Hyperheuristics in Logistics Kassem Danach

Hyperheuristics in Logistics Kassem Danach To cite this version: Kassem Danach. Hyperheuristics in Logistics. Combinatorics [math.CO]. Ecole Centrale de Lille, 2016. English. NNT : 2016ECLI0025. tel-01485160 HAL Id: tel-01485160 https://tel.archives-ouvertes.fr/tel-01485160 Submitted on 8 Mar 2017 HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non, lished or not. The documents may come from émanant des établissements d’enseignement et de teaching and research institutions in France or recherche français ou étrangers, des laboratoires abroad, or from public or private research centers. publics ou privés. No d’ordre: 315 Centrale Lille THÈSE présentée en vue d’obtenir le grade de DOCTEUR en Automatique, Génie Informatique, Traitement du Signal et des Images par Kassem Danach DOCTORAT DELIVRE PAR CENTRALE LILLE Hyperheuristiques pour des problèmes d’optimisation en logistique Hyperheuristics in Logistics Soutenue le 21 decembre 2016 devant le jury d’examen: President: Pr. Laetitia Jourdan Université de Lille 1, France Rapporteurs: Pr. Adnan Yassine Université du Havre, France Dr. Reza Abdi University of Bradford, United Kingdom Examinateurs: Pr. Saïd Hanafi Université de Valenciennes, France Dr. Abbas Tarhini Lebanese American University, Lebanon Dr. Rahimeh Neamatian Monemin University Road, United Kingdom Directeur de thèse: Pr. Frédéric Semet Ecole Centrale de Lille, France Co-encadrant: Dr. Shahin Gelareh Université de l’ Artois, France Invited Professor: Dr. Wissam Khalil Université Libanais, Lebanon Thèse préparée dans le Laboratoire CRYStAL École Doctorale SPI 072 (EC Lille) 2 Acknowledgements Firstly, I would like to express my sincere gratitude to my advisor Prof. Frédéric Semet, Dr. Shahin Gelareh and Dr. Wissam Khalil for their continuous support of my Ph.D study and related research, for their patience, motivation, and immense knowledge. Their guidance helped me in all the time of research and writing of this thesis. I would also like to thank my parents for their wise counsel and sympathetic ear. I would like express appreciation to my beloved wife Jomana Al-haj Hasan who spent sleepless nights with and was always my support in the moments when there was no one to answer my queries. Finally, there are my children, who have given me much happiness and keep me hopping. My son, Mahdi, has grown up watching me study and juggle with family and work. Abbass, the little one, who always try to do everything to make his presence felt. I hope I have been a good father and that I have not lost too much during the tenure of my study. 3 Resumé Le succès dans l’utilisation de méthodes exactes dans l’optimisation combinatoire à grande échelle est encore limité à certains problèmes, et peut-être des classes spécifiques d’instances de problèmes. Le moyen alternatif consiste soit à utiliser des métaheuristiques ou des mathématiques qui utilisent des méthodes exactes à certains égards. Le concept d’hyperheuristique (HH) est une généralisation de celle des métaheuristiques. Dans le contexte de l’optimisation combinatoire, nous nous intéressons à l’heuristique pour choisir l’heuristique. Les deux catégories hyperheuristiques principales de la classification précédente sont: 1) la sélection heuristique, qui considère une méthode pour sélectionner des heuristiques à partir d’un ensemble d’heuristiques existantes, et 2) la génération heuristique qui consiste à générer de nouvelles heuristiques à partir des composantes des heuristiques existantes. Dans cette thèse, nous nous concentrons sur l’optimisation hyperheuristique des problèmes logistiques. Nous présentons une revue de littérature détaillée sur les termes origine, concept, domaine d’application, etc. Ensuite, deux problèmes logistiques ont été choisis pour lesquels nous avons proposé HH. Sur la base de la structure générale d’une solution réalisable et en exploitant les informations cachées dans les données d’entrée, nous définissons un ensemble d’heuristiques possibles pour chaque problème. Nous nous concentrons ensuite sur la propos- ition d’un cadre hyperheuristique qui effectue une recherche dans l’espace des algorithmes heuristiques et apprend comment changer l’heuristique en place d’une manière systématique le long du processus de telle sorte qu’une bonne séquence 4 d’heuristiques produit des solutions de haute qualité. Notre cadre hyperheuristique est équipé d’un mécanisme d’apprentissage qui apprend l’environnement et guide la transition d’une heuristique historique à une autre jusqu’à ce que l’algorithme global se termine. Le premier problème abordé est le problème d’ordonnancement de la plate- forme de workover (WRSP), qui consiste