Algorithmes d'optimisation sous contraintes étudiés dans un cadre temps réel

Les systemes temps reels intelligents, c'est-a-dire capables de prendre des decisions en temps contraint, constituent un nouveau defi. La nouveaute provient de la nature des tâches a ordonnancer sur le processeur : une prise de decision n'est pas vue comme un resultat complet, optimum, obtenu en temps borne ; elle correspond plutot a un resultat approche, de qualite croissante en fonction du temps alloue. Le systeme ne vise plus seulement a garantir les echeances temporelles d'un ensemble de tâches ; il essaie aussi de maximiser la qualite en sortie du systeme. Nous avons choisi comme problemes de decision la classe des problemes de minimisation de la violation de contraintes. Un formalisme novateur, appele problemes de satisfaction de contraintes valuees, permet de modeliser ces problemes d'optimisation. Pour un probleme donne, il est difficile de predire l'evolution de la qualite, afin de l'ordonnancer au mieux vis-a-vis des autres tâches gerees par le systeme. Notre approche pragmatique consiste a encadrer progressivement l'optimum lors de la resolution d'un probleme. Cet encadrement est une information exacte de l'etat d'avancement d'une tâche et un critere important pour repartir les efforts de calcul pour un ensemble de tâches d'optimisation. Concretement, pour des problemes de minimisation, l'encadrement est obtenu par cooperation de methodes incompletes permettant de produire des majorants et de methodes completes permettant de produire des minorants. Nos travaux portent sur la production de minorants. Nous decrivons plusieurs methodes originales et generiques pour simplifier soit la structure d'un probleme, soit l'objectif, soit la procedure de recherche. Ces techniques sont experimentees sur des problemes generes aleatoirement, ainsi que sur des problemes reels : planification des prises de vue du satellite Spot5, allocation de frequences a des liens radio (CELAR).