CHAPITRE 4
TABLE 4.1 - Valeurs des meilleurs hyperparamètres
trouvés après 30 essais
|
Methods
|
Hyperparameters
|
Values
|
Methods
|
Hyperparameters
|
Values
|
|
Power exponent
|
0.547
|
|
Power exponent
|
0.73
|
|
BOA
|
|
|
BOA
|
|
|
|
Sensor modality
|
0.602
|
|
Sensor modality
|
0.577
|
|
(pop size 20)
|
|
|
(pop size 5)
|
|
|
|
Switch probability
|
0.395
|
|
Switch probability
|
0.331
|
|
xBOA
|
Power exponent
|
0.905
|
xBOA
|
Power exponent
|
0.994
|
|
Sensor modality
|
0.257
|
|
Sensor modality
|
0.518
|
|
(pop size 20)
|
|
|
(pop size 5)
|
|
|
|
Crossover probability
|
0.593
|
|
Crossover probability
|
0.583
|
|
Crossover probability
|
0.11
|
mBOA
|
Power exponent
|
0.61
|
|
GA
|
Mutation probability
|
0.215
|
|
Sensor modality
|
0.356
|
|
|
|
(pop size 5)
|
|
|
|
Mutation distribution index
|
76.026
|
|
Switch probability
|
0.762
|
|
Social component coef.
|
1.506
|
|
Power exponent
|
0.992
|
|
Cognitive component coef.
|
3.379
|
ABOA
|
Sensor modality
|
0.98
|
|
PSO
|
|
|
|
|
|
|
Max velocity
|
0.329
|
(pop size 5)
|
Switch probability
|
0.983
|
|
Inertia weight
|
0.449
|
|
u
|
1.356
|
|
ABC, GWO,
|
No parameters to optimize
|
SABOA
|
Switch probability
|
0.237
|
|
CMAES
|
(auto-tuning)
|
(pop size 5)
|
|
|
4.6 Expérience 4 : Comparaison de l'algorithme xBOA
avec les métaheuristiques populaires
Dans cette série d'expériences, nous allons
comparer les performances des différentes métaheuristiques
incluses dans notre simulateur pour la résolution du problème
d'explora-tion de zones inconnues.
Selon ce qu'on peut voir sur les Figures 4.4 et 4.5 ainsi que
le Tableau 4.2, les méthodes xBOA, PSO, GA et CMAES ont
présenté des résultats presque similaires sur la plupart
des scénarios, surtout dans le cas de l'exploration à court
terme. Ceci signifie que le processus d'optimisation a convergé avec
succès vers la solution optimale. Toutefois, nous observons une
dégradation de la convergence de BOA et GWO à certaines
périodes provoquées par leur blocage dans un optimum local
poussant le robot à revisiter une zone déjà
explorée pendant un certain intervalle de temps. Cependant, ces
méthodes finissent par échapper à ce minimum local
après un certain nombre de pas et rattraper leur retard.
Il est important de noter que la métrique du «
nombre de pas » (step number) correspond au nombre de mouvements
et de rotations effectués par le robot. Il est fortement
corrélé avec la durée de la mission, mais de
manière non linéaire puisque le temps nécessaire pour
effectuer une rotation à 45° est différent de celui requis
pour se déplacer un mètre en avant.
113
Nous avons choisi d'analyser le nombre de pas au lieu du temps
d'exploration à cause de l'importance du facteur énergie dans le
domaine de la robotique; le nombre de mouvements qu'un robot peut effectuer est
limité par la capacité de sa batterie. Si dans notre cas le robot
avait une capacité de batterie pour effectuer seulement 100 pas par
exemple, il ne pourra explorer que 80% de la première scène
(Empty map) en utilisant l'algorithme BOA, au lieu de 85% s'il
utilisait xBOA, PSO ou CMAES. L'algorithme BOA apparaît donc moins
efficace que les autres méthodes en considérant ce critère
d'évaluation.
TABLE 4.2 - Taux d'exploration obtenus à la fin de la
mission d'exploration
|
Short-term exploration
|
|
Empty map
|
House map
|
|
Method
|
Average
|
Min
|
Max
|
Average
|
Min
|
Max
|
|
ABC
|
98.12
|
97.22
|
= 99
|
90.1
|
88.36
|
92.7
|
|
BOA
|
96
|
94.79
|
= 99
|
93.4
|
91.84
|
95.13
|
|
CMAES
|
98.49
|
95.66
|
= 99
|
93.29
|
89.4
|
96.18
|
|
GA
|
97.38
|
82.81
|
= 99
|
93
|
92.01
|
94.96
|
|
GWO
|
93.03
|
92.88
|
93.05
|
67.7
|
67.7
|
67.7
|
|
PSO
|
98.16
|
97.39
|
= 99
|
93.19
|
88.71
|
94.79
|
|
xBOA
|
98.23
|
93.92
|
= 99
|
91.63
|
82.63
|
94.44
|
|
Long-term exploration
|
|
Method
|
Average
|
Min
|
Max
|
Average
|
Min
|
Max
|
|
ABC
|
98.02
|
96.52
|
= 99
|
86.38
|
80.38
|
92.18
|
|
BOA
|
93.87
|
91.49
|
97.74
|
84.61
|
73.26
|
92.36
|
|
CMAES
|
94.16
|
83.85
|
= 99
|
82.23
|
77.43
|
86.45
|
|
GA
|
97.63
|
96.52
|
= 99
|
87.67
|
79.86
|
95.48
|
|
GWO
|
93.4
|
93.4
|
93.4
|
83.68
|
83.68
|
83.68
|
|
PSO
|
96.44
|
92.88
|
= 99
|
87.06
|
84.2
|
90.97
|
|
xBOA
|
96.37
|
93.57
|
98.61
|
89.9
|
79.16
|
94.1
|
Les Figures 4.6 et 4.7 nous permettent d'analyser le temps de
calcul total pour chaque méthode durant la mission d'exploration.
Étant donné que les processeurs sont une ressource coûteuse
en termes de prix de fabrication et d'énergie consommée, la
tendance dans le domaine des systèmes multirobots est de réduire
au maximum le temps de calcul requis pour accomplir la mission afin de
permettre l'utilisation de processeurs plus petits et moins gourmands. La
méthode idéale devrait donner une qualité d'exploration
maximale tout en nécessitant un minimum de temps de calcul. Toutefois,
il est rarement le cas d'obtenir un tel résultat, ce qui nous contraint
souvent à trouver un compris entre ces deux critères de
comparaisons.
114
| 
