Table des matières
Introduction générale 1
I Application de l'algorithme d'optimisation par essaims
particulaires à des problèmes réels 5
1 Techniques de calcul "intelligent" 7
1.1 Introduction 8
1.2 Techniques de Calcul "Intelligent" 10
1.2.1 Les réseaux de neurones (Neural Networks) 10
1.2.2 La logique floue (Fuzzy Logic) 12
1.2.3 Les techniques de calcul évolutif (Evolutionary
Computation) 13 1.3 Conclusion 24
2 Application de l'algorithme d'optimisation par essaims
particulaires aux problèmes MSAP et PAF 25
2.1 Introduction 26
2.2 Commande en vitesse des machines
synchrones à aimant permanent
(MSAP) 27
2.2.1 Modélisation d'une machine synchrone à aimant
permanent 27
2.2.2 Conception d'un contrôleur PI basé sur les
essaims particulaires 29
2.2.3 Résultats de simulation 31
2.3 Problème d'affectation de fréquences (PAF)
38
2.3.1 Problématique 38
2.3.2 Formulation du FS-FAP 39
2.3.3 Implémentation de l'algorithme d'optimisation par
essaims
particulaires à la résolution de FS-FAP 40
2.3.4 Etude expérimentale 42
2.3.5 Comparaison avec d'autres techniques 47
2.4 Conclusion 49
II Conception de nouveaux modèles pour l'optimisation
multimodale et l'optimisation multiobjectif 50
3 Conception d'un nouveau modèle d'optimisation
multimodale (Multipopulation Particle Swarms Optimization MPSO) 52
3.1 Introduction 53
3.2 Problématique de l'optimisation multimodale 54
3.3 Techniques de l'optimisation multimodale 55
3.3.1 Les méthodes de niche 55
3.3.2 Les systèmes basés sur l'intelligence des
essaims particulaires
(PSO) 61
3.3.3 Les systèmes immunitaires artificiels 62
3.4 Synthèse 63
3.5 Conception d'un nouveau modèle d'optimisation
multimodale (MPSO) 64
3.5.1 Le principe du modèle 64
3.5.2 La couche de classification automatique floue 64
3.5.3 La couche de séparation spatiale 67
3.5.4 Le concept de migration 68
3.5.5 Fonctionnement du modèle 68
3.5.6 Complexité temporelle de l'algorithme 69
3.6 Etude expérimentale 69
3.6.1 Fonctions tests 70
3.6.2 Résultats numériques 71
3.6.3 Comparaisons avec d'autres techniques 79
3.7 Conclusion 82
4 Conception d'un nouveau modèle pour l'optimisation
multiobjectif 83
4.1 Introduction 84
4.2 Principe de l'optimisation multiobjectif 85
4.2.1 Formulation d'un problème multiobjectif 85
4.2.2 Exemple de problème multiobjectif 86
4.3 L'optimisation multiobjectif 86
4.3.1 Choix utilisateur 87
4.3.2 Choix concepteur 87
4.3.3 Les méthodes agrégées 88
4.3.4 Les méthodes non agrégées, non Pareto
90
4.3.5 Les méthodes Pareto 92
4.3.6 Les techniques non élitistes 94
4.3.7 Les techniques élitistes 96
4.3.8 Difficultés des méthodes d'optimisation
multiobjectif 99
4.4 Optimisation multiobjectif par essaims particulaires 100
4.4.1 Leaders dans l'optimisation multiobjectif 102
4.4.2 Conservation et propagation des solutions
non-dominées . . 104
4.4.3 Maintien de la diversité par création de
nouvelles solutions . 105
4.4.4 Classification des différentes approches 107
4.5 Synthèse 109
4.6 Optimisation multiobjectif par essaims particulaires
basée sur la Clas-
sification Floue 110
4.6.1 Implémentation de la couche PSOMO 110
4.6.2 Fonctionnement du modèle 111
4.7 Etude expérimentale 112
4.7.1 Problèmes tests 113
4.7.2 Résultats numériques 115
4.7.3 Comparaisons avec d'autres techniques 115
4.8 Conclusion 118
Conclusion générale 119
Références Bibliographiques 122
| 
