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

5.1.6. Méthode d'inférence MAX-MIN

Cette méthode représente l'opérateur « ET » par la fonction « Min », la conclusion

« ALORS » par la fonction « Max » et l'opérateur « OU » par la fonction « Min ». La

représentation graphique de cette méthode d'inférence est illustrée par la (Fig.41).

Figure 47: Méthode d'inférence MAX-MIN

1.2 8. INTERFACE DE DEFUZZIFICATION

Les méthodes d'inférence génèrent une fonction d'appartenance, il faut

transformer cette grandeur floue en grandeur physique réelle. L'opération de

défuzzification permet de calculer à partir des degrés d'appartenance à tous les sous-

ensembles flous de la variable de sortie, la valeur de sortie à appliquer au système. Il y a

plusieurs méthodes de défuzzification à savoir la méthode du maximum, la méthode des

hauteurs pondérées et la méthode du centre de gravité, cette dernière est la plus

utilisée L'expression de la sortie dans cette méthode donnée par l'équation suivante.

1.2 9. OPTIMISATION PAR COLONIES DE FOURMIS

5.1.7. Introduction

Les études éthologistes ont montré que dans la nature, les petites créatures faibles

que sont les fourmis, arrivent à résoudre collectivement des problèmes quotidiens

nombreux et trop complexes pour une seule fourmi tels que : recherche de nourriture,

construction du nid, division du travail et allocation des tâches entre les individus, avec

une organisation excrément structurée et sans aucune supervision. Par les

comportements simples de chacune des fourmis, des interactions limitées à travers une

coopération inconsciente, émergent des comportements collectifs intelligents et des

modèles d'auto-organisation [42]. Les fourmis sont devenues dés lors une nouvelle

source d'inspiration pour la conception de méthodes de résolution de problèmes

complexes. De plus cette source d'inspiration n'est pas unique étant donné que les

fourmis sont dotées d'une grande diversité de caractéristiques disjointes et de

comportements collectifs variés. Une nouvelle classe d'algorithmes est alors apparue

sous le nom « algorithmes de fourmis artificielles ». Leur popularité est due d'une part à

la facilité de mise en oeuvre et d'autre part à la complexité des fonctions réalisables

[43, 44, 45, 46, 47, 48,49]. Deux comportements collectifs ont été principalement étudiés

chez les fourmis : l'optimisation de chemin et le tri des cadavres. Le premier

comportement appelé aussi fourragement permettent aux fourmis de retrouver le plus

court chemin entre leur nid et une source de nourriture grâce à un système de marquage

de phéromones. Ce comportement naturel a été modélisé et transposé à la résolution de

nombreux problèmes d'optimisation combinatoires sous le nom d'une nouvelle

métaheuristique « optimisation par les colonies de fourmis ou OCF ». Le deuxième

comportement collectif des fourmis concerne la capacité de certaines espèces de

fourmis à organiser collectivement des cimetières composés de cadavres empilés les uns

sur les autres. Là aussi, les chercheurs ont exploité ce comportement pour fournir des

algorithmes de classification pour lequel l'informatique classique n'a pas donné de

solution satisfaisante. Dans la suite nous présentons une brève introduction au monde

des fourmis, ensuite nous décrirons en détail chacun des modèles de fourmis artificielles

ainsi que les différents algorithmes qui lui sont associés [51, 52, 53, 54, 55, 56, 57,58].

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.