opratoire mopi , un numro de sonde si , une fentre de ralisation [est,lf t]i , une dure minimale dui , une dure maximale dui .
Rappelons quune exprience lmentaire i est caractrise par les attributs suivants :
On associe chaque exprience lmentaire i deux variables sti et f ti rprsentant les dates de dbut et de n dexcution de i (si i est excute, sti ,f ti [est,lf t]i et dui f ti sti dui ). La gure 6.1 donne une reprsentation dans le temps dune exprience lmentaire.
102

dui exprience i esti sti f ti lf ti temps dui
Fig. 6.1 Reprsentation dune exprience lmentaire Comme on considre le problme de planication des crneaux de communication prioritaire sur celui de la planication des expriences, on suppose que lon connat dj les crneaux de communication des sondes sur chaque horizon de planication. tant donn un horizon T , les crneaux de communication dune sonde s sur T , ainsi quun ensemble dexpriences lmentaires candidates Ec sur s, le problme de planication des expriences dans le projet Netlander consiste laborer un plan de travail ralisable pour s sur T . Il sagit donc de slectionner un sous-ensemble dexpriences lmentaires E Ec et les ordonnancer sur T (instancier les variables sti et f ti pour tout i E), de faon satisfaire des contraintes lies au partage de la mmoire de masse et de lnergie lectrique de la sonde s. On se place dans un contexte daide la dcision. An daider un responsable de mission, ou un ensemble dexperts scientiques au cours dune ngociation, nous proposons, pour chacune des deux ressources considres, de fournir des courbes dvaluation de la charge au cours de llaboration du plan. Nous faisons appel des concepts de raisonnement nergtique, introduit au chapitre 2, pour tablir et analyser ces courbes. Un plan de travail en cours dlaboration est caractris par un sous-ensemble dexpriences slectionnes E de Ec et par ltat des variables sti et f ti pour tout i E. On a E = E1 E2 o E1 est lensemble des expriences lmentaires slectionnes i dont les dates de dbut et n dexcution sti et f ti sont instancies et o E2 est lensemble des expriences lmentaires slectionnes dont les dates de dbut et n dexcution st et f t ne sont pas encore instancies (E1 E2 = ). Si E2 = (E = E1 ) et si les contraintes de partage de la mmoire de masse et de lnergie lectrique sont satisfaites, alors E fournit un plan de travail ralisable pour la sonde s, sur lhorizon T .
tel-00009238, version 1 - 11 May 2005
6.3.1
6.3.1.1
Courbe de charge de la mmoire de masse dune sonde

La mmoire de masse dune sonde
La mmoire de masse dune sonde a une taille limite mais elle est rutilisable, cest--dire que les donnes stockes peuvent tre crases et remplaces par de nouvelles donnes. Les rgles permettant dcraser les donnes et donc de librer la ressource mmoire ne sont pas clairement dnies. Direntes hypothses ont t envisages. On peut tout dabord considrer que la mmoire de masse fonctionne en boucle : lorsque toute la place mmoire est occupe, les plus anciennes donnes sont crases. Ce mode de fonctionnement permet de ne jamais interdire la ralisation dune exprience cause de la place mmoire quelle ncessite mais cela entrane le risque de perdre des rsultats dexpriences avant de les avoir rapatris au sol. linverse, on peut supposer que la mmoire nest libre que sur commande ; cest--dire,
103
tel-00009238, version 1 - 11 May 2005
quaprs avoir reu les donnes au sol, on envoie dans un prochain plan de travail lordre de les craser aux sondes correspondantes. On assure ainsi quil ny a pas de perte de donnes, mme en cas dchec dune communication, mais ces prcautions forcent un stockage prolong de tous les rsultats dexpriences et limitent ainsi considrablement la quantit de donnes direntes que lon pourra stocker sur un horizon T et donc le nombre dexpriences qui pourront tre excutes sur cet horizon. On peut galement envisager que les donnes sont eaces au terme dune priode xe, que lon suppose susante pour avoir le temps, en gnral, de rapatrier toutes les donnes au sol. La pertinence de cette hypothse dpend largement de la qualit de lestimation de la dure ncessaire de conservation des donnes. De plus, mme si on connat une estimation able en moyenne (ce qui nest pas le cas actuellement), la prise en compte dune dure xe de conservation peut entraner la fois lcrasement de donnes non encore rapatries et une sous-utilisation de la mmoire de masse, suivant le contexte de la mission. Enn, on peut considrer que chaque transfert de donnes ralis lors dune communication sonde/orbiteur est russi, cest--dire qu la n de chaque communication sonde/orbiteur, la mmoire de masse de la sonde peut tre libre de toutes les donnes qui ont t transfres lors de cette communication. Cest cette dernire hypothse que nous retenons dans la suite car elle ore un compromis satisfaisant entre le risque dcraser des donnes non rapatries au sol (uniquement dans le cas o une communication sonde/orbiteur choue) et celui de limiter inutilement la ralisation dexpriences (une donne nest jamais force tre conserve alors quelle a dj t reue au sol). Puisque lon suppose connatre les crneaux de communication sonde/orbiteur, on peut valuer prcisment le processus de renouvellement de la mmoire de masse de chaque sonde. Cest une ressource doublement contrainte au sens de [Blazewicz et al. 01]. En eet, elle est la fois renouvelable (partiellement, aprs chaque communication sonde/orbiteur) et consommable (entre deux communications sonde/orbiteur, on dispose dune quantit limite de mmoire) (voir paragraphe 1.2.4, chapitre 1). 6.3.1.2 laboration de la courbe de charge de la mmoire de masse
Soit T un horizon de planication, {[scj ,f cj ]s,T | j = 1..N coms,T , s = 1..4} lensemble des intervalles de communication sonde/orbiteur sur T destins la transmission des donnes lorbiteur (avec N coms,T le nombre de crneaux de communication de la sonde s sur T ). La taille totale, M dMs,T , de la mmoire de masse est suppose constante et connue pour chaque sonde s et chaque horizon T (elle peut diminuer au cours de la mission en fonction des alas et dgradations que subit la sonde). Le dbit de transfert de donnes dune sonde lorbiteur est constant ; on le note com . On peut donc valuer la place mmoire disponible Mj,s,T sur la sonde s, la n de chaque communication sonde/orbiteur [scj ,f cj ]s,T . Dans la suite, pour simplier les notations, on omet les indices s et T (il ny a pas dambigut puisque lon sintresse une unique sonde sur un unique horizon). On peut donc exprimer la place mmoire Mj , disponible sur une sonde la n du crneau de communication [scj ,f cj ] par lquation suivante : Mj = min(M dM , Mj1 data(f cj1 ,f cj ) + com (f cj scj ))
104
o data(f cj1 ,f cj ) est la place mmoire ncessaire pour enregistrer les donnes mises par les expriences entre les dates f cj1 et f cj . Notons que f c0 = 0 et M0 est la place mmoire disponible la date 0 de lhorizon T (M0 M dM ). La gure 6.2 illustre le processus de renouvellement de la mmoire de masse dune sonde s sur un horizon T . Les zones hachures reprsentent les crneaux de communication entre la sonde et lorbiteur. La place mmoire disponible la n de lhorizon T , MT , est la valeur initiale de la mmoire de masse disponible pour lhorizon de planication suivant.
place mmoire disponible M dM M0 M1
om
M2
tel-00009238, version 1 - 11 May 2005
om
MT
om
0 0 =f c0
sc1
f c1
sc2
f c2
sc3
f c3
temps
Fig. 6.2 Reprsentation schmatique du renouvellement de la mmoire de masse dune sonde sur un horizon T Soit un plan de travail en cours dlaboration pour la sonde s, sur lhorizon T et E = E1 E2 lensemble associ des expriences lmentaires slectionnes. Pour tout intervalle [t,t ] T , on peut crire data(t,t ) comme la somme de dataE1 (t,t ) et dataE2 (t,t ) o dataE1 (t,t ) est la place mmoire requise pour lexcution des expriences de E1 dans lintervalle de temps [t,t ] et dataE2 (t,t ) est la place mmoire requise pour lexcution des expriences de E2 dans lintervalle de temps [t,t ]. dataE1 (t,t ) peut tre calcul puisque pour toute exprience i de E1 , sti et f ti ont une valeur xe. On a donc : dataE1 (t,t ) =
i E1 | [t,t ][sti ,f ti ]=
datai (t,t )
o datai (t,t ) = (min(t ,f ti ) max(t,sti )) mopi est la place mmoire requise pour lexcution de i sur lintervalle [t,t ] (rappelons que mopi est le dbit de donnes du mode opratoire associ lexprience i). La gure 6.3 montre les intervalles temporels mis en jeu pour le calcul de datai (t,t ) pour quatre expriences lmentaires appartenant E1 . En revanche, puisque E2 est lensemble des expriences slectionnes dont les dates de
105
1
st1 f t1 f t2 st3 f t3 f t4 t temps
2
st2
3 4
st4 t
Fig. 6.3 Intervalles de ralisation de quatre expriences lmentaires de E1 sur [t,t ] dbut et de n dexcution ne sont pas encore instancies, on ne peut pas dnir exactement dataE2 (t,t ).
tel-00009238, version 1 - 11 May 2005
Nous proposons une borne infrieure, dataE2 (t,t ), et une borne suprieure, dataE2 (t,t ), de dataE2 (t,t ). dataE2 (t,t ) est la place mmoire obligatoire requise pour E2 sur lintervalle [t,t ] et dataE2 (t,t ) est la place mmoire maximale requise pour E2 sur sur lintervalle [t,t ]. On a : dataE2 (t,t ) =
iE2 | esti +dui > t et lf ti dui < t
datai (t,t )
et dataE2 (t,t ) =
iE2 | [t,t ][sti ,f ti ]=
datai (t,t )
o datai (t,t ) = min(esti + dui t, t lf ti + dui , t t, dui ) mopi est la place mmoire obligatoire requise pour lexcution de i sur lintervalle [t,t ] et datai (t,t ) = min(lf ti t , t esti , t t , dui ) mopi est la place mmoire maximale requise pour lexcution de i sur lintervalle [t,t ]. On retrouve ici des formulations du type consommation nergtique vues en 3.2, lnergie consomme tant de la place mmoire. Les gures 6.4 et 6.5 montrent les intervalles temporels considrs pour le calcul de datai (t,t ) et datai (t,t ) pour quatre expriences lmentaires appartenant E2 . Ce sont les intervalles de "consommation de mmoire de masse" obligatoire (gure 6.4) et maximale (gure 6.5) sur lintervalle [t,t ]. On obtient ainsi un encadrement de la quantit de donnes gnres par les expriences de E sur lintervalle [t,t ] : dataE1 (t,t ) + dataE2 (t,t ) data(t,t ) dataE1 (t,t ) + dataE2 (t,t ) La place mmoire Mj disponible sur la sonde la n de chaque crneau de communication [scj ,f cj ] pour j = 1 N com peut donc tre encadre comme suit :
106
1
est1 lf t1
2
est2 lf t2
3
est3 lf t3
4
est4 t lf t4 t temps
Fig. 6.4 Intervalles de consommation de mmoire de masse obligatoire de quatre expriences lmentaires de E2 sur [t,t ]
1
tel-00009238, version 1 - 11 May 2005
est1
lf t1
2
est2 lf t2
3
est3 lf t3
4
est4 t lf t4 t temps
Fig. 6.5 Intervalles de consommation de mmoire de masse maximale de quatre expriences lmentaires de E2 sur [t,t ]
M j Mj M j avec M j = min(M dM , Mj1 dataE1 (f cj1 ,f cj ) dataE2 (f cj1 ,f cj ) + com (f cj scj )) et M j = min(M dM , Mj1 dataE1 (f cj1 ,f cj ) dataE2 (f cj1 ,f cj ) + com (f cj scj )) On tablit deux courbes, Csup et Cinf , reprsentant dune part, une volution "optimiste" de la place disponible sur la mmoire de masse au cours du temps (courbe de charge obligatoire de la mmoire de masse) et dautre part, une volution "pessimiste" de cette place mmoire disponible (courbe de charge maximale). Pour construire ces courbes, on pose les rgles suivantes pour chaque intervalle [f cj1 ,f cj ] (j = 1 N com) : pour toute exprience i E1 , telle que [f cj1 ,f cj ] [sti ,f ti ] = , on considre que la place mmoire requise datai (f cj1 ,f cj ) est occupe la date i = max(sti ,f cj1 );
107
pour toute exprience i E2 , telle que [f cj1 ,f cj ] [esti ,lf ti ] = , on considre que la place mmoire maximale requise datai (f cj1 ,f cj ) est occupe la date i = max(esti ,f cj1 ) (pour la courbe Cinf ); pour toute exprience i E2 , telle que esti + dui > f ci1 et lf ti dui < f ci , on considre que la place mmoire obligatoire requise datai (f cj1 ,f cj ) est occupe la date i = max(lf ti dui ,f cj1 ) (pour la courbe Csup ); la mmoire de masse est partiellement renouvele la date f cj ; la place disponible est alors M j pour la courbe Cinf et M j pour la courbe Csup . La gure 6.6 met en uvre ces direntes rgles pour la construction des courbes Cinf et Csup sur un intervalle [f c1 ,f c2 ]. Le plan de travail en cours dlaboration considr est constitu de quatre expriences : les expriences 1, 2 et 3 appartiennent E2 et lexprience 4 appartient E1 .
tel-00009238, version 1 - 11 May 2005
1
est1 lf t1
2
est2 lf t2
3
est3 lf t3
4
st4 f c1 f t4 f c2
M dM M1 M2 M1
data2 data3 data1 data4
Csup
om
data2
M2
data4
om
Cinf
data3
f c1 4 = 1 = 2
23
sc2
Fig. 6.6 Exemple de construction des courbes Cinf et Csup sur un intervalle [f c1 ,f c2 ] pour un ensemble de quatre expriences lmentaires Lorsque le plan de travail est g (toutes les dates de dbut et n dexcution sont instancies), les deux courbes se confondent et reprsentent lvolution de la charge de la mmoire de masse pour ce plan de travail.
f c2
temps
108
Planication de communications et dexpriences dans le projet Netlander Analyse des courbes, rgles de dduction
6.3.1.3
Sur chaque intervalle [f cj1 ,f cj ], la mmoire de masse est une ressource consommable, de taille Mj1 . An de donner des indications sur la faisabilit (relativement la contrainte de partage de la mmoire de masse) dun plan de travail au cours de son laboration, on utilise les rgles de dduction suivantes, issues du raisonnement nergtique : Sil existe j tel que M j1 < dataE1 (f cj1 ,f cj ) + dataE2 (f cj1 ,f cj ) (la courbe Csup passe sous laxe des abscisses sur lintervalle [f cj1 ,f cj ]), le plan de travail ne peut pas tre ralisable. En eet, dans cette valuation optimiste de la place mmoire disponible, la place mmoire requise est suprieure la place mmoire disponible sur cet intervalle ; on a donc ncessairement un viol de la contrainte de partage de la mmoire. linverse, si pour tout j = 1 Ncom , M j1 > dataE1 (f cj1 ,f cj ) + dataE2 (f cj1 ,f cj ) (la courbe Cinf reste au-dessus de laxe des abscisses sur tout lhorizon T ), le plan de travail est ralisable quelles que soient les dates de dbut et n dexcution choisies pour les expriences de E2 . Sil existe j tel que M j1 < dataE1 (f cj1 ,f cj ), alors le plan de travail restreint aux expriences de E1 nest pas ralisable. Il est donc ncessaire de modier certaines dcisions prises sur les expriences de E1 dans les intervalles [f c0 ,f c1 ] [f cj1 ,f cj ]. Sil existe j tel que M j1 < dataE2 (f cj1 ,f cj ), alors le plan de travail restreint aux expriences de E2 nest pas ralisable. Il est donc ncessaire de modier certaines dcisions prises sur les expriences de E1 dans les intervalles prcdents, ou de supprimer certaines des expriences i de E telles que esti f cj . Pour toute exprience i E1 , soit i M j1 = M j1 eE1 \{i} datae (f cj1 ,f cj ) dataE2 (f cj1 ,f cj ) la place mmoire disponible maximale pour lexcution de i sur [f cj1 ,f cj ] ; sil existe i j tel que 0 < M j1 < datai (f cj1 ,f cj ), alors on ne peut pas excuter la fois i et lensemble dexpriences E1 \ {i} E2 . Si on peut dcaler lexcution de i, ou rduire sa dure de ralisation de telle faon que [sti ,f ti ] [f cj1 ,f cj ] soit un intervalle de longueur i infrieure M j1 /mopi , le plan devient alors ralisable sur cet intervalle. Sinon, il faut modier certaines dcisions prises sur les expriences de E1 qui dbutent avant f cj , ou bien supprimer certaines des expriences e de E telles que este f cj . Pour toute exprience i E2 , soit i M j1 = M j1 dataE1 (f cj1 ,f cj ) eE2 \{i} datae (f cj1 ,f cj ) la place mmoire disponible maximale pour lexcution de i sur [f cj1 ,f cj ] ; sil existe i j tel que 0 < M j1 < datai (f cj1 ,f cj ), alors on ne peut pas excuter la fois i et lensemble dexpriences E1 E2 \{i}. On doit donc modier certaines dcisions prises sur les expriences de E1 qui dbutent avant f cj , ou bien supprimer certaines des expriences e de E telles que este f cj . chaque tape de llaboration dun plan de travail, on peut ainsi donner lutilisateur des informations sur sa faisabilit et ventuellement proposer un ensemble de modications permettant de converger vers une solution ralisable.
tel-00009238, version 1 - 11 May 2005
109
6.3.2
6.3.2.1
Courbe de consommation de lnergie lectrique dune sonde

Lnergie lectrique dune sonde
Le systme dalimentation lectrique des sondes comporte des panneaux solaires et des batteries rechargeables. Le mode de consommation de la ressource lectrique dpend ainsi du moment de la journe considr : pendant la priode densoleillement des sondes (de laube au crpuscule), de lnergie lectrique est produite au niveau des panneaux solaires ; cette nergie est utilise pour recharger la batterie dune part et pour raliser les direntes tches consommatrices dlectricit dautre part (principalement les expriences et les communications). Au besoin, on peut galement puiser sur la batterie pendant le jour ; du crpuscule laube, les panneaux solaires tant dans lombre, on ne peut utiliser que lnergie lectrique fournie par la batterie. Comme la mmoire de masse, lnergie lectrique fournie par la batterie peut tre vue comme une ressource doublement contrainte ; elle est en eet consommable et renouvelable certains moments dune journe. Cependant, son renouvellement est plus compliqu que celui de la mmoire de masse car il peut se faire pendant toute la priode densoleillement dune journe et non certains instants prcis ; de plus, il requiert lui-mme une certaine nergie lectrique puisque cest grce llectricit fournie par les panneaux solaires que lon peut recharger la batterie. Cette nergie solaire peut quant elle tre vue comme une ressource diffrente, uniquement consommable, disponible seulement pendant les priodes densoleillement de la sonde et de capacit non constante. On peut considrer que le mode daectation des direntes tches ces deux ressources consiste utiliser en priorit lnergie issue des panneaux solaires (Esol ) et uniquement en complment lnergie issue de la batterie (Ebat ). Des quantits dnergie dcharges de la batterie, on peut ensuite dduire des tches ctives correspondant la recharge de la batterie ; ces tches sont, elles, ncessairement excutes par la ressource Esol . La puissance lectrique dlivre au cours du temps par les panneaux solaires dpend principalement des conditions climatiques de Mars ainsi que de ltat de dgradation des panneaux solaires. On considre que lon peut prvoir ces conditions sur tout horizon de planication T , on peut donc ainsi connatre la puissance dlivre par les panneaux solaires au cours du temps. Dautre part, on suppose connues les consommations lectriques lies aux crneaux de communication sonde/orbiteur. On peut donc valuer la puissance lectrique disponible au cours du temps pour lexcution dexpriences par la sonde. 6.3.2.2 laboration de la courbe dutilisation de lnergie lectrique
tel-00009238, version 1 - 11 May 2005
valuation par intervalles de lnergie lectrique disponible Le prol type de lvolution de la puissance lectrique produite au cours du temps, P (t), est schmatis la gure 6.7. De laube au znith du soleil, la production lectrique augmente, du znith au crpuscule elle diminue, puis du crpuscule laube suivante, elle est nulle (llectricit est alors fournie uniquement par la batterie). De ces courbes de puissance, on peut dduire des niveaux dnergie totale disponible par
110

