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

4.4.4.4. Approches basées sur Pareto

Ces approches utilisent des techniques, de choix de leader, basées sur la dominance de Pareto. L'idée fondamentale de toutes ces approches est de choisir comme leaders les particules non-dominées de l'essaim. Cependant, plusieurs variations de la sélection de leader sont possibles puisque la plupart des auteurs adoptent des informations supplémentaires pour choisir les leaders (par exemple, l'information fournie par un estimateur de densité) afin d'éviter un choix aléatoire d'un leader de l'ensemble courant de solutions non-dominées.

a. L'Algorithme de Ray et Liew : Cet algorithme utilise la dominance de Pareto et combine le concept de techniques évolutionnaires avec les essaims particulaires. Cette approche utilise l'estimateur de densité de voisin le plus proche pour maintenir la diversité. L'ensemble de leaders maintenus est sauvegarder dans une archive externe [Ray et Liew, 2002].

b. L'optimisation multiobjective par essaims particulaires (Multiple Objective Particle Swarm Optimization) : Cette approche est basée sur l'idée d'avoir une archive externe dans laquelle chaque particule déposera son expérience après chaque itération. Le système basé sur la position géographique des particules est appliqué lors de la mise à jour d'archive. L'espace de recherche est divisé en des hypercubes. Cette approche emploie également un opérateur de mutation [Coello et al, 2004].

c. Approche AMOPSO (Another Multi-objective Particle Swarm Optimization ) : Cette approche utilise : (1) le rang de Pareto, (2) une technique de classification qui permet une subdivision de l'espace de recherche en plusieurs sous-essaims , afin de fournir une meilleure distribution des solutions dans l'espace de recherche. Dans chaque sous-essaim, un algorithme de PSO est exécuté et, au même temps, les différents sous-essaims échangent l'information [Pulido et Coello, 2004].

4.4.4.5. Approches combinées

Il y a des approches qui combinent quelques catégories décrites précédemment comme l'algorithme adaptive weighted PSO[Mahfouf et al, 2004] et l'algorithme d'optimisation intelligente par essaims particulaire (IPSO)[ Xiao-hua et al, 2005]. Aussi des approches qui ne peuvent pas rentrer dans les catégories principales, telle que l'approche maximinPSO [Li, 2004]

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