3.4 Synthèse
L'efficacité des méthodes de niche requiert
souvent des connaissances a priori du rayon de niche et de la disposition
spatiale des optima. Ces limitations peuvent influencer le nombre d'optima
recherchés et dégrader la qualité des solutions
désirées. On peut par exemple, choisir un rayon de niche assez
petit pour séparer les niches, mais cela nécessite une taille de
population très grande et peut conduire par conséquent à
définir un grand nombre de niches sans grande importance.
La section suivante, présente les principes de base du
modèle proposé basé sur l'algorithme d'optimisation par
essaims particulaires et une méthode de classification floue. Cette
approche surmonte les problèmes que présentent les
méthodes de niches. En effet, elle ne requiert aucune information a
priori sur l'espace de recherche.
3.5 Conception d'un nouveau modèle
d'optimisation multimodale (MPSO)
3.5.1 Le principe du modèle
L'idée principale de ce modèle est d'encourager
et maintenir la formation de sous populations d'essaims, le modèle
proposé intègre une technique de classification floue permettant
d'identifier les differentes sous populations. Ainsi, chaque classe de
particule (ou essaim) effectue une recherche locale dans son propre espace de
recherche et cherche à localiser les differents optima.
Le principe du modèle MPSO est basé sur une
stratégie à trois-couches (figure 3.3) [Alami et al, 2009]. La
première couche intègre un algorithme d'optimisation par essaims
particulaires de base. La sortie de ce niveau constitue l'entrée de la
deuxième couche (FC). Cette couche est basée sur un algorithme de
classification floue non supervisé, qui permet de partitionner la
population en un ensemble de (C) classes. Chaque classe identifiée
correspond à un essaim (sous-population). La dernière couche
implémente le principe de la séparation spatiale pour
créer les différents sous-essaims à partir des
caractéristiques fournies par la couche FC, i.e., centre, rayon et
cardinal de chaque classe identifiée. Une fois les sous essaims sont
crées, une stratégie de migration est appliquée afin de
promouvoir un certain degré de diversité au sein des essaims et
d'améliorer la qualité des solutions trouvées. Les
sous-essaims ainsi engendrés vont co-évoluer en utilsant
l'algorithme de base PSO.
FIG. 3.3 MPSO strategy
Dans la section suivante, les différentes couches du
modèle sont présentées, le fonctionnement du modèle
est ensuite décrit plus en détail. Un ensemble de fonctions tests
permet enfin de valider le modèle et de comparer les résultats
obtenus avec d'autres méthodes d'optimisation multimodale.
| 
