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]
| 
