Contribution à l'optimisation complexe par des techniques de swarm intelligence

• A.A. El Imrani, Professeur, Faculté des Sciences de Rabat
  
• B. El Ouahidi, Professeur, Faculté des Sciences de Rabat
  

• Avant-Propos
  
• Table des matières
  
• Introduction générale
  
• Première partie
  
• Application de l'algorithme
  
• d'optimisation par essaims
  
• particulaires à des problèmes réels
  
• Résumé
  
• Chapitre 1
  
• Techniques de calcul "intelligent"
  
  • 1.1 Introduction
    
  • 1.2 Techniques de Calcul "Intelligent"
    
    • 1.2.1 Les réseaux de neurones (Neural Networks)
      
    • 1.2.2 La logique floue (Fuzzy Logic)
      
    • 1.2.3 Les techniques de calcul évolutif (Evolutionary Computation)
      
      • 1.2.3.1. Les systèmes immunitaires artificiels
        
      • 1.2.3.2. Les algorithmes évolutifs (AE)
        
      • 1.2.3.3. Les systèmes de classifieurs (Learning Classifier Systems)
        
      • 1.2.3.4. Les systèmes basés sur l'intelligence collective (Swarm Intelligence)
        
  • 1.3 Conclusion
    
• Chapitre 2
  
• Application de l'algorithme
  
• d'optimisation par essaims
  
• particulaires aux problèmes MSAP
  
• et PAF
  
  • 2.1 Introduction
    
  • 2.2 Commande en vitesse des machines synchrones à aimant permanent (MSAP)
    
    • 2.2.1 Modélisation d'une machine synchrone à aimant permanent
      
    • 2.2.2 Conception d'un contrôleur PI basé sur les essaims particulaires
      
    • 2.2.3 Résultats de simulation
      
      • 2.2.3.1. Premier cas : Commande par échelon
        
      • 2.2.3.2. Second cas : Commande par une séquence trapézoïdale
        
  • 2.3 Problème d'affectation de fréquences (PAF)
    
    • 2.3.1 Problématique
      
    • 2.3.2 Formulation du FS-FAP
      
    • 2.3.3 Implémentation de l'algorithme d'optimisation par essaims particulaires à la résolution de FS-FAP
      
    • 2.3.4 Etude expérimentale
      
    • 2.3.5 Comparaison avec d'autres techniques
      
  • 2.4 Conclusion
    
• Deuxième partie
  
• Conception de nouveaux modèles
  
• pour l'optimisation multimodale et
  
• l'optimisation multiobjectif
  
• Résumé
  
• Chapitre 3
  
• Conception d'un nouveau modèle
  
• d'optimisation multimodale
  
• (Multipopulation Particle Swarms
  
• Optimization MPSO)
  
  • 3.1 Introduction
    
  • 3.2 Problématique de l'optimisation multimodale
    
  • 3.3 Techniques de l'optimisation multimodale
    
    • 3.3.1 Les méthodes de niche
      
      • 3.3.1.1. La technique de partage (fitness sharing)
        
      • 3.3.1.2. Nichage dynamique (Dynamic Niching)
        
      • 3.3.1.3. Nichage séquentiel (Sequential Niching)
        
      • 3.3.1.4. Méthode de sous-populations (Sub-populations Schemes)
        
      • 3.3.1.5. La méthode d'éclaircissement (Clearing)
        
      • 3.3.1.6. Méthode de surpeuplement (Crowding Method)
        
      • 3.3.1.7. Populations co-évolutives
        
      • 3.3.1.8. Algorithme Génétique Co-évolutif basé sur la Classification Floue (AGCoCF)
        
      • 3.3.1.9. Multipopulation Algorithme Culturel basé sur la Classification Floue (MCAFC)
        
    • 3.3.2 Les systèmes basés sur l'intelligence des essaims particulaires (PSO)
      
      • 3.3.2.1. Nbest PSO
        
      • 3.3.2.2. Niche PSO
        
      • 3.3.2.3. PSO basé sur le concept des espèces (SPSO)
        
      • 3.3.2.4. PSO basé sur les opérations vectorielles
        
      • 3.3.2.5. PSO basé sur la méthode de nichage séquentiel (ASNPSO)
        
    • 3.3.3 Les systèmes immunitaires artificiels
      
  • 3.4 Synthèse
    
  • 3.5 Conception d'un nouveau modèle d'optimisation multimodale (MPSO)
    