P
0
znith crpuscule aube
temps
Fig. 6.7 Prol de la puissance lectrique fournie par les panneaux solaires dune sonde intervalle de temps, Etot (t,t ), avec lgalit :
t
Etot (t,t ) =
t
P ( ).d + Ebat
tel-00009238, version 1 - 11 May 2005
o Ebat est lnergie de la batterie (lorsquelle est totalement charge) dans lintervalle de temps [t,t ]. Cette valuation des niveaux dnergie agrge la ressource lectrique par intervalles et permet de considrer quelle est de capacit constante sur chacun de ces intervalles. Ceci entrane videmment une perte dinformation et constitue donc une approximation du comportement de la ressource lectrique. Cette approximation est dautant meilleure que les intervalles considrs pendant les priodes densoleillement sont courts. En revanche, aucune puissance lectrique ntant produite de nuit, la capacit de la ressource lectrique est constante sur ces priodes. On peut donc ne considrer quun seul intervalle par nuit. Des niveaux dnergie totale disponible ainsi obtenus, on retranche ensuite les consommations lectriques dues aux communications sonde/orbiteur. Soit Etot (t,t ) lnergie totale disponible sur un intervalle dagrgation [t,t ], soit [sci ,f ci ] un intervalle de communication sonde/orbiteur tel que t sci et f ci t , lnergie disponible pour les expriences, Ed (t,t ) est alors : Ed (t,t ) = Etot (t,t ) Pcom .(f ci sci ) o Pcom est la puissance lectrique requise pour excuter une communication sonde/orbiteur. On obtient ainsi une courbe des niveaux dnergie disponible par intervalles pour les expriences, sur tout lhorizon T , comme illustr la gure 6.8.
Ed
Ed (t1 ,t2 ) Ed (t0 ,t1 )
t0 t1 t2
Fig. 6.8 Exemple de courbe de niveaux dnergie disponible par intervalles
temps
111
Notons que les communications sonde/orbiteur ninterviennent que pendant les phases densoleillement ; on na donc pas utiliser la batterie pour les raliser et donc il ny a pas de phase de recharge de la batterie engendre par lexcution dune communication. Soit un plan de travail en cours dlaboration pour la sonde s, sur lhorizon T et E = E1 E2 lensemble associ des expriences lmentaires slectionnes. Soit IT = {[tj1 ,tj ] | j = 1..n} lensemble des intervalles sur lesquels on calcule les niveaux dnergie disponible Ed (on a t0 = 0 et tn = T ). Bilan nergtiques Sur tout intervalle [tj1 ,tj ] IT , on peut tablir le bilan nergtique Ej suivant : Ej = Ed (tj1 ,tj ) consoE (tj1 ,tj ) o consoE (tj1 ,tj ) est lnergie consomme sur lintervalle [tj1 ,tj ] par lexcution des expriences de E. Dans la suite, nous notons Edj = Ed (tj1 ,tj ). Si Ej 0, Ej reprsente lnergie lectrique non utilise sur lintervalle [tj1 ,tj ], sinon Ej reprsente la quantit dnergie quil manque sur lintervalle [tj1 ,tj ] pour pouvoir raliser les expriences de E. De plus, si Ej Ebat , la batterie nest pas sollicite sur [tj1 ,tj ] ; au contraire, si Ej < Ebat , on utilise la batterie sur cet intervalle, il faut alors prvoir une phase de recharge de la batterie dans les intervalles suivants. Cette phase constitue une nouvelle tche excuter, rechj , que lon assimile une exprience lmentaire avec les attributs suivants : Prechj = Prech , la puissance de recharge de la batterie (suppose constante) ; [est,lf t]rechj = [tj ,tcj ], la fentre de ralisation, o tcj est la date du crpuscule qui suit la date tj (on force ainsi la batterie se recharger avant la prochaine priode de nuit) ; durechj = .(Ebat Ej )/Prech , la dure dexcution (durechj = durechj = durechj ), avec 1, un certain coecient multiplicateur. Cette nouvelle exprience doit tre ajoute lensemble E pour tablir les bilans nergtiques Ek pour k > j. Comme on ne connat pas, a priori, ses dates dexcution (strechj et f trechj ne sont pas instancies), rechj est ajout lensemble E2 E. Dcharge de la batterie, mise--jour des valeurs de Ed Lorsque Ej < Ebat , lnergie disponible, sur les intervalles [tk1 ,tk ] (k {j + 1..n}) tels que rechj nest pas encore ralise la date tk , doit tre mise jour. En eet, sur un tel intervalle, lnergie disponible pour raliser les expriences de E nest plus Edk mais Edk (Ebat Ej ). Si rechj E1 (i.e., strechj et f trechj sont instancies ), alors pour tout k {j + 1..n} tel que f trechj > tk1 , on peut eectuer la mise--jour suivante : Edk Edk (Ebat Ej ) En revanche, tant que rechj E2 , on ne connat pas de faon exacte les intervalles sur lesquels on peut eectuer cette mise--jour. On peut cependant en donner un "encadrement" en considrant dune part, que la recharge de la batterie est eectue au plus tard et, dautre part, quelle est eectue au plus tt. Dans le premier cas, on eectue la mise--jour de Edk
tel-00009238, version 1 - 11 May 2005
112
pour tout k {j + 1..n} tel que k {j + 1..n} tel que lf trechj > tk1 , dans le second cas, on eectue la mise--jour de Edk pour tout estrechj + durechj > tk1 . Pour tout j = 1 n tel que Ej < Ebat , on obtient ainsi un encadrement de Edk pour tout k {j + 1..n} (voir gure 6.9) : E dk Edk E dk avec E dk = et E dk = Edk (Ebat Ej ) Edk Edk (Ebat Ej ) Edk si lf trechj > tk1 sinon si estrechj + durechj > tk1 sinon
Cet encadrement doit tre remis jour aprs chaque bilan nergtique Ej , pour pouvoir tablir le suivant.
tel-00009238, version 1 - 11 May 2005
Ed
durech rechj estrech

j

Ed
rechj
j
lf trech
tj1
tj intervalles mis jour
temps
tj1
tj intervalles mis jour
Fig. 6.9 Mise--jour des valeurs de Ed aprs le bilan nergtique Ej
valuation de la consommation lectrique sur chaque intervalle Lnergie consomme par les expriences de E sur lintervalle [tj1 ,tj ], consoE (tj1 ,tj ), peut scrire comme la somme de consoE1 (tj1 ,tj ) et consoE2 (tj1 ,tj ), o consoE1 (tj1 ,tj ) et consoE2 (tj1 ,tj ) sont, respectivement, lnergie consomme sur [tj1 ,tj ] par les expriences de E1 et par les expriences de E2 . Comme pour la place mmoire requise par les dirents types dexpriences, nous calculons de faon exacte consoE1 (tj1 ,tj ) pour tout intervalle [tj1 ,tj ] et nous proposons une borne infrieure consoE2 (tj1 ,tj ) et une borne suprieure consoE2 (tj1 ,tj ) pour consoE2 (tj1 ,tj ). On a : consoi (tj1 ,tj ) consoE1 (tj1 ,tj ) =
i E1 | [tj1 ,tj ][sti ,f ti ]=
o consoi (tj1 ,tj ) = (min(tj ,f ti ) max(tj1 ,sti )) Pmopi est lnergie consomme sur lintervalle [tj1 ,tj ] pour lexcution de i (rappelons que Pmopi est la puissance requise pour lexcution du mode opratoire associ lexprience i).

Ebat Ej
Ebat Ej

temps
113
consoE2 (tj1 ,tj ) est la consommation lectrique obligatoire de E2 sur [tj1 ,tj ] et consoE2 (tj1 ,tj ) est la consommation lectrique maximale de E2 sur [tj1 ,tj ]. On a : consoE2 (tj1 ,tj ) =
iE2 | esti +dui > tj1 et lf ti dui < tj
consoi (tj1 ,tj )
et consoE2 (tj1 ,tj ) =

iE2 | [tj1 ,tj ][sti ,f ti ]=
consoi (tj1 ,tj )
consoi (tj1 ,tj ) = min(esti + dui tj1 , tj lf ti + dui , tj tj1 , dui ) Pmopi est la consommation lectrique obligatoire de i sur lintervalle [tj1 ,tj ] et
tel-00009238, version 1 - 11 May 2005
consoi (tj1 ,tj ) = min(lf ti tj1 , tj esti , tj tj1 , dui ) Pmopi est la consommation lectrique maximale de i sur lintervalle [tj1 ,tj ]. On obtient ainsi un encadrement de la consommation lectrique des expriences de E sur [tj1 ,tj ] :
consoE1 (tj1 ,tj ) + consoE2 (tj1 ,tj ) consoE (tj1 ,tj ) consoE1 (tj1 ,tj ) + consoE2 (tj1 ,tj ) Ces formulations sont similaires celles prsentes prcdemment pour llaboration des courbes de charge de la mmoire de masse dune sonde. Encadrement du bilan nergtique sur chaque intervalle On obtient ainsi, un encadrement des bilans nergtiques Ej , dnis prcdemment pour tout intervalle [tj1 ,tj ] (j = 1..n) : E j Ej E j o, E j et E j , les bornes infrieures et suprieures du bilan nergtique Ej , sont calcules itrativement pour j = 1 n par lalgorithme 1. Construction des courbes de bilans nergtiques Soit un plan de travail en cours dlaboration sur un horizon T et lensemble associ E = E1 E2 des expriences lmentaires slectionnes. De mme que pour la charge de la mmoire de masse, on peut tablir deux courbes Bsup et Binf reprsentant, respectivement, une borne suprieure et une borne infrieure de lvolution de la ressource lectrique sur T . En revanche, contrairement la mmoire de masse qui est une ressource consommable de capacit constante sur les intervalles dnis par les dates successives de ns de communications, nous avons vu prcdemment que la ressource lectrique est de capacit constante
114
Algorithme 1 Calcul itratif des E j et des E j (j = 1..n) 1: Initialisation 2: E 2 E2 3: Pour j = 1 n faire 4: E dj Edj
5: 6: 7:
E dj Edj n pour
n initialisation 8: Pour j = 1 n faire 9: E j E dj consoE1 (tj1 ,tj ) consoE2 (tj1 ,tj )

10: 11: 12: 13: 14: 15: 16: 17: 18: 19: 20: 21: 22: 23: 24: 25:
tel-00009238, version 1 - 11 May 2005
E j E dj consoE1 (tj1 ,tj ) consoE2 (tj1 ,tj ) Si Ej < Ebat faire crer rechj E2 E2 {rechj } k j+1 // mise--jour des E dk et des E dk Tant que (tk1 < estrechj + durechj ) et (k n) faire E dk E dk (Ebat Ej ) E dk E dk (Ebat Ej ) k k+1 n tant que Tant que (tk1 < lf trechj ) et (k n) faire E dk E dk (Ebat Ej ) k k+1 n tant que
n si 26: n pour 27: E2 E 2
uniquement la nuit et volue continment de laube au crpuscule. On discrtise donc les priodes densoleillement an de pouvoir la considrer comme une ressource de capacit constante par intervalle. Il reste alors choisir les intervalles [tj1 ,tj ] (j = 1 n) sur lesquels on va agrger la ressource lectrique. Il sagit dtablir un compromis entre une reprsentation prcise du comportement de la ressource (qui tend utiliser des intervalles trs courts) et la qualit des bornes des bilans nergtiques calcules sur ces intervalles. Or, si on a des intervalles trop courts, les valeurs des consommations lectriques obligatoires et maximales des expriences de E2 sur ces intervalles vont tendre tre trs direntes les unes des autres ; les courbes Bsup et Binf sur ces intervalles vont de mme tendre diverger (dautant plus fortement que le sous-ensemble E2 est grand devant le sous-ensemble E1 ). Du fait que lon commence gnralement llaboration dun plan de travail avec peu de
115
connaissances sur les expriences (|E2 | >> |E1 |), nous proposons de choisir dans un premier temps de grands intervalles : soit t1 < . . . < tn1 les dates de levers, zniths et couchers successifs du soleil sur lhorizon T , t0 = 0 et tn = T , on considre les intervalles IT = {[ti1 ,ti ] | i = 1..n}. On peut envisager de resserrer ces intervalles au cours de llaboration du plan, en particulier, ds que les valuations des bilans nergtiques ne permettent plus de dduire de nouvelles informations sur la validit du plan en cours. Notons toutefois quil est inutile de diviser les priodes de nuit en plus dun intervalle puisque la ressource lectrique est rellement de capacit constante pendant toute cette dure. Pour tracer les courbes Bsup et Binf , pour tout intervalle [tj1 ,tj ] (j = 1 n), on pose des rgles similaires celles utilises pour les courbes de charge de la mmoire de masse : pour toute exprience i E1 , telle que [tj1 ,tj ] [sti ,f ti ] = , on considre que lnergie consoi (tj1 ,tj ) est consomme la date = max(sti ,tj1 ) ; pour toute exprience i E2 , telle que [tj1 ,tj ][esti ,lf ti ] = , on considre que lnergie consoi (tj1 ,tj ) est consomme la date = max(esti ,f cj1 ) (pour la courbe Binf ) ; pour toute exprience i E2 , telle que esti +dui > f ci1 et lf ti dui < f ci , on considre que lnergie datai (f cj1 ,f cj ) est consomme la date = max(lf ti dui ,f cj1 ) (pour la courbe Bsup) ; Lnergie disponible sur lintervalle [tj1 ,tj ] est E dj pour la courbe Bsup et E dj pour la courbe Binf , calculs dans lalgorithme 1. La gure 6.10 met en uvre ces rgles pour tablir les courbes Bsup et Binf sur un intervalle [t0 ,t1 ]. Le plan de travail considr est constitu de quatre expriences : les expriences 1, 2 et 3 appartiennent E2 et lexprience 4 appartient E1 . 6.3.2.3 Analyse des courbes, rgles de dduction
tel-00009238, version 1 - 11 May 2005
An de donner des indications sur la faisabilit dun plan de travail (relativement la contrainte de partage de la ressource lectrique) au cours de son laboration, on utilise les rgles de dduction suivantes, issues de lanalyse nergtique : Sil existe j tel que E j < 0 (la courbe Bsup passe sous laxe des abscisses sur lintervalle [tj1 ,tj ]), le plan de travail ne peut pas tre ralisable. En eet, le bilan nergtique est ncessairement ngatif sur cet intervalle ; on a donc un viol de la contrainte de partage de la ressource lectrique. linverse, si pour tout j = 1 n, E j > 0 (la courbe Binf reste au-dessus de laxe des abscisses sur tout lhorizon T ), le plan de travail est ralisable, compte tenu des intervalles dagrgation de la ressource choisis, quelles que soient les dates de dbut et n dexcution des expriences de E2 . On peut alors dcider de recommencer lvaluation en resserrant les intervalles. Sil existe j tel que E j < consoE1 (tj1 ,tj ), alors le plan de travail restreint aux expriences de E1 nest pas ralisable. Il est donc ncessaire de modier certaines dcisions prises sur les expriences de E1 dans les intervalles [t0 ,f c1 ] [tj1 ,f cj ]. Sil existe j tel que E j < consoE2 (tj1 ,tj ), alors le plan de travail restreint aux expriences de E2 nest pas ralisable. Il est donc ncessaire de modier certaines dcisions prises sur les expriences de E1 dans les intervalles prcdents, ou de supprimer certaines des expriences i de E telles que esti f cj .
116
1
est1 lf t1
2
est2 lf t2
3
est3 lf t3
4
st4 t0 nergie disponible E d1 E d2 E d1
conso4
f t4 t1
Bsup
conso2 conso3
tel-00009238, version 1 - 11 May 2005
conso1 conso2
E d2
conso4
Binf
dcharge de la batterie : cration de rech1
Ebat
conso3
t0 4 = 1 = 2
23
t1
temps
Fig. 6.10 Exemple de courbes Bsup et Binf tablies sur un intervalle [t0 ,t1 ] pour un ensemble de quatre expriences lmentaires Pour toute exprience i E1 , soit i E dj = E dj eE1 \{i} consoe (tj1 ,tj ) consoE2 (tj1 ,tj ) lnergie maximale disponible pour lexcution de i sur [tj1 ,tj ] ; si i 0 < E dj < consoi (tj1 ,tj ) alors on ne peut pas excuter la fois i et lensemble dexpriences E1 \ {i} E2 . Si on peut dcaler lexcution de i, ou rduire sa dure de ralisation de telle faon que i [sti ,f ti ] [tj1 ,tj ] soit un intervalle de longueur infrieure E dj /Pmopi , le plan devient alors ralisable sur cet intervalle. Sinon, il faut modier certaines dcisions prises sur les expriences de E1 qui dbutent avant tj , ou bien supprimer certaines des expriences e de E telles que este tj . Pour toute exprience i E2 , soit i E dj = E dj consoE1 (tj1 ,tj ) eE2 \{i} consoe (tj1 ,tj ) lnergie maximale disponible pour lexcution de i sur [tj1 ,tj ] ; si i 0 < E dj < consoi (tj1 ,tj ) alors on ne peut pas excuter la fois i et lensemble dexpriences E1 E2 \ {i}. On doit donc modier certaines dcisions prises sur les expriences de E1 qui dbutent avant tj ,
6.3 Planication des expriences ou bien supprimer certaines des expriences e de E telles que este tj .
117
Lorsque E = E1 (toutes les expriences lmentaires slectionnes sont ordonnances) et que la courbe Bsup ne permet de dtecter aucun viol de la contrainte de partage de la ressource lectrique (Bsup est au dessus de laxe des abscisses sur T ), il reste instancier les dates de dbut et de n des tches de recharge de la batterie, {rechj | j {1..n}}, ventuellement cres lors de la dernire valuation des bilans nergtiques (par lalgorithme 1). Notons que si la courbe Binf ne passe jamais sous laxe (E = Ebat ) sur T , on na aucune tche de recharge de la batterie. De plus, si Binf ne passe jamais sous laxe des abscisses sur T , le plan de travail est ralisable, quelles que soient les dates de dbut et de n des rechj (j {1..n}) choisies. En revanche, sil existe un intervalle sur lequel Binf passe sous laxe des abscisses, on nest pas assur de pouvoir trouver un plan ralisable. On peut tre alors amen modier certaines dcisions prises sur E1 . Lorsque E = E1 et que toutes les dates de dbut et de n des rechj (j {1..n}) sont instancies, les courbes Bsup et Binf se confondent (on a E j = Ej = E j , pour tout j = 1 n).
tel-00009238, version 1 - 11 May 2005
6.3.3
Exemple
An dillustrer lutilisation que lon peut faire des courbes prsentes prcdemment, pour llaboration dun plan de travail dune sonde, considrons lexemple caractris par les lments suivants : un horizon T de planication de 24 heures (t0 = 0h et T = 24h) ; un unique crneau de communication sonde/orbiteur [sc1 ,f c1 ] = [9h40,10h] (on a donc deux intervalles, [0h,10h] et [10h,24h], pour ltude de la charge de la mmoire de masse) ; com = 15Mbit/h ; M0 = 8,5Mbit, M dM = 20Mbit ; la puissance lectrique fournie sur T , donne par la courbe de la gure 6.11, permet de dterminer les niveaux dnergie sur les intervalles IT = {[0h,8h][8h,16h][16h,24h]} : Ed1 = 9Wh, Ed2 = 8Wh, Ed3 = Ebat = 2,3Wh ; Prech = 1W , = 1,3 ; lensemble des expriences lmentaires candidates, Ec, est dcrit dans le tableau 6.5.
P
0 0
aube
8h
16h
24h
znith crpuscule
Fig. 6.11 Prol de la puissance fournie pour lexemple Supposons que lon commence llaboration dun plan de travail sur T en posant E = Ec, E1 = et E2 = E.
118
Planication de communications et dexpriences dans le projet Netlander exprience i 1 2 3 4 5 6 capteur thermique dumopi dumopi 19h 24h 10h 16h 20h 24h 1h 2h 0h 24h 1h 2h 5h 10h 2 mopi (kbit/h) 160 30 150 1000 20 60 300 30000 Pmopi (mW) 420 380 300 580 40 500 200 1800
instrument magntomtre capteur de champ lectrique station mto
[esti ,lf ti ] [0h,24h] [0h,16h] [0h,24h] [0h,8h] [0h,24h] [5h,11h]
tel-00009238, version 1 - 11 May 2005
7 8 9
microphone camra panoramique
[0h,16h] [0h,8h] [8h,16h]
Tab. 6.5 Caractristiques des expriences lmentaires candidates
On obtient les consommations obligatoire et maximale par intervalle reprsentes aux gures 6.12 et 6.13 pour loccupation de la mmoire de masse et 6.14 et 6.15 pour la consommation lectrique. Ceci nous permet de dresser les bilans M 1 , M 1 , M 2 et M 2 pour la mmoire de masse et E 1 , E 1 , E 2 , E 2 , E 3 et E 3 pour lnergie lectrique et de tracer les courbes Cinf , Csup , Binf Bsup correspondantes (voir gures 6.16 et 6.17). cette tape, le bilan E 3 = 1,6Wh, nous permet de dduire que le plan en cours dlaboration nest pas ralisable. En eet, dans le meilleur des cas, lexcution de lensemble des expriences de E entrane une trop forte consommation nergtique sur lintervalle [16h,24h]. De plus, pour i = 1 et i = 3, on a 0 < E d3 < consoi (16h,24h), on ne peut donc pas excuter la fois 1 et lensemble dexpriences E \ {1} ni 3 et lensemble dexpriences E \ {3}. Comme E1 = , on doit donc supprimer lexprience 1 ou lexprience 3. Supposons que lon choisisse de retirer lexprience 3 (E E \ {3}). On a donc E = E2 = {1,2,4,5,6,7,8}. Supposons qu une tape suivante de llaboration du plan de travail, on ait pris un ensemble de dcisions tel que lon ait maintenant E1 = {1,2,5,6} (avec les dates de dbut et n dexcution des expriences de E1 dnies dans le tableau 6.6) et E2 = {4,7,8,9}. On obtient les nouvelles consommations obligatoire et maximale reprsentes aux gures 6.18, 6.19, 6.20 et 6.21. Ceci nous donne de nouvelles valeurs pour les bilans et les courbes correspondantes, Cinf , Csup , Binf Bsup , reprsentes aux gures 6.22 et 6.23.
i
119
1
5h (0,8Mbit)
1
9h (1,44Mbit)
2
4h (1,2Mbit)
3
6h (0,9Mbit)
3
10h (1,5Mbit)
4
1h (1Mbit)
8
2(1Mbit)
9
0 10h 24h
9
0 10h 24h
(a)
(b)
tel-00009238, version 1 - 11 May 2005
Fig. 6.12 Intervalles doccupation obligatoire de la mmoire de masse sur (a) [0h,10h] et (b) [10h,24h]
1
10h (1,6Mbit)
1
14h (2,24Mbit)
2
10h (0,3Mbit)
2
6h (0,18Mbit)
3
10h (1,5Mbit)
3
14h (2,1Mbit)
4
2h (2Mbit)
5
10h (0,2Mbit)
5
14h (0,28Mbit)
6
2h (0,12Mbit)
6
1h (0,06Mbit)
7
10h (3Mbit)
7
6h (1,8Mbit)
8
2(1Mbit)
9
2 (1Mbit) 0 10h 24h
9
2 (1Mbit) 0 10h 24h
(a)
(b)
Fig. 6.13 Intervalles doccupation maximale de la mmoire de masse sur (a) [0h,10h] et (b) [10h,24h] cette tape, on constate dune part que, bien que la courbe Cinf passe sous laxe des abscisses sur les deux intervalles, le plan de travail restreint E \ {4} est ralisable sur lintervalle [0h,10h] et le plan de travail restreint E \ {7} est ralisable sur lintervalle [10h,24h]. Choisir une dure du4 dumop4 , telle que : du4 .mop4 < M 0 dataE1 (0h,10h) dataE1 \{4} (0h,10h) (soit du4 < 1h20), pour lexprience 4 et une date de n dexcution f t7 < lf t7 , telle que : (f t7 10).mop7 < M 0 dataE1 (10h,24h) dataE1 \{7} (10h,24h)
120
1
3h (1,26Wh)
1
8h (1,68Wh) 3h (1,26Wh)
2
2h (0,76Wh)
2
2h (0,76Wh)
3
4h (1,2Wh)
3
8h (2,4Wh) 4h (1,2Wh)
4
1h (0,58Wh)
8
2(0,06Wh)
9
0 8h 16h 24h
9
2(0,06Wh) 0 8h 16h 24h
(a)
(b)
tel-00009238, version 1 - 11 May 2005
Fig. 6.14 Intervalles de consommation lectrique obligatoire sur (a) [0h,8h] et (b) [8h,16h] et [16h,24h]
1
8h (1,68Wh)
1
8h (1,68Wh) 8h (1,68Wh)
2
8h (3,04Wh)
2
8h (3,04Wh)
3
8h (2,4Wh)
3
8h (2,4Wh) 8h (2,4Wh)
4
2h (1,16Wh)
5
8h (0,32Wh)
5
8h (0,32Wh) 8h (0,32Wh)
6
2h (1Wh)
6
2h (1Wh)
7
8h (1,6Wh)
7
8h (1,6Wh)
8
2(0,06Wh)
9
2 0 8h 16h 24h
9
2 (0,06Wh) 0 8h 16h 24h
(a)
(b)
Fig. 6.15 Intervalles de consommation lectrique maximale sur (a) [0h,8h] et (b) [8h,16h] et [16h,24h] (soit f t7 12h30), pour lexprience 7, permet dassurer que le plan en cours est ralisable, du point de vue de la mmoire de masse. On choisit alors dinstancier les dates de dbut et de n dexcution des expriences 4 et 7 comme indiqu dans le tableau 6.7. On a donc E1 = {1,2,4,5,6,7} et E2 = {8,9}. On obtient alors les courbes Csup et Cinf confondues (cf. gure 6.26) et les courbes Csup et Cinf (cf. gure 6.25) qui permettent de dire que le plan de travail est ralisable, pour toutes dates de dbut et de n dexcution donnes aux expriences 8 et 9 de E2 . La gure 6.24 prsente ainsi une solution de plan de travail ralisable.

