Diversification adaptative pour la recherche locale itérée
Diversification adaptative pour la recherche locale itérée
Diversification adaptative pour la recherche locale itérée
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
<strong>Diversification</strong> <strong>adaptative</strong> <strong>pour</strong> <strong>la</strong> <strong>recherche</strong> <strong>locale</strong> <strong>itérée</strong><br />
Una Benlic et Jin-Kao Hao<br />
LERIA, Université d’Angers<br />
2, Bd Lavoisier, 49045 ANGERS CEDEX 01, France<br />
{benlic,hao}@info.univ-angers.fr<br />
Mots-clés : perturbation <strong>adaptative</strong>, <strong>recherche</strong> <strong>locale</strong> <strong>itérée</strong>, breakout local search, affectation<br />
quadratique, clique maximale.<br />
1 Introduction<br />
Dans cet article, nous étudions <strong>la</strong> performance d’une nouvelle stratégie de diversification<br />
<strong>adaptative</strong> (ADS), utilisée par <strong>la</strong> Recherche Locale d’Évasion (Breakout Local Search). La BLS<br />
[1, 2, 3] est une métaheuristique récente qui suit un schéma général de type <strong>recherche</strong> <strong>locale</strong><br />
<strong>itérée</strong> (Iterated Local Search) et adopte le principe de <strong>la</strong> <strong>recherche</strong> tabou (Tabu Search) <strong>pour</strong> <strong>la</strong><br />
perturbation dirigée. L’idée générale de l’ADS est de choisir, d’une manière <strong>adaptative</strong>, entre<br />
deux ou plusieurs types de perturbations de différentes intensités en fonction de l’état actuel<br />
de <strong>la</strong> <strong>recherche</strong>. Nous intégrons l’ADS dans un schéma ILS de base et évaluons sa performance<br />
sur deux problèmes NP-difficiles. Les résultats expérimentaux montrent l’avantage de l’ADS.<br />
2 Recherche <strong>locale</strong> <strong>itérée</strong> basée sur <strong>la</strong> diversification <strong>adaptative</strong><br />
(AD-ILS)<br />
A partir d’une solution initiale π0, l’AD-ILS applique une descente <strong>pour</strong> atteindre un optimum<br />
local π. Chaque itération de l’algorithme de descente examine l’ensemble des solutions<br />
voisines (selon un voisinage donné) et sélectionne l’une de celles les plus améliorantes. Si une<br />
telle solution n’existe pas (aucune amélioration possible depuis π), un optimum local est atteint<br />
en π et l’AD-ILS rentre dans une phase de diversification. La solution perturbée devient un<br />
nouveau point de départ <strong>pour</strong> une nouvelle descente.<br />
Puisque <strong>la</strong> procédure de <strong>la</strong> <strong>recherche</strong> <strong>locale</strong> est une descente simple, le mécanisme de diversification<br />
ADS a un impact majeur sur <strong>la</strong> performance de l’AD-ILS. l’ADS combine une<br />
perturbation dirigée et une perturbation aléatoire <strong>pour</strong> guider <strong>la</strong> <strong>recherche</strong> vers des nouvelles<br />
régions de l’espace de <strong>recherche</strong>.<br />
La perturbation dirigée (DIRP) consiste à faire des mouvements dédiés tels que 1) ces mouvements<br />
ne sont pas interdits par <strong>la</strong> liste taboue et 2) ils dégradent le moins possible <strong>la</strong> solution<br />
actuelle π. La perturbation aléatoire (RNDP) standard est <strong>la</strong> plus souvent utilisée par des<br />
algorithmes ILS <strong>pour</strong> introduire de <strong>la</strong> diversité.<br />
l’ADS choisit <strong>adaptative</strong>ment entre les mouvements de types DIRP et RNDP selon <strong>la</strong> région<br />
actuelle de <strong>la</strong> <strong>recherche</strong> (c-à-d ω, le nombre des optima locaux non-améliorants consécutivement<br />
visités). L’idée consiste à appliquer plus souvent (avec une probabilité P plus élevée)<br />
<strong>la</strong> perturbation plus faible (DIRP) lorsque <strong>la</strong> <strong>recherche</strong> se trouve dans une région avec des<br />
solutions de haute qualité (ω est petit). Avec l’augmentation de ω, <strong>la</strong> probabilité P diminue<br />
progressivement <strong>pour</strong> introduire une diversification plus forte par des mouvements aléatoires<br />
RNDP. Ce changement adaptatif de probabilité P est illustré par Eq. 1. Nous limitons <strong>la</strong><br />
probabilité P de prendre des valeurs au moins égale à P0.<br />
<br />
P =<br />
e −ω/T si e −ω/T > P0<br />
P0<br />
sinon<br />
(1)
