Algorithme Évolutionnaire à États pour l'Optimisation Difficile

Evolutionary Algorithms (EAs) are search methods inspired by the darwinian theory of evolution, working iteratively on a population of potential solutions that are randomly selected and modified. The selection of a representation, the definition of parameters or the attribution of their proper values have a crucial influence on the algorithm performances. A choice that does not match to the fitness function can make the problem more difficult to resolve. Finding suitable parameter settings is therefore a big challenge. Although EAs are recognized as competitive methods on large problems, they are subjects to certain critics such as parameters adjustment/control. By parameter settings, we mean the approach which consists in finding reasonable parameter values before the algorithm execution. In this thesis, we provide arguments that a set of constant parameters during the run seems to be inadequate. Our contribution to the broad area of optimization concerns the automatic adjustment of parameters according to the test problem. In the first part, we expose the problematic of parameters adjustment/control as well as the principal exisitng heuristics. In the second, we introduce two methods for dynamic control of parameters associated with the representation of solutions. In the third, we propose the States based Evolutionary Algorithm (SEA), a parallel variant of AEs ; this new approach manages simultaneously several EAs in order to control dynamically the parameters during optimization process. In the last part, we present an instantiation of the SEA which integrates different mutation rates in order to adapt the best rate to the search. This new instance was tested on the multidimensional knapsack problem. Comparable results were obtained, which proves that the SEA is capable of dynamically controlling the compromise exploration/exploitation.Les Algorithmes Évolutionnaires (AEs) sont des méthodes de recherche inspirées par la théorie darwinienne de l'évolution, travaillant sur une population de solutions potentielles, par itération de phases de sélections et de variations aléatoires. La sélection d'une représentation, la définition des paramètres ou l'attribution de leurs propres valeurs ont une influence cruciale sur les performances de l'algorithme. Un choix qui ne s'accorde pas à la fonction de fitness peut rendre le problème plus difficile à résoudre. Trouver une configuration appropriée pour un AE est donc depuis longtemps un grand défi. Bien que les AEs soient reconnus comme des méthodes compétitives sur des problèmes de grande taille, ils sont sujets à un certain nombre de critiques tel celui du réglage/contrôle des paramètres. Par réglage, nous entendons l'approche qui consiste à trouver des valeurs satisfaisantes pour les paramètres avant l'exécution de l'algorithme. Dans cette thèse, nous fournissons des arguments qu'un jeu de paramètres constants durant l'exécution semble être inadéquat. Notre contribution au vaste domaine de l'optimisation concerne le réglage automatique des paramètres selon le problème traité. Dans la première partie, nous exposons la problématique du réglage/contrôle des paramètres ainsi que les principales heuristiques existantes. Dans la deuxième, nous proposons deux méthodes pour le contrôle dynamique des paramètres associés à la représentation des solutions. Dans la troisième, nous proposons l'algorithme évolutionnaire à états (SEA), une variante parallèle des AEs ; cette nouvelle approche gère simultanément plusieurs AEs afin de contrôler dynamiquement les paramètres au cours du processus d'optimisation. Dans la dernière partie, nous présentons une instanciation du SEA qui intègre différents taux de mutation afin d'adapter le meilleur taux à la recherche. Cette nouvelle instance est testée sur le problème du sac à dos multidimensionnel. Des résultats comparables ont été obtenus, ce qui prouve que le SEA est capable de contrôler dynamiquement le compromis exploration/exploitation