Stratégies d'Ordonnancement Conditionnelles Utilisant des Automates Temporisés

In this thesis we develop a methodology for solving conditional scheduling problems where knowing if a task have to be executed is not known in advance but dynamically. The model used is based on timed automata representing the state space to be explored. The problem is formulated as a game against the environment from which we search for a winning strategy (worst case optimal). In the first part we study the deterministic problem of the task graph scheduling and then we extend the framework to the conditional problem. For each problem we study different types of schedules and strategies in order to reduce the state space search, decompositions into chains are proposed to reduce its size, then we investigate several exact algorithms in order to evaluate their efficiency and from which we derive some good heuristics. Experimental results on sets of benchmarks are presented to evaluate the efficiency of each algorithm and the precision of the proposed heuristics, then we deduce theoretical bounds to show the worst case guarantee of each heuristic.Cette thèse développe une méthodologie pour résoudre les problèmes d'ordonnancement de programmes conditionnels où savoir si une tâche doit être exécutée n'est pas connue à l'avance mais dynamiquement. Le modèle utilisé est à base d'automates temporisés représentant l'espace d'états à explorer. Le problème est donc formulé comme le calcul d'une stratégie gagnante (pire cas optimale) dans un jeu contre l'environnement. Dans un premier temps nous étudions le problème d'ordonnancement sur graphes de tâches déterministe puis nous étendons l'étude au problème d'ordonnancement avec incertitude conditionnelle. Pour les deux problèmes nous étudions différentes classes d'ordonnancements et de stratégies pour réduire l'espace d'états, des décompositions en chaînes pour réduire sa taille, puis nous investiguons plusieurs classes d'algorithmes exactes pour en évaluer l'efficacité et à partir desquels nous dérivons de bonnes heuristiques. Des résultats expérimentaux sur plusieurs exemples de benchmarks sont présentés afin de montrer l'efficacité de chaque algorithme et la précision des heuristiques proposées, puis des bornes théoriques sont déduites pour prouver la garantie de performance pire cas de chaque heuristique