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

4.3.7 Les techniques élitistes

Les approches que nous venons de voir sont dites non élitistes car:

1. Elles ne conservent pas les individus Pareto-optimaux trouvés au cours de l'évolution.

2. Elles maintiennent difficilement la diversité sur la frontière de Pareto.

3. La convergence des solutions vers la frontière de Pareto est lente. Pour résoudre ces difficultés, de nouvelles techniques ont été appliquées.

1. Introduction d'une population externe ou archive permettant de stocker les individus Pareto-optimaux.

2. Utilisation de techniques de nichage, classification et "grid-based" pour répartir efficacement les solutions sur la frontière de Pareto.

3. Préférence pour les solutions non dominées.

Les paragraphes suivants présentent différents modèles intégrants des méthodes élitistes.

4.3.7.1. Algorithme SPEA (Strength Pareto Evolutionary Algorithm)

En 1998 Zitzler et Thiele ont proposé une nouvelle méthode d'optimisation multiobjectif qui possède les caractéristiques suivantes [Zitzler et Thiele, 1998] :

Utilisation du concept de Pareto pour comparer les solutions.

Un ensemble de solutions Pareto-optimales est maintenu dans une mémoire externe appelée archive.

La fitness de chaque individu est calculée par rapport aux solutions stockées dans l'archive.

Toutes les solutions de l'archive participent à la sélection.

Une méthode de classification est utilisée pour réduire l'ensemble de Pareto sans supprimer ses caractéristiques.

Une nouvelle méthode de niche, basée sur Pareto, est utilisée afin de préserver la diversité. L'avantage essentiel est qu'elle n'exige pas de réglage de paramètres de la méthode de partage.

4.3.7.2. Algorithme PAES (Pareto Archived Evolution Strategy)

Cette méthode a été développée initialement comme méthode de recherche locale dans un problème de routage d'information off-line. Les premiers travaux de

Knowles et Corne ont montré que cette méthode simple objectif fournissait des résultats supérieurs aux méthodes de recherche basées sur une population [Knowles et Corne, 1999]. Par conséquent, les auteurs ont adapté cette méthode aux problèmes multiobjectifs. Les particularités de cette méthode sont les suivantes :

Elle n'est pas basée sur une population. Elle n'utilise qu'un seul individu à la fois pour la recherche des solutions.

Elle utilise une population annexe de taille déterminée permettant de stocker les solutions temporairement Pareto-optimales.

L'algorithme utilisé est plus simple et inspiré d'une stratégie d'évolution [Rechenberg, 1973].

Elle utilise une technique de remplissage basée sur un découpage en hypercubes de l'espace des objectifs.

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