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

4.8 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.

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