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

2.4 Conclusion

L'objectif principal de ce chapitre étant d'appliquer l'algorithme d'optimisation par essaims particulaires à des problèmes d'optimisation réels, à savoir un problème continu : la commande d'une machine synchrone à aimant permanent (MSAP), et un autre discret : le problème d'affectation de fréquences dans les réseaux cellulaires.

Le problème d'optimisation MSAP est très sensible aux variations de paramètres et aux perturbations externes de charge dans le système. dans ce contexte, l'algorithme PSO a été utilisé pour surmonter les problèmes liés à l'utilisation du contrôleur conventionnel. Les résultats de simulation montre que la stratégie PIPSO fournie de meilleures réponses en vitesse et de précision que les autres stratégies (le contrôleur PIPSO est 94% plus rapide que la stratégie de commande PIGA, le rapport du temps de réponse donné par: PIGA/PIPSO est égal à 101.4%.).

D'autre part, l'algorithme PSO a été utilisé pour la résolution de problème d'allocation de fréquences, qui est classé dans la catégorie des problèmes NP-Complets. Du fait de la nature discrète de FS-FAP, les paramètres du modèle PSO doivent être adapter à la résolution de ce problème. Les résultats de simulation montrent que l'algorithme DPSO a donné de meilleurs résultats pour les différentes instances du problème étudié (en termes du nombre de taux de convergence qui est égal à 100% pour toutes les instances et en terme de temps de calcul).

Nous pouvons conclure que l'algorithme PSO est très utile dans l'optimisation globale de problèmes continu ou discret plus ou moins compliqués. Ces performances peuvent être expliquées par la nature stochastique de cette méthode et par l'équilibre qu'elle assure entre exploration/exploitation de l'espace de recherche.

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