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

Recommendations

Info

No information found
Index des auteursJean-MarcAlliotInstitut de Recherche en InformatiqueToul ous e, Fran cealliot@tls.cena.frSébastienAupetitUniversité François Rab elaisLab oratoire Informatique (EA6300)64 Avenue Jean Portalis37200 Tours, Franceaupetit@univ-tours.frSana Ben HamidaUniversité Paris OuestNanterre,Francesbenhami@u-paris10.frI lh emB ou ss aï dUniversité des Sciences et de laTechnolo gie Ho uar i Bou med ien e,Ba b-E zzo uar , 16 11 1 Al ger, Al géri eilhem.boussaid@u-pec.frMirsad Buljubaš ićCentre de recherche LGI2P,Pa rc s c ie nt i fi q u e G e or g e s B e s s e30035 Nîmes cedex 1, Francemirsad.buljubasic@mines-ales.frGi lle sCa poro ssiGERAD et HEC Montréal,Québ ec, CanadaGilles.Caporossi@gerad.caMauriceClercIngénieur consultant, Annecy, FranceMaurice.Clerc@WriteMe.comLaurentDeroussiLIMOS UMR CNRS 6158Antenne IUT d’AllierAvenue Aristide Briand, CS 8223503101 Montluçon Cedex, Francelaurent.deroussi@moniut.univ-bpclermont.frNicolasDurandÉcole Nationale de l’Aviation CivileToul ous e, Fran cedurand@tls.cena.frDavi d G i a na z z aÉcole Nationale de l’Aviation CivileToul ous e, Fran cegianazza@tls.cena.frJean-BaptisteGottelandÉcole Nationale de l’Aviation CivileToul ous e, Fran cegotteland@tls.cena.frNathalieGrangeonLIMOS UMR CNRS 6158Antenne IUT d’AllierAvenue Aristide Briand, CS 8223503101 Montluçon Cedex, FranceXV
Page 1 and 2: AlgorithmesSous la direction de Pat
Page 3 and 4: Métaheuristiques
Page 5 and 6: Sous la direction de Patrick Siarry
Page 7 and 8: Table des matièresIndex des auteur
Page 9 and 10: Table des matières4.4.1 Phase cons
Page 11 and 12: Table des matières7.6.1 Un exemple
Page 13 and 14: Table des matières11.2.2 Pénalit
Page 15: Table des matières14.6.1 Princip e
Page 19 and 20: Avant-proposIntroductionLes ingéni
Page 21 and 22: Avant -p ropos- l’optimisation mu
Page 23 and 24: Avant -p roposde s ce nte e st pa r
Page 25 and 26: Avant -p roposLes inconvénients du
Page 27 and 28: Avant -p roposLa métho de de reche
Page 29 and 30: Avant -p ropostraduction française
Page 31 and 32: Avant -p roposPa rc e q u ’ i ls
Page 33 and 34: Avant -p roposOptimisation multi -o
Page 35 and 36: Avant -p roposMinimisationd’un co
Page 37: Première partiePrésentation des p
Page 40 and 41: Chapitre 1 - La métho de du recuit
Page 66 and 67:
Chapitre 1 - La métho de du recuit
Page 69 and 70:
Chapitre 2La recherche avec tabous
Page 71 and 72:
2.2 Problème de l’affectation qu
Page 73 and 74:
2.3 Reche rche avec tab ous de base
Page 75 and 76:
Page 77 and 78:
Page 79 and 80:
Page 81 and 82:
2.4 Mémoire à court termebl o q u
Page 83 and 84:
2.4 Mémoire à court termevo is i
Page 85 and 86:
2.4 Mémoire à court termech aq u
Page 87 and 88:
2.4 Mémoire à court termece soit
Page 89 and 90:
2.4 Mémoire à court termeItérati
Page 91 and 92:
2.5 Direction de la rech erche à l
Page 93 and 94:
2.6 Conv ergence de la rech erche a
Page 95 and 96:
Chapitre 3La recherche à voisinage
Page 97 and 98:
3.2 Fonc tionneme nt de l’algorit
Page 99 and 100:
Page 101 and 102:
Page 103 and 104:
Page 105 and 106:
3.3 Illustration et exte nsionsNous
Page 107 and 108:
3.3 Illustration et exte nsionsRemo
Page 109 and 110:
3.3 Illustration et exte nsionsLe t
Page 111 and 112:
3.3 Illustration et exte nsionsIté
Page 113 and 114:
3.3 Illustration et exte nsionsalor
Page 115 and 116:
3.4 ConclusionAl gorit hm e 3.13 Al
Page 117 and 118:
Chapitre 4Une procédure de recherc
Page 119 and 120:
4.3 Problèmes de couv erture minim
Page 121 and 122:
4.4 Un premier algorithmeoù C (X)
