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

3.3.1.2. Nichage dynamique (Dynamic Niching)

le nichage dynamique (Dynamic Niching) a été proposé par Miller et Shaw [Miller et Shaw, 1996]. Elle consiste à faire précéder le partage d'une phase de regroupement (Clustering), qui a pour rôle de rassembler et de classer les individus similaires à l'intérieur de groupes (ou niches) représentant une même sous-population. Une fois la séparation explicite des niches est effectuée, chaque individu se trouve affecté à une sous-population donnée. Le partage est alors réalisé en prenant un facteur nichage défini à partir des caractéristiques des sous-populations qui est égal au nombre d'individus appartenant à la même sous-population.

L'inconvénient majeur de cette méthode est l'utilisation de partage fixe en dehors des niches dynamiques [Goldberg et Wang, 1997].

3.3.1.3. Nichage séquentiel (Sequential Niching)

Le nichage séquentiel exécute de façon séquentielle un algorithme d'optimisation unimodal en utilisant les connaissances acquises à chaque itération pour éviter la réexploration des régions où des solutions ont déjà été trouvées [Beasley et al, 1993].

Cette méthode consiste à réajuster la fonction objectif à l'aide d'une fonction de pénalisation lorsque l'algorithme converge. L'algorithme est ensuite relancé en écartant l'optimum trouvé avec une nouvelle fonction objectif.

L'un des problèmes majeurs de la technique de nichage séquentiel est l'apparition de solutions locales inexistantes à la suite du réajustement de la fonction d'adaptation.

3.3.1.4. Méthode de sous-populations (Sub-populations Schemes)

Cette méthode introduite par Spears [Spears, 1994] consiste à associer à chaque individu un identificateur (ou label) représentatif de la sous-population à laquelle il appartient. Ces labels sont initialisés aléatoirement à la première génération selon le nombre désiré de sous-populations.

Cette technique est une variante de la méthode de partage standard, le facteur de nichage d'un individu est simplement donné par le nombre d'éléments de la sous-population à laquelle il appartient.

L'avantage de cette méthode réside dans le fait que la technique de croisement restrictif est facilement appliquée, en autorisant uniquement les croisements entre individus de la même sous-population, i.e., qui ont le même label.

Cependant, cette technique n'offre aucune garantie de détecter tous les optima de la fonction objectif, puisque plusieurs sous-populations distinctes peuvent converger vers le même optima. Cela impose le choix d'un nombre de sous-populations très supérieur au nombre d'optima requis.

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