Deuxième partie
Conception de nouveaux modèles
pour l'optimisation multimodale et
l'optimisation multiobjectif
Résumé
Dans la plupart des cas réels, on est confronté
à deux types de problèmes difficiles : les problèmes
d'optimisation multimodale, caractérisés par des domaines
multimodaux, la résolution de ces problèmes requière la
recherche de toutes les solutions, aussi bien locales que globales, et les
problèmes multiobjectifs, caractérisés par la
présence simultanée de plusieurs objectifs, souvent
contradictoires. Dans ce contexte, nous avons conçu de nouvelles
approches basées sur PSO et la classification floue pour résoudre
ces deux types de problèmes d'optimisation difficile.
Chapitre 3
Conception d'un nouveau modèle
d'optimisation multimodale
(Multipopulation Particle Swarms
Optimization MPSO)
3.1 Introduction
Dans la pratique, on est souvent confronté à des
problèmes oil on désire identifier tous les optima. Les
problèmes réels, généralement
caractérisés par des domaines multimodaux, requièrent, de
ce fait, la recherche de toutes les solutions, aussi bien locales que
globales.
L'algorithme PSO standard ne permet de localiser qu'un seul
optimum dans l'espace de recherche [Kennedy et Eberhart, 1995]. Afin d'adapter
l'algorithme PSO à la résolution de ce genre de problèmes,
nous avons conçu un nouveau modèle MPSO (Multipopulation Particle
Swarms Optimization) qui permet de créer et de maintenir des
sous-populations d'essaims, de sorte que chaque sous-essaim effectue une
recherche locale dans son propre espace de recherche afin de localiser la
meilleure position globale qui représente un optimum.
En effet, le modèle proposé permet la formation
et la maintenance de sous-populations de solutions ainsi que leur sous-espace
de recherches et implémente un processus de migration en vue
d'échanger des informations entre les sous-essaims voisins. Une
procédure de classification automatique floue permet de
générer des classes de solutions et de regrouper ainsi les
solutions similaires sous forme de sous-population.
L'intérêt de la procédure de
classification automatique floue réside dans le fait qu'elle permet de
mieux traduire la réalité et de tenir compte de
l'ambiguïté qui survient quand un même objet semble
appartenir à plusieurs classes, mais avec des degrés
d'appartenance différents. Aussi, cette technique n'exige aucune
information préalable sur la distribution de données.
Dans ce chapitre, les différentes techniques
utilisées dans le contexte d'optimisation multimodale seront
décrites. Enfin la structure de base, de modèle proposé,
sera présentée en détail et validée par plusieurs
fonctions tests.
| 
