CHAPITRE 2
La simplicité de l'approche produit un pseudo-code
facile à comprendre, ce qui constitue un avantage considérable
lors de l'implémentation et débogage de l'algorithme (voir la
figure 2.14). Par ailleurs, l'utilisation de formules simples et rapides
à calculer permet de l'utiliser dans des machines à faible
puissance de calcul tels que les petits robots ou les ordinateurs d'ancienne
génération.
Le diagramme présenté dans la figure 2.13
résume toutes les étapes de l'algorithme.
FIGURE 2.14 - Pseudo-code de l'algorithme BOA
73
2.8 Les variantes de l'algorithme BOA
Bien que le pseudo-code tel que décrit dans la section
précédente a été publié en 2019 en
tant que version officielle du Butterfly Optimization Algorithm [11],
une version préliminaire avait déjà été
présentée dans un article de conférence en 2015 [10]
avec un pseudo-code assez similaire du Flower Pollination Algorithm
(FPA) [92] utilisant une distribution Lèvy pour les
règles de mises à jour des positions des papillons. Dans les
articles ultérieurs, les auteurs du BOA ont changé les
équations et ont ajouté la règle de mise à jour
automatique du paramètre c (sensor modality), ce qui a permis
d'améliorer le taux de convergence de l'algorithme [9] [11].
Dans un autre article paru la même année, ils ont
proposé une variante binaire de la méthode pour résoudre
le problème de sélection d'attributs [8].
D'autres auteurs ont proposé l'hybridation de
l'algorithme avec différentes méthodes. Les auteurs de [51]
ont utilisé un modèle de Perceptron Multicouches (MLP :
Multi-Layer Perceptron) hybridé avec BOA pour résoudre le
problème de classification supervisé. Les résultats des
expériences ont démontré que l'introduction du MLP a
permis de garder une bonne balance entre les phases d'exploration et
d'exploitation de l'algorithme BOA et améliorer les résultats.
Les auteurs de [96] ont proposé une approche hybride entre PSO
(Particle Swarm Optimization) et BOA couplée avec la
théorie des systèmes chaotiques afin d'obte-nir de meilleurs
résultats pour les problèmes à grande dimension. Ils ont
aussi proposé une règle de mise à jour non-linéaire
des paramètres qui a amélioré les résultats par
rapport à l'utilisation de la règle classique linéaire de
l'équation 2.9. Les auteurs de [84] ont utilisé
une hybridation basée sur le mécanisme de mutualisme avec le
Flower Pollination Algorithm (FPA). L'approche a donné de bons
résultats mais nécessite un long temps d'exécution. Le
principe de mutualisme a aussi été utilisé par [76]
pour une hybridation avec l'algorithme Symbiosis Organisms Search.
Les auteurs de [99] ont combiné l'algorithme BOA avec la
méthode ANFIS (Adaptive Neuro-Fuzzy Inference System) et ont
obtenu de meilleures performances par rapport à l'approche ANFIS
classique ou de l'approche hybride entre ANFIS et FireFly
Algorithm.
Une autre direction pour l'amélioration de la
méthode consiste à modifier la logique de l'algorithme. Dans
cette perspective, les auteurs du BOA ont proposé une variante
appelée mBOA [12] qui introduit une nouvelle étape
d'exploitation intensive juste après les phases de recherches locale et
globale de l'algorithme. Le but de cette nouvelle étape est
d'éviter à la population de solutions d'être bloquée
dans un optimum local. Les résultats des expériences ont
montré une convergence plus rapide par rapport à la version
classique du BOA. Les auteurs de [83] ont inclus une étape de
recherche locale basée sur l'opération de mutation afin
d'améliorer les performances de la méthode, ce qui a donné
de meilleurs résultats dans 15 parmi les 20 corpus de
tests utilisés par les auteurs, mais a nécessité un temps
d'exécution plus long. Les auteurs de [13] ont utilisé
la théorie des systèmes chaotiques comme phase de recherche
locale pour augmenter les traits d'exploitation de l'algorithme. Ils l'ont
utilisé pour résoudre le problème de sélection
d'attributs. Les auteurs de [61] ont utilisé la méthode
de cross-entroy et une technique de co-évolution pour
résoudre 3 problèmes classiques d'engineering. Les
auteurs de [35] ont opté pour la réduction du nombre de
paramètres en remplaçant la formule de calcul de la fragrance par
une nouvelle règle
74
| 
