Partitionnement de territoire à l'aide d'un algorithme génétique

CHAPITRE 3. ALGORITHMES ÉVOLUTIONNISTES 42
La section suivante 3.4 est dédiée aux algorithmes évolutionnistes qui font partie de
la famille des métaheuristiques basées sur une population de solutions. Nous reviendrons
ensuite brièvement sur la recherche locale qui appartient à l’autre famille de
métaheuristique c’est-à-dire basée sur une solution.
Les algorithmes évolutionnistes, que nous allons aborder dans la section suivante font
partie de la classe des métaheuristiques basées sur une population de solutions.
3.4 Algorithmes évolutionnistes
Cette section est organisée de la manière suivante ; après avoir introduit quelques notions
de bases sur les métaheuristiques basées sur une population, nous aborderons
les algorithmes évolutionnistes et plus particulièrement les algorithmes dits génétiques.
Nous terminerons cette section par l’étude d’un des grands standards dans le domaine,
l’algorithme NSGA-II[38].
Les métaheuristiques basées sur une population de solutions partagent certaines caractéristiques.
Leur façon de fonctionner peut être schématisée comme suit : une première
population de solution est d’abord générée, on l’appelle population initiale. Le processus
itératif prend alors place : une nouvelle population est générée à partir de la population
actuelle. Cette dernière est alors fusionnée à la population courante en utilisant un
mécanisme de sélection propre à chaque métaheuristique. Ce processus itératif s’arrête
alors lorsqu’une condition spécifique est rencontrée.
Le pseudocode ci-dessous illustre le mécanisme général d’une métaheuristique basée sur
une population de solutions :
Algorithme 2: Pseudo-code d’une métaheuristique basée sur une population
de solutions.
P0 Ω InitialPopulation
i Ω 0
while ¬StopCondition do
Ni Ω Generation(Pi)
Pi+1 Ω Selection(Pi fi Ni)
i Ω i +1
end
Les métaheuristiques basées sur une population de solutions sont très bien adaptées
pour résoudre des MOPs. En effet, puisqu’elles traitent un ensemble de solutions simultanément,
plusieurs membres de la frontière Pareto-optimale peuvent être trouvés en
une seule itération [110, 38].
En particulier, les algorithmes évolutionnistes (EA pour Evolutionary Algorithm) sont
très souvent utilisés pour résoudre des problèmes d’optimisation multiobjectif [115]. Leur
capacité à s’adapter à des problèmes très complexes les rendent bien plus performants
que des techniques traditionnelles [48] pour plusieurs raisons. Tout d’abord, comme
mentionné plus haut, à chaque itération de l’algorithme, plusieurs individus peuvent
chercher plusieurs nouvelles solutions en tirant avantage des similarités disponibles dans