Métaheuristiques Recuit simulé, recherche avec tabous, recherche à voisinages variables, méthode GRASP (2014)

Méta heuristique s
5.8 La représentation arb orescente p our la programmation génétique . . . 153
5.8.1 Création de la p opulation initiale . . . . . . . . . . . . . . . . . 154
5.8.2 Croisement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
5.8.3 Mutations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
5.8.4 Application à la régression symb olique . . . . . . . . . . . . . . 158
5.9 Cas particulier des algorithmes génétiques . . . . . . . . . . . . . . . . 160
5.10 Stratégie d’évolution par adaptation de la matrice de covariance . . . 162
5.10.1 Présentation de la métho de . . . . . . . . . . . . . . . . . . . . 162
5.10.2 L’algorithme CMA-ES . . . . . . . . . . . . . . . . . . . . . . . 166
5.10.3 Quelques résultats de simulation . . . . . . . . . . . . . . . . . 168
5.11 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
5.12 Glossaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
5.13 Bibliographie commentée . . . . . . . . . . . . . . . . . . . . . . . . . 173
6 Les fourmis artificielles 175
N. Monmarché
6.1 Intro duction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
6.2 L’intelligence colle ctive des fourmis . . . . . . . . . . . . . . . . . . . . 176
6.2.1 Quelques faits marquants . . . . . . . . . . . . . . . . . . . . . 176
6.2.2 La communic ation chimique chez les fourmis . . . . . . . . . . 177
6.3 La mo délisation du comp ortement des fou rmis . . . . . . . . . . . . . 179
6.3.1 Définition d’une fourmi artifi cielle . . . . . . . . . . . . . . . . 179
6.3.2 Les fourmis sur un graphe . . . . . . . . . . . . . . . . . . . . . 179
6.4 L’optimi sation combinatoire avec les fourmis . . . . . . . . . . . . . . 181
6.4.1 Le problème du voyageur de commerce . . . . . . . . . . . . . . 181
6.4.2 La métaheuristique ACO . . . . . . . . . . . . . . . . . . . . . 183
6.4.3 Convergence des algorithmes du type ACO . . . . . . . . . . . 192
6.4.4 Rappro chements avec les algorithmes évol ut ionnaires . . . . . . 193
6.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196
6.6 Bibliographie commentée . . . . . . . . . . . . . . . . . . . . . . . . . 197
7 Les essaims particulaires 199
M. Clerc
7.1 Parce que l’union fait la force . . . . . . . . . . . . . . . . . . . . . . . 199
7.2 Les ingrédients de l’optimi sation par essaim particulaire (OEP) . . . . 200
7.2.1 Les ob jets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200
7.2.2 Les relations . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
7.2.3 Les mécanismes . . . . . . . . . . . . . . . . . . . . . . . . . . . 203
7.3 Quelques versions d’OEP . . . . . . . . . . . . . . . . . . . . . . . . . 206
7.3.1 1998. Une version de base . . . . . . . . . . . . . . . . . . . . . 206
7.3.2 Deux versions “standard” améliorées . . . . . . . . . . . . . . . 208
7.4 Applications et variantes . . . . . . . . . . . . . . . . . . . . . . . . . . 211
7.5 Pour approfondir . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212
7.6 Annexe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
- VI I I -