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

3.4 Synthèse

L'efficacité des méthodes de niche requiert souvent des connaissances a priori du rayon de niche et de la disposition spatiale des optima. Ces limitations peuvent influencer le nombre d'optima recherchés et dégrader la qualité des solutions désirées. On peut par exemple, choisir un rayon de niche assez petit pour séparer les niches, mais cela nécessite une taille de population très grande et peut conduire par conséquent à définir un grand nombre de niches sans grande importance.

La section suivante, présente les principes de base du modèle proposé basé sur l'algorithme d'optimisation par essaims particulaires et une méthode de classification floue. Cette approche surmonte les problèmes que présentent les méthodes de niches. En effet, elle ne requiert aucune information a priori sur l'espace de recherche.

3.5 Conception d'un nouveau modèle d'optimisation multimodale (MPSO)

3.5.1 Le principe du modèle

L'idée principale de ce modèle est d'encourager et maintenir la formation de sous populations d'essaims, le modèle proposé intègre une technique de classification floue permettant d'identifier les differentes sous populations. Ainsi, chaque classe de particule (ou essaim) effectue une recherche locale dans son propre espace de recherche et cherche à localiser les differents optima.

Le principe du modèle MPSO est basé sur une stratégie à trois-couches (figure 3.3) [Alami et al, 2009]. La première couche intègre un algorithme d'optimisation par essaims particulaires de base. La sortie de ce niveau constitue l'entrée de la deuxième couche (FC). Cette couche est basée sur un algorithme de classification floue non supervisé, qui permet de partitionner la population en un ensemble de (C) classes. Chaque classe identifiée correspond à un essaim (sous-population). La dernière couche implémente le principe de la séparation spatiale pour créer les différents sous-essaims à partir des caractéristiques fournies par la couche FC, i.e., centre, rayon et cardinal de chaque classe identifiée. Une fois les sous essaims sont crées, une stratégie de migration est appliquée afin de promouvoir un certain degré de diversité au sein des essaims et d'améliorer la qualité des solutions trouvées. Les sous-essaims ainsi engendrés vont co-évoluer en utilsant l'algorithme de base PSO.

FIG. 3.3 MPSO strategy

Dans la section suivante, les différentes couches du modèle sont présentées, le fonctionnement du modèle est ensuite décrit plus en détail. Un ensemble de fonctions tests permet enfin de valider le modèle et de comparer les résultats obtenus avec d'autres méthodes d'optimisation multimodale.

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