DGVNS guidée par les séparateurs
Résumé
Dans nos précédents travaux, nous avons proposé la méthode DGVNS (Decomposition Guided VNS) per- mettant d'exploiter les clusters, issus de la décomposi- tion arborescente du graphe de contraintes, pour guider l'exploration des voisinages dans les méthodes de type VNS. Dans cet article, nous proposons deux extensions de DGVNS permettant d'exploiter à la fois les clusters et les variables partagées entre ces clusters, appelées sépa- rateurs. De telles variables jouent un charnière dans la résolution du problème. En effet, l'affectation de toutes les variables des séparateurs sépare le problème initial en plusieurs sous-problèmes qui peuvent ensuite être réso- lus indépendamment. Les expérimentations menées sur des instances aléatoires (GRAPH) et des instances réelles (RLFAP, SPOT5 et tagSNP) montrent la pertinence et l'in- érêt de notre approche. Cet article est une version éten- due de [19].----------This paper presents two extensions for DGVNS (De- composition Guided VNS) method, that exploit both the graph of clusters and separators between these clus- ters, to efficiently guide the exploration of large neigh- borhoods in VNS. Experiments conducted on several dif- ficult instances (RLFAP, SPOT5, GRAPHand tagSNP) show the relevance and the interest of our approach. This pa- per is an extended version of [19].
Domaines
Intelligence artificielle [cs.AI]
Origine : Fichiers produits par l'(les) auteur(s)
Loading...