CHAPITRE 1
[86] ont utilisé l'algorithme de colonies de fourmis
(Ant Colony Optimization) pour effectuer une tâche d'exploration
dans un contexte multirobots. L'approche est modélisée sous forme
de problème d'affectation, où l'algorithme de colonies de fourmis
affecte à chaque robot une frontière à explorer tout en
minimisant certaines contraintes de distance et de densité des robots
dans une même région.
Récemment, [52] ont utilisé l'algorithme
d'optimisation des loups (Grey Wolf Optimizer) pour affecter au robot
un point de frontière à explorer. Une fois ce point atteint, le
robot répète l'opération afin de sélectionner le
prochain point, et ainsi de suite. Les mêmes auteurs ont également
proposé une version multiobjectifs de cet algorithme dans le but de
maximiser la surface de la zone explorée et la précision de la
carte produite [53].
Quant à l'approche proposée dans [43], elle
utilise la méthode stochastique de l'opti-misation arithmétique
(Arithmetic Optimizer) pour renforcer les capacités d'une méthode
déterministe à maximiser l'utilité lors d'une tâche
d'exploration.
Bien que les métaheuristiques les plus utilisées
dans le domaine de la robotique soient généralement des
techniques classiques utilisées pour résoudre des
problèmes d'optimisa-tion globale, d'autres métaheuristiques
peuvent également être appliquées conformément au
théorème No-Free-Lunch [85] qui stipule qu'aucun algorithme n'est
meilleur qu'un autre algorithme dans tous les types de problèmes. Cela
signifie que si une technique montre des résultats supérieurs
dans certaines classes de problèmes, elle ne peut pas montrer des
résultats optimaux pour toutes les autres classes.
Ce théorème a motivé les chercheurs
à inventer de nouvelles métaheuristiques et à les
appliquer à différents domaines, dont la robotique [73].
Cependant, il existe de nombreuses nouvelles métaheuristiques qui n'ont
pas encore été utilisées dans le contexte de
l'explo-ration de zones. Quelques exemples de ces techniques récemment
développées incluent les algorithmes suivants : Butterfly
Optimization Algorithm (BOA) [11], Atomic Orbital Search [14],
Dwarf Mongoose Optimization Algorithm [5], Arithmetic Optimization
Algorithm [3], Tuna Swarm Optimization [87], et Reptile
Search Algorithm [2].
1.6 Conclusion
Nous avons présenté dans ce chapitre les types
de systèmes multirobots, leurs domaines d'applications, ainsi que les
problématiques clés formant les principaux axes de recherche de
cette discipline.
Nous avons aussi présenté un état de
l'art sur la problématique d'exploration, avec un état
récapitulatif des principales approches citées, ceci nous a
permis de positionner notre travail et donner au lecteur un aperçu de
nos objectifs.
Le prochain chapitre sera dédié aux fondements
théoriques des métaheuristiques. Nous y présenterons leur
structure et mécanismes internes. Nous aborderons également le
mode de fonctionnement de quelques métaheuristiques populaires, ainsi
que notre contribution à améliorer l'algorithme d'optimisation
des papillons (Butterfly Optimization Algorithm).
49
| 
