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

3.3.1.8. Algorithme Génétique Co-évolutif basé sur la Classification Floue (AGCoCF)

Le modèle AGCoCF, proposé par [El Imrani et al, 1999a], est une technique qui combine la technique de partage et une méthode de classification floue, en vue d'améliorer les performances des algorithmes génétiques dans l'optimisation des fonctions multimodales.

Le principe de cette technique repose sur différents concepts. D'une part, elle intègre une procédure de classification floue afin d'identifier les différentes classes, pouvant exister dans une population, correspondant à des niches. D'autre part, elle utilise une stratégie de séparation spatiale dont l'objectif est de créer des sous populations stables et de guider la recherche vers de multiples niveaux d'exploration et d'exploitation de l'espace de recherche. Pour promouvoir une certaine diversité au sein des sous populations, ce modèle implémente le concept de migration d'individus entre sous populations voisines.

Quoique le modèle AGCoCF ait fourni des performances de recherche plus élevées que le schéma de partage standard, aussi bien en terme de qualité des solutions identifiées, que par sa capacité à localiser de nouvelles solutions, il présente toutefois une complexité de l'ordre O(N2), oil N est le nombre d'individus de la population.

3.3.1.9. Multipopulation Algorithme Culturel basé sur la Classification Floue (MCAFC)

MCAFC (Multipopulation Cultural Algorithm using Fuzzy Clustering) est un nouveau modèle inspiré de l'environnement social comme représenté (Figure 3.2) [Alami et al, 2007]. Cette figure présente l'analogie entre le modèle proposé avec le monde réel. En effet, dans l'environnement réel, il y a différentes nations naturellement séparées, qui peuvent évoluer et échanger leurs cultures .

Basé sur cette analogie, le modèle MCAFC implémente un algorithme culturel de base pour faire évoluer les sous-populations de solutions et intègre une procédure de classification automatique floue, qui permet de créer les sous-populations à partir de la population initiale. Ces sous-populations sont caractérisées par leur centre ou prototype, rayon et cardinal. Dans le contexte du modèle proposé, une classe représente une nation, c.-à-d., une population ayant son propre espace de connaissance, et le centre indique l'élite de chaque nation qui correspond au meilleur individu dans la nation et donc l'optimum requis.

FIG. 3.2 - Analogie entre le monde réel, AC et MCAFC
60

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