Différences

Ci-dessous, les différences entre deux révisions de la page.

--- restricted:opti-c-tp2 [2023/09/19 22:35] – edauce
+++ restricted:opti-c-tp2 [2023/09/19 22:36] (Version actuelle) – edauce
@@ Ligne 1: / Ligne 1: @@
+==== TP2 : Problème d’emploi du temps ====
+<note important>
+Ce TP à rendre et contient plusieurs questions à rédiger. Il est donc conseillé d'utiliser un environnement de programmation de type 'jupyter notebook' contenant à la fois du code exécutable et des commentaires formattés (cellules 'markdown'). Vous utiliserez ces cellules formattées pour répondre à certaines questions.
+</note>
+==== Problème no 1 ====
+On a K créneaux horaires, m enseignants et n classes d’élèves.
+  * Créneaux : (Lu8,Lu10,...,Ve14,Ve16) - ici: K = 20.
+  * Professeurs : (Dupont, Durand, Duval, …) - par ex: m = 32.
+  * Classes : (6A,6B,...,3D) - par ex: n = 16.
+Chaque classe est suivie par 6 professeurs. Chaque professeur est affecté à 3 classes et réalise 3 séances pour chaque classe. Ainsi, chaque professeur réalise un total de 9 séances par semaine, et chaque classe suit 3x6 = 18 séances de cours (à répartir sur 20 créneaux disponibles).
+**remarque** : on vérifie 3m  = 6n soit m = 2n
+=== Affectation des professeurs ===
+On suppose pour simplifier que les professeurs sont désignés par un numéro unique (de 0 à m-1) ainsi que les classes (classes 0 à n-1) et les créneaux (de 0 à K-1).
+On suppose qu’est donné au départ le tableau d’affectation (donnant les classes affectées à chaque professeur). Ainsi, pour tout i, A(i) ={A(i,0),...,A(i,5)} est la liste des 6 professeurs affectés à la classe i.
+<note tip>
+Indication: on veut définir la matrice des affectations ''A'' constituée de 6 lignes et 16 colonnes. Ces affectations seront effectuées de manière aléatoires. Les colonnes correspondent aux classes.
+Le code suivant est souvent incorrect (car un professeur paut etre affecté 2 fois à la même classe):
+<code python>
+profs = list(range(32))*3
+A={}
+for i in range(16):
+     A[i] = []
+     for j in range(6):
+         prof = np.random.choice(profs)
+         A[i].append(prof)
+         profs.remove(prof)
+</code>
+</note>
+__**Question**__
+Testez ces deux codes. Réfléchissez à une méthode permettant d'obtenir une affectation valide:
+  * en effectuant un grand nombre de tirages (méthode de monte carlo)
+  * à partir d'une affectation initiale incorrecte, par permutation (méthode glouton)
+<note>
+remarque : Il est également possible de contourner le problème en retirant un nouveau professeur chaque fois qu'il y a collision. Le code suivant fonctionne la plupart du temps:
+<code python>
+profs = list(range(32))*3
+A={}
+for i in range(16):
+     A[i] = []
+     for j in range(6):
+         for trial in range(10):
+             prof = np.random.choice(profs)
+             if prof not in A[i]:
+                 break
+         if trial<9:
+             A[i].append(prof)
+             profs.remove(prof)
+         else:
+             print("ECHEC: ESSAYEZ UNE NOUVELLE FOIS")
+             break
+</code>
+</note>
+=== Emploi du temps ===
+Etant données une affectation ''A'', une solution au problème d'emploi du temps consiste à définir la semaine de chaque classe sous la forme d’une séquence de K valeurs.
+Pour tout i, s(i) = (s(i,0), (s(i,1), s(i,2),... ,s(i,19)) qui est une permutation de la liste (A(i,0), A(i,0), A(i,0), A(i,1), A(i,1), A(i,1), …, A(i,5), A(i,5), A(i,5), -1, -1) où les valeurs -1 correspondent aux 2 séances d’”étude”.
+Une solution prend donc la forme d’une matrice de n lignes et K colonnes.
+<note tip>
+A nouveau pour vous aider, voici les lignes de code permettant de définir un emploi du temps aléatoire:
+<code python>
+s = []
+for i in range(16):
+    s.append([])
+    for j in range(6):
+        s[i].extend([A[i][j], A[i][j], A[i][j]] )
+    s[i].extend([-1,-1])
+    s[i] = np.random.permutation(s[i])
+s = np.array(s)
+</code>
+</note>
+__Questions:__
+  * Combien ce problème accepte-t-il de solutions?
+  * Comment définiriez-vous le voisin d’une solution s donnée?
+  * En fonction de la définition précédente, combien une solution s possède-t-elle de voisins?
+__Problème:__
+On appelle collision le fait qu’un même professeur apparaisse 2 fois ou plus dans le même créneau (autrement dit une collision est un triplet (i,j,k) tel que (i $\neq$ j), (s(i,k)=s(j,k)) et s(i,k) $\neq$ -1). On cherche à proposer un emploi du temps dans lequel il n’y a pas de “collision”.
+  * En vous inspirant du [[opti-C-TP1|TP1]], définissez les fonctions ''affiche_edt'', ''randomVoisin'', ''tousLesVoisins'', ''J'', ''argmin_J'' adaptées aux problèmes d'emploi du temps. En particulier, la fonction de coût sera égale au nombre total de collisions dans la matrice s.
+  * Il existe une manière de calculer le nombre de collisions en O(K*N). Décrivez le principe de cet algorithme, puis écrivez-le.
+  * Reprenez certains algorithmes d'optimisation du [[opti-C-TP1|TP1]] (Monte Carlo, Glouton, Tabou, ...) qui, partant d’une solution s prise au hasard, effectuent une recherche par voisinage pour trouver un emploi du temps sans collision. Quels sont les algorithmes les plus efficaces?
+==== Problème no 2 ====
+Reprenez le problème précédent en considérant les contraintes suivantes:
+  * Chaque professeur suit 5 classes et assure 2 séances par classe.
+  * Chaque professeur effectue 10 séances par semaine
+  * 10 professeurs sont affectés à chaque classe
+  * Il y a 20 classes
+  * Il y a 40 professeurs
+L'algorithme trouve-t-il toujours une solution?