2.4 Conclusion
L'objectif principal de ce chapitre étant d'appliquer
l'algorithme d'optimisation par essaims particulaires à des
problèmes d'optimisation réels, à savoir un
problème continu : la commande d'une machine synchrone à aimant
permanent (MSAP), et un autre discret : le problème d'affectation de
fréquences dans les réseaux cellulaires.
Le problème d'optimisation MSAP est très
sensible aux variations de paramètres et aux perturbations externes de
charge dans le système. dans ce contexte, l'algorithme PSO a
été utilisé pour surmonter les problèmes
liés à l'utilisation du contrôleur conventionnel. Les
résultats de simulation montre que la stratégie PIPSO fournie de
meilleures réponses en vitesse et de précision que les autres
stratégies (le contrôleur PIPSO est 94% plus rapide que la
stratégie de commande PIGA, le rapport du temps de réponse
donné par: PIGA/PIPSO est égal à
101.4%.).
D'autre part, l'algorithme PSO a été
utilisé pour la résolution de problème d'allocation de
fréquences, qui est classé dans la catégorie des
problèmes NP-Complets. Du fait de la nature discrète de FS-FAP,
les paramètres du modèle PSO doivent être adapter à
la résolution de ce problème. Les résultats de simulation
montrent que l'algorithme DPSO a donné de meilleurs résultats
pour les différentes instances du problème étudié
(en termes du nombre de taux de convergence qui est égal à 100%
pour toutes les instances et en terme de temps de calcul).
Nous pouvons conclure que l'algorithme PSO est très
utile dans l'optimisation globale de problèmes continu ou discret plus
ou moins compliqués. Ces performances peuvent être
expliquées par la nature stochastique de cette méthode et par
l'équilibre qu'elle assure entre exploration/exploitation de l'espace de
recherche.
| 
