Conception d'un algorithme de fourmis pour l'optimisation continue dynamique

Les métaheuristiques constituent une famille d algorithmes inspirés de la nature. Ces algorithmes sont particulièrement utiles pour résoudre des problèmes où les algorithmes d optimisation classiques sont incapables de produire des résultats satisfaisants. Parmi ces méthodes, les algorithmes de colonies de fourmis constituent une classe de métaheuristiques proposée pour l optimisation difficile. Ces algorithmes s inspirent des comportements des fourmis observés dans la nature ; notamment l utilisation de la communication indirecte (à travers l environnement), les traces de phéromone que les fourmis laissent sur leur passage, et la construction itérative d une solution globale qui se base sur une sorte d intelligence collective. Les algorithmes de colonies de fourmis représentent une grande flexibilité aux changements de l environnement, ce qui les rend aptes à l optimisation des fonctions changeantes et plus particulièrement à l optimisation continue dynamique. Dans cette thèse, nous proposons une plate-forme de test de métaheuristiques, oMetah, basée sur une architecture générique de patron de conception, pour faciliter et rendre plus cohérents les tests et les comparaisons entre différents algorithmes d optimisation. La performance de l algorithme DHCIAC, un algorithme qui utilise deux canaux de communication entre fourmis et un simplexe pour la recherche locale, a été testée sur des fonctions de test continues dynamiques. Et un nouvel algorithme de colonies de fourmis, CANDO, basé sur des agents avec des charges électrostatiques, a été conçu pour permettre un équilibre entre l exploration et l exploitation et une adaptation continue dans le temps, nécessaire dans le cas de l optimisation dynamique.Metaheuristics are a family of optimization algorithms inspired by nature. These algorithms are particularly suitable to solve problems when traditional optimization algorithms are unable to produce satisfactory results. Among these methods, the ant colony algorithms represent a class of metaheuristics for hard optimization problems. These algorithms were inspired by the behavior of ants observed in nature ; more particularly, the use of indirect communication (through environment), the pheromone tracks that ants leave on their passage, and the iterative construction of a global solution, which is based on a kind of collective intelligence. The ant colony algorithms show the advantage of flexibility when environment changes, what makes them suitable to the optimization of changing functions and more specifically to dynamic continuous optimization. In this thesis we propose a metaheuristic test platform oMetah, based on a generic design pattern architecture, to facilitate and make more coherent the tests and the comparisons between various optimization algorithms. The performance of DHCIAC algorithm, an algorithm which makes use of two communication channels between ants and a simplex method for local search, was tested on dynamic continuous test functions. And a new ant colony algorithm, CANDO, based on agents with electrostatic charges, was designed to allow a balance between exploration and exploitation and a continuous adaptation over time, necessary in the case of dynamic optimization.PARIS12-Bib. électronique (940280011) / SudocSudocFranceF