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

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

4.6.2 Fonctionnement du modèle

Le modèle FC-MOPSO [Benameur et al, 2009d] est initialisé avec un essaim aléatoire de particules S(t = 0) définies par leurs positions et leur vitesses. Cet essaim évolue utilisant l'algorithme PSOMO, l'algorithme de classification floue non supervisée permet de partitionner l'essaim en C classes, et détermine pour chaque classe ses caractéristiques principales. De nouveaux sous-essaims, ainsi que leur sousespace de recherche, sont ensuite générés en utilisant le centre et le rayon de chaque classe. Cette stratégie de réinitialisation permet d'introduire une nouvelle diversité au sein des sous-essaims.

Utilisant le principe de séparation spatiale, une coopération locale est ensuite engendrée au niveau de chaque sous-essaim. Après avoir généré les sous-essaims et les sous espaces de recherche correspondants, un processus de migration est appliqué en vue d'échanger des informations entre les sous-essaims voisins. Les sous essaims vont donc co-évoluer séparément, et à la fin de cette évolution une nouvelle population est formée à partir des différentes sous essaims. Le processus est itéré jusqu'à ce que l'entropie (h) utilisée comme critère de validation, atteigne un minimum prédéfini (h < 10-3). L'essaim S(t) est initialisé une seule fois dans tout le processus à la première itération (t = 0). Pendant les cycles intermédiaires S(t + 1) = Uc i=1 Si(t) oil C est le nombre de classes identifiées.

Le principe du modèle proposé est donné par le pseudo code (8).

algorithme 8 Pseudo code de l'algorithme FC-MOPSO

t - 0

Initialiser l'essaim (S(t))

S(t) - PSOMO(S(t))

Répéter

FC(S(t))

Pour i = 1 to C /*C nombre de classes identifiées

Créer les sous-essaims Si(t)

Appliquer le processus de migration

Si(t) - PSOMO(Si(t))

Fin pour

S(t + 1) - UC i=1 Si(t)

t - t + 1

Tant que (h < hmin)

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