MdM (Mbit)
10
M T = 9,68 M0 = 8,5
121
M 1 = 6,74
Csup
5
4,68
M 1 = 2,78
1
0

10h
24h
tel-00009238, version 1 - 11 May 2005
-2,22
M T = 4,88
Cinf
Fig. 6.16 Courbes de charge obligatoire, Csup , et de charge maximale, Cinf de la mmoire de masse
i 1 2 5 6
sti 0h 2h 0h 6h
f ti 24h 12h 24h 8h
Tab. 6.6 Instanciation des dates de dbut et n des expriences 1, 2, 5 et 6
i 4 7
sti 6h 2h30
f ti 7h 12h30
Tab. 6.7 Instanciation des dates de dbut et n des expriences 4 et 7
Par la suite, on peut aner lanalyse de la faisabilit de ce plan, en resserrant les intervalles dtude de la ressource lectrique. On peut, par exemple, poser : IT = {[0h,4h][4h,8h][8h,12h][12h,16h][16h,24h]}
122

nergie (Wh)
Ed 1 = 9 E d2 = 8
Ed
= 5,7
E 1 = 5,14
E 2 = 3,1 E d2 = Ebat = 2,3
1
E 3 = 1,6
8h
16h
Bsup
24h
tel-00009238, version 1 - 11 May 2005
E 1 = 2,26 rech1 (2,99)
5
rech1 Ed
3
= E 2 = 7,39 rech2 (2,99)
E 3 = 11,79 rech3 (2,99)
Binf
Fig. 6.17 Courbes de consommation lectrique obligatoire, Bsup , et maximale, Binf
6.3.4
Conclusion
La planication des expriences des sondes du systme Netlander mane dune ngociation entre dirents experts engags dans la mission. Compte tenu des connaissances actuelles sur le systme et an de fournir une aide pour llaboration des plans de travail des sondes, nous proposons le calcul de courbes dvaluation de la charge de la mmoire de masse, ainsi que de lnergie lectrique, disponibles sur chaque sonde. Pour tablir ces courbes, nous considrons un ensemble dexpriences candidates sur un horizon de planication. Nous dterminons des intervalles temporels signicatifs, sur lesquels nous dressons les bilans nergtiques lis la consommation maximale et minimale de mmoire et dlectricit par les expriences candidates. Sur un exemple, nous montrons comment les courbes ainsi obtenues fournissent un encadrement des quantits de mmoire et dlectricit disponibles au cours du temps qui permet de guider llaboration dun plan de travail.
123
1
10h (1,6Mbit)
1
14h (2,24Mbit)
2
8h (0,24Mbit)
2
2h (0,06Mbit)
4
1h (1Mbit)
5
10h (0,2Mbit)
5
14h (0,28Mbit)
6
2h (0,12Mbit)
8
2(1Mbit)
9
0 10h 24h
9
0 10h 24h
tel-00009238, version 1 - 11 May 2005
Fig. 6.18 Nouveaux intervalles doccupation obligatoire de la mmoire de masse

1
10h (1,6Mbit)
1
14h (2,24Mbit)
2
8h (0,24Mbit)
2
2h (0,06)
4
2h (2Mbit)
5
10h (0,2Mbit)
5
14h (0,28Mbit)
6
2h (0,12Mbit)
7
10h (3Mbit)
7
6h (1,8Mbit)
8
2 (1Mbit)
9
2 (1Mbit) 0 10h 24h
9
2 (1Mbit) 0 10h 24h
Fig. 6.19 Nouveaux intervalles doccupation maximale de la mmoire de masse Pour poursuivre ltude de ce problme de planication des expriences, il serait ncessaire de mieux dnir les processus de ngociation mis en uvre dans le cadre de la mission Netlander. En particulier, il est trs dicile dans ltat actuel des connaissances, de proposer des stratgies de prise de dcision au cours de llaboration dun plan de travail (slection ou limination dexpriences, choix sur leur dure, sur leur dates de dbut ou de n). La modlisation des processus de ngociation dans une organisation dcisionnelle peut permettre, grce des mcanismes de propagation de contraintes, de renforcer les dcisions proposes par des outils dvelopps pour la gestion du temps et des ressources dans dirents types de projets ou systmes de production [Camalot 00]. Le travail prsent dans ce chapitre, a t ralis en vue de la spcication dun outil pour la planication des "boucles de programmation" dans le projet Netlander [Mancel et al. 01a]. Actuellement, loutil MOST, conu initialement pour la planication des expriences de la mis-
124
1
8h (1,68Wh)
1
8h (1,68Wh) 8h (1,68Wh)
2
6h (2,28Wh)
2
4h (1,52Wh)
4
1h (0,58Wh)
5
8h (0,32Wh)
5
8h (0,32Wh) 8h (0,32Wh)
6
2h (1Wh)
8
2(0,06Wh)
9
0 8h 16h 24h
9
2(0,06Wh) 0 8h 16h 24h
tel-00009238, version 1 - 11 May 2005
Fig. 6.20 Nouveaux intervalles de consommation lectrique obligatoire

1
8h (0,32Wh)
1
8h (1,68Wh) 8h (1,68Wh)
2
6h (2,28Wh)
2
4h (1,52Wh)
4
2h
5
8h (0,32Wh)
5
8h (0,32Wh) 8h (0,32Wh)
6
2h (1,16Wh)
7
8h (1,6Wh)
7
8h (1,6Wh)
8
2(0,06Wh)
9
0 8h 16h 24h
9
2(0,06Wh) 0 8h 16h 24h
Fig. 6.21 Nouveaux intervalles de consommation lectrique maximale sion Rosetta (sonde lance le 2 mars 2004 pour ltude de la comte Churyumov-Gerasimenko), est test en interne au CNES an de dterminer sil peut intgrer aisment les mthodes que nous proposons pour le projet Netlander.
125
MdM (Mbit)
10
M 1 = 9,34 M0 = 8,5
Csup M T = 6,76
5
M 1 = 4,34
tel-00009238, version 1 - 11 May 2005
-0,66 M T = 1,04
Fig. 6.22 Nouvelles courbes Csup et Cinf
nergie (Wh)
Ed 1 = 9 E d2 = 8 Ed = 6,6
5
E 2 = 4,42
E 1 = 3,08 E d2 = Ebat = 2,3
E 3 = 0,3 Ed
0 = E 2 = 0,4 rech2 (2,99)
8h
rech1
1 E 1 = 0,9 rech1 (1,82)
E 3 = 2,4 rech3 (2,99)
Fig. 6.23 Nouvelles courbes Bsup et Binf
10h
24h
Cinf
Bsup
16h
24h
Binf
126
tel-00009238, version 1 - 11 May 2005
9
0 8h 10h 16h 24h
Fig. 6.24 Exemple de solution ralisable pour le plan de travail
M dM (Mbit) M0 =8,5 M 2 =7,39 M 2 =6,39
5
Csup M T =4,06
2,39 M T =2,06 1,39
Cinf
1
0

10h
24h
Fig. 6.25 Courbes Csup et Cinf pour le plan solution
127
tel-00009238, version 1 - 11 May 2005
nergie (Wh)
Ed 1 = 9
Ed2 = 7,68
E2 = 2,78 Ed3 = Ebat = 2,3 E1 = 1,98 rech1 (0,42)
1
E3 = 0,3 rech3 (0,9) Binf = Bsup
0 8h 16h 24h
Fig. 6.26 Courbes Bsup et Binf pour le plan solution
rech1
128
tel-00009238, version 1 - 11 May 2005
Chapitre 7
Planication de prises de vues dans le projet Pliades

tel-00009238, version 1 - 11 May 2005
7.1
Introduction
Le problme Pliades, prsent au chapitre 5, consiste planier, cest--dire slectionner et ordonnancer, un ensemble de prises de vue devant tre ralises par un satellite au cours dune demi-rvolution autour de la Terre, de faon maximiser un critre de qualit. Nous avons propos un modle, P , linaire en variables mixtes pour ce problme et montr quil appartient la classe des problmes NP-diciles. Dans ce chapitre, nous proposons une dcomposition du modle P par la mthode de Dantzig-Wolfe et nous dveloppons une procdure de gnration de colonnes pour la recherche de bornes suprieures au problme Pliades.
7.2
Positionnement bibliographique
En raison de la taille des instances tudies et du temps de rsolution fortement contraint, nous avons vu au chapitre 5 que seules des mthodes approches sont actuellement proposes pour fournir des solutions au problme Pliades. Il est cependant important galement de pouvoir disposer dinformations sur la qualit de ces solutions. Dans ce contexte, notre objectif est, non pas de proposer une nouvelle heuristique pour la rsolution du problme Pliades, mais de founir un modle et une mthode permettant de calculer des bornes suprieures pour valuer la qualit des solutions approches du problme Pliades et, ventuellement, pour construire de meilleures solutions. Notons que des mthodes de calcul de bornes suprieures ont t proposes dans [Benoist & Rottembourg 03] et [Vasquez et al. 03] loccasion du Challenge ROADEF 2003. La premire mthode est base sur le renforcement dun modle linaris du problme, par adjonction de coupes ecaces et sur lutilisation dune approche de type "poupes russes" qui consiste rsoudre un ensemble de sous-problmes imbriqus avant de rsoudre le problme global [Verfaillie et al. 96]. La mthode prsente dans [Vasquez et al. 03] considre un critre linaire identique au critre (36) du modle P et rsout par programmation dynamique une relaxation du problme (en particulier, les contraintes stroscopiques sont ignores).
130
Si lon considre les contraintes de fentres temporelles ainsi que les temps de transitions entre les prises de vue (contraintes (27)(30)), le problme Pliades se rapproche dun problme de tourne avec fentres temporelles (VRPTW pour Vehicle Routing Problem with Time Windows), o chaque prise de vue candidate peut tre vue comme un client visiter. Ce type de problme est trait avec succs par des mthodes de gnration de colonnes, par exemple dans [Desrochers et al. 92] ou plus rcemment dans [Chabrier et al. 02]. Dans ces travaux, le problme matre est un problme de recouvrement et lalgorithme gnrateur rsout un problme de plus court chemin dans un graphe avec fentres de temps (SPPTW pour Shortest Path Problem with Time Windows) et contraintes de capacit. Dans [Desrochers & Soumis 88], les auteurs proposent un algorithme de programmation dynamique ecace pour rsoudre le SPPTW, appel generalized permanent labelling algorithm (algorithme xation dtiquettes gnralis). Le principe de cet algorithme est largement utilis pour divers problmes de tournes traits par gnration de colonnes. Toutefois, dans le problme Pliades, on cherche non pas raliser toutes les prises de vues mais en slectionner un sous-ensemble qui soit ralisable et qui maximise le gain obtenu. Comme nous lavons tabli au chapitre 5, on peut voir le problme Pliades comme une gnralisation du STSP (Selective Travelling Salesman Problem), qui est une variante un vhicule des problmes de tournes pour laquelle il nest pas ncessaire de visiter tous les clients. Dans [Feillet 01], ces problmes de tournes slectives sont particulirements tudis. Lauteur dnit un nouveau problme de graphe, le PTAP (Problme de Tournes avec Arcs Protables), et propose une approche de rsolution exacte par gnration de colonnes et branch and price. Bien quil en soit proche, le problme Pliades se distingue du PTAP par deux principaux aspects. Dune part le PTAP ne contient pas de contrainte ensembliste comme la contrainte stroscopique ((31) et (32)). Dautre part, dans le PTAP ainsi que dans la plupart des problmes de tournes traits par gnration de colonnes, le nombre de ressources nest pas x (on cherche en gnral le minimiser) alors que dans le problme Pliades, nous avons une unique ressource, le satellite dobservation. Cependant, la gnration de colonnes peut galement se rvler ecace sur des problmes une unique machine, comme cela est montr dans [Van Den Akker 94] et [Van Den Akker et al. 00], o un problme dordonnancement est formul par un programme linaire indic sur le temps et dcompos de sorte que lalgorithme gnrateur produise des pseudo-ordonnancements dans lesquels une tche peut tre excute zro, une ou plusieurs fois. La contrainte de ralisation des tches est alors laisse dans le problme matre. On peut exprimer le problme Pliades en termes de problmes dordonnancement classiquement tudis dans la littrature. On a alors un problme une machine (le satellite dobservation), avec un critre qui consiste minimiser une "somme pondre des tches en retard" les prises de vue non ralises, pondres de leur gain associ et avec des "temps de prparation" dpendant de la squence, qui correspondent aux dures de transition du satellite entre les prises de vue. Dans [Sourd 04], un problme dordonnancement prsentant ces trois caractristiques est tudi ; lauteur propose un modle index sur le temps et une relaxation lagrangienne est utilise pour le calcul de bornes infrieures. Enn, comme nous lavons voqu aux chapitres 3 et 5, plusieurs publications font tat de mthodes ecaces utilisant la gnration de colonnes pour des problmes concernant la gestion de missions de satellites [Lebbar 00, Gabrel 99].
tel-00009238, version 1 - 11 May 2005
7.3 Dcomposition du problme
131
On voit donc que le problme Pliades considr se rapproche par de nombreux aspects de problmes connus, traits ecacement dans la littrature par la gnration de colonnes. Il nous semble donc intressant dtudier les possibilits daborder le problme Pliades par le biais de cette technique. Ainsi, dans le paragraphe suivant, nous appliquons la mthode de dcomposition de Dantzig-Wolfe au modle prsent au chapitre 5, puis nous proposons un processus de rsolution par gnration de colonnes pour le calcul de bornes suprieures.
7.3
Dcomposition du problme
o ses = k ||.
Nous proposons de dcomposer le modle linaire en variables mixtes P du problme Pliades en nous basant sur la dcomposition prsente dans [Van Den Akker 94]. Nous obtenons, par la mthode de dcomposition de Dantzig-Wolfe, la formulation suivante, dans laquelle les contraintes dacquisition des bandes (24) et les contraintes stroscopiques ((31) et (32)) sont laisses dans le problme matre et o le sous-problme peut se ramener un problme de recherche de plus longs chemins dans un graphe avec fentres de temps [Mancel et al. 03b]. Soit lensemble des squences de prises de vues satisfaisant les contraintes temporelles (contraintes (27)(30)) du problme et que lon nomme pseudo-squences du fait quelles ne sont pas ncessairement ralisables (notamment vis--vis des contraintes stroscopiques). contient un nombre ni dlments ; pour s = 1 || la pseudo-squence ses est une instanciation des variables se(2j,i) et se(2j + 1,i), pour j = 0 NB 1 et i = 1 Nsup , satisfaisant les contraintes temporelles du modle initial. tout lment ses de , associons la variable binaire xs gale 1 si la colonne s, correspondant ses , est slectionne dans la solution, gale 0 sinon. Le problme suivant, que nous appelons Problme Matre (P M ) est quivalent au problme P : M ax s xs .gs (38) s s s j=0..NB 1 (39) s.c. s x .(se2j + se2j+1 ) 1 s s s j=0..NB 1 | T w(j)>j (40) s x .(se2j se2T w(j) ) = 0 PM s s s j=0..NB 1 | T w(j)>j (41) s x .(se2j+1 se2T w(j)+1 ) = 0 s =1 (42) sx s {0,1} x ses
s i se (k,i)
tel-00009238, version 1 - 11 May 2005
pour k = 0 2NB 1 et gs =
gain(j).(ses + ses ) pour s = 1 2j 2j+1
Le problme P M consiste rechercher une pseudo-squence qui soit ralisable (i.e., qui slectionne au plus une fois chaque bande candidate contrainte (39) et qui vrie les contraintes stroscopiques contraintes (40) et (41)) et qui permette de maximiser la somme des gains des prises de vues acquises. On constate que le programme linaire en nombres entiers P M a un nombre rduit de contraintes par rapport au modle initial. En revanche, lensemble , qui dtermine le nombre de ses colonnes, est de taille exponentielle vis--vis du nombre de prises de vues candidates du problme, ce qui empche une rsolution de la relaxation linaire par des algorithmes classiques
132
comme le simplexe. En eet, moins de considrer de trs petites instances, on ne peut pas dterminer lensemble des pseudo-squences possibles. On va donc utiliser la technique de gnration de colonnes, adapte ce type de problmes comportant un grand nombre de variables, pour rsoudre la relaxation linaire de P M . Comme nous lavons vu au chapitre 2, la rsolution par gnration de colonnes repose sur la possibilit didentier dans un sous-problme (ou problme esclave) les colonnes susceptibles dappartenir la solution optimale. Considrons la restriction P M R (Problme Matre Restreint), du problme P M un sous-ensemble de ses colonnes, susamment petit pour que lon puisse rsoudre sa relaxation linaire par lalgorithme du simplexe. Sil existe dans \ une colonne de prot marginal positif, alors on peut esprer augmenter la fonction de maximisation de P M R en ajoutant la variable xs correspondante. Dans le cas contraire, la solution optimale obtenue pour la relaxation linaire de P M R est galement la solution optimale de la relaxation linaire de P M . Le sous-problme (SP ) consiste donc ici chercher des pseudo-squences de prises de vues de prot marginal positif.
tel-00009238, version 1 - 11 May 2005
Soient j les variables duales associes aux contraintes (39) de P M pour j = 0 NB 1, 2j et 2j+1 les variables duales associes respectivement aux contraintes (40) et (41) pour j = 0 NB 1 tel que T w(j) > j et la variable duale associe la contrainte (42). Le prot marginal dune colonne s, gs , est dni par lgalit : gs = gs
j
j (ses + ses ) 2j 2j+1

