CONCLUSION GÉNÉRALE ET
PERSPECTIVES
L'objectif de cette recherche bibliographique est
l'étude des approches de résolution des problèmes
d'optimisation combinatoire et plus particulièrement le problème
de l'emploi du temps, afin de proposer une approche qui peut contribuer
à la résolution de ce problème. L'accent a
particulièrement été mis sur l'utilisation de
l'optimisation multi-objectif. Un choix justifié par la nature
même du problème qui en réalité formuler sous forme
d'un ensemble d'objectifs qui peuvent éventuellement être
contradictoires.
L'optimisation multi-objectif revêt deux aspects. Le
premier concerne la manière dont l'uti-lisateur coopère avec
l'algorithme de résolution. soit il choisira de formuler ces contraintes
de préférences à priori et de lancé la recherche ou
de lancé d'abord la recherche et de sélectionner les solutions
qui répond aux mieux à ces besoins. Le deuxième aspect se
rapporte à la signification donné à la notion
d'optimalité. Selon cette distinction, les approches multi- objectifs
peuvent être classées en trois catégories : les approches
opérant par transformation du problème en un problème
mono-objectif, les approches non Pareto et les approches Pareto. Parmi
celles-ci, les approches Pareto semblent être les plus utilisées
dans le domaine de l'optimisation.
L'objectif de cette optimisation multi-objectif est de
produire un ensemble de solutions efficaces, généralement Pareto
optimales. Pour cette raison, les'algorithmes proposés stockent les
meilleurs solutions trouvées durant la recherche. Dans les algorithmes
de l'état de l'art comme NSGA-II ceci est réalisé en
maintenant une population supplémentaire dite population Pareto ou
archive. L'élitisme consiste à faire participer la population
Pareto lors de la phase de sélection. Ce mécanisme sert
généralement comme moyen d'intensification de la recherche.
Un volume important de travail reste à faire.
Premièrement, les MOEAs sont souvent critiqués pour leur lenteur,
pour cela les mécanismes d'hybridation et de parallélisation sont
à étudier. ils sont aussi connus pour leur sensibilité
quant au choix de la population initiale. L'utilisation d'heuristiques pour la
génération de cette population pour améliorer les
performances de l'algorithme peuvent être étudiées afin
d'assurer de bonnes solutions de départ. Deuxièmement, nous
pouvons à la fin de choisir un algorithme et d'analyser ces performances
et sa capacité d' adopté un modèle parallèle. En
fin, l'implémentation de ce travail sur une structure logiciel et
matériel permettant d'exposé les point essentiel de l'algorithme
parallèle ou/et distribué et de tester sa robustesse par rapport
à d'autres algorithmes.
35
| 