Page 123 and 124:
4.5 Banc d’essai4.5 Banc d’essa
Page 125 and 126:
4.7 Reche rche lo cale tab ou[ Capr
Page 127 and 128:
4.8 Exp ériment ations greedy (↵
Page 129 and 130:
4.9 Exp ériment ations greedy ( 1
Page 131:
4.11 Bibliographie comme ntéeco mp
Page 134 and 135:
Chapitre 5 - Les algorithmes évolu
Page 136 and 137:
Page 138 and 139:
Page 140 and 141:
Page 142 and 143:
Page 144 and 145:
10.80.60.40.20-2 -1.5 -1 -0.5 0 0.5
Page 146 and 147:
Page 148 and 149:
Page 150 and 151:
Page 152 and 153:
Page 154 and 155:
Page 156 and 157:
Page 158 and 159:
Page 160 and 161:
Page 162 and 163:
Page 164 and 165:
Page 166 and 167:
Page 168 and 169:
Page 170 and 171:
Page 172 and 173:
Page 174 and 175:
Page 176 and 177:
Page 178 and 179:
Page 180 and 181:
Page 182 and 183:
Page 184 and 185:
Page 186 and 187:
Page 188 and 189:
Page 190 and 191:
Page 193 and 194:
Chapitre 6Les fourmis artificielles
Page 195 and 196:
6.2 L’intelligence collective des
Page 197 and 198:
6.3 La mo délisation du comp ortem
Page 199 and 200:
6.4 L’optimisation combinatoire a
Page 201 and 202:
Page 203 and 204:
Page 205 and 206:
Page 207 and 208:
Page 209 and 210:
Page 211 and 212:
Page 213 and 214:
Page 215:
6.6 Bibliographie comme ntéeph é
Page 218 and 219:
Chapitre 7 - Les essaims particulai
Page 220 and 221:
Page 222 and 223:
Page 224 and 225:
Page 226 and 227:
Page 228 and 229:
Page 230 and 231:
Page 232 and 233:
Page 234 and 235:
Page 236 and 237:
Page 238 and 239:
Page 241:
Deuxième partieVariantes, extensio
Page 244 and 245:
Chapitre 8 - Quelques autres métah
Page 246 and 247:
Page 248 and 249:
Page 250 and 251:
Page 252 and 253:
Page 254 and 255:
,,,Chapitre 8 - Quelques autres mé
Page 256 and 257:
Page 258 and 259:
Page 260 and 261:
Page 262 and 263:
Page 264 and 265:
Page 266 and 267:
Page 268 and 269:
Page 271 and 272:
Chapitre 9Les autres algorithmesd
Page 273 and 274:
9.1 Les abeilleséc lai reu se est
Page 275 and 276:
9.1 Les ab eilles9.1.2.1 Choix des
Page 277 and 278:
9.1 Les ab eillesAl gorit hm e 9.6
Page 279 and 280:
9.2 À la rech erche de l’harmoni
Page 281 and 282:
9.2 À la rech erche de l’harmoni
Page 283 and 284:
9.3 L’écholo calisation des micr
Page 285 and 286:
9.3 L’écholo calisation des micr
Page 287 and 288:
9.4 La nature est source de b eauco
Page 289:
9.6 Bibliographie comme ntéela nat
Page 292 and 293:
Chapitre 10 - Optimisation multimo
Page 294 and 295:
Page 296 and 297:
Page 298 and 299:
Page 300 and 301:
Page 302 and 303:
Page 304 and 305:
Page 306 and 307:
Page 308 and 309:
Page 310 and 311:
Page 312 and 313:
Page 314 and 315:
Page 316 and 317:
Page 318 and 319:
Page 320 and 321:
Page 322 and 323:
Page 324 and 325:
Page 326 and 327:
Page 328 and 329:
Page 331 and 332:
Chapitre 11Extensions des algorithm
Page 333 and 334:
11.2 La p énalisation11.2 La péna
Page 335 and 336:
11.2 La p énalisationAvec l ’a p
Page 337 and 338:
11.2 La p énalisationoù ⌧ est l
Page 339 and 340:
11.2 La p énalisationoù vj ( x)j
Page 341 and 342:
11.2 La p énalisationoù mj=1 vj
Page 343 and 344:
11.3 Sup ériorité des individus r
Page 345 and 346:
11.4 Reche rche des solutions réal
Page 347 and 348:
11.5 Prés ervation de la faisabili
Page 349 and 350:
11.5 Prés ervation de la faisabili
Page 351 and 352:
11.6 Métho des multi-objectifs11 .
Page 353 and 354:
11.8 Conclusiontraitée par un algo
Page 355 and 356:
Chapitre 12Techniques de modélisat
Page 357 and 358:
12.2 Métho des de décomp ositionc
Page 359 and 360:
12.2 Métho des de décomp ositionP
Page 361 and 362:
12.2 Métho des de décomp ositionP
Page 363 and 364:
12.3 Mo délisation du problèmeFig
Page 365 and 366:
