Abstract FR:

Lorsque l'être humain ne sait pas résoudre un problème, l'une des méthodes dont il dispose consiste à utiliser des connaissances de résolution sur des problèmes plus faciles. Celles-ci peuvent servir d'heuristiques pour guider la recherche d'une solution du problème originel. Cette idée a été exploitée par de nombreux chercheurs en intelligence artificielle, nous l'avons reprise pour la recherche de solutions à des problèmes d'ordonnancement d'atelier. L'élaboration d'un ordonnancement satisfaisant au mieux les préférences exprimées est extrêmement complexe quand l'ensemble des contraintes est trop important et trop antagoniste pour être résolu directement. La stratégie que nous proposons consiste à évaluer les interactions entre contraintes et à regrouper en sous-problèmes simplifiés les contraintes conduisant à un même ordonnancement. Une solution à ces sous-problèmes constitue une séquence de tâches satisfaisant ces contraintes. Combinée avec d'autres, elle permet de guider le système d'ordonnancement dans ses choix de satisaction de contraintes. La mise en oeuvre de cette stratégie nécessite une coopération étroite entre les décisions d'analyse des contraintes et les décisions d'ordonnancement. Afin de la rendre le plus efficace possible, il est important de ne pas figer a priori la manière dont cette coopération est établie. Ainsi le système doit être capable d'adapter sa stratégie de résolution en fonction de l'évolution de la solution. Le caractère coopératif et opportuniste du système nous a conduit au choix d'une architecture à base de blackboard