j
2j (ses ses w(j) ) 2j 2T

j
s 2j+1 (ses 2j+1 se2T w(j)+1 )
Posons, pour tout j = 0 NB 1 : 2j = 2j 0 si T w(j) > j si 0 < T w(j) < j sinon (i.e., T w(j) = 1, signiant que j na pas de bande jumelle)
2j et
2j+1
On peut alors reformuler lexpression de gs par : gs = gs

k
2j+1 = 2j+1 0
si T w(j) > j si 0 < T w(j) < j sinon
ses (|k/2| + k ) k
ou encore : gs = ses . g o gk = gain(|k/2|) |k/2| k est le prot marginal associ une prise de vue k et ses . = k ses gk . g k Ainsi, le sous-problme consiste rechercher des instanciations des variables se(k,i) qui vrient les contraintes (25) (30) du modle initial et de prot marginal positif, cest--dire tel que : k sek .k > . g
7.4 Description du problme de gnration des pseudo-squences de prises de vue 133 Si on exprime SP comme un problme de maximisation avec le critre : M ax z =
k
sek k g
(43)
pour un donn, si la solution optimale z de SP est infrieure ou gale , alors il nexiste pas de colonne permettant damliorer le critre de P M R et on prouve ainsi que la solution optimale de la relaxation linaire de P M est gale celle de P M R .
7.4
Description du problme de gnration des pseudosquences de prises de vue
Comme nous lavons tabli prcdemment, le sous-problme SP consiste chercher des pseudo-squences de prises de vues de prot marginal positif. Nous formulons ce problme comme un problme de recherche de plus longs chemins dans un graphe de la faon suivante.
tel-00009238, version 1 - 11 May 2005
Soit G = (X,U ) un graphe orient o X, lensemble des sommets du graphe, reprsente lensemble des prises de vue candidates et U , lensemble des arcs, reprsente les successions possibles entre les prises de vue. chaque sommet k de X, on associe la fentre temporelle [estk , lstk ] de dbut dacquisition de la prise de vue correspondante ([estk , lstk ] = [T min0(|k/2|) , T max0(|k/2|)] si k est paire et [estk , lstk ] = [T min1(|k/2|) , T max1(|k/2|)] si k est impaire), ainsi que le gain gk , dni prcdemment comme le prot marginal li lacquisition de la prise de vue k. Notons que ce gain gk peut prendre une valeur positive ou ngative. On associe chaque arc (k,l) de U la dure dk,l = Du(|k/2|) + Dt(k,l) qui reprsente la somme de la dure dacquisition de la prise de vue k et de la dure de transition entre les prises de vue k et l. tant donn que lacquisition de chaque prise de vue k ne peut dbuter que dans sa fentre [estk , lstk ], un arc (k,l) appartient U si et seulement sil existe une possibilit dexcuter la prise de vue k puis la prise de vue l, cest--dire si on a lingalit suivante : estk + dk,l lstl Ce point est illustr la gure 7.1 qui donne le graphe G reprsentant un exemple de sousproblme SP comportant cinq prises de vue candidates. Les dures dk,l entre les direntes prises de vue sont prsentes au tableau 7.1. Pour chaque arc du graphe, on peut vrier lingalit ci-dessus. linverse, sil ny a pas darc entre deux prises de vue k et l, on peut vrier que mme en choisissant estk comme date de dbut de la prise de vue k, il nest pas possible de raliser la prise de vue l ensuite. Cest le cas par exemple pour les prises de vue 2 et 3 pour lesquelles on a est2 + d2,3 = 10 et lst3 = 9 et donc est2 + d2,3 > lst3 . On ajoute X deux sommets ctifs, o et f , "origine" et "n", de gain nul, de fentre temporelle [0,T ] et tels que : dk,o do,k dk,f df,k = k X, = 0 k X\{o}, = Du(|k/2|) k X\{f }, = k X.
134
Planication de prises de vues dans le projet Pliades 1 4 5 7 5 2 6 4 4 6 3 6 5 5 4 4 7 3 3 5 5 8 5 7 5
1 2 3 4 5
Tab. 7.1 Tableau des dures dk,l entre cinq prises de vue
2
d2,1 = 4 d2,4 = 3 d1,2 = 6
[5,8] g2
d1,5 = 8 d2,5 = 5
tel-00009238, version 1 - 11 May 2005
d5,4 = 5
1
[est1 , lst1 ] = [1,13] g1
d1,4 = 7
5
d4,5 = 5
[8,15] g4
d3,1 = 5 d1,3 = 6
[9,17] g5
d3,4 = 3
d3,5 = 7
[6,9] g3
Fig. 7.1 Graphe G reprsentant un exemple cinq prises de vue Un chemin lmentaire de o f dans le graphe G correspond une squence de prises de vue vriant les contraintes temporelles du problme mais pas ncessairement les contraintes dacquisition des bandes (deux prises de vues correspondant la mme bande peuvent appartenir un mme chemin) ni les contraintes stroscopiques. Un chemin lmentaire de o f dans le graphe G est donc une pseudo-squence de prises de vue telle que dnie prcdemment. Appelons longueur dun chemin du graphe G la somme des gains associs ses sommets. La recherche dune pseudo-squence de prises de vue de prot marginal positif se ramne alors la recherche dun chemin lmentaire de longueur suprieure entre les sommets o et f du graphe G. Le sous-problme SP peut donc tre formul comme un problme de plus longs chemins lmentaire dans un graphe avec fentres de temps, ce qui est quivalent un problme de plus court chemin lmentaire dans un graphe avec fentres de temps (ESPPTW pour Elementary Shortest Path Problem With Time Windows). Pour la plupart des applications de la gnration de colonnes des problmes de tournes de vhicules, le sous-problme est un ESPPTW dont on relche la contrainte imposant davoir des chemins lmentaires, an den acclrer la rsolution (le sous-problme devient un SPPTW). Cette relaxation ncessite parfois une modication du problme matre qui doit
7.5 Algorithme de gnration de colonnes pour le problme Pliades
135
pouvoir prendre en compte des colonnes correspondant ventuellement des chemins non lmentaires gnrs par le sous-problme. Dans le cas du problme Pliades, il est clair que relaxer la contrainte dlmentarit des chemins dans le sous-problme peut amener gnrer des pseudo-squences ralisant plusieurs fois une mme prise de vue (si elle est de fort gain par exemple). Cependant, lexistence dune fentre de ralisation pour chaque sommet du graphe et dune dure positive sur chaque arc assure quil ny a pas de cycle inni. De plus, relaxer cette contrainte nentrane aucune modication dans la formulation du problme matre P M ; en eet, la contrainte (39) qui assure quune bande est acquise par au plus une des deux prises de vues qui lui sont associes est toujours valide dans le cas o, pour certaines colonnes, le coecient de cette contrainte est un entier suprieur 1 (ses est gal au nombre de fois o k est visit dans le chemin k correspondant la colonne s ; dans le cas o on autorise les cycles dans les chemins, ses ne k prend plus ses valeurs seulement dans {0; 1}, mais dans lensemble des entiers naturels). Dans le cadre dune mthode de gnration de colonnes, ce type de problme est gnralement rsolu par des algorithmes de programmation dynamique. En particulier, dans [Larsen 99] lauteur propose un algorithme xation dtiquettes de type Dijkstra pour rsoudre un sous-problme ESPPTW avec des contraintes de ressources supplmentaires dans un contexte de rsolution dun problme de tourne de vhicules par gnration de colonnes. Dans la suite, nous proposons une adaptation de cet algorithme la rsolution de SP .
tel-00009238, version 1 - 11 May 2005
7.5
7.5.1
7.5.1.1
Algorithme de gnration de colonnes pour le problme Pliades

Gnration des pseudo-squences de prises de vue
Chemins lmentaires, algorithme PLPSE
Dans les algorithmes de programmation dynamique pour des problmes de plus court (ou plus long) chemin avec contraintes supplmentaires, comme le ESPPTW, la notion doptimalit dun chemin est lie la dnition dune relation dordre partiel entre les chemins du graphe. Cette relation est appele critre de dominance ; dans un graphe sans cycle, un premier chemin du sommet origine o un sommet quelconque s du graphe domine un second chemin de o s sil est de cot infrieur ou gal au cot du second tout en consommant moins de ressources. Dans un graphe contenant des cycles de cot ngatif (ou positif dans le cas dun problme de plus longs chemins), un premier chemin lmentaire de o s domine un second si les conditions prcdentes sont observes et si, de plus, toute "extension" du second chemin dautres sommets est galement une extension possible du premier chemin (voir par exemple [Chabrier et al. 02], qui modie ainsi le critre de dominance dun algorithme de plus court chemin lmentaire xation dtiquettes pour gnrer des tournes sans cycle de vhicules dans un procesus de gnration de colonnes). Lalgorithme prsent dans [Larsen 99] se base sur le principe de lalgorithme de Dijkstra pour rsoudre un SPPTW avec contraintes de ressources supplmentaires (SPPTWCC, pour Shortest Path Problem with Time Windows and Capacity Constraints). Cet algorithme maintient un ensemble de chemins "partiels" dominants qui partent du sommet origine o et les tend itrativement jusquau sommet nal f du graphe de faon construire un ensemble
136
de chemins dominants entre o et f . Le chemin de plus petit cot dans cet ensemble est alors le chemin optimal. Nous proposons dadapter cet algorithme la recherche dun plus long chemin lmentaire dans le graphe G, an de rsoudre le sous-problme SP [Mancel 03]. Dnition dun premier critre de dominance Soit ck un chemin lmentaire partiel de o un sommet k X dans le graphe G. Appelons S(ck ) la liste des sommets du chemin ck . On associe ltiquette E ck = (k, g ck , dck ) au chemin ck , o gck est la longueur de ck , gck = lS(ck ) gl , gale au prot marginal de la pseudo squence de prises de vues correspondante et dck est la date de dbut dexcution de la prise de vue associe k dans le chemin ck . Introduisons un premier critre de dominance : soit ck et ck deux chemins lmentaires partiels du sommet o un sommet k de G, caractriss par les tiquettes (k, g ck , dck ) et (k, gck , dck ) ; ck domine (au sens 1) ck si et seulement si les trois conditions suivantes sont vries :
tel-00009238, version 1 - 11 May 2005
g ck g ck (ck est plus long que ck ), dck dck (le parcours de ck ncessite moins de temps que celui de ck , donc on peut dire que ck utilise moins de ressources que ck si on considre le temps comme une ressource) et S(ck ) S(ck ) (on a donc X\S(ck ) X\S(ck ), ce qui signie que si on peut tendre ck un sommet l du graphe G l appartient ncessairement X\S(ck ) , alors on peut galement tendre ck l). Dnition dun second critre de dominance On peut renforcer la dnition prcdente de la dominance en considrant, non pas la liste S(ck ) des sommets visits par un chemin partiel ck , mais la liste N A(ck ) des sommets "nonaccessibles" pour ck . Dans [Feillet et al. 03], un nouveau critre de dominance utilisant cette notion de sommets non-accessibles est prsent et utilis pour la rsolution par programmation dynamique dun problme de plus court chemin lmentaire avec contraintes de ressources. Les auteurs dnissent la notion de sommet non-accessible et montrent que le critre de dominance qui en dcoule permet dtablir potentiellement un plus grand nombre de relations dordre "domin/dominant" entre les chemins partiels lmentaires dun graphe. Nous reprenons ici les dnitions de [Feillet et al. 03], pour le problme qui nous concerne. Soit ck un chemin partiel, un sommet l de X est non-accessible pour ck sil a dj t visit par ck (l S(ck )), ou bien sil nest plus possible (compte tenu de la fentre temporelle [estl ,lstl ]) de visiter l aprs avoir visit k, le dernier sommet de ck , la date dck (lstl < dck + dk,l ). On appelle N A(ck ) lensemble des sommets non-accessibles pour ck , on a donc : N A(ck ) = S(ck ) {l X | lstl < dck + dk,l } Nous dnissons ainsi le second critre de dominance : soit ck et ck deux chemins lmentaires partiels du sommet o un sommet k de G, caractriss par les tiquettes (k, g ck , dck ) et (k, g ck , dck ) ; ck domine (au sens 2) ck si et seulement si les trois conditions suivantes sont vries : g ck g ck , dck dck et
7.5 Algorithme de gnration de colonnes pour le problme Pliades N A(ck ) N A(ck ).
137
An dillustrer la dirence entre les deux critres de dominance, reprenons le graphe G de la gure 7.1 auquel on ajoute un sommet ctif initial o et considrons les chemins lmentaires partiels c1 et c1 de o 1 o S(c1 ) = {o,2,1} et S(c1 ) = {o,3,1} . Les tiquettes E c1 et E c1 associes sont : E c1 = (1, g2 + g1 , 9) et E c1 = (1, g3 + g1 , 11) Supposons g2 > g3 , on a alors g c > g c et dc1 < dc1 , mais S(c1 ) S(c1 ) ; il ny a donc pas de relation de dominance au sens 1 entre c1 et c1 . En revanche, les ensembles des sommets non accessibles sont : N A(c1 ) = {o,1,2,3,4} et N A(c1 ) = {o,1,2,3,4,5}
On a donc N A(c1 ) N A(c1 ) et c1 domine donc c1 au sens 2.
tel-00009238, version 1 - 11 May 2005
Description de lalgorithme PLPSE partir dun ensemble Ep de chemins partiels lmentaires, lalgorithme de rsolution de SP consiste trouver de nouveaux plus longs chemins partiels lmentaires qui tendent les chemins de Ep des sommets non encore visits, jusqu atteindre le sommet nal f . Notons que par construction du sommet f dans le graphe G, quand un chemin visite le sommet f , alors f est ncessairement le dernier sommet de ce chemin ; inversement, tout chemin ne contenant pas f peut tre tendu f . Quand tous les chemins de Ep atteignent le sommet f (i.e., Ep ne contient plus de chemin "partiel"), le chemin de Ep le plus long donne la solution du problme SP , cest--dire la pseudo-squence de prises de vue de plus grand prot marginal g. An de ne pas considrer la totalit des chemins partiels lmentaires, seul les chemins dominants, au sens 1 ou au sens 2, prsents ci-avant, sont conservs dans lensemble E tout au long de lalgorithme. Lalgorithme 2, nomm PLPSE(), dtaille cette procdure de rsolution de SP . PLPSE g prend en paramtre le vecteur g , des prots marginaux des prises de vues, car ce sont ces valeurs qui caractrisent SP au cours du processus de gnration de colonnes. Lensemble Ep est initialis avec le chemin nul co (S(co ) = {o}) associ ltiquette (o, 0, 0) (ligne 1) et la premire tiquette traite (tiquette courante) est (o, 0, 0) (ligne 2). chaque itration, ltiquette courante E ck = (k, gck , dck ), associe au chemin partiel lmentaire ck , est marque dans lensemble Ep (ligne 4) de faon ne plus tre traite par la suite. Lensemble Sc(k) des successeurs possibles du sommet k est mis jour en fonction de la valeur dck (ligne 5) grce des rgles de ltrage des donnes sur lesquelles nous revenons par la suite. Le chemin courant est tendu chacun de ses successeurs, crant ainsi autant de nouvelles tiquettes E cl avec gcl = g ck + gl et dcl = max(estl ,dck + dk,l ) (ligne 7). Parmi ces nouvelles tiquettes, seules celles correspondant des chemins partiels dominants (ligne 8) sont ajoutes lensemble Ep, auquel on retire les tiquettes associes dventuels chemins partiels dsormais domins (ligne 10). Lorsque le traitement de ltiquette E ck est termin, on choisit une nouvelle tiquette courante parmi les lments non marqus de Ep (ligne 13). On peut choisir par exemple ltiquette non marque E c de plus petite date dc ; nous revenons par la suite sur ce critre de choix. Lorsque Ep ne contient plus dtiquette non marque correspondant un chemin partiel, ltiquette courante E ck est telle que k = f et le processus itratif sarrte (ligne 3).
138
tel-00009238, version 1 - 11 May 2005
Algorithme 2 Algorithme PLPSE() : recherche de la Plus Longue Pseudo-Squence lg mentaire 1: Ep {(o, 0, 0)} 2: (k, g ck , dck ) (o, 0, 0) (tiquette courante) 3: Tant que (k = f ) faire 4: Marquer(Ep, (k, g ck , dck )) 5: Sc(k) Successeurs ((k, gck , dck )) 6: Pour tout l Sc(k) faire 7: (l, g cl , dcl ) (l, gck + gl , max(estl ,dck + dk,l )) (nouvelle tiquette) 8: Si Est_Dominant (Ep, (l, g cl , dcl )) faire 9: Ep E {(l, gcl , dcl )} 10: Mise__Jour (Ep) 11: n si 12: n pour 13: (k, g ck , dck ) Choix_Etiquette(Ep) 14: n tant que 15: Retourner Plus_Long_Chemin(Ep)
Ltiquette E ck , de plus grande valeur g ck parmi les lments non marqus de Ep, donne alors le plus long chemin du graphe G et donc la pseudo-squence de prises de vues de prot marginal maximum (ligne 15). fonction Successeurs La fonction Successeurs tablit la liste Sc(k) des sommets auxquels un chemin ck , associ une tiquette E ck , peut tre tendu, cest--dire, lensemble des successeurs possibles de k, pour le chemin partiel ck .
+ + Soit k lensemble des sommets de X tels que (k,l) U, l k dans le graphe G. Il est + clair que lon a Sc(k) k . On peut dduire de la liste S(ck ) des sommets de ck , ainsi que + de la date dck , un certain nombre de sommets de k qui peuvent tre exclus de Sc(k), ceci an de rduire lespace de recherche des chemins possibles.
Dune part, comme on cherche construire uniquement des chemins lmentaires, un sommet appartenant dj au chemin ck ne peut pas tre nouveau visit. On a donc :
+ l k , l S(ck ) = l Sc(k) /
(44)
Dautre part, si dck > estk , alors il peut exister des arcs (k,l) U tels quil nest plus possible de visiter l aprs avoir visit k la date dck (lstl < dck + dk,l , l est non-accessible pour ck ) ; dans ce cas, l nappartient pas Sc(k). On a donc :
+ l k , (lstl < dck + dk,l ) = l Sc(k) /
(45)
gm
+ + Enn, pour tout sommet l k \S(ck ), sil existe un autre sommet m k \S(ck ) de gain positif quon peut, partir de ck , visiter avant l sans modier la date dexcution de la
139
prise de vue l, alors l peut tre limin de lensemble des successeurs de k dans ck car le chemin visitant les sommets (S(ck ), l) sera ncessairement domin par le chemin (S(ck ), m, l). Ceci se traduit par la relation suivante :
+ (m,l) (k \S(ck ))2 | gm > 0, max(estm ,dck +dk,m )+dm,l estl = l Sc(k) /
(46)
Cette rgle dlimination peut tre coteuse raliser dans le cadre de lalgorithme PLPSE + car elle teste tous les couples de sommets de k et ce, pour chaque lment de Ep . Nous proposons une simplication de cette rgle. Soit d = max(k,l)U |l=f (dk,l ) la dure maximale des arcs du graphe G (ne contenant pas f ). Notons que d est calcul une seule fois. On dnit + + les ensembles k 1 et k 2 par :
+ + k 1 = {l k \S(ck ) | estl dck + dkl et gl > 0}
et
+ + k 2 = {l k \S(ck ) | estl > dck + dkl }
tel-00009238, version 1 - 11 May 2005
Soit dc = maxl+ 1 (dck + dk,l ) la date maximale dcl des chemins tendus partir de ck un
+ + sommet l de k 1. Si k 1 = , on pose alors la rgle suivante : + l k 2, dc + d < estl = l Sc(k) /
k
(47)
Cette rgle ncessite moins de tests que la prcdente, elle reste nanmoins valide dans le sens + o elle nlimine pas de sommets susceptibles dtre des successeurs de k. En eet, soit l k 2 + tel que dc + d < estl . On a alors la relation dck + dk,m + dm,l < estl , m k 1. La dnition + + de k 1 nous permet donc dcrire : max(estm ,dck + dk,m ) + dm,l < estl , m k 1. Il existe + donc m k \S(ck ) tel que gm > 0 et max(estm ,dck + dk,m ) + dm,l < estl , ce qui signie que lon peut toujours raliser avantageusement la prise de vue m entre k et l et que lon peut donc liminer l des successeurs de k (l Sc(k)). / Ainsi, pour chaque chemin partiel explor par lalgorithme PLPSE, la fonction Successeurs met en uvre les rgles (44), (45) et (47) pour dterminer lensemble de ses extensions possibles. fonction Choix_Etiquette La fonction Choix_Etiquette choisit, chaque itration, la prochaine tiquette (le prochain chemin), non marque, dans lensemble Ep, traiter. Le processus itratif de lalgorithme sarrte lorsque choix_Etiquette retourne une tiquette E cf correspondant un chemin entier de Ep (i.e., le dernier sommet visit est f ), ce qui signie que tous les chemins partiels ck , k = f de Ep ont t traits et quil ne reste donc plus de possibilit de construire de meilleur chemin de o f . Si, globalement, tous les lments de Ep doivent tre traits, lordre dans lequel ces lments sont traits (et donc le choix de la prochaine tiquette chaque itration) est important. En eet, lexistence dun critre de dominance entre les chemins permet de najouter Ep que les "meilleurs" chemins partiels et permet galement dliminer certains lments de Ep lorsquun nouveau chemin est ajout. On a donc tout intrt gnrer le plus tt possible de "bons" chemins partiels dans Ep si on veut limiter la taille de cet ensemble. Direntes stratgies de choix peuvent tre retenues, nous en proposons plusieurs, bases sur des tests simples de comparaison. Tout dabord, nous proposons de choisir la prochaine tiquette parmi
140
celles qui ont t ajoutes Ep lors de litration courante, on tend donc construire rapidement un chemin atteignant le sommet nal f . Parmi ces nouvelles tiquettes, on peut choisir ltiquette E ck : de plus petite date dck , ce qui revient choisir le chemin partiel le plus "rapide" ; de plus petite "marge" de visite de k, lstk dck , ce qui revient choisir le chemin partiel dans lequel le dernier sommet visit, k, aurait le moins de chance de pouvoir tre visit plus tard ; de plus grand gain g ck , ce qui revient choisir le plus long chemin partiel ; de plus petite valeur dck /ck , ce qui revient choisir le chemin partiel ralisant le g "meilleur compromis" entre la date de visite du dernier sommet k et la longueur ; de plus petite valeur (lstk dck )/ck , ce qui revient choisir le chemin partiel ralisant g le meilleur compromis entre la marge de visite de k et la longueur. Lorsqu litration courante, aucun nouveau chemin partiel na t ajout Ep , on tend alors le choix aux autres lments de Ep , avec l encore, un des critres de slection ci-dessus. On pourrait adopter dautres types de stratgies, utilisant des tests plus complexes, bases par exemple, sur lobservation du "regret" associ un chemin partiel, qui correspond au gain des prises de vues qui ne peuvent plus tre acquises partir de ce chemin partiel. Cette notion de "moindre regret" a t introduite par [Little et al. 63] pour la rsolution du problme de voyageur de commerce et est utilise de faon plus gnrale en tant quheuristique dinstanciation de variables dans dirents algorithmes de recherche arborescente. On la retrouve ainsi dans les stratgies mises en uvre dans les systmes de Programmation Par Contraintes, comme ILOG Solver ou CHIP [Le Pape 94, Wallace & Schimpf 02]. 7.5.1.2 Chemins avec cycles autoriss, algorithme PLPSC
tel-00009238, version 1 - 11 May 2005
Nous avons vu quon peut, sans modier la formulation du problme matre, relaxer la contrainte du sous-problme SP qui force rechercher uniquement des chemins lmentaires. Pour rsoudre ce sous-problme, on peut reprendre lalgorithme PLPSE prcdent en adaptant simplement la fonction Successeurs qui ne doit plus retirer lensemble des successeurs possibles dun chemin partiel c la liste S(c) des sommets dj visits par ce chemin. De plus, on fait appel un critre de dominance beaucoup plus simple et classique dans la rsolution de problmes de plus courts chemins dans des graphes sans cycles. Soit c et c deux chemins partiels du graphe G, associs aux tiquettes E c et E c dnies au pragraphe prcdent, c domine c si et seulement si les deux conditions suivantes sont vries : g c g c et dc dc . La relation dordre est ici largement renforce puisquon ne compare plus, ni les sommets visits, ni les sommets non-accessibles ; en revanche lespace de recherche de lalgorithme est largi puisquon autorise la construction de chemins comportant des cycles et que, de toute vidence, le graphe G comporte des cycles de longueur positive. Cependant, on est assur que lalgorithme converge encore, grce aux fentres temporelles qui contraignent la visite de chaque sommet du graphe et qui empchent ainsi la formation de cycles "innis".
141
On nomme la variante ainsi obtenue de lalgorithme PLPSE, algorithme PLPSC (pour Plus Longue Pseudo-Squence avec Cycles autoriss).
7.5.2
Rsolution de la relaxation linaire de P M
Pour rsoudre la relaxation linaire du problme matre P M , nous dnissons dans lalgorithme 3, une procdure de gnration de colonnes GC, qui prend en paramtre un ensemble initial de colonnes 0 (dont nous discutons la construction par la suite) et qui fait appel lun des algorithmes prcdemment prsents pour la rsolution du sous-problme SP . Algorithme 3 GC(0 ) : Gnration de Colonnes pour la relaxation linaire de P M 1: Construction_Graphe(SP ) 2: Pour (tout sommet k X) faire 3: gk gain(|k/2|) 4: 0 5: n 0 6: Rpter 7: Rsoudre_R_L(P M R ) 8: Pour (tout sommet k X) faire 9: gk gain(|k/2|) |k/2| k (mise--jour des prots marginaux)
10: 11: 12: 13: 14:
tel-00009238, version 1 - 11 May 2005
nP S PLPSE () g (nouvelle pseudo-squence de prises de vues) Si (nP S > ) faire g {colonne (nP S )} Sinon n 1 Tant que (non n)
Tout dabord, le graphe G, qui modlise le sous-problme SP (voir paragraphe (7.4)), est construit par la fonction Construction_Graphe (ligne 1), sur laquelle nous revenons par la suite. Les gains associs aux sommets du graphe sont ensuite initialiss (ligne 3), ainsi que lensemble courant des colonnes considres pour la rsolution de P M (avec lensemble 0 , ligne 4). Le processus itratif commence par la rsolution de P M R , la restriction de P M , par un algorithme de programmation linaire comme le simplexe dans (Rsoudre_R_L(P M R ), ligne 7). La solution obtenue permet de mettre jour les gains des sommets du graphe G selon la dnition, donne au paragraphe (7.3), des prots marginaux associs aux prises de vue (ligne 9). Rappelons que et sont les vecteurs des valeurs duales des contraintes (39) (41) de P M . Le sous-problme SP avec les gains ainsi modis est alors rsolu. Dans lalgorithme 3, on fait appel PLPSE (qui recherche des chemins lmentaires) pour rsoudre SP . On peut, sans modication de GC, utiliser lalgorithme PLPSC (qui autorise les cycles dans les chemins de G). La variable nP S reoit donc le nouveau plus long chemin de G (i.e., la nouvelle pseudo-squence de plus grand prot marginal) (ligne 10). Si le prot marginal g nP S du chemin nP S est suprieur , la valeur duale associe la contrainte (42) de P M , alors nP S est susceptible damliorer la solution de P M , on construit
142
donc la colonne correspondant ce chemin (colonne(nP S ), ligne 12), on lajoute lensemble et on commence litration suivante en rsolvant la relaxation du nouveau P M R . Si, au contraire, le prot marginal gnP S du chemin nP S est infrieur ou gal (ligne 13), nous avons vu au paragraphe (7.3) quil nexiste alors plus de colonne pouvant amliorer la solution de P M . Le processus itratif se termine et la solution courante de la relaxation de P M R fournit la solution pour P M . 7.5.2.1 Fonction Construction_Graphe(SP )
La fonction Construction_Graphe construit les ensembles X et U des sommets et des arcs du graphe G correspondant au sous problme SP . chaque prise de vue k, on associe un sommet k dans X ainsi quune fentre temporelle [estk , lstk ] comme dni au paragraphe (7.4). An de rduire la taille du graphe ainsi gnr, nous mettons en place les rgles suivantes, permettant dliminer certains sommets du graphe dune part et certains arcs dautre part. Pour tout couple de bandes jumelles j et T w(j), sil est impossible de raliser les deux prises de vue associes 2j et 2T w(j) (ou 2j + 1 et 2T w(j) + 1), lune la suite de lautre, alors ces prises de vue ne pourront pas faire partie dune solution optimale du problme. On peut donc exclure les sommets 2j et 2T w(j) (ou 2j + 1 et 2T w(j) + 1) de lensemble X. Ceci se traduit par les rgles : j = 0..NB 1 | T w(j) > j ( T min0(j) + Du(j) + Dt(2j, 2T w(j)) > T max0(T w(j)) et (T min0(T w(j)) + Du(T w(j)) + Dt(2T w(j), 2j) > T max0(j) ) = 2j , 2T w(j) X / ( T min1(j) + Du(j) + Dt(2j + 1, 2T w(j) + 1) > T max1(T w(j)) (48)
tel-00009238, version 1 - 11 May 2005
et (T min1(T w(j)) + Du(T w(j)) + Dt(2T w(j) + 1, 2j + 1) > T max1(j) ) = 2j + 1 , 2T w(j) + 1 X / (49) Nous avons vu au paragraphe 7.4 qu tout couple de sommets (k,l) dans X, on peut associer un arc (k,l) dans U sil existe une possibilit de raliser la prise de vue k puis la prise de vue l en respectant les fentres temporelles associes (estk + dk,l lstl ). Or, ceci peut entraner lexistence darcs (k,l) U o estl est susamment suprieure lstk pour quon puisse toujours raliser une autre prise de vue m entre k et l. Dans ce cas, la "squence" (k,l) nappartiendra jamais une solution optimale du problme. On peut donc exclure de U de tels arcs (k,l). Pour tout sommet k de X, posons :
+ k 3 = {l X|estk + dk,l lstl et lstk dl,k estl } + k 3 est lensemble des prises de vues l telles quon peut raliser k puis l mais pas l puis k. On a alors la relation suivante : + k X , l k 3 | (estl > lstk + dk,l ) + ( m k 3, | m = l et (max(estm , lstk + dk,m ) + dm,l ) estl ) = (k,l) U /
(50)
Cette rgle est trs proche de la rgle (46) prsente dans le cadre de lalgorithme PLPSE. La rgle (46) a t simplie pour tre intgre lalgorithme PLPSE du fait de sa complexit
143
juge trop grande. Ici, la rgle (50) ncessite galement un grand nombre doprations (de 3 lordre de NB ) mais, du fait quelle nest applique quune fois dans le programme, on la conserve en ltat. Ainsi, les rgles (48) (50) sont appliques lors de la construction du graphe G an dobtenir un graphe de taille rduite pour reprsenter le sous-problme SP . 7.5.2.2 Construction de 0
Dans la plupart des problmes traits par gnration de colonnes, la dtermination dun ensemble de colonnes initial, 0 , assurant lexistence dune solution ralisable au problme matre, prsente une premire dicult de la mthode. Dans notre cas, du fait quil ny a aucun "service minimum" requis dans le problme Pliades, on peut facilement fournir une solution ralisable (la solution consistant ne slectionner aucune prise de vue, par exemple) et donc cette dicult ne se pose pas. Cependant, la composition de lensemble initial inue sur le nombre ditrations ncssaires au processus de gnration de colonnes pour converger. Mme si on peut choisir un ensemble 0 vide pour lalgorithme GC, il est donc prfrable de gnrer un certain nombre de colonnes initiales. Nous choisissons dans un premier temps de construire 0 de faon simple, en associant une colonne chaque bande candidate (ou couple de bandes stroscopiques jumelles, sous certaines conditions). En eet, pour chaque bande candidate j, la solution qui consiste slectionner uniquement la prise de vue k = 2j (ou bien uniquement k = 2j + 1) est ralisable. De mme, si j et T w(j) sont deux bandes candidates jumelles, la solution qui consiste ne slectionner que les prises de vue k = 2j et l = 2T w(j) (ou bien k = 2j + 1 et l = 2T w(j) + 1) est ralisable si T min0(j) + Du(j) + Dt(k,l) < T max0(T w(j)) (ou bien si T min1(j) + Du(j) + Dt(k ,l ) < T max1(T w(j))). Nous gnrons galement des colonnes initiales par des algorithmes gloutons qui slectionnent une premire prise de vue parmi celles de plus petite date de dbut au plus tt et les suivantes selon un des critres de choix prsents prcdemment pour la fonction Choix_Etiquette de lalgorithme PLPSE (prise de vue de plus petite date dexcution, ou de plus petite marge, ou de plus grand prot associ, ou encore de plus petit rapport entre la date dexcution et le gain, ou entre la marge et le gain). Notons quil serait intressant de faire appel des mthodes approches plus labores pour gnrer de meilleures colonnes initiales dans 0 , par exemple, des algorithmes de recherche Tabou qui ont fourni de bons rsultats au Challenge ROADEF03. Des mthodes approches peuvent tre galement utilises pour rsoudre plus rapidement le sous-problme SP , lintrieur du processus de gnration de colonnes. On peut par exemple, utiliser une variante de lalgorithme PLPSE (ou PLPSC) pour la rsolution du sous-problme, dans laquelle le temps de rsolution maximum est x. Cet algorithme modi (que nous nommons PLPSE*) retourne ventuellement la solution exacte de SP (si la rsolution se termine avant la limite de temps xe), ou bien la meilleure pseudo-squence trouve dans le temps limit. On doit alors modier la condition darrt de lalgorithme GC(0 ). En eet, si la pseudo-squence nP S trouve par lalgorithme PLPSE* a un prot marginal g nP S , il est ncessaire de rsoudre SP au moins une fois par un algorithme exact (PLPSE) pour prouver quil nexiste pas de meilleure solution que nP S . Si PLPSE ne fournit pas de meilleure
tel-00009238, version 1 - 11 May 2005
144
solution, alors le processus sarrte, sinon la solution trouve par PLPSE est ajoute , lensemble courant de colonnes, et on passe litration suivante. Enn, rappelons que lalgorithme GC(0 ) rsout optimalement la relaxation linaire du problme matre P M . Il permet donc de calculer une borne suprieure de la solution optimale du problme Pliades mais pas ncessairement une solution ralisable. Pour obtenir la solution optimale entire du problme, il faudrait intgrer cet algorithme dans une recherche arborescente de type branch and price.
7.6
7.6.1
Exprimentations
Modle linaire initial
Les premiers tests que nous avons raliss sur le problme Pliades ont consist rsoudre la relaxation du modle initial P , prsent au chapitre 5 (pages 87 90), par programmation linaire.
tel-00009238, version 1 - 11 May 2005
Le modle est implment en C++ avec les bibliothques ILOG CONCERT 1.2 et compil avec Visual C++ 6.0, sous Windows XP. Le solveur ILOG CPLEX 7.5 est utilis pour rsoudre la relaxation linaire de P par lalgorithme du simplexe. Les tests ont t raliss sur un PC Pentium 4 2GHz, avec 248Mo de RAM. Les instances testes sont prsentes pour partie dans larticle [Lematre et al. 02] qui rapporte les rsultats de la premire tude du problme Pliades, ralise par lONERA. Ces instances constituent la "base A" de donnes qui ont t soumises par la suite pour la phase de qualication du challenge ROADEF03. Elles se composent de deux instances de trs petites tailles et de huit autres, de tailles moyennes grandes (de 25 534 bandes candidates), reprsentatives de la demande attendue pour le dbut de vie du systme Pliades. 7.6.1.1 Calcul dune valeur de Nsup
Pour chaque instance, il faut xer le nombre maximal, Nsup , de prises de vue pouvant tre slectionnes dans une solution. Par dfaut, on peut poser Nsup = NB puisquon sait quon ne peut pas slectionner plus dune fois chaque bande. An de rduire la combinatoire du problme trait, on cherche cependant valuer plus prcisment la valeur de Nsup . Pour cela, nous proposons de procder comme suit. Introduisons les notations suivantes : Dt : la liste des dures de transition entre les prises de vue, trie par ordre croissant (on note Dt [i] le ime lment de Dt ) ; Du : la liste des dures dacquisition des bandes, trie par ordre croissant (on note Du [i] le ime lment de Du ) ; T max : la plus grande date de dbut au plus tard des prises de vues ; T min : la plus petite date de dbut au plus tt des prises de vues. Soit nsup le nombre rel de prises de vue slectionnes dans une squence solution. La dirence (T max T min) donne lintervalle maximum sur lequel les prises de vue en position 1 (nsup1) dans la squence peuvent tre ralises. La dure totale dacquisition des bandes sur cet intervalle est ncessairement suprieure la valeur nsup1 Du [i] et, de mme, la i=0 dure cumule des transitions entre les prises de vue sur cet intervalle est ncessairement suprieure la valeur nsup1 Dt [i]. i=0
7.6 Exprimentations On a donc lingalit :

nsup1
145
(T max T min)
i=0
(Du[i] + Dt[i]) 0
et donc, pour tout entier n, la relation dimplication :

n1
(T max T min)
i=0
(Du[i] + Dt[i]) 0 = n nsup
Nous choisissons donc, comme valeur de Nsup , le plus petit entier n qui vrie cette ingalit (ou NB si NB < n). 7.6.1.2 Bornes suprieures obtenues par programmation linaire
tel-00009238, version 1 - 11 May 2005
Le tableau 7.2 donne une synthse des principales donnes des instances testes. Il indique pour chacune dentre-elles le nombre de requtes et de bandes candidates, le nombre de requtes et de bandes stroscopiques, ainsi que lintervalle (T max T min) (en secondes, arrondi lentier suprieur) dni ci-avant et la valeur de Nsup , calcule comme nous venons de le voir. Le nom des instances est compos de trois nombres qui correspondent des paramtres lis la position orbitale du satellite et la base de donnes des demandes.
Instance 2_9_36 2_9_66 2_9_170 3_8_155 2_13_111 4_17_186 2_15_170 3_25_22 2_26_96 2_27_22 nombre requtes (NR ) 2 4 12 12 68 77 218 150 336 375 nombre bandes (NB ) 2 7 25 28 106 147 295 342 483 534 nombre requtes stro 0 0 2 9 12 40 39 87 126 63 nombre bandes stro 0 0 10 20 24 104 78 236 55 138
(T max T min)
Nsup 2 7 25 28 89 123 94 82 92 89
114 272 633 265 624 1065 606 549 576 567
Tab. 7.2 Description des instances testes La rsolution de ces instances par programmation linaire nous a permis dobtenir les bornes suprieures prsentes dans le tableau 7.3. Pour chaque instance, les deux premires colonnes donnent la solution du modle P relch et le temps CPU de calcul (en secondes). titre de comparaison, la dernire colonne du tableau indique les rsultats prsents lors du challenge ROADEF03 par [Vasquez et al. 03], qui calcule des bornes suprieures du problme Pliades en considrant un critre de maximisation linaire identique au critre (36) du modle P . Les rsultats marqus dune toile indiquent que la borne a t prouve tre galement la solution optimale du problme en variables mixtes. Pour les instances 2_26_96 et 2_27_22, notons que la relaxation des seules contraintes dintgrit du problme ne permet pas de trouver une borne. En eet, le programme linaire ainsi gnr est trop grand pour tre trait par CPLEX sur la machine utilise. Pour ces deux instances, nous avons t amen relcher
146
galement les contraintes de dures de transition entre les prises de vue, en liminant les composantes Dt(.,.) des contraintes (29) et (30) de P . Ceci permet de rduire susamment le nombre de contraintes pour obtenir une borne.
Instance 2_9_36 2_9_66 2_9_170 3_8_155 2_13_111 4_17_186 2_15_170 3_25_22 2_26_96 2_27_22 borne sup. 1.04234.108(*) 1.15711.108(*) 4.63949.108 3.41113.108 1.16543.109 6.48827.108 1.36837.109 1.68483.109 2.52505.109 2.64702.109 temps CPU (secondes) 0.75 0.05 0.38 0.64 34 312 635 1671 62 1143 borne sup. [Vasquez et al. 03] 1.04234.108(*) 1.15711.108(*) 1.91358.108(*) 1.21680.108(*) 7.50675.108 2.33270.108 1.00758.109 5.95724.108 1.26219.109 1.22587.109
tel-00009238, version 1 - 11 May 2005
Tab. 7.3 Rsultats de la relaxation linaire de P Comme on pouvait le pressentir, en particulier du fait de la relaxation des contraintes dintgrit sur des variables boolennes doublement indices ainsi que le recours des paramtres de type "grand M" dans les contraintes (29) et (30), les bornes obtenues par relaxation linaire du modle P sont de mdiocre qualit. Par la suite, la reformulation du modle P en P M et lutilisation de techniques de gnration de colonnes pour sa rsolution ont pour but damliorer ces bornes. Avant cela, nous prsentons au paragraphe suivant des rsultats concernant la gnration de squences solutions qui ont ts proposs pour le Challenge ROADEF03.
7.6.2
Gnration de squences solutions de prises de vue
Dans le contexte du Challenge ROADEF03, nous avons test une adaptation de lalgorithme PLPSE sur les direntes instances soumises. An de satisfaire aux direntes contraintes de ce challenge, nous avons apport trois principales modications lalgorithme PLPSE. Dune part, nous avons modi le mode de calcul du gain dune squence de prises de vue de faon prendre en compte le critre non linaire (critre (35), voir chapitre 5, page 90) du problme Pliades. Le gain total dune squence solution est ainsi la somme des gains associs aux fractions acquises des requtes candidates, pondres non-linairement. Notons que lapplication du critre de dominance peut alors entrainer llimination de "bons" chemins partiels dans le graphe G et donc llimination de "bonnes" squences de prises de vue. Dautre part, an de prendre en compte la contrainte stroscopique du problme, nous retirons de chaque squence solution trouve, les ventuelles prises de vue stroscopiques dont la "jumelle" ne se trouve pas dans la squence. Enn, on limite le temps de recherche 300 secondes. Ces direntes modications font de cet algorihtme PLPSE modi une mthode approche pour le problme Pliades, qui nest naturellement pas compttitive avec les meilleures heuristiques fournies lors du challenge (algorithmes Tabou, Recuits Simuls, voir chapitre 5, page 87) sur les grandes instances, mais qui nous a permis de valider le fonctionnement de lalgorithme PLPSE. Le tableau 7.4 prsente les rsultats ainsi obtenus avec, pour comparai-
7.6 Exprimentations
147
son, les rsultats trouvs par le vainqueur du Challenge ROADEF03 (par un algorithme de Recuit Simul [Kuipers 03]).
Instance 2_9_36 2_9_66 2_9_170 3_8_155 2_13_111 4_17_186 2_15_170 3_25_22 2_26_96 2_27_22 solution (gain total) 1.04234.108 1.15711.108 1.91358.108 9.75361.107 5.49226.108 1.65615.108 4.40836.108 3.67666.108 5.49087.108 4.43815.108 [Kuipers 03] 1.04234.108 1.15711.108 1.91358.108 1.21680.108 5.63597.108 1.85407.108 7.16818.108 4.25970.108 1.00443.109 9.65415.108
Tab. 7.4 Solutions obtenues par PLPSE modi pour le problme Pliades non linaire
tel-00009238, version 1 - 11 May 2005
Nous avons test les direntes stratgies de choix de "prochaine tiquette" introduites page 140 pour la fonction Choix_Etiquette. Les rsultats obtenus dirent peu sensiblement dune stratgie lautre, pour les tests raliss dans le contexte particulier du challenge. Cependant, nous avons choisi de conserver pour la suite la quatrime stratgie, qui consiste g choisir ltiquette E ck de plus petit rapport (lstk dck )/ck et qui, en moyenne, donne les meilleurs rsultats.
7.6.3
7.6.3.1
Procdure de gnration de colonnes

