WOW !! MUCH LOVE ! SO WORLD PEACE !
Fond bitcoin pour l'amélioration du site: 1memzGeKS7CB3ECNkzSn2qHwxU6NZoJ8o
  Dogecoin (tips/pourboires): DCLoo9Dd4qECqpMLurdgGnaoqbftj16Nvp


Home | Publier un mémoire | Une page au hasard

 > 

Optimisation de l'énergie réactive dans un réseau d'énergie électrique

( Télécharger le fichier original )
par Brahim GASBAOUI
Université BECHAR - MAGISTER 2008
  

précédent sommaire suivant

3.1.6. Les Algorithmes Génétiques

3.1.7. Principes généraux

Les Algorithme Génétique (AG) font partie d'une famille de méthode stochastique

appelés méthode évolutionniste qui reposant sur une analogie avec la théorie de

l'évolution naturelle, selon laquelle les individus d'une population les mieux adapté à

leur environnement ont une plus grande probabilité de survivre de se reproduire de

génération en génération, en donnent des descendent encore mieux adaptés.Depuis une

trentaine d'années d'intérêt pour les algorithmes génétique va croissant en raisons de

leurs nombreux avantages sur les autres technique d'optimisation : ils sont robustes,

rapides, Suffisante généraux pour pouvoir s'adapter à n grand nombre de situation et

enfin ne demandent aucun connaissance précise sur lez system a optimisé. Les

algorithme génétique ont été développés dans les années 70 par Holand puis

approfondis par Goldberg, ils sont certainement la branche des Algorithme

évolutionnistes les plus connue et les plus utilisé .La particularité de ces algorithme est

le fait qu'il font évaluer des population d'individus codés par une chaîne binaire .ils

utilisant les opérateur de mutation et de recombinaison de différent types. Le but d'un

algorithme génétique est d'optimisé une fonction donnée dans un espace de recherche

précis. Dans le cas général, un algorithme génétique a besoin de quatre composants

fondamentaux : Une fonction de codage qui transforme les données de l'espace de

recherche en données utilisable par un ordinateur : par exemple une séquence de bits ou

bien un nombre réel.

Un moyen de créer une population initiale à partir des solutions potentielles. Une

fonction qui permet d'évaluer l'adaptation d'un chromosome, ce qui offre la possibilité

de comparer les individus .cette fonction sera en fait construit à partir du critère que l'on

désire optimiser .L'application de cette fonction à un élément de la population donnera

sa performance (évaluation) .Des opérateur qui altèrent les enfants après la

reproduction. On choisit une population initiale de taille n ,c'est-à-dire que l'on tire au

hasard le plus uniformément possible un certaine nombre d'éléments qui seront

appelés chromosome dans l'espace des données .A fine de réalisé l'analogie avec

génétique ,il faut disposer comme nous l'avons vu d'opérateurs de sélection et de

recombinaison qui vont permettre à cette population dévaluer (on se reportera à la

figure 30) .L'utilisation de ces trois opérateur permet De conserve une population bine

diversifiée( c'est-à-dire bien répartie dans l'espace )et par conséquent d'accéder à tout

l'espace de recherche. [39,40,41]

Solution Fna

Initialisation

Evaluation de la population initiale 44

Figure 13::Principe d'un Algorithme génétique

précédent sommaire suivant







9Impact, le film from Onalukusu Luambo on Vimeo.



Appel aux couturier(e)s volontaires

Hack the pandemiuc !

Moins de 5 interactions sociales par jour



BOSKELYWOOD from Ona Luambo on Vimeo.