4.6.2 Fonctionnement du modèle
Le modèle FC-MOPSO [Benameur et al, 2009d] est
initialisé avec un essaim aléatoire de particules
S(t = 0) définies par leurs positions et leur
vitesses. Cet essaim évolue utilisant l'algorithme PSOMO, l'algorithme
de classification floue non supervisée permet de partitionner l'essaim
en C classes, et détermine pour chaque classe ses
caractéristiques principales. De nouveaux sous-essaims, ainsi que leur
sousespace de recherche, sont ensuite générés en utilisant
le centre et le rayon de chaque classe. Cette stratégie de
réinitialisation permet d'introduire une nouvelle diversité au
sein des sous-essaims.
Utilisant le principe de séparation spatiale, une
coopération locale est ensuite engendrée au niveau de chaque
sous-essaim. Après avoir généré les sous-essaims et
les sous espaces de recherche correspondants, un processus de migration est
appliqué en vue d'échanger des informations entre les
sous-essaims voisins. Les sous essaims vont donc co-évoluer
séparément, et à la fin de cette évolution une
nouvelle population est formée à partir des différentes
sous essaims. Le processus est itéré jusqu'à ce que
l'entropie (h) utilisée comme critère de validation,
atteigne un minimum prédéfini (h <
10-3). L'essaim S(t) est
initialisé une seule fois dans tout le processus à la
première itération (t = 0). Pendant les cycles
intermédiaires S(t + 1) = Uc i=1
Si(t) oil C est le nombre de classes identifiées.
Le principe du modèle proposé est donné par
le pseudo code (8).
algorithme 8 Pseudo code de l'algorithme FC-MOPSO
t - 0
Initialiser l'essaim (S(t))
S(t) -
PSOMO(S(t))
Répéter
FC(S(t))
Pour i = 1 to C /*C nombre de classes
identifiées
Créer les sous-essaims Si(t)
Appliquer le processus de migration
Si(t) -
PSOMO(Si(t))
Fin pour
S(t + 1) - UC i=1
Si(t)
t - t + 1
Tant que (h < hmin)
| 