Prtraitement des donnes : rduction du graphe G
nombre de sommets 6 16 52 58 214 296 592 686 968 1070 sommets limins 0 0 0 0 0 0 0 2 0 0 nombre darcs 24 168 1512 1693 26917 41815 212912 231267 553228 714020 arcs limins 0 28 753 940 15310 30104 96798 138789 264792 267262 pourcentage darcs limins 0% 16% 49% 55% 56% 71% 45% 60% 47% 37%
Instance 2_9_36 2_9_66 2_9_170 3_8_155 2_13_111 4_17_186 2_15_170 3_25_22 2_26_96 2_27_22
Tab. 7.5 Prtraitement des donnes pour le graphe G Nous valuons tout dabord lecacit des techniques de ltrage des donnes utilises dans la fonction Construction_Graphe(SP ), qui ont pour but de rduire la taille du graphe reprsentant le sous-problme SP . Le tableau 7.5 indique, pour chaque instance, le nombre initial de sommets et le nombre de sommets limins par lapplication des rgles (48) et (49), dans les deux premires colonnes, ainsi que le nombre initial darcs, le nombre et le pourcentage darcs limins par lapplication de la rgle (50), dans les trois dernires colonnes.
148
On remarque que les rgles dlimination des sommets correspondant des prises de vue stroscopiques non ralisables sont inecaces puisquelles ne permettent de supprimer quune paire de sommets, pour linstance 3_25_22. Mme si on pouvait esprer supprimer un nombre plus signicatif de sommets par lapplication de ces rgles, ce test nous permet de vrier la consistance des donnes concernant la ralisabilit des bandes stroscopiques. En revanche, la rgle de suppression darcs permet de rduire considrablement la densit du graphe puisque son application entrane la suppression de 37% 71 % des arcs pour les instances de taille moyenne grande.
7.6.3.2
Procdure GC(0 )
Nous avons pu valider la procdure GC(0 ) sur les plus petites instances, malheureusement, sur les intances de tailles moyennes ou grandes, nous sommes confront des problmes de dpassement mmoire pour la rsolution du sous-problme avec lalgorithme PLPSE.
tel-00009238, version 1 - 11 May 2005
Nous voyons actuellement plusieurs raisons cela. Tout dabord, le sous-problme SP considr est de grande taille ; il comporte eectivement un nombre de nuds suprieur ce qui est gnralement rapport dans la littrature concernant la rsolution de problmes par gnration de colonnes (environ une centaine de noeuds au maximum lorsque les graphes contiennent des cycles). On peut observer dans le tableau 7.5 que le graphe G compte de 52 1070 noeuds pour les instances 3_8_155 2_27_22. De plus, il est noter que la spcicit des donnes dans les instances considres rend le problme de recherche de chemins partiels dominants dans le graphe G particulirement combinatoire. En eet, on constate dune part, que la dure des fentres dexcution dune prise de vue (de lordre de quelques minutes) est toujours grande en comparaison avec sa dure de ralisation (cinq secondes en moyenne) et avec sa dure de transition vers une autre prise de vue (moins de vingt secondes en gnral). Dautre part, les requtes de prises de vue sont concentres sur un intervalle temporel relativement restreint (de 265 1065 secondes, voir tableau 7.2) en regard de lhorizon temporel rel sur lequel on planie les prises de vue (rappelons que lhorizon de planication correspond une demi-rvolution du satellite autour de la Terre, soit environ 3000 secondes). Ainsi, les fentres dexcution des prises de vue candidates se chevauchent largement les unes les autres et il existe un grand nombre de combinaisons de choix de slections de prises de vues possible. Lespace de recherche du sousproblme SP est donc trs grand et les solutions de SP peuvent comporter un grand nombre de sommets. Enn, la rgle de dominance utilise dans lalgorithme PLPSE, qui interdit les chemins comportant des cycles, compare les ensembles de sommets non accessibles entre les chemins partiels. Cette comparaison est non seulement coteuse en temps de calcul, mais elle aaiblit la rgle de dominance qui identie ainsi trs peu de relations dominant/domin entre les chemins partiels du graphe. Lensemble des chemins partiels dominants gnrs par PLPSE est donc trs grand. Nous avons galement test la procdure GC(0 ) en faisant appel lalgorithme PLPSC, qui autorise la prsence de cycles dans les chemins pour la rsolution du sous-problme. Le processus itratif est sensiblement plus rapide sur les instances de taille moyenne 3_8_155 et 2_9_170, mais la procdure converge dans des temps totalement prohibitifs. Pour les instances de plus grande taille, comme dans les tests prcdents, on aboutit trs rapidement
7.7 Conclusions et perspectives un dpassement de la mmoire.
149
La rapidit gagne chaque itration est due au fait que lalgorithme PLPSC applique une rgle de dominance plus forte que celle utilise par lalgorithme PLPSE. Il y a moins de chemins partiels dominants et ils sont plus rapidement identis. En revanche, compte tenu de la spcicit des donnes voque ci-dessus, le fait dautoriser les cycles dans les chemins de G tend crer un grand nombre de 2-cycles qui correspondent des couples (k,l) de prises de vue de fort gain associ, dont les fentres dexcution sont quasiment identiques et dont la dure dk,l est petite. Ainsi, le sous-problme gnre des colonnes ne permettant pas damliorer susamment la solution du problme matre chaque itration. Notons enn que les valeurs duales du problme matre voluent trs lentement au l des itrations, ce qui ne permet pas lalgorithme de rsolution du sous-problme dtre bien "guid". Le sous-problme rsoudre varie en eet trs peu dune itration lautre, ce qui conduit lalgorithme PLPSE ou PLPSC gnrer des colonnes quasiment identiques dune itration lautre.
tel-00009238, version 1 - 11 May 2005
7.7
Conclusions et perspectives
Dans ce chapitre, nous proposons une approche par gnration de colonnes pour le problme Pliades. Nous dcomposons le modle P en un problme matre dans lequel les contraintes stroscopiques sont conserves et en un sous-problme consistant rechercher des "pseudo-squences" de prises de vues et qui sexprime comme un problme de plus longs chemins dans un graphe avec fentres temporelles. Nous dcrivons ensuite une procdure de gnration de colonnes pour le calcul de bornes suprieures du problme Pliades. Deux algorithmes exacts sont dvelopps pour la rsolution du sous-problme, bass sur la rsolution dun ESPPTW (Elementary Shortest Path Problem with Time Windows). Nous validons notre approche sur des instances de petite taille mais nous sommes rapidement confronts une explosion combinatoire du sous-problme. Il reste donc plusieurs amliorations apporter la mthode pour quelle fonctionne de faon satisfaisante. Trois voies nous semblent prioritaires dans cette optique. Dune part, an de rduire la taille du sous-problme considr, il serait utile den proposer une dcomposition ecace en plusieurs sous-problmes indpendants. Notons ce sujet, que nous avons tent dappliquer la mthode de dcomposition temporelle propose dans [Baptiste et al. 03], pour des problmes dordonnancement une machine o lobjectif est de minimiser le nombre de tches en retard. Cette mthode consiste rechercher, dans lhorizon considr, des instants t qui nappartiennent aucune fentre temporelle et qui permettent donc de sparer les tches raliser en deux groupes indpendants (tches se terminant avant t et tches dbutant aprs t). On peut adapter cette mthode au problme Pliades, en tenant compte des dures de transition, mais, en pratique sur les instances testes, cette mthode ne permet pas de dcomposer le problme du fait des trop nombreux chevauchements des fentres entre-elles. On peut cependant penser dautres mthodes de dcomposition temporelle, ralisant par exemple, non pas une partition, mais un recouvrement des fentres dexcution des prises de vue, comme cela est propos dans [Lebbar 00, Levy 96] pour le problme Skybridge.
150
Par ailleurs, il apparat que lalgorithme de programmation dynamique mis en uvre chaque itration nest pas assez ecace. Nous allons donc tudier la possibilit de dvelopper un meilleur algorithme pour la rsolution du sous-problme. Nous envisageons galement de faire appel des mthodes approches de bonne qualit pour la rsolution du sous-problme, ce qui devrait permettre de rduire sensiblement la dure de calcul chaque itration du processus. Les mthodes proposes dans le cadre du challenge ROADEF03 pour la rsolution du problme Pliades pourraient peut-tre tre intgres bnquement notre approche du problme. Enn, nous pensons que le dveloppement informatique de nos algorithmes pourrait tre amlior, les rendant ainsi plus performants. En eet, nos travaux ont port essentiellement sur des aspects de modlisation des problmes et de mthodologie de rsolution, mais nous nous sommes peu penchs sur les dtails dimplmentation. Cependant, des techniques pour loptimisation de limplmentation dalgorithmes existent et font lobjet de travaux de recherche, comme par exemple [Desaulniers et al. 99] pour le cas des algorithmes de gnration de colonnes. Il nous semble donc important dtudier les possibilits dintgrer de telles considrations dans nos travaux. Par la suite, notre but est dintgrer cette procdure de gnration de colonnes dans un processus de recherche de solutions entires pour le problme Pliades. En particulier, une recherche arborescente de type branch and price, qui utilise la gnration de colonnes comme procdure dvaluation chaque nud, permettrait de construire une mthode exacte pour le problme considr. Si, dans le cadre dune planication "en ligne" dun satellite dobservation, il ne semble pas raisonnable ou rellement utile de rechercher une solution optimale au problme, ce type dtude serait toutefois intressant pour lvaluation de solutions approches sur des instances de test, ou pour la gnration de solutions pour des demi-rvolutions particulires, sur lesquelles, par exemple, la demande est connue susamment lavance. De plus, cela permet dexplorer ladquation des techniques de gnration de colonnes et de branch and price des problmes sortant de leur champ classique dapplication.
tel-00009238, version 1 - 11 May 2005
Conclusion
La planication des missions spatiales ncessite dimportants eorts de recherche dans de nombreux domaines. Nous prsentons en dbut de ce mmoire un tour dhorizon des principaux problmes abords et des mthodologies adoptes pour les modliser et les rsoudre. Notre travail sest focalis sur ltude de trois projets : lallocation des liens de communication Terre/satellites dans la constellation Skybridge, la planication des expriences et des communications de la mission Netlander, ainsi que la planication des prises de vue dun satellite Pliades. Nous nous sommes ainsi intress aux problmes doptimisation combinatoire sous-jacents, en privilgiant des mthodes exploitant les techniques gnrales que sont la Programmation Linaire et la Propagation de Contraintes. Nos travaux ont port principalement sur les problmes issus des projets Netlander et Pliades. Netlander est un projet dexploration de Mars par un ensemble de quatre sondes poses sa surface et ralisant dirents types dexpriences. Dans cette mission, il se pose en particulier le problme de la planication des expriences, ainsi que des communications des sondes avec un orbiteur martien qui assure le relais des changes dinformations avec la Terre. Le projet Netlander est en tout dbut de vie ; aussi, ce problme na fait lobjet daucune tude pralable et leort de formalisation que nous avons fourni a t important. Nous proposons une dcomposition en deux sous-problmes indpendants. Dune part, nous modlisons et rsolvons le problme de planication des communications orbiteur/sondes par Programmation Linaire en Nombres Entiers. Nous proposons un modle en variables boolennes, bas sur une discrtisation de lhorizon temporel de planication ; lutilisation dun outil commercial de PLNE a permis den rsoudre ecacement des instances de taille relle. Nous considrons galement un cas gnralis dans lequel plusieurs orbiteurs martiens peuvent tre utiliss pour communiquer avec les sondes. Nous adaptons le modle pour prendre en compte les contraintes lies cette modication et nous montrons que la PLNE peut encore fournir des rsultats satisfaisants, avec cependant une limite sur les horizons de planication. Dautre part, nous proposons une approche daide la dcision pour la planication des expriences des sondes. En eet, dans ce second sous-problme, pour direntes raisons (lies aux connaissances actuelles, partielles, des caractristiques physiques et fonctionnelles du systme et aux intrts divergents des dirents acteurs engags dans la mission), une rsolution automatique ne semble pas envisageable ou utile actuellement. Ainsi, nous dveloppons une mthode de construction de courbes dvaluation de la charge des ressources critiques des sondes (place mmoire et nergie lectrique) sur un horizon de planication. Ces valuations sont dduites de lapplication de techniques de Propagation de Contraintes bases sur un raisonnement nergtique, permettant de calculer des bornes suprieures et infrieures de la consommation dune ressource par intervalle de temps. Au stade de lavant projet, cette approche permet aux scientiques dvaluer la faisabilit de solutions types.
tel-00009238, version 1 - 11 May 2005
152
Conclusion
Pour poursuivre ces travaux, en proposant dautres fonctionnalits daide la dcision (concernant la gestion des dirents instruments de mesure des sondes, la synchronisation des quatres sondes, ...), en anant celles prsentes ici, ou encore en cherchant des stratgies dlaboration de solutions, il nous semble ncessaire que le CNES soit en mesure de mieux caractriser lensemble des expriences susceptibles dtre ralises, ainsi que les contraintes qui leur sont lies, et de dnir plus prcisment les processus de ngociation qui interviendront pour llaboration des plans de travail des sondes. Le projet Pliades sinscrit dans la continuit du programme dobservation de la Terre men par le CNES (actuellement les satellites SPOT), avec lexploitation de satellites de nouvelle gnration, dits "agiles". Le problme soulev ici consiste slectioner et ordonnancer les prises de vue dun de ces satellites sur un horizon correspondant une demi-rvolution autour de la Terre, de faon maximiser un gain associ la ralisation des prises de vues. Ce problme est soumis des contraintes fortes de ressource et de temps caractristiques des problmes de planication dans les missions spatiales, mais galement des contraintes logiques particulirement complexes. Nous modlisons ce problme par un programme linaire en variables mixtes et nous montrons quil appartient la classe des problmes NP-diciles. Les mthodes actuellement envisages pour la recherche de solutions au problme Pliades font appel des heuristiques. Dans cette tude, nous proposons une approche de rsolution de ce problme par gnration de colonnes. Le but est dabord de pouvoir calculer des bornes suprieures de bonnes qualit, permettant par exemple lvaluation des heuristiques proposes. On peut galement envisager dutiliser cette mthode dans des processus, exacts ou approchs, de recherche de solutions. La mthode se base sur une dcomposition du modle en, dune part, un programme linaire, appel problme matre et, dautre part, en un sous-problme qui consiste gnrer les colonnes du problme matre. Dans notre cas, les colonnes du problme matre correspondent des "pseudo-squences" de prises de vue, qui vrient toutes les contraintes temporelles du problme mais pas ncessairement certaines contraintes logiques, qui sont laisses dans le problme matre. La recherche des pseudo-squences de prises de vue peut se ramener celle de plus longs chemins dans un graphe avec fentres temporelles. Nous avons dvelopp deux algorithmes de programmation dynamique pour la recherche des pseudo-squences et nous dcrivons le processus itratif de rsolution du problme matre relch. Cette mthode ncessite encore plusieurs amliorations pour tre satisfaisante. Nous envisageons direntes pistes pour renforcer lecacit de la recherche de pseudo-squences, avec en particulier la possibilit de dcomposer le problme global de faon obtenir plusieurs sousproblmes de moindre combinatoire. Une autre voie damlioration nous semble envisageable dans la gestion des contraintes du problme matre : dune part, par la recherche de contraintes agrges, par exemple en tudiant le problme dun point de vue de ses "requtes" (ensembles de prises de vue candidates) et en appliquant des techniques de propagation de contraintes, de faon renforcer le modle ; dautre part, en adoptant une dmarche par gnration de contraintes, cest--dire en incluant les contraintes du problme matre seulement lorsquelles sont ncessaires, de faon rduire la taille de la matrice engendre par le programme linaire. Une leon que nous pouvons certainement tirer de notre travail est que face la grande complexit des systmes spatiaux, il nest pas vident de trouver "la" bonne dmarche. Nous avons vu par exemple que, bien que plusieurs approches soient gnralement envisageables, la dcomposition dun problme ne simpose pas toujours de faon naturelle. Ainsi, une autre perspective de travail pour la rsolution du problme Pliades, consiste laborder dun point
tel-00009238, version 1 - 11 May 2005
Conclusion
153
de vue dirent, en le considrant par exemple comme un problme dordonnancement une machine avec temps de prparation et dans lequel on souhaite minimiser une somme pondre des tches en retard. Ceci fait rfrence certains types de problmes faisant lobjet de travaux de recherche spciques en ordonnancement. Des mthodes de calcul de bornes, par relaxation lagrangienne et Programmation par Contraintes par exemple, sont proposes, ainsi que des algorithmes pour la recherche de solutions. Il serait intressant de voir dans quelle mesure ces approches pourraient tre appliques au cas du problme Pliades, de faon indpendante sur le problme global, ou bien intgres dans un processus bas sur une dcomposition, comme la gnration de colonnes. Enn, une troisime perspective de travail concerne lintgration du calcul de bornes dans un processus de recherche de solutions entires pour le problme Pliades. En particulier, une mthode arborescente de type branch and price, qui utilise la Gnration de Colonnes pour valuer chaque nud de larbre de recherche, permet de garantir loptimalit de la solution entire obtenue. Naturellement, ce type de mthodes peut prsenter des dicults, lies en particulier aux temps de calcul ncessaires. La Gnration de Colonnes peut galement tre employe dans des procdures heuristiques et ce deux niveaux : en se limitant une rsolution approche du sous-problme (donnant ainsi une valuation du problme relach, et non plus une borne) ou en utilisant la borne ou lvaluation ainsi calcule dans une mthode heuristique de recherche de solutions entires (mtaheuristique, algorithme ad hoc, recherche arborescente tronque, ...). plus long terme, nous souhaitons pouvoir tendre lapplication des mthodes de rsolution mises en uvre pour le problme Pliades dautres problmes. Dune part dans le domaine des applications spatiales, en traitant par exemple des instances multi-orbiteurs du problme de planication des communications du projet Netlander. Dautre part, dans dautres domaines, en considrant par exemple des problmes dordonnancement de projet ou dateliers comportant des contraintes de fentres temporelles dexcution et de temps de prparation entre les tches. Il nous semble en eet que les approches dveloppes ici sinscrivent dans la ligne dun certain nombre de travaux rcents, qui mettent en vidence lutilit des mthodes bases sur une coopration de mthodes exactes comme la PLNE avec des techniques de rduction ou simplication de lespace de recherche (dcomposition des modles, techniques de Propagation de Contraintes), pour aborder les problmes doptimisation combinatoire de grande taille [Chabrier 99, Lebbar 00, Demassey 03, Oliva 04, Danna 04].
tel-00009238, version 1 - 11 May 2005
tel-00009238, version 1 - 11 May 2005
154 Conclusion
BIBLIOGRAPHIE
155
Bibliographie
M.S. Aktur & K. Kili. Generating short-term observation schedules for space mission projects. Journal of Intelligent Manufacturing, vol. 10, pages 387404, 1999. [Alliot & Schiex 94] J.M. Alliot & T. Schiex. Intelligence articielle et informatique thorique. Cpadus ditions, Toulouse, 1994. [Applegate & Cook 91] D. Applegate & W. Cook. A computational study of the job-shop scheduling problem. ORSA Journal on Computing, vol. 3, no. 2, pages 149156, 1991. [Baptiste & Le Pape 96] P. Baptiste & C. Le Pape. Edge-nding constraint propagation algorithms for disjunctive and cumulative scheduling. In Proc. of U.K. planning and scheduling SIG meeting, Liverpool, Novembre 1996. [Baptiste et al. 03] P. Baptiste, L. Pridy & E. Pinson. A Branch an Bound to minimize the number of late jobs on a single machine with release time constraints. European Journal of Operational Research, vol. 144, no. 1, pages 111, 2003. [Barnhart et al. 98a] C. Barnhart, N.L. Boland, L.W. CLarke, E.L. Johnson, G.L. Nemhauser & R.G. Shenoi. Flight string models for aircraft eeting and routing. Transportation Science, vol. 32, no. 3, pages 208220, 1998. [Barnhart et al. 98b] C. Barnhart, E.L. Johnson, G.L. Nemhauser, M.W.P. Savelsbergh & P.H. Vance. Branch and price : column generation for solving huge integer programs. Operations Research, vol. 46, no. 3, pages 316329, 1998. [Ben Amor 02] H. Ben Amor. Stabilisation de lalgorithme de gnration de colonnes. Phd thesis, cole Polytechnique, Montral, 2002. [Benders 62] J.F. Benders. Partitioning procedures for solving mixed variables programming problems. Numerische Mathematik, vol. 4, pages 238 252, 1962. [Benoist & Rottembourg 03] T. Benoist & B. Rottembourg. Calcul de bornes suprieures du revenu dun satellite dobservation. In 5me Congrs de la Socit Franaise de Recherche Oprationnelle et dAide la Dcision (ROADEF2003), Avignon, France, 26-28 fvrier 2003. [Bensana et al. 99] E. Bensana, M. Lematre & G. Verfaillie. Earth observation satellite management. Constraints, vol. 4, no. 3, pages 293299, 1999. [Aktur & Kili 99]
tel-00009238, version 1 - 11 May 2005
156 [Blazewicz et al. 01]
BIBLIOGRAPHIE J. Blazewicz, K.H. Ecker, E. Pesch, G. Schmidt & J. Weglarz. Scheduling computer and manufacturing processes, second edition. Springer, Verlag, 2001. J.L. Bresina, R.A. Morris & W.R. Edgington. Optimizing observation scheduling objectives. In 1st NASA Workshop on Planning and Scheduling for Space, Oxnard, USA, oct 1997. C. Brochet. Planication et maintien poste de constellations de satellites : modlisation, optimisation, simulation. Thse, Universit Paul Sabatier, Toulouse, 1999. P. Brucker, B. Jurisch & A. Kraemer. The job shop scheduling problem and immediate selections. Annals of Operations Research, vol. 50, pages 73114, 1994. J.P. Camalot. Aide la dcision et la coopration en gestion du temps et des ressources. Thse, Institut National des Sciences Appliques, Toulouse, 2000. J. Carlier & E. Pinson. Adjustment of heads and tails for the jobshop problem. European Journal of Operational Research, vol. 78, pages 146161, 1994. J. Carlier. Ordonnancement contraintes disjonctives. Thse de troisime cycle, Universit Paris VI, 1975. Y. Caseau. Challenge ROADEF03 : Combinaison de Propagation de Contraintes et de Mtaheuristiques. In 5me Congrs de la Socit Franaise de Recherche Oprationnelle et dAide la Dcision (ROADEF2003) Challenge ROADEF2003, Avignon, France, 2628 fvrier 2003. A. Cesta, G. Cortellessa, A. Oddi & N. Policella. Interaction services for mission planning in Mars-Express. In 3rd NASA Workshop on Planning and Scheduling for Space, Houston, USA, oct 2002. A. Cesta, G. Cortellessa, A. Oddi & N. Policella. MEXAR: An Intelligent Support for Space Mission Planning. In Proceedings of the Workshop on AI Planning and Scheduling for Autonomy in Space Applications, Manchester, July 6, 2002. A. Chabrier, E. Danna & C. Le Pape. Coopration entre gnration de colonnes avec tournes sans cycle et recherche locale applique au routage de vhicules. In Actes de JNPC02, Nice, France, mai 2002. A. Chabrier. Une approche cooprative PPC-PL pour le problme de gnration de pairings. In 2me Congrs de la Socit Franaise de Recherche Oprationnelle et dAide la Dcision (ROADEF99), Autrans, France, 13-15 janvier 1999. H.S. Chang, B.W. Kim, c.G. Lee, Y. Choi, H.S. Yang S.L. Min & C.S. Kim. Topological design and routing for low earth orbit satellite networks. IEEE Globecom, 1995. J.F. Cordeau & G. Laporte. Une mthode de recherche abec tabous pour la gestion de la mission de satellites dobservation de la
[Bresina et al. 97]
[Brochet 99]
[Brucker et al. 94]
[Camalot 00]
tel-00009238, version 1 - 11 May 2005
[Carlier & Pinson 94]
[Carlier 75] [Caseau 03]
[Cesta et al. 02a]
[Cesta et al. 02b]
[Chabrier et al. 02]
[Chabrier 99]
[Chang et al. 95]
[Cordeau & Laporte 03]
BIBLIOGRAPHIE
157
Terre. In 5me Congrs de la Socit Franaise de Recherche Oprationnelle et dAide la Dcision (ROADEF2003) Challenge ROADEF2003, Avignon, France, 26-28 fvrier 2003. [Dar 99] M. Dar. Modlisation par rseaux de Petri et optimisation des handovers dans les constellations de satellitaires. Rapport de DEA ENSEEIHT, 1999. [Danna 04] E. Danna. Intgration des techniques de recherche locale la Programmation Linaire en Nombres Entiers. Thse de doctorat, Universit dAvignon et des Pays de Vaucluse, Avignon, 2004. [de Givry & Jeannin 03] S. de Givry & L. Jeannin. Modlisation et rsolution en programmation par contraintes. In 5me Congrs de la Socit Franaise de Recherche Oprationnelle et dAide la Dcision (ROADEF2003) Challenge ROADEF2003, Avignon, France, 26-28 fvrier 2003. [Debruyne & Bessire 97] R. Debruyne & C. Bessire. Some practical ltering techniques for the constraint satisfaction. In Proc. of the 15th IJCAI, pages 412 417, Nagoya, Japan, 1997. [Dechter et al. 91] R. Dechter, I. Meiri & J. Pearl. Temporal constraint networks. Articial Intelligence, vol. 49, pages 6195, 1991. [Demassey 03] S. Demassey. Mthodes hybrides de programmation par contraintes et programmation linaire pour le problme dordonnancement de projet contraintes de ressources. Thse de doctorat, Universit dAvignon et des Pays de Vaucluse, Avignon, 2003. [Desaulniers et al. 97] G. Desaulniers, J. Desrosiers, Y. Dumas, M.M. Solomon & F. Soumis. Daily aircraft routing and scheduling. Management Science, vol. 43, no. 6, pages 841855, 1997. [Desaulniers et al. 99] G. Desaulniers, J. Desrosiers & M.M. Solomon. Accelerating strategies in column generation methods for vehicle routing and crew scheduling problems. Les cahiers du GERAD, aug 1999. [Desrochers & Soumis 88] M. Desrochers & F. Soumis. A generalized permanent labelling algorithm for the shortest path problem with time windows. INFOR, vol. 26, no. 3, pages 191212, 1988. [Desrochers et al. 92] M. Desrochers, J. Desrosiers & M.M. Solomon. A new Optimization algorithm for the vehicle routing problem with time windows. Operations Research, vol. 40, no. 2, pages 342354, 1992. [Desrosiers et al. 84] J. Desrosiers, F. Soumis & M. Desrochers. Routing with time windows by column generation. Networks, vol. 14, pages 545565, 1984. [Erschler 76] J. Erschler. Analyse sous contraintes et aide la dcision pour certains problmes dordonnancement. Thse de Doctorat dEtat, Universit Paul Sabatier, Toulouse, 1976. [Esquirol & Lopez 99] P. Esquirol & P. Lopez. Lordonnancement. Economica, Paris, 1999. [Esquirol et al. 01] P. Esquirol, P. Lopez & M.J. Huguet. Propagation de contraintes en ordonnancement. In P. Lopez & F. Roubellat, diteurs, Ordonnancement de la production, pages 131167. Herms Science Publications, Paris, 2001.
tel-00009238, version 1 - 11 May 2005
158 [Estlin & Gaines 02]
BIBLIOGRAPHIE
T.A. Estlin & D.M. Gaines. An optimization framework for independent planning goals. In 6th International Conference on Articial Intelligence Planning and Scheduling (AIPS02), Toulouse, France, avril 2002. [Feillet et al. 03] D. Feillet, P. Dejax, M. Gendreau & C. Guegen. An exact algorithm for the elementary shortest path problem with resource constraints : application to some vehicle routing problems. submitted to Networks, 2003. [Feillet 01] D. Feillet. Problmes de tournes avec gains : tude et application au transport inter-usines. Thse de doctorat, cole Centrale, Paris, 2001. [Ferreira et al. 00] A. Ferreira, J. Galtier, P. Mahey, G. Mateus, A. Oliveira & M. Pichereau. An Optimization model for routing in low earth orbit satellite constellation. In International Symposium on Parallel Architectures, Algorithms and Networks (ISPAN00), Dallas/Richardson, USA, dec 2000. [Ferreira et al. 01a] A. Ferreira, J. Galtier & P. Pena. Topological design, routing and hand-over in satellite networks. In Handbook of Wireless Networks and Mobile Computing. John Wiley and Sons, 2001. [Ferreira et al. 01b] A. Ferreira, J. Galtier, J.-N. Petit & H. Rivano. Re-routing algorithms in a meshed satellite constellation. Annales des Telecommunications, vol. 56, pages 169174, 2001. [Frank et al. 01] J. Frank, A. Jnsson, R. Morris & D. Smith. Planning and scheduling for eets of Earth observing satellites. In 6th International Symposium on Articial Intelligence, Robotics and Automation in Space (i-SAIRAS 2001), Montral, Canada, juin 2001. [Fukunaga et al. 97] A.S. Fukunaga, G. Rabideau, S. Chien & D. Yan. ASPEN : A framework for automated planning and scheduling of spacecraft control and operations. In International Symposium on Articial Intelligence, Robotics and Automation in Space (i-SAIRAS), Tokyo, Japan, 1997. [Gabrel & Vanderpooten 02] V. Gabrel & D. Vanderpooten. Enumeration and interactive selection of ecient paths in a multiple criteria graph for scheduling an earth observing satellite. European Journal of Operational Research, vol. 139, pages 533542, 2002. [Gabrel 99] V. Gabrel. Improved linear programming bounds via column generation for daily scheduling of earth observation satellite. Rapport LIPN, janv 1999. [Garey & Johnson 79] M.R. Garey & D.S. Johnson. Computers and intractability, a guide to the theory of NP-Completeness. Freeman, San Francisco, 1979. [Gilmore & Gomory 61] P.C. Gilmore & R.E. Gomory. A linear programming approach to the cutting stock problem. Operations Research, vol. 9, pages 849 859, 1961. [Gilmore & Gomory 63] P.C. Gilmore & R.E. Gomory. A linear programming approach to the cutting stock problem Part II. Operations Research, vol. 11, pages 863888, 1963.
tel-00009238, version 1 - 11 May 2005
BIBLIOGRAPHIE [Gilmore & Gomory 65]
159 P.C. Gilmore & R.E. Gomory. Multistage cutting-stock problems in two or more dimensions. Operations Research, vol. 13, pages 94120, 1965. B.L. Golden, L. Levy & R. Vohra. The Orienteering Problem. Naval Research Logistics, vol. 34, no. 3, pages 307318, 1987. D. Goldfarb & M.J. Todd. Linear programming. In M.J. Todd G.L. Nemhauser A.H.G. Rinnooy Kan, diteur, Handbooks in operations research and management science, 1, pages 73170. Elsevier, 1989. R.E. Gomory. Outline of an algorithm for integer solutions to linear programs. Bulletin of the American Mathematical society, vol. 64, pages 275278, 1958. M. Gondran & M. Minoux. Graphes et algorithmes. Eyrolles, Paris, 1995. C. Guret, C. Prins & M. Sevaux. Programmation linaire. Eyrolles, Paris, 2000. G. Gutin & A.P. Punnen. The traveling salesman problem and its variations. Kluwer Academic Publishers, Dordrecht, 2002. D. Habet & M. Vasquez. Tabu algorithm on a saturated and consistent neighborhood for selecting and scheduling photographs of agile Earth observing satellite. Bulletin de la ROADEF, no. 10, pages 1114, t 2003. N.G. Hall & M.J. Magazine. Maximizing the value of a space mission. European Journal of Operational Research, vol. 78, pages 224241, 1994. S.A. Harrison & M.E. Price. Task scheduling for satellite based imagery. In 18th Workshop of UK Planning and Scheduling Special Interest Group, pages 6478, Salford, UK, dec 1999. W. Harvey & M. Ginsberg. Limited Discrepancy Search. In 14th IJCAI, pages 607615, Montral, Canada, 1995. B. Jaumard, R. Morales & M. Gendreau. Gestion optimise des prises de vues dun satellite par une mthode de recherche tabou. In 5me Congrs de la Socit Franaise de Recherche Oprationnelle et dAide la Dcision (ROADEF2003) Challenge ROADEF2003, Avignon, France, 26-28 fvrier 2003. E.L. Johnson, G.L. Nemhauser & M.W.P Savelsbergh. Progress in linear programming-based algorithms for integer programming : an exposition. INFORMS Journal on Computing, vol. 12, no. 1, pages 223, 2000. A.K. Jnsson, P. Morris, N. Muscettola & K. Rajan. Planning in interplanetary space : theory and practice. In 5th International Conference on Articial Intelligence Planning and Scheduling (AIPS00), Beckenridge, USA, avril 2000. N. Karmarkar. A new polynomial time algorithm for linear programming. Combinatorica, vol. 4, pages 373395, 1984.
[Golden et al. 87] [Goldfarb & Todd 89]
[Gomory 58]
[Gondran & Minoux 95] [Guret et al. 00]
tel-00009238, version 1 - 11 May 2005
[Gutin & Punnen 02] [Habet & Vasquez 03]
[Hall & Magazine 94]
[Harrison & Price 99]
[Harvey & Ginsberg 95] [Jaumard et al. 03]
[Johnson et al. 00]
[Jnsson et al. 00]
[Karmarkar 84]
160 [Khachian 79]
BIBLIOGRAPHIE
L.G. Khachian. A polynomial algorithm in linear programming. Soviet Mathmatics Doklady, vol. 20, pages 191194, 1979. [Klee & Minty 72] V. Klee & G. J. Minty. How good is the simplex algorithm. In Shisha Os, diteur, Inequalities III, pages 159175. Academic Press, NewYork, 1972. [Kuipers 03] E.J. Kuipers. An algorithm for selecting and timetabling requests for an Earth Observation Satellite. Bulletin de la ROADEF, no. 11, pages 710, Dcembre 2003. [Laburthe 98] F. Laburthe. Contraintes et algorithmes en optimisation combinatoire. Thse de doctorat, Universit Paris VII- Denis Diderot, Paris, 1998. [Landes 02] E. Landes. Allocation de ressources de tlcommunications dans une constellation de satellites orbite basse. Thse de doctorat, Institut National des Sciences Appliques, Toulouse, 2002. [Laporte & Martello 90] G. Laporte & S. Martello. The selective travelling salesman problem. Discrete Applied Mathematics, vol. 26, pages 193207, 1990. [Laporte 92] G. Laporte. The Travelling Salesman Problem. European Journal of Operational Research, vol. 59, no. 2, pages 231247, 1992. [Larsen 99] J. Larsen. Vehicle routing with time windows nding optimal solutions eciently. DORSnyt (newsletter of the Danish OR society ; in english) no. 116, 1999. [Lasdon 70] L.S. Lasdon. Optimization theory for large systems. Macmillan, London, 1970. [Lbbecke & Desrosiers 02] M.E. Lbbecke & J. Desrosiers. Selected topics in column generation. http://www.optimization-online.org, dec 2002. [Le Pape 94] C. Le Pape. Constraint-Based Programming for scheduling : an historical perspective. Working paper, Operations Research Society Seminar on Constraint Handling Techniques, 1994. [Lebbar 00] M. Lebbar. Rsolution de problmes combinatoires dans lindustrie, apport de la programmation mathmatique et des techniques de dcomposition. Thse de doctorat, cole Centrale, Paris, 2000. [Lee & Park 01] T. Lee & S. Park. An integer programming approach to the time slot assignment problem in SS/TDMA systems with intersatellite links. European Journal of Operational Research, vol. 135, pages 5766, 2001. [Lematre et al. 02] M. Lematre, G. Verfaillie, F. Jouhaud, J.M. Lachiver & N. Bataille. Selecting and scheduling observations of agile satellites. Aerospace Science and Technology, vol. 6, pages 367381, 2002. [Levy 96] M.-L. Levy. Mthodes par dcomposition temporelle et problmes dordonnancement. Thse de doctorat, Institut National Polytechnique de Toulouse, 1996. [Little et al. 63] J. Little, K. Murty, D. Sweeney & C. Karel. An algorithm for the Travelling Salesman Problem. Operations Research, vol. 11, no. 6, pages 972989, 1963.
tel-00009238, version 1 - 11 May 2005
BIBLIOGRAPHIE [Lopez & Roubellat 01] [Lopez et al. 92]
161 P. Lopez & F. Roubellat. Ordonnancement de la production. Hermes, Paris, 2001. P. Lopez, J. Erschler & P. Esquirol. Ordonnancement de tches sous contraintes : une approche nergtique. RAIRO Automatique, Productique, Informatique Industrielle, vol. 26, pages 453481, 1992. P. Lopez. Approche nergtique pour lordonnancement de tches sous contraintes de temps et de ressources. Thse de Doctorat, Universit Paul Sabatier, Toulouse, 1991. P. Lopez. Approche par contraintes des problmes dordonnancement et daectation : structures temporelles et mcanismes de propagation. Habilitation Diriger des Recherches, Institut National Polytechnique de Toulouse, dec 2003. C. Mancel & M. Saleman. Formalisation des besoins doptimisation de la boucle de programmation Netlander. Contrat CNES, Rapport CNES DSO/RC/IA/NC/01-076, avril 2001. C. Mancel, P. Lopez & R. Valette. Formalisation des besoins pour la spcication fonctionnelle dun outil daide llaboration de plans de travail dans le cadre du projet Netlander. Contrat CNES, rapport LAAS No 01473, nov 2001. C. Mancel, P. Lopez, R. Valette, M. Saleman & N. Bataille. Approaches for the optimization of the resources management in a satellite constellation. In 6th International Symposium on Articial Intelligence, Robotics and Automation in Space (i-SAIRAS 2001), Montral, Canada, jun 2001. C. Mancel, M. Saleman, M. Faup, P. Lopez & R. Valette. Optimization of the resource management in a satellite constellation: Progressive approaches and perspective for a hybrid global method. In 2nd International Workshop on Satellite Constellations and Formation Flying, pages 18, Haifa, Israel, feb 2001. C. Mancel, P. Lopez, N. Rivire & R. Valette. Relationships between Petri nets and constraint graphs: application to manufacturing. In 15th IFAC World congress on Automatic Control, Barcelona, Spain, jul 2002. C. Mancel, M.-J. Huguet, P. Lopez, M. Medjoudj & R. Valette. Rsolution intgre dordonnancement et daectation : adaptation dune mthode de recherche divergence limite une approche fonde sur les rseaux de Petri et la logique linaire. In 4me Confrence Francophone de MOdlisation et SIMulation (MOSIM03), pages 293298, Toulouse, 23-25 Avril 2003. C. Mancel, P. Lopez & R. Valette. Approche par gnration de colonnes dun problme doptimisation de prises de vue satellite. In 4me Confrence Francophone de MOdlisation et SIMulation (MOSIM03), pages 122127, Toulouse, 23-25 Avril 2003. C. Mancel. Optimisation de la gestion de ressources dans des constellations de satellites. Rapport de DEA, CNES, sept 2000.
[Lopez 91]
[Lopez 03]
[Mancel & Saleman 01]
tel-00009238, version 1 - 11 May 2005
[Mancel et al. 01a]
[Mancel et al. 01b]
[Mancel et al. 01c]
[Mancel et al. 02]
[Mancel et al. 03a]
[Mancel et al. 03b]
[Mancel 00]
162 [Mancel 03]
BIBLIOGRAPHIE
C. Mancel. A column generation approach for Earth observing satellites. In 2nd Operational Research Peripatetic Postgraduate Programme Conference (ORP3), pages 337349, Lambrecht, Germany, Sept 2003. [Marchand et al. 99] H. Marchand, A. Martin, R. Weismantel & L. Wolsey. Cutting planes in integer and mixed integer programming. CORE discussion paper, oct 1999. [Marsal et al. 01] O. Marsal, J.B. Dubois, B. Laborde & P. Pacholczyk. Netlander Mission and System Technical Specication. rapport CNES MARSTS-00-026-CNES, fvrier 2001. [Martello et al. 99] S. Martello, D. Pisinger & P. Toth. Dynamic programming and strong bounds for the 0-1 knapsack problem. Management Science, vol. 45, pages 414424, 1999. [Martello et al. 00] S. Martello, D. Pisinger & P. Toth. New trends in exact algorithms for the 0-1 knapsack problem. European Journal of Operational Research, vol. 123, no. 2, pages 325332, 2000. [Martin & Shmoys 96] P. Martin & D.B. Shmoys. A new approach to computing optimal schedules for the job-shop scheduling problem. In Proc. of the 5th International Conference on Integer Programming and Combinatorial Optimization, IPCO96, pages 389403, Vancouver, British Columbia, Juin 1996. LNCS, volume 1084, Springer Verlag. W.H. Cunningham, S.T. McCormick, and M. Queyranne (editors). [Merle et al. 99] O. Du Merle, D. Villeneuve, J. Desrosiers & P. Hansen. Stabilized column generation. Discrete Mathematics, vol. 194, pages 229237, 1999. [Minoux 83a] M. Minoux. Programmation mathmatique, thorie et algorithmes, tome 1. Dunod, Paris, 1983. [Minoux 83b] M. Minoux. Programmation mathmatique, thorie et algorithmes, tome 2. Dunod, Paris, 1983. [Muscettola et al. 95] N. Muscettola, B. Pell, O. Hansson & S. Mohan. Automating mission scheduling for space-based observatories. In G.W. Henry & J.A. Eaton, diteurs, Robotic Telescopes: current capabilities, present developpements and future prospects for automated astronomy. Astronomical Society of the Pacic, Provo, UT, 1995. [Nemhauser & Wolsey 88] G.L. Nemhauser & L.A. Wolsey. Integer and combinatorial optimization. Wiley, New-York, 1988. [Nemhauser & Wolsey 89] G.L. Nemhauser & L.A. Wolsey. Integer programming. In M.J. Todd G.L. Nemhauser A.H.G. Rinnooy Kan, diteur, Handbooks in operations research and management science, 1, pages 447528. Elsevier, 1989. [Nuijten 94] W.P.M. Nuijten. Time and resource constrained scheduling - A constraint satisfaction approach. PhD thesis, Eindhoven University of Technology, 1994. [Oddi et al. 03] A. Oddi, N. Policella, A. Cesta & G. Cortellessa. Generating high quality schedules for spacecraft memory downlink problem. In Lectures notes in Computer Science, diteur, Principles and practice
tel-00009238, version 1 - 11 May 2005
BIBLIOGRAPHIE
163
of Constraint Programming, pages 570584. Springer Verlag Heidelberg, 2003. [Oliva et al. 01] C. Oliva, P. Michelon & C. Artigues. Constraint and Linear Programming : Using Reduced Costs for solving the Zero/One Multiple Knapsack Problem. In International Conference on Constraint Programming, Workshop on Cooperative Solvers in Constraint Programming (CoSolv 01), pages 8798, Paphos, Cyprus, 2001. [Oliva 04] C. Oliva. Techniques hybrides de propagation de contraintes et de programmation mathmatique. Thse de doctorat, Universit dAvignon et des Pays de Vaucluse, Avignon, 2004. [Paschos et al. 01] V. Paschos, C. Murat & V. Gabrel. La Recherche Oprationnelle pour la planication de prises de vue par satellite. Document no. 121 du LAMSADE, sept 2001. [Pemberton 00] J.C. Pemberton. Toward scheduling over-constrained remotesensing satellites. In 2nd NASA Workshop on Planning and Scheduling for Space, San Francisco, USA, march 2000. [Pradin-Chzalviel et al. 99] B. Pradin-Chzalviel, R. Valette & L.A. Knzle. Scenario duration characterization of t-timed Petri nets using linear logic. In 8th International Workshop on Petri Nets and Performance Models (IEEE PNPM99), pages 208217, Zaragoza, Spain, sept 1999. [Pratt et al. 99] S.R. Pratt, R.A. Raines, C.E. Fossa & M.A. Temple. An operational and performance overview of the IRIDIUM low earth orbit satellite system. IEEE Communications surveys and tutorials, vol. 2, no. 2, 1999. [Pridy 96] L. Pridy. Le problme de job-shop : arbitrages et ajustements. Thse de Doctorat, Universit de Technologie de Compigne, 1996. [Prins 91] C. Prins. Deux problmes dordonnancement en tlcommunications par satellite. RAIRO-Recherche Oprationnelle/Operations Research, vol. 25, no. 3, pages 341358, 1991. [Prins 94] C. Prins. Algorithmes de graphes. Eyrolles, Paris, 1994. [Ribeiro & Soumis 94] C.C. Ribeiro & F. Soumis. A column generation approach to the multiple-depot vehicle scheduling problem. Operations Research, vol. 42, no. 1, pages 4152, 1994. [Ribeiro 03] F.P. Ribeiro. ROADEF Challenge 2003-System Description. In 5me Congrs de la Socit Franaise de Recherche Oprationnelle et dAide la Dcision (ROADEF2003) Challenge ROADEF2003, Avignon, France, 26-28 fvrier 2003. [Richard 97] P. Richard. Contribution des rseaux de Petri ltude de problmes de recherche oprationnelle. Thse de doctorat, Universit Franois Rabelais, Tours, 1997. [Ridder et al. 01] J.J. De Ridder, P. Bacquet, J.M. Pechinot & N. Douchin. Mars Network Performance Evaluation Tools. 19th AIAA International Communications Satellite Systems Conference, april 17-20 2001. [Russel & Norwig 95] S. Russel & P. Norwig. Articial intelligence : A modern approach. Prentice Hall, 1995.
tel-00009238, version 1 - 11 May 2005
164 [Sabin & Freuder 94]
BIBLIOGRAPHIE
D. Sabin & E. Freuder. Contradicting conventional wisdom in constraint satisfaction. In A. Borning, diteur, Proc. of PPCP-94, Seattle, USA, May 1994. [Savelsbergh 97] M. Savelsbergh. A branch-and-price algorithm for the generalized assignment problem. Operations Research, vol. 45, no. 6, pages 831841, 1997. [Schiex et al. 95] T. Schiex, H. Fargier & G. Verfaillie. Valued Constraint Satisfaction Problems: hard and easy problems. In International joint Conference in Articial Intelligence (IJCAI 95), Montreal, Canada, August 1995. [Schwalb & Dechter 97] E. Schwalb & R. Dechter. Processing disjunctions in temporal constraint networks. Articial Intelligence, vol. 93, pages 2961, 1997. [Smith et al. 00] D.E. Smith, J. Frank & A.K. Jnsson. Bridging the gap between Planning and Scheduling. Knowledge Engineering Review, vol. 15, no. 1, 2000. [Sourd 04] F. Sourd. Earliness-tardiness scheduling with setup considerations. to appear in Computers and operations research, 2004. [Sourisse & Sorre 97] P. Sourisse & H. Sorre. Skybridge : un rseau multimdia haute vitesse par satellite. Revue de llectricit et de llectronique, vol. 11, pages 4952, 1997. [Teghem 96] J. Teghem. Programmation linaire. Ellipses, Bruxelles, 1996. [Torres & Lopez 00] P. Torres & P. Lopez. On not-rst/not-last conditions in disjunctive scheduling. European Journal of Operational Research, vol. 127, no. 2, 2000. [Van Den Akker et al. 00] J.M. Van Den Akker, C.A.J. Hurkens & M.W.P. Savelsbergh. Time-indexed formulations for machine scheduling problems : column generation. Informs Journal on Computing, vol. 12, no. 2, pages 111125, 2000. [Van Den Akker 94] J.M. Van Den Akker. LP-based solution methods for single-machine scheduling problems. PhD thesis, Technische Universiteit Eindhoven, The Netherlands, 1994. [Vance 98] P.H. Vance. Branch-and-price algorithms for the one-dimensional cutting stock problem. Computational Optimization and Applications, vol. 9, no. 3, pages 211228, 1998. [Vanderbeck & Wolsey 96] F. Vanderbeck & L.A. Wolsey. An exact algorithm for IP column generation. Operations research letters, vol. 19, pages 151159, 1996. [Vanderbeck 00] F. Vanderbeck. On Dantzig-Wolfe decomposition in integer programming and ways to perform branching in a branch-and-price algorithm. Operations Research, vol. 48, no. 1, pages 111128, 2000. [Vasquez & Hao 01] M. Vasquez & J.K. Hao. A logic-Constrained knapsack formulation and a Tabu Algorithm for the daily photograph scheduling of an Earth Observation satellite. Journal of Combinatorial Optimization and Applications, vol. 20, no. 2, pages 137157, 2001.
tel-00009238, version 1 - 11 May 2005
BIBLIOGRAPHIE [Vasquez & Hao 03]
165
tel-00009238, version 1 - 11 May 2005
M. Vasquez & J.K. Hao. Upper bounds for the SPOT 5 daily photograph scheduling problem. Journal of Combinatorial Optimization, vol. 7, pages 87103, 2003. [Vasquez et al. 03] M. Vasquez, Y. Vimont & J. Vlasak. Algorithmes approchs pour la rsolution du problme de planication dun satellite agile. In 5me Congrs de la Socit Franaise de Recherche Oprationnelle et dAide la Dcision (ROADEF2003) Challenge ROADEF2003, Avignon, France, 26-28 fvrier 2003. [Verfaillie & Bensana 95] G. Verfaillie & E. Bensana. valuation dalgorithmes sur le problme de programmation journalire des prises de vues du satellite dobservation SPOT5. Rapport technique ONERA, aot 1995. [Verfaillie et al. 96] G. Verfaillie, M. Lematre & T. Schiex. Russian Doll Search for solving constraint optimization problems. In 13th National Conference on Articial Intelligence, pages 182187, Portland, USA, 1996. [Wallace & Schimpf 02] M. Wallace & J. Schimpf. Finding the right hybrid algorithm A combinatorial meta-problem. Annals of Mathematics and Articial Intelligence, vol. 34, pages 259269, 2002. [Wild et al. 03] E. Wild, G. Parmentier, P.F. Dutot & G. Da-Costa. Challenge ROADEF03 Gestion de la mission de satellites dobservation de la Terre. In 5me Congrs de la Socit Franaise de Recherche Oprationnelle et dAide la Dcision (ROADEF2003) Challenge ROADEF2003, Avignon, France, 26-28 fvrier 2003. [Wolfe & Sorensen 00] W.J. Wolfe & S.E. Sorensen. Three scheduling algorithms applied to the Earth observing systems domain. Management Science, vol. 46, no. 1, pages 148168, 2000. [Wolsey 98] L.A. Wolsey. Integer programming. Wiley, New-York, 1998.

