Métaheuristique hybride pour l’optimisation multi-objectif

Dans la plupart des problèmes réels que ce soit technologiques, économiques ou autres, une compétence du point de vue choix de décisions à faire est indispensable. Un décideur doit avoir une très bonne connaissance autour du problème traité pour que les choix puissent être optimaux des points de vue objectifs à atteindre. Néanmoins, les problèmes du monde réel comportent plusieurs objectifs à atteindre, la recherche des solutions qui optimisent les objectifs simultanément rentre dans le domaine d’optimisation multiobjectif. La résolution des problèmes d’optimisation multiobjectif vise à trouver un ensemble de solutions appelé Solution Pareto. Les solutions Pareto sont celles qui ne sont dominées par aucune autre solution. Plusieurs méthodes ont été utilisées pour résoudre ce problème, dont les algorithmes évolutionnaires sont les mieux adaptés. Ceci est du à leurs capacités de trouver les bonnes approximations des solutions Pareto. La plupart des algorithmes évolutionnaires sont classés selon la manière d’intervention du décideur en trois catégories : a priori, a posteriori et interactif. L’algorithme fournit des solutions optimales au décideur qui va choisir celles qu’il le convient. Dans toutes les catégories, si le décideur n’est pas satisfait par les solutions fournies, l’algorithme doit être ré-exécuté, ce qui est vu comme un inconvénient. A_n de faire face à ce problème, l’algorithme utilisé doit être capable de modéliser les solutions obtenues lors de la phase d’optimisation. Un tel modèle sera exploité dans le cas où de nouvelles solutions sont requises. Pour cela, un algorithme à estimation de distribution est utilisé. Il vise à estimer la distribution de meilleures solutions qui sera utilisée pour générer des nouvelles solutions avec les mêmes caractéristiques d’optimalité. Dans cette thèse, un algorithme, nommé CEDA, utilisant les copules pour modéliser les dépendances entre les variables du problème est proposé. Pour bien exploiter les capacités de cet algorithme, une hybridation avec une méthode d’apprentissage SVM est proposée. L’objectif est de minimiser le temps d’exécution dans la phase de mise à jour des solutions surtout dans les problèmes Many-objective. L’utilisation de CEDA sur plusieurs problèmes benchmarks de la littérature montre que notre proposition donne des meilleures qualités