Résumé
Les travaux de recherche présentés dans ce
mémoire consistent en l'étude des techniques de calcul
«Intelligent», et tout particulièrement les algorithmes
basés sur l'intelligence collective des agents.
L'algorithme d'optimisation par essaims particulaires PSO de
base est ensuite mis en oeuvre pour l'optimisation globale de problèmes
réels. Les problèmes étudiés, dans ce
mémoire, sont: le problème d'affectation de fréquences
dans les réseaux cellulaires et la commande en vitesse d'une machine
synchrone à aimant permanent. L'implémentation de cette technique
nécessitait une phase d'adaptation et un réglage fin de
paramètres.
Dans un deuxième temps, le modèle de base
n'étant pas adapté à l'optimisation de problème
nécessitant la localisation de plusieurs optima, un nouveau
modèle MPSO (Multipopulation Particle Swarms Optimization) est
proposé. Ce modèle permet de créer et de maintenir des
sous-populations d'essaims, afin d'effectuer des recherches locales dans
différentes régions de l'espace de recherche dans le but de
localiser la meilleure position globale qui représente un optimum.
L'intégration d'une procédure de classification floue permet,
dans ce contexte, d'échantillonner la population en différentes
classes constituant les différents sous-essaims.
Dans le cadre de l'optimisation multiobjectif, où il
s'agit d'optimiser simultanément plusieurs objectifs contradictoires,
une nouvelle approche, basée sur l'algorithme PSO, la dominance de
Pareto et la classification floue FCMOPSO (Fuzzy Clustering Multi-objective
Particle Swarm Optimizer), est également proposée. Le but
principal de cette approche est de surmonter la limitation associée
à l'optimisation multiobjectif par essaims particulaires standard. Cette
limitation est liée à l'utilisation des archives qui fournit des
complexités temporelles et spatiales additionnelles.
Mots-clefs
Techniques de calcul «Intelligent»,
Optimisation multimodale, Optimisation multiobjectif, Algorithme d'optimisation
par essaims particulaires, Classification floue.
| 
