3.7 Conclusion
Dans ce chapitre, nous avons présenté une
nouvelle technique d'optimisation multimodale basée sur l'intelligence
collective des essaims particulaires. Cette nouvelle technique est
proposée pour deux raisons : 1) soit pour pallier aux limitations des
algorithmes de base, soit 2) pour résoudre les problèmes
liés au réglage des paramètres, lorsqu'on est
confronté à un problème d'optimisation multimodale.
Cette technique utilise une procédure de classification
automatique floue pour promouvoir la formation de multiples sous-essaims et par
conséquent la localisation simultanée des différents
optima. Une stratégie de migration est aussi appliquée afin de
promouvoir un certain degré de diversité au sein des essaims et
d'améliorer la qualité des solutions trouvées.
L'objectif étant d'améliorer les performances
des techniques de niche reportées dans la littérature,
basées sur PSO, ces techniques sont limitées par le
réglage des paramètres qui peut influencer la qualité et
le nombre de solutions escomptées.
Les résultats de simulation montre que l'algorithme
MPSO accompli les meilleurs performances par rapport aux autres méthodes
de nichage basées sur PSO, celà est expliqué par le fait
que cette approche utilise un mécanisme qui permet de subdiviser
l'essaim en des sous-essaim sans avoir aucune information préalable sur
la distribution de données, et ainsi, le rayon de niche est
automatiquement calculé. L'algorithme MPSO permet donc de surmonter le
problème majeur des autres techniques de nichage, basées sur PSO,
qui réside dans l'estimation de rayon de niche.
En conclusion, l'algorithme MPSO fournit de meilleures
performances comparativement aux autres modèles en assurant un meilleur
rapport qualité/prix. Le prix reflète le temps de calcul
nécessaire pour la localisation de toutes les solutions requises.
| 
