CHAPITRE II. METHODES D'OPTIMISATION
Algorithm : Remplacement-archive (ci,
At)
1 : for i = 1 to
À do
2 : if a EA(t): ci =~ a
then
3 : At+1 ? (Qt U ci) \ {a E At : ci
=~ e}
4 : else
5 : if a E A(t) : a =~ ci
then
6 : ci est rejetée
7 : else
8 : remplacement-population(ci,At)
9 : end if
10 : end if
11 :end for
Algorithm : Remplacement-population(ci,Pt)
1 : for i = 1 to
À do
2 : if p E Pt : ci < p
then
3 : Pt+1 ? (Pt U ci) \ {p}
4 : else
5 : if p E Pt : p < ci
then
6 : ci est rejetée
7 : else
8 : Pt+1 ? (Pt U ci) \ {p ? UPt}
9 : end if
10 : end if
11 : end for
II.5.3 IBEA
L'idée principale de l'IBEA(Indicator Based
Evolutionary Algorithm) est de formaliser les préférences
entre individus en utilisant un indicateur de performance binaire de
qualité I arbitrairement choisi. Donc l'algorithme n'aura pas besoin
d'utiliser une technique de préservation de la diversité en tant
que deuxième critère de comparaison. Cependant, la question qui
se pose est de savoir comment I pourrait être intégré dans
le calcul de la fitness dans un MOEA.
Une possibilité serait d'attribuer à chaque
individu une valeur de fitness F(x) correspondant à la
mesure de la --perte en qualité-- si cet individu avait
été retiré de la population.
F0(x1) = X
I({x2}, {x1})
x2?P\{x1})
Cette formule à été modifier pour
augmenter l'influence des solutions non-dominées sur les solutions
dominées :
F0(x1) = X
-eI({x2},{x1})
x2?P\{x1})
24
| 