Tel 00009238

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Tel 00009238

Hochgeladen von

Copyright:

Verfügbare Formate

Thse

Prpare au Laboratoire dAnalyse et dArchitecture des Systmes du CNRS

tel-00009238, version 1 - 11 May 2005

MODLISATION ET RSOLUTION DE PROBLMES DOPTIMISATION COMBINATOIRE ISSUS DAPPLICATIONS SPATIALES

Soutenue le 25 juin 2004 devant le jury :

C. MERC P. MAHEY P. MICHELON N. BATAILLE P. LOPEZ R. VALETTE J.-C. HOCHON

Examinateur Directeurs de thse

tel-00009238, version 1 - 11 May 2005

tel-00009238, version 1 - 11 May 2005

tel-00009238, version 1 - 11 May 2005

Table des matires

Applications spatiales et optimisation combinatoire

tel-00009238, version 1 - 11 May 2005

1 Problmes doptimisation combinatoire dans les applications spatiales 1.1 1.2

Problmes doptimisation combinatoire issus dapplications spatiales . . . . . . 21 1.3.1 1.3.2

2 Techniques de rsolution retenues 2.1 2.2

Dnitions 2.3.2.1 2.3.2.2

Rsolution des programmes linaires . . . . . . . . . . . . . . . . . . . . 39 Principaux algorithmes . . . . . . . . . . . . . . . . . . . . . . 39 Mthode du simplexe . . . . . . . . . . . . . . . . . . . . . . . 40

2.3.3 2.4 2.4.1 2.4.2 2.4.3 2.4.4

Gnration de colonnes pour les problmes de grande dimension . . . . . . . . . 44

tel-00009238, version 1 - 11 May 2005

II tude de trois projets spatiaux : analyse et modlisation des problmes de planication 55

Sous-problme de planication des expriences . . . . . . . . . . . . . . 77

tude de la complexit du problme Pliades . . . . . . . . . . . . . . . . . . . 91 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92

tel-00009238, version 1 - 11 May 2005

III Rsolution de problmes de planication dans les projets Netlander et Pliades 93

Planication des expriences . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101

Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122 129

tel-00009238, version 1 - 11 May 2005

7.6.3.2 Procdure GC(0 ) . . . . . . . . . . . . . . . . . . . . . . . . . 148 Conclusions et perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149 151 154

tel-00009238, version 1 - 11 May 2005

10 GISA 1 du LAAS-CNRS 2 et en collaboration avec le CNES 3 .

tel-00009238, version 1 - 11 May 2005

tel-00009238, version 1 - 11 May 2005

tel-00009238, version 1 - 11 May 2005

Applications spatiales et optimisation combinatoire

tel-00009238, version 1 - 11 May 2005

Problmes doptimisation combinatoire dans les applications spatiales

Problmes classiques doptimisation combinatoire

Problmes doptimisation combinatoire dans les applications spatiales

tel-00009238, version 1 - 11 May 2005

1.2 Problmes classiques doptimisation combinatoire

tel-00009238, version 1 - 11 May 2005

i = 1..m j = 1..n i = 1..m, j = 1..n

Problmes doptimisation combinatoire dans les applications spatiales

tel-00009238, version 1 - 11 May 2005

Problme du voyageur de commerce

i = 1..n j = 1..n S X,S = i = 1..n, j = 1..n

tel-00009238, version 1 - 11 May 2005

Problmes doptimisation combinatoire dans les applications spatiales

tel-00009238, version 1 - 11 May 2005

1.3 Problmes doptimisation combinatoire issus dapplications spatiales

Problmes doptimisation combinatoire issus dapplications spatiales

tel-00009238, version 1 - 11 May 2005

Problmes doptimisation combinatoire dans les applications spatiales

tel-00009238, version 1 - 11 May 2005

1.3 Problmes doptimisation combinatoire issus dapplications spatiales

Modlisation et rsolution : revue des mthodes utilises

tel-00009238, version 1 - 11 May 2005

Problmes doptimisation combinatoire dans les applications spatiales

tel-00009238, version 1 - 11 May 2005

1.3 Problmes doptimisation combinatoire issus dapplications spatiales

tel-00009238, version 1 - 11 May 2005

Pour tout sousproblme : Mettre jour la fonction objectif