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


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

Deuxième partie

Conception de nouveaux modèles

pour l'optimisation multimodale et

l'optimisation multiobjectif

Résumé

Dans la plupart des cas réels, on est confronté à deux types de problèmes difficiles : les problèmes d'optimisation multimodale, caractérisés par des domaines multimodaux, la résolution de ces problèmes requière la recherche de toutes les solutions, aussi bien locales que globales, et les problèmes multiobjectifs, caractérisés par la présence simultanée de plusieurs objectifs, souvent contradictoires. Dans ce contexte, nous avons conçu de nouvelles approches basées sur PSO et la classification floue pour résoudre ces deux types de problèmes d'optimisation difficile.

Chapitre 3

Conception d'un nouveau modèle

d'optimisation multimodale

(Multipopulation Particle Swarms

Optimization MPSO)

3.1 Introduction

Dans la pratique, on est souvent confronté à des problèmes oil on désire identifier tous les optima. Les problèmes réels, généralement caractérisés par des domaines multimodaux, requièrent, de ce fait, la recherche de toutes les solutions, aussi bien locales que globales.

L'algorithme PSO standard ne permet de localiser qu'un seul optimum dans l'espace de recherche [Kennedy et Eberhart, 1995]. Afin d'adapter l'algorithme PSO à la résolution de ce genre de problèmes, nous avons conçu un nouveau modèle MPSO (Multipopulation Particle Swarms Optimization) qui permet de créer et de maintenir des sous-populations d'essaims, de sorte que chaque sous-essaim effectue une recherche locale dans son propre espace de recherche afin de localiser la meilleure position globale qui représente un optimum.

En effet, le modèle proposé permet la formation et la maintenance de sous-populations de solutions ainsi que leur sous-espace de recherches et implémente un processus de migration en vue d'échanger des informations entre les sous-essaims voisins. Une procédure de classification automatique floue permet de générer des classes de solutions et de regrouper ainsi les solutions similaires sous forme de sous-population.

L'intérêt de la procédure de classification automatique floue réside dans le fait qu'elle permet de mieux traduire la réalité et de tenir compte de l'ambiguïté qui survient quand un même objet semble appartenir à plusieurs classes, mais avec des degrés d'appartenance différents. Aussi, cette technique n'exige aucune information préalable sur la distribution de données.

Dans ce chapitre, les différentes techniques utilisées dans le contexte d'optimisation multimodale seront décrites. Enfin la structure de base, de modèle proposé, sera présentée en détail et validée par plusieurs fonctions tests.

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