Conclusion générale
L'essor de l'informatique et des techniques d'intelligence
artificielle a conduit ces dernières années à un
développement sans précédent des procédés
d'optimisation automatique qui peuvent aujourd'hui prendre en compte de
plusieurs paramètres. En particulier, les méthodes
évolutionnistes ont connu depuis le début des années
soixante une croissance exponentielle en s'affirmant peu à peu comme des
techniques performantes comparativement aux techniques traditionnelles. Cette
performance est due à leur aptitude à apprendre, évoluer
et effectuer des traitements en un temps de calcul réduit, et à
leur capacité à gérer avec efficacité des
incertitudes et des imprécisions dans un environnement donné.
Sur la base de ce nouveau thème de recherche, cette
thèse a consisté, en une investigation de l'algorithme
d'optimisation par essaims particulaires, d'une part, en optimisation globale,
de problèmes difficilement solubles exactement. D'autre part, elle a
porté sur l'étude de l'optimisation multimodale et
multiobjectif.
Dans un premier temps, une étude exhaustive des
différentes techniques de calculs 'intelligent', notamment les
techniques de calcul évolutif qui s'inscrivent dans le cadre de
l'optimisation, a été effectuée. Cela nous a permis de
maîtriser le fonctionnement de ces techniques et de les
implémenter pour résoudre des problèmes réels.
L'application de PSO, pour l'optimisation globale,
n'était pas une tâche évidente. En effet, elle a
nécessité une phase préliminaire d'adaptation de la
méthode utilisée au problème étudiée,
notamment, pour le problème d'affectation de fréquence dans les
réseaux cellulaires qui a nécessité une adaptation de
l'algorithme à l'optimisation discrète. De plus, un bon
réglage des paramètres est toujours indispensable pour
l'obtention de bonnes solutions.
Les performances de PSO ont été aussi
validées sur un problème continu, qui consistait à
optimiser la commande d'une machine synchrone à aimant permanent. Les
résultats obtenus montrent que la maitrise de ces différents
modèles et un bon réglage des paramètres permettent de
fournir de très bonnes performances.
Cependant, dans leur version de base, les techniques
d'optimisation sont incapables de gérer efficacement des domaines
caractérisés par plusieurs optima (ce qui est le cas
généralement dans la plupart des applications réelles),
puisque à l'origine
elles ont été conçues pour l'optimisation
globale. Par ailleurs, il est souvent indispensable d'identifier toutes les
solutions possibles, aussi bien globales que locales. En effet, l'utilisateur a
généralement besoin de l'ensemble de solutions possibles afin de
choisir la meilleure solution qui fournit un bon rapport
qualité/prix.
De ce fait, plusieurs techniques d'optimisation multimodale,
basées sur l'analogie avec les niches écologiques, ont
été proposées dans la littérature pour ce type de
problèmes. Toutefois, de nombreuses limitations apparaissent dans
l'utilisation de ces modèles. Elles sont liées principalement aux
paramètres spécifiés par l'utilisateur, i.e., rayon de
niche, disposition des niches dans l'espace, etc. Ces difficultés
peuvent souvent induire des résultats erronés.
Dans ce contexte, le présent travail a porté sur
la conception de nouvelle technique, basée sur l'algorithme
d'optimisation par essaims particulaires et une procédure de
classification floue MPSO, a été proposé. Cette approche
permet l'exploration parallèle de plusieurs régions de l'espace
de recherche en partitionnant la population en plusieurs sous-populations
d'essaims, chaque sous-essaim étant traité indépendamment
par un algorithme PSO.
Pour localiser les différentes solutions, une
procédure de classification floue non supervisée a
été intégrée. Cette procédure permet, en
effet, de regrouper les solutions en différentes classes. Le
représentant de chaque classe identifiée étant l'optimum
requis. L'intérêt de cette stratégie réside dans le
fait qu'elle n'a besoin d'aucune information a priori sur le problème
à résoudre, notamment le nombre d'optima recherché, la
séparabilité des classes, etc.
Une stratégie de migration, qui permet d'avoir un
échange entre les sous-essaims dans la structure multi-essaims, est
appliquée afin de promouvoir un certain degré de diversité
au sein des essaims et d'améliorer la qualité des solutions
trouvées.
Les résultats d'optimisation relatifs aux
différentes fonctions tests, et les comparaisons avec d'autres
modèles montrent l'efficacité du modèle proposé,
plus spécifiquement, en termes de la qualité des solutions
identifiées et du nombre d'évaluations de la fonction fitness
requis pour la convergence. Cela peut être expliqué par le fait
que ce modèle fournit un bon équilibre entre
exploitation/exploration des différentes régions prometteuses de
l'espace de recherche.
La dernière partie du présent travail a
consisté en conception d'un nouveau modèle d'optimisation
multiobjectif par essaims particulaires FC-MOPSO, basée sur PSO, la
dominance de Pareto et la classification floue. La nouveauté principale
de ce modèle consiste en utilisation d'un mécanisme qui permet de
fournir une meilleure distribution des solutions sur l'ensemble
Pareto-optimal.
Grace à l'utilisation de la technique FC, cette
approche permet de promouvoir et maintenir la formation de sous-populations
d'essaims. Chaque sous-essaim a son
propre ensemble de leaders (les particules
non-dominées) et évolue en utilisant l'algorithme PSO et le
concept de la dominance de Pareto. Le concept de migration est également
implémenté pour maintenir la diversité des sous-essaims,
et améliorer la qualité des solutions trouvées.
Les résultats de simulation obtenus ont prouvé
les performances du modèle proposé. Cependant, la plupart des
techniques d'optimisation multiobjectif basées sur PSO, reportées
dans la littérature, ont été limitées au choix de
paramètres de réglage, et l'utilisation d'archives externes, ce
qui introduit des complexités temporelles et spatiales
additionnelles.
| 