à trouver le meilleur horaire pour un certain nombre de plates-formes de workover pour minimiser la perte de production, associée à un grand nombre de puits en attente de maintenance. Un algorithme d’hyperheuristique de sélection est proposé, qui est guidé par un mécanisme d’apprentissage conduisant à un choix approprié de mouvements dans l’espace des heuristiques qui sont appliquées pour résoudre le problème. Nos expériences numériques sont menées sur des exemples d’une étude de cas de Petrobras, la Société nationale brésilienne du pétrole, et ont été comparées avec une méthode exacte prouvant son efficacité. Le deuxième problème est une variante du problème de routage d’emplacement de concentrateur, qui cherche à diviser les nœuds en moyeux et rayons. Deux HH différentes ont été appliquées à deux variantes de ce problème, qui sont dérivées d’un problème d’acheminement de localisation de concentrateur de capa- cité d’allocation unique et diffèrent principalement dans la définition de la capacité. Dans le premier, le nombre de rayons pouvant être attribué à chaque hub est limité; Tandis que dans la seconde, c’est le volume de l’écoulement circulant sur la voie du rayon-niveau. De plus, cinq relaxations lagrangiennes (LR) ont été proposées pour le premier problème afin d’utiliser certains résultats pendant le processus de 5 HH. Les résultats de calcul prouvent l’efficacité de HH et la pertinence d’inclure l’information LR. Enfin, nous comparons les performances de plusieurs HH pro- posées dans la littérature pour le problème précédemment abordé, avec différentes méthodes de sélection heuristique telles que la sélection aléatoire, la fonction de choix, Q-Learning et la colonie de fourmis. 6 Contents Acknowledgements2 Contents6 List of Tables 11 List of Figures 13 1 Hyperheuristic: A General Overview 15 1.1 Introduction............................. 15 1.2 Heuristics, Metaheuristics and Matheuristics............ 18 1.3 Hyperheuristics........................... 22 1.3.1 Hyperheuristic Classification................ 25 1.3.2 Move Acceptance Criteria................. 29 1.3.3 Termination Criteria.................... 34 1.4 State of the art............................ 35 1.5 Existing and the Proposed Framework............... 39 1.6 Contributions and Overview.................... 42 8 CONTENTS 2 Workover Rig Problem 45 2.1 Introduction............................. 45 2.2 Literature review.......................... 47 2.2.1 Objective and contribution................. 49 2.3 Problem Description........................ 51 2.4 Mathematical Model........................ 51 2.4.1 Workover Rig Scheduling (WRS) Problem........ 52 2.4.2 Valid inequalities...................... 55 2.4.3 Preprocessing........................ 57 2.4.4 Illustrative example..................... 58 2.5 Hyperheuristic for WRS Problem.................. 58 2.5.1 Reinforcement learning................... 63 2.6 Numerical experiments....................... 66 2.7 Summary, conclusion and outlook to future work......... 74 3 Capacitated Single Allocation p-Hub Location Routing Problem 77 3.1 Introduction............................. 77 3.2 Mathematical Formulation..................... 87 3.2.1 (CSApHLRP-1-F1)..................... 88 3.2.2 (CSApHLRP-1-F2)..................... 91 3.2.3 (CSApHLRP-2)....................... 94 3.3 Solution algorithm......................... 97 3.3.1 Lagrangian relaxation................... 98 CONTENTS 9 3.3.2 Hyperheuristic for CSApHLRP-1 and CSApHLRP-2... 104 3.4 Computational experiments..................... 117 3.4.1 CSApHLRP-1 Computational experiments........ 118 3.4.2 CSApHLRP-2 Computational experiments........ 129 3.5 Conclusion and future work..................... 129 4 Selection Methods 137 4.1 Introduction............................. 137 4.2 The Proposed Selection Methods.................. 139 4.2.1 Random Selection Based Hyperheuristic.......... 140 4.2.2 Greedy Based Hyperheuristic............... 142 4.2.3 Peckish Based Hyperheuristic............... 142 4.2.4 Choice Function Based Hyperheuristic.......... 143 4.2.5 Reinforcement Learning.................. 145 4.2.6 Metaheuristics Based Hyperheuristic........... 148 4.3 Numerical Results.......................... 156 4.4 Conclusion............................. 157 5 General Conclusion 161 Bibliography 167 10 List of Tables 2.1 Model Parameters and variables................... 52 2.2 Best solution and execution time results of the two methods.... 68 2.3 Computational results of our branch, price and cut......... 73 3.1 A summary of main elements of the relevant contributions in literature................................. 84 3.2 CSApHLRP-1-F1 and CSApHLRP-1-F2 Models Parameters...

Load more