12.4 Gestion de p opulation et prog
Page 367 and 368:
Page 369 and 370:
Page 371 and 372:
12.5 Comparaison d’heu ris tiques
Page 373 and 374:
12.5 Comparaison d’heu ris tiques
Page 375 and 376:
12.5 Comparaison d’heuristiquesth
Page 377:
12.6 Conclusions12.6 ConclusionsNou
Page 381 and 382:
Chapitre 13Techniques d’hybridati
Page 383 and 384:
13.1 Les sys tèmes logistiquesFigu
Page 385 and 386:
13.1 Les sys tèmes logistiquesFigu
Page 387 and 388:
13.2 Les tec hniques hybrides13 .1
Page 389 and 390:
13.2 Les tec hniques hybridesLes te
Page 391 and 392:
13.2 Les tec hniques hybridesen il
Page 393 and 394:
13.2 Les tec hniques hybridesIncer-
Page 395 and 396:
13.3 Application p our le pilotage
Page 397 and 398:
Page 399 and 400:
Page 401 and 402:
Page 403 and 404:
Page 405 and 406:
Chapitre 14Métaheuristiques pourle
Page 407 and 408:
14.2 Les problèmes de tournées de
Page 409 and 410:
14.3 Heur is tiques simples et rech
Page 411 and 412:
Page 413 and 414:
Page 415 and 416:
Page 417 and 418:
14.4 Méta heuristique sf en êt re
Page 419 and 420:
14.4 Méta heuristique sle VRPTW [
Page 421 and 422:
14.5 Approche SplitGendreau et al.
Page 423 and 424:
14.5 Approche Splitde t ou rné e s
Page 425 and 426:
14.5 Approche SplitAl gorit hm e 14
Page 427 and 428:
14.6 Exemple de métah euristique a
Page 429 and 430:
14.7 ConclusionOn engendre ainsi un
Page 431 and 432:
Chapitre 15Applications en gestiond
Page 433 and 434:
15.2 Optimisation des routes aérie
Page 435 and 436:
Page 437 and 438:
Page 439 and 440:
Page 441 and 442:
Page 443 and 444:
Page 445 and 446:
15.3 Optimisation de l’espace aé
Page 447 and 448:
Page 449 and 450:
Page 451 and 452:
Page 453 and 454:
Page 455 and 456:
Page 457 and 458:
Page 459 and 460:
15.5 Optimisation du trafic aérop
Page 461 and 462:
Page 463 and 464:
Page 465 and 466:
Page 467 and 468:
15.6 Résolution de conflits aérie
Page 469 and 470:
Page 471 and 472:
Page 473 and 474:
15.8 Bibliographie comme ntéeDans
Page 475 and 476:
15.8 Bibliographie comme ntée[Gian
Page 477:
15.8 Bibliographie comme ntée15 .8
Page 480 and 481:
C on c lu si o nsi non qu elq ues d
Page 482 and 483:
Méta heuristique s[Al-Sharhan et a
Page 484 and 485:
Méta heuristique s[Beasley 83] Bea
Page 486 and 487:
Méta heuristique s[Brandão 11] Br
Page 488 and 489:
Méta heuristique s[Cicirello et al
Page 490 and 491:
Méta heuristique s[Cramer 85] Cram
Page 492 and 493:
Méta heuristique s[Deroussi et al.
Page 494 and 495:
Méta heuristique s[Faigle et al. 9
Page 496 and 497:
Méta heuristique s[Garcia-Na jera
Page 498 and 499:
Méta heuristique s[Goldberg et al.
Page 500 and 501:
Méta heuristique s[Hartl et al. 06
Page 502 and 503:
Méta heuristique sM. Dorigo, M. Bi
Page 504 and 505:
Méta heuristique s[Koza 94] Koz a
Page 506 and 507:
Méta heuristique s[Li 07] Li, X. A
Page 508 and 509:
Méta heuristique s[Mautor et al. 9
Page 510 and 511:
Méta heuristique s[Monmarché et a
Page 512 and 513:
Méta heuristique s[Or 76] Or, I. T
Page 514 and 515:
Méta heuristique s[Popovi 12] ć e
Page 516 and 517:
Méta heuristique s[Reyes-Sierra et
Page 518 and 519:
Méta heuristique s[Schoenauer et a
Page 520 and 521:
Méta heuristique s[Souriau ff et a
Page 522 and 523:
Méta heuristique s[Teghem et al. 0
Page 524 and 525:
Méta heuristique s[Wagner et al. 0
Page 526 and 527:
Méta heuristique s[Yao et al. 96]Y
Page 529 and 530:
Indexabeille, 253ACO , 1 8 3adaptat
Page 531 and 532:
Indexhybrides (métho des), 15, 334
Page 533 and 534:
Indexlocale, 56, 78, 80, 93, 97par
show all

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

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?