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

Méta heuristique s
9.3 L’écholo calisation d es micro chauves-souris . . . . . . . . . . . . . . . 264
9.3.1 Initial isation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 265
9.3.2 Déplacement des chauves-souris . . . . . . . . . . . . . . . . . . 266
9.3.3 Mise à jour des propriétés d’émission des ultrasons . . . . . . . 267
9.3.4 Mise à jour de la meilleure solution . . . . . . . . . . . . . . . . 267
9.3.5 Évolutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 268
9.4 La nature est source de b eaucoup d’autres inspirations . . . . . . . . . 268
9.4.1 Bacterial Foraging Optimization . . . . . . . . . . . . . . . . . 268
9.4.2 Slim Mold Optimization . . . . . . . . . . . . . . . . . . . . . . 269
9.4.3 Les vers luisants et les lu cioles . . . . . . . . . . . . . . . . . . 269
9.4.4 Les termites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 270
9.4.5 Les cafards . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 270
9.4.6 Les moustiques . . . . . . . . . . . . . . . . . . . . . . . . . . . 270
9.4.7 Les guêp es . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 270
9.4.8 Les araignées . . . . . . . . . . . . . . . . . . . . . . . . . . . . 270
9.4.9 Les coucous . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 270
9.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 270
9.6 Bibliographie commentée . . . . . . . . . . . . . . . . . . . . . . . . . 271
10 Extensions des algorithmes évolutionnaires à l’optimisation
multimo dale et l’optimisation multi-ob jectif 273
A. Pétrowski
10.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 273
10.2 Optimisation multimodale . . . . . . . . . . . . . . . . . . . . . . . . . 274
10.2.1 Le problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 274
10.2.2 Nichage par la métho de du partage . . . . . . . . . . . . . . . . 274
10.2.3 Nichage par la métho de de surp euplement déterministe . . . . 277
10.2.4 Pro cédure d’écla ircissement . . . . . . . . . . . . . . . . . . . . 279
10.2.5 Sp éciation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 281
10.3 Optimisation multi-ob jectif . . . . . . . . . . . . . . . . . . . . . . . . 283
10.3.1 Formalisation du problème . . . . . . . . . . . . . . . . . . . . 283
10.3.2 Les indicateurs de qualité . . . . . . . . . . . . . . . . . . . . . 285
10.3.3 Algorithmes évol ut ionnaires multi-ob jectifs . . . . . . . . . . . 288
10.3.4 Métho des utilisant un “classement de Pareto” . . . . . . . . . . 288
10.3.5 Métho des de scala risation . . . . . . . . . . . . . . . . . . . . . 301
10.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 311
10.5 Bibliographie commentée . . . . . . . . . . . . . . . . . . . . . . . . . 311
11 Extensions des algorithmes évolutionnaires à l’optimisation
sous contraintes 313
S. Ben Hamida
11.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 313
11.2 La p énalisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 315
11.2.1 La métho de de la “p eine de mort” . . . . . . . . . . . . . . . . 317
- X -