    • 3.5.1 Le principe du modèle
      
    • 3.5.2 La couche de classification automatique floue
      
    • 3.5.3 La couche de séparation spatiale
      
    • 3.5.4 Le concept de migration
      
    • 3.5.5 Fonctionnement du modèle
      
    • 3.5.6 Complexité temporelle de l'algorithme
      
  • 3.6 Etude expérimentale
    
    • 3.6.1 Fonctions tests
      
    • 3.6.2 Résultats numériques
      
    • 3.6.3 Comparaisons avec d'autres techniques
      
      • 3.6.3.1. Comparaison entre le modèle MPSO, MCAFC et la méthode de partage
        
      • 3.6.3.2. Comparaison entre les modèles MPSO, MCAFC, SNGA et SCGA
        
  • 3.7 Conclusion
    
• Chapitre 4
  
• Conception d'un nouveau modèle
  
• pour l'optimisation multiobjectif
  
  • 4.1 Introduction
    
  • 4.2 Principe de l'optimisation multiobjectif
    
    • 4.2.1 Formulation d'un problème multiobjectif
      
    • 4.2.2 Exemple de problème multiobjectif
      
  • 4.3 L'optimisation multiobjectif
    
    • 4.3.1 Choix utilisateur
      
    • 4.3.2 Choix concepteur
      
    • 4.3.3 Les méthodes agrégées
      
      • 4.3.3.1. La moyenne pondérée
        
      • 4.3.3.2. Le modèle "Goal programming"
        
      • 4.3.3.3. Le modèle min-max
        
      • 4.3.3.4. L'approche "Goal attainment"
        
    • 4.3.4 Les méthodes non agrégées, non Pareto
      
      • 4.3.4.1. Algorithme VEGA (Vector Evaluated Genetic Algorithm)
        
      • 4.3.4.2. Utilisation des genres
        
      • 4.3.4.3. La méthode lexicographique
        
      • 4.3.4.4. Algorithme NGGA (A Non Generational Genetic Algorithm)
        
      • 4.3.4.5. Le modèle élitiste
        
    • 4.3.5 Les méthodes Pareto
      
      • 4.3.5.1. Optimum de Pareto
        
      • 4.3.5.3. Frontière de Pareto
        
    • 4.3.6 Les techniques non élitistes
      
      • 4.3.6.1. Algorithme MOGA (Multiple Objective Genetic Algorithm)
        
      • 4.3.6.2. Algorithme NSGA (Non dominated Sorting Genetic Algorithm)
        
      • 4.3.6.3. Algorithme NPGA (Niched Pareto Genetic Algorithm)
        
    • 4.3.7 Les techniques élitistes
      
      • 4.3.7.1. Algorithme SPEA (Strength Pareto Evolutionary Algorithm)
        
      • 4.3.7.2. Algorithme PAES (Pareto Archived Evolution Strategy)
        
      • 4.3.7.3. Algorithme PESA (Pareto Envelope based Selection Algorithm)
        
      • 4.3.7.4. Modèle NSGA II
        
      • 4.3.7.5. Modèle PESA II (Region-based Selection)
        
      • 4.3.7.6. Algorithme Micro-GA (Micro-Genetic Algorithm)
        
    • 4.3.8 Difficultés des méthodes d'optimisation multiobjectif
      
  • 4.4 Optimisation multiobjectif par essaims particulaires
    
    • 4.4.1 Leaders dans l'optimisation multiobjectif
      
    • 4.4.2 Conservation et propagation des solutions non-dominées
      
    • 4.4.3 Maintien de la diversité par création de nouvelles solutions
      
      • a. Mise à jour des positions
        
      • b. L'utilisation d'un opérateur de mutation (ou turbulence)
        
    • 4.4.4 Classification des différentes approches
      
      • 4.4.4.1. Approches agrégées
        
      • 4.4.4.2. Ordre lexicographique
        
      • 4.4.4.3. Approches de sous-population
        
      • 4.4.4.4. Approches basées sur Pareto
        
      • 4.4.4.5. Approches combinées
        
  • 4.5 Synthèse
    
  • 4.6 Optimisation multiobjectif par essaims particulaires basée sur la Classification Floue
    
    • 4.6.1 Implémentation de la couche PSOMO
      
    • 4.6.2 Fonctionnement du modèle
      
  • 4.7 Etude expérimentale
    
    • 4.7.1 Problèmes tests
      
    • 4.7.2 Résultats numériques
      
    • 4.7.3 Comparaisons avec d'autres techniques
      
  • 4.8 Conclusion
    
• Conclusion générale
  
• Références Bibliographiques
  
• Résumé