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

 > 

Contribution à  l'optimisation complexe par des techniques de swarm intelligence

( Télécharger le fichier original )
par Lamia Benameur
Université Mohamed V Agdal Rabat Maroc - Ingénieur spécialité : informatique et télécommunications 0000
  

précédent sommaire suivant

Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy

2.3.5 Comparaison avec d'autres techniques

Le tableau (2.7) présente la comparaison entre les résultats obtenus par DPSO [Benameur et al, 2009b] et différentes techniques reportées dans la littérature, [Cheng et al, 2005], [Alami et El Imrani, 2007], [Funabiki et Takefuji, 1992], [Kim et al, 1997].

Pour pouvoir comparer les performances des techniques employées, deux critères de performances sont utilisés. Ces critères incluent le nombre d'itérations requis pour la convergence ainsi que le taux de convergence à la solution optimale. Le tableau (2.7) illustre la moyenne de ces deux critères obtenue à la suite de 100 exécutions des différentes techniques.

TAB. 2.7 - Comparaison des performances des différentes techniques pour les 8 problèmes

Méthodes

Problème #

1

2

3

4

5

6

7

8

DPSO

# d'itérations

1

5

30

40

55

60

50

60

 

Taux de

100

100

100

100

100

100

100

100

 

Convergence%

 
 
 
 
 
 
 
 

[Cheng et

# d'itérations

1

5

3

1

5

8.6

4

5

al, 2005]

Taux de

100

100

100

100

100

100

100

100

 

Convergence%

 
 
 
 
 
 
 
 

[Alami et

# d'itérations

1

2

2

2

2.25

2.75

3.52

4

El Imrani,
2008]

Taux de
Convergence%

100

100

100

100

100

100

100

100

[Funabiki

# d'itérations

212

294

147.8

117.5

100.3

234.8

85.6

305.6

et Takefuji,
1992]

Taux de
Convergence%

100

9

93

100

100

79

100

24

[Kim et al,
1997]

# d'itérations
Taux de

-
-

279.9
62

67.4
99

64.2
100

126.8
98

62.4
97

127.7
99

151.9
52

 

Convergence%

 
 
 
 
 
 
 
 

Le tableau (2.7) montre que l'implémentation de l'algorithme DPSO sur les différentes instances du problème étudié est exploitable. En effet, l'algorithme de base DPSO converge, à chaque exécution, vers une solution pour les différentes instances du problème.

Même si le nombre moyen d'itérations nécessaire à la convergence de DPSO est plus grand relativement à celui requis par les autres modèles pour quelques instances, l'application de cet algorithme reste plus adéquate du fait que la complexité de l'algorithme PSO est plus petite que celle des autres algorithmes utilisés (algorithmes culturels, réseaux de neurone).

précédent sommaire suivant






Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy