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

3.6.3 Comparaisons avec d'autres techniques

Dans cette section, la comparaison entre les résultats obtenus par le modèle proposé MPSO, le modèle MCAFC et les techniques de partage, Nichage séquentiel SNGA (Sequential Niched Genetic Algorithm) [Beasley et al, 1993], SPSO (Species Particle Swarm Optimization) [Li, 2004] , Niche PSO [Brits et al 2007], nbestPSO [Brits et al 2002a] et SCGA (Species Conserving Genetic Algorithm) [Li et al, 2002] est présentée.

3.6.3.1. Comparaison entre le modèle MPSO, MCAFC et la méthode de partage

L'efficacité des méthodes d'optimisation multimodale est relative à leur capacité à maintenir les maximums des fonctions, à identifier les solutions qui sont plus proches des optima théoriques et à voir le plus petit temps de calcul. Ces performances peuvent être résumées en leurs capacités à assurer le meilleur rapport qualité-prix.

Le tableau (3.6) présente la valeur moyenne des 3 critères de performance (MPR, NPM et NFE), des modèles MPSO, MCAFC et la technique de partage, relatives aux quatre fonctions tests F4, F5, F6, et F7. Ces valeurs moyennes sont obtenues en exécutant les deux techniques 10 fois.

TAB. 3.6 - Comparaison entre le modèle MPSO, MCAFC et la méthode de partage

 

Nombre de Pics
Maintenus(NPM)

Rapport de pics
maintenus(MPR)

Nombre Effectif
d'Evaluations (NFE)

Techniques

F4

F5

F6

F7

F4

F5

F6

F7

F4

F5

F6

F7

MPSO

5

3

4

25

1

1

1

1

1600

1720

1880

17600

MCAFC

5

3

4

25

1

1

1

1

2700

1280

1800

13800

Partage

5

2.3

4

20.2

0.99

0.73

0.89

0.79

20000

40000

12150

73000

Le tableau (3.6) montre que la technique de partage est capable d'identifier tous les optima de F4 à chaque exécution. Cependant, pour quelques exécutions, elle n'arrive pas à localiser toutes les solutions possibles de F5, F6 et F7. Par contre, la moyenne du critère NPM indique que les modèles MPSO et MCAFC ont pu localiser tous les optima des 4 fonctions tests pour les différentes exécutions.

De plus, la valeur moyenne du critère MPR relative aux trois techniques, indique que la qualité des optima identifiés par les approches PMSO et MCAFC est meilleure que celle obtenue par la technique de partage.

Il est évident que les deux approches PMSO et MCAFC convergent plus rapide que la technique de partage pour toutes les fonctions. On peut remarquer que MCAFC converge légèrement plus rapide que PMSO pour les fonctions F5, F6 et F7.

En conclusion, la comparaison entre les résultats obtenus par la méthode de partage, MPSO et MCAFC confirme l'utilité et la capacité des approches MPSO et MCAFC d'assurer un meilleur rapport qualité/coût.

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