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.
| 