TAB. 1 – Comparaison de résultats <strong>pour</strong> le QAP. Pour chaque version de l’ILS, les colonnes %ρbest et<br />
%ρavg indiquent respectivement l’écart en <strong>pour</strong>centage entre <strong>la</strong> meilleure solution présentée dans <strong>la</strong><br />
littérature (colonne BK) et <strong>la</strong> meilleure solution (ou <strong>la</strong> solution moyenne) sur 20 exécutions. Le taux<br />
de réussite <strong>pour</strong> atteindre le meilleur résultat de <strong>la</strong> littérature est donné entre parenthèses. La colonne<br />
t(m) indique le temps moyen en minutes.<br />
Instance AD-ILS DIR-ILS RND-ILS<br />
Name BK %ρbest %ρavg t(m) %ρbest %ρavg t(m) %ρbest %ρavg t(m)<br />
tai50a 4938796 0.000(4) 0.121 62.3 0.000(3) 0.136 60.8 0.301(0) 0.576 58.0<br />
tai60a 7205962 0.000(1) 0.359 65.9 0.191(0) 0.400 57.9 0.313(0) 0.837 47.9<br />
tai80a 13499184 0.651(0) 0.764 67.8 0.600(0) 0.755 66.7 0.812(0) 1,179 43.9<br />
tai100a 21052466 0.626(0) 0.804 59.7 0.648(0) 0.788 50.6 0.948(0) 1,218 68.2<br />
tai100b 1185996137 0.000(12) 0.253 17,9 0.000(6) 0.382 37.9 0.000(10) 0.001 39.2<br />
tai150b 498896643 0.000(1) 0.322 68.6 0.161(0) 0.429 80.2 0.023(0) 0.138 84.5<br />
sko100a 152002 0.000(12) 0.006 11,7 0.000(8) 0.022 15,9 0.045(0) 0.069 64.1<br />
sko100c 147862 0.000(20) 0.000 9,8 0.000(19) 0.021 11,6 0.009(0) 0.046 69.4<br />
TAB. 2 – Comparaison de résultats <strong>pour</strong> le MAX-CLQ. La colonne BK indique <strong>la</strong> valeur de <strong>la</strong> meilleure<br />
clique présentée dans <strong>la</strong> littérature. Pour chaque version de l’ILS, nous présentons le meilleur résultat<br />
(colonne |C|best) ainsi que <strong>la</strong> moyenne (colonne |C|avg) sur 50 exécutions. Le taux de réussite <strong>pour</strong><br />
atteindre le meilleur résultat de <strong>la</strong> littérature est donné entre parenthèses. La colonne t(m) indique le<br />
temps moyen en minutes nécessaire <strong>pour</strong> atteindre le résultat |C|best.<br />
Instance AD-ILS DIR-ILS RND-ILS<br />
Name BR |C|best |C|avg t(m) |C|best |C|avg t(m) |C|best |C|avg t(m)<br />
brock800_1 23⋆ 23(9) 21.36 43.8 23(4) 21.16 28.9 21(0) 20.98 4.0<br />
brock800_2 24⋆ 24(27) 22.62 34.6 24(4) 21.24 36.7 24(4) 21.24 25.6<br />
brock800_3 25⋆ 25(41) 24.46 41.6 25(15) 22.9 28.3 25(5) 22.3 47.5<br />
brock800_4 26⋆ 26(45) 25.5 22.5 26(37) 24.7 45.3 26(21) 23.1 43.7<br />
C2000.9 80 79(0) 77.66 55.0 79(0) 78.36 43.4 64(0) 62.88 44.3<br />
frb56-25-1 56⋆ 56(1) 54.88 6.3 56(15) 55.3 33.2 49(0) 46.88 82.9<br />
frb56-25-3 56⋆ 56(2) 55.0 56.1 56(13) 55.26 56.7 48(0) 47.06 22.2<br />
frb56-25-5 56⋆ 56(33) 55.62 43.9 56(49) 55.98 10.9 48(0) 47.04 28.5<br />
3 Résultats expérimentaux<br />
Nous comparons les performances de trois algorithmes ILS (AD-ILS, DIR-ILS et RND-ILS)<br />
appliqués aux problèmes d’affectation quadratique (QAP) et de <strong>la</strong> plus grande clique (MAX-<br />
CLQ). Le DIR-ILS est basé uniquement sur <strong>la</strong> perturbation dirigée, tandis que le RND-ILS est<br />
basé sur <strong>la</strong> perturbation RNDP. Ces trois versions sont exécutées dans un même environnement<br />
informatique. Nous testons les trois algorithmes ILS sur les instances de <strong>la</strong> librairie QAPLIB<br />
(<strong>pour</strong> le QAP) et sur les graphes du challenge DIMACS et de <strong>la</strong> librairie BHOSLIB (<strong>pour</strong><br />
le MAX-CLQ). Dans ce résumé, nous présentons uniquement nos résultats sur 8 instances de<br />
chaque problème qui sont parmis les plus difficiles.<br />
Les tableaux 1 et 2 donnent respectivement les résultats comparatifs <strong>pour</strong> le QAP et le<br />
MAX-CLQ. Les résultats indiquent que l’AD-ILS fait mieux que le RND-ILS dans presque<br />
tous les cas ce qui met en évidence l’inconvénient de le perturbation aléatoire. En outre, le<br />
AD-ILS fait mieux que le DIR-ILS sur <strong>la</strong> plupart des instances QAP, et plusieurs instances<br />
difficiles du MAX-CLQ.<br />
Références<br />
[1] U. Benlic and J.K. Hao. Breakout local search for maximum clique problems. Computers<br />
and Operations Research 40(1) : 192–206, 2013.<br />
[2] U. Benlic and J.K. Hao. Breakout local search for the max-cut problem. Engineering Applications<br />
of Artificial Intelligence, Doi : 10.1016/j.engappa (In press), 2013.<br />
[3] U. Benlic and J.K. Hao. Breakout local search for the quadratic assignment problem. Accepted<br />
to Applied Mathematics and Computation, 2013.