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

3.5.3 La couche de séparation spatiale

Le concept de séparation spatiale est implémenté dans MPSO pour deux raisons. D'une part, dans la nature, les essaims sont divisés en un certain nombre de sousessaims qui peuvent interagir. D'autre part, le fait d'avoir plusieurs sous-essaims permet d'avoir une bonne implémentation parallèle du modèle et donc une efficacité vis-à-vis du temps de calcul [Pelikan et Goldberg, 2001].

Dans le modèle que nous avons proposé, l'objectif principal de cette couche est d'induire une géographie locale dans l'essaim et de forcer une coopération locale au sein de cette structure. Elle consiste en la formation de sous-essaims en utilisant les résultats de la procédure de classification. À chaque cycle, un sous-essaim est formé en utilisant le centre et le rayon de la classe correspondante.

3.5.4 Le concept de migration

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. Le processus de migration permet d'avoir un échange entre les sous-essaims dans la structure multi-essaims. Les paramètres les plus importants de la migration sont la topologie de connection entre les sous-essaims, le taux de migration,(la fraction de la population qui va migrer), la fréquence de migration, et la règle pour choisir les migrateurs et pour remplacer les individus existants. La stratégie utilisée dans cette étude est définie comme suit :

1. Définir une structure de voisinage en utilisant la distance entre les différents centres de classes;

2. Pour chaque sous-essaim

Choisir aléatoirement in particule qui vont migrer au sous-essaim voisin, Recevoir in particules venant des sous-essaims voisins.

Il existe deux manière de choisir les particules qui vont migrer d'un sous-essaim, on peut les choisir aléatoirement ou sélectionner les meilleurs particules de sous-essaim. Aussi il y'en a deux choix pour remplacer les particules existantes dans un sousessaim par les particules migrantes des autres sous-essaim : choisir aléatoirement ou remplacer les plus mauvaises. Dans cette étude, les particules migrantes et les particules qu'elles remplacent sont choisies aléatoirement.

3.5.5 Fonctionnement du modèle

Le modèle MPSO commence par générer un essaim aléatoire S(t = 0), Les particules sont définies par leurs positions et leurs vitesses , cet essaim évolue en utilisant l'algorithme PSO. L'algorithme de classification floue non supervisée permet de partitionner l'essaim en C classes, et détermine pour chaque classe ses caractéristiques principales. De nouveaux sous-essaims sont ensuite générés en utilisant le centre et le rayon de chaque classe, cette stratégie de réinitialisation permet d'introduire une nouvelle diversité au sein des sous-essaims.

La séparation spatiale permet d'engendrer une coopération locale au niveau de chaque sous-essaim. Un processus de migration est appliqué ensuite en vue d'échanger des informations entre les sous-essaims voisins, les sous-essaims vont donc coévoluer séparément et à la fin un nouveau essaim est formée à partir des différents sous-essaims. Le processus est itéré jusqu'à ce que l'entropie (h), utilisée comme critère de validation, atteigne un minimum prédéfini (h < 10-3). L'essaim S(t) est initialisé une seule fois dans tout le processus à la première itération t = 0. Pendant

les itérations intermédiaires, S(t + 1) = UC i=1 Si(t) oil C est le nombre de classes déterminées.

Le pseudo code du modèle proposé est donné par l'algorithme 7 [Alami et al, 2009]

algorithme 5 Pseudo-code du modèle MPSO

t - 0

Initialiser l'essaim S(t)

S(t) - PSO(S(t))

Répéter

{

FC(S(t))

Pour i = 1 to C /*C nombre de classes identifiées

Créer les sous-essaims Si(t)

Appliquer le processus de migration

Si(t) - PSO(Si(t))

Fin pour

S(t + 1) - UC i=1 Si(t)

t - t + 1 }

Tant que (h < hmin)

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