4.8 Conclusion
Dans ce chapitre, une nouvelle approche d'optimisation
multiobjectif par essaims particulaires basé sur classification floue
est présentée. Cette approche incorpore la dominance de Pareto,
la classification floue, la séparation spatiale et la procédure
de migration.
L'avantage principal de cette approche est qu'elle permet de
former des sousessaims sans information à priori sur la distribution de
données en employant la technique de classification floue, un
mécanisme de séparation spatiale est implémenté
afin d'introduire une géographie locale dans l'espace de recherche
permettant à chaque sous essaim une recherche locale dans son propre
sous espace, une procédure de migration est également
implémenté pour maintenir une diversité au sein des sous
essaims, permettant ainsi l'amélioration de la qualité des
solutions.
L'implémentation de cette technique, pour la
résolution de différentes fonctions multiobjectives, montre que
le modèle FC-MOPSO fournit de meilleures performances, comparativement
aux autres modèles tels que : interactive multi-swarm PSO, MOPSO et
MOPSO-CD, en terme de la qualité des solutions trouvées. Ceci est
due d'une part à l'utilisation de classification floue qui permet de
partitionner l'essaim en un ensemble de sous-essaims, chaque sous-essaim est
traitée par un PSOMO, et d'autre part à l'application de
procédure de migration qui permet de promouvoir une certaine
diversité au sein des sous-essaims.
Cette approche surmonte les problèmes que
présentent les méthodes d'optimisation multiobjectif par essaims
particulaires, en effet, elle n'utilise aucune archive externe et ainsi les
complexités temporelles et spatiales sont réduites.
En conclusion, généralement, pour des
problèmes réels, dans lesquels on ne dispose d'aucune information
sur l'espace de recherche, l'approche proposée peut être
efficacement appliquée. En fait, elle exige moins de connaissances sur
le problèmes à résoudre par rapport aux autres techniques
multiobjectives.
| 
