Mémoire Online: Résolution des problèmes multi objectifs à base de colonies de fourmi

Sommaire: Résolution des problèmes multi objectifs à base de colonies de fourmi

Introduction générale

Résolution des problèmes multi objectifs
Présentation
Organisation du mémoire
Chapitre 1. Optimisation Combinatoire
1.1. Introduction
1.2. Définition (problème combinatoire)
1.4. Exemples de problèmes d’optimisation combinatoire
1.5. Résolution d’un problème d’optimisation combinatoire
1.6. Conclusion
Chapitre 02 Etat De L’art De L’optimisation Multiobjectif
2.1. Problèmes d’optimisation mono-objectifs
2.2 Vocabulaire et définitions
2.3 Problèmes d’optimisation multiobjectifs
2.4. Approches de résolution
2.5. Discussion
Chapitre 3 Les métaheuristiques pour l’optimisation multiobjectif 
3.1. Introduction
3.2. Les méthodes de recherche locale
3.3 Les algorithmes évolutionnaires
3.4 Quelques algorithmes évolutionnaires performants
3.5. Mesure de performance
Chapitre 4 Metaheuristique D’optimisation Par Colonies De Fourmis
4.1 Optimisation par Colonies de fourmis
4.2. Les fourmis réelles
4.3. Les fourmis artificielles
4.4. Optimisation par colonies de fourmis
4.5. Optimisation par colonies de fourmis pour la résolution de PMO
Structures de phéromone
Définition du facteur phéromone
Définition du facteur heuristique
Solutions à récompenser
4.7. Discussion
4.5 Discussion Error! Bookmark not defined.
Chapitre 5 Etude de différentes stratégies phéromonales 
5.1 Introduction
5.2 Algorithme ACO pour le MKP .
5.3 Influence des paramètres α et ρ sur la résolution
5.4 Influence des traces de phéromone sur la similarité des solutions calculées
5.5 Expérimentations et résultats
5.6 Conclusion
Chapitre 6 : Optimisation par colonies de fourmis pour des problèmes multi-objectifs
6.1 Optimisation par colonies de fourmis
Rank-based Ant system (AS-rank)
Ant-Q
Ant Colony System
Règle de mise à jour de phéromone globale
Règle de mise à jour de phéromone locale
MAX −MIN Ant Sytem (MMAS)
6.2. Un algorithme ACO générique pour la résolution de PMO
Définition des facteurs phéromone.
Mise à jour de phéromone.
Définition des facteurs phéromone.
Mise à jour de phéromone.
Facteur phéromone.
Mise à jour de phéromone.
Chapitre 7 : Contribution Principale et Résultats d’Expérimentations
7.1 Introduction :
7.2 Nouvelle Variante : NV-m-ACO(1,m)
7.3 Discussion
7.4 Expérimentations et résultats (Application du m-ACO au problème du sac à dos Multidimensionnel multi-objectif )
Analyse de la métrique C
Analyse de la métrique C
Conclusion et Perspectives
Contributions Scientifiques :
Bibliographie

Extrait du mémoire résolution des problèmes multi objectifs

Chapitre 1. Optimisation Combinatoire
1.1. Introduction :
L’optimisation combinatoire occupe une place très importante en recherche opérationnelle, en mathématiques discrètes et en informatique. Son importance se justifie d’une part par la grande difficulté des problèmes d’optimisation et d’autre part par de nombreuses applications pratiques pouvant être formulées sous la forme d’un problème d’optimisation combinatoire.
Bien que les problèmes d’optimisation combinatoire soient souvent faciles à définir, ils sont généralement difficiles à résoudre. En effet, la plupart de ces problèmes appartiennent à la classe des problèmes NP-difficiles et ne possèdent donc pas à ce jour de solution algorithmique efficace valable pour toutes les données.

L’optimisation combinatoire est minimiser (ou maximiser) une fonction souvent appelée fonction coût, d’une ou plusieurs variables soumises à des contraintes. Le sujet de l’optimisation combinatoire dans un domaine discret. Il faut trouver parmi toutes les possibilités, souvent en nombre fini, la possibilité optimale. Ceci parait facile mais devient infaisable dès que la taille du problème est suffisamment grande. La taille pour laquelle la recherche d’un optimum devient infaisable est petite, très souvent plus petite que la taille des problèmes pratiques. En général, la difficulté d’un problème grandit très vite avec le nombre des variables. Il n’est pas alors faisable d’examiner toutes les possibilités.
Prendre une décision, opérationnelle ou stratégique (par exemple, planifier une tournée de livraison), c’est déterminer les options (l’ordre et les dates de visite des clients) qui répondent à plusieurs impératifs simultanés (la durée des trajets, la capacité du camion de livraison, la disponibilité des clients, les horaires de travail du chauffeur, etc.), puis choisir parmi ces options la meilleure selon un ou plusieurs critères donnés (minimiser les coûts de transport ou livrer les bons clients au plus tôt). Généralement l’ensemble des options possibles est dénombrable mais potentiellement infini, de sorte qu’il est impossible de l’énumérer entièrement en temps raisonnable, aussi performant que soit le système de calcul utilisé.

L’optimisation combinatoire est la discipline de l’étude théorique et pratique de ces problèmes de décision. Elle recouvre l’ensemble des outils analytiques, logiques et algorithmiques qui permettent la résolution de ces problèmes difficiles. Émanant des mathématiques par la recherche opérationnelle et de l’informatique par la théorie de la complexité et l’intelligence artificielle, ces outils se partagent en grandes classes technologiques — telles que les algorithmes de graphe, la programmation linéaire en nombres entiers, les métaheuristiques, la programmation par contraintes — définissant ainsi différents modes et objectifs de résolution.
De manière transversale, les outils se combinent en grands domaines d’application telles que l’ordonnancement, le transport, l’analyse de données, la bio-informatique, la finance, etc.
………….

Si le lien ne fonctionne pas correctement, veuillez nous contacter (mentionner le lien dans votre message)
Résolution des problèmes multi objectifs à base de colonies de fourmi (1.8 Mo)  (Rapport PDF)
Résolution des problèmes multi objectifs

Télécharger aussi :

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *