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

Avant -p ropos
Pa rc e q u ’ i ls m a n i p u le nt u n e p op u l a ti o n d ’ i n st a n c e s d e s o l u t io n s , l e s a lg o r i t hm e s
évol uti onna ire s sont pa rtic uli ère ment indi qué s pour prop os er un jeu de so lut ions
dive rs es , q ua nd une f on ct io n ob j ec ti f c om p or te pl us ie u rs o pt im um s g lo ba ux . Ai ns i ,
ils p euvent fournir un échantillon de solutions de compromis, lors de la résolution
de problèmes comportant plusieurs ob jectifs, éventuellement contradi ctoires. Ces
p os si bi lit és s ont p lus p ar ti cul iè re ment é vo q ué es au ch ap it re 10 .
Les algorithmes de colonies de fourmis (Ant Colony Algorithms)
Cette appro che, due à Colorni, Dorigo et Maniezzo [Colorni et al. 91 ], s’eff
orce
de s imul e r la c ap ac it é c ol le c ti ve de ré s ol ut io n de c er ta in s pr ob lè m es , o bs er vé e c he z
une c ol on ie de f ou rm is , do nt l es m em bre s s on t p o urt a nt i ndi v id ue ll em ent do t és de
f ac ul té s t rè s l im it ée s. Ap pa ru es sur t er re il y a q ue lq ue 1 00 m il li on s d’ a nné e s, l es
f ou rm is s on t en e ffet l ’u ne de s e sp è ce s l es pl us pr os pè re s : 10 m il li on s de m il li ar ds
d’ i ndi v id us, ré pa r ti s pa rt o ut sur la pl a nè te : l eu r p o id s t ot al e st du m êm e o rdr e de
grandeur que celui des humains ! Le succès de cette esp èce soulève de n ombreuses
questions. En particu lie r, les entomologistes ont analysé la collab oration qui s’établit
entre les fo urmi s p our al ler ch ercher de la no urrit ure à l’ ext éri eur de la fo urmi liè re ; il
est re marq uab le que les fo urmi s sui ve nt to ujo urs le même ch emi n et que ce ch emi n
soit le plus court p ossible. Cette conduite est le résultat d’un mo de de communic ation
indirecte, via l’environnement : la “stig mergie”. Chaque fourmi dép ose, le long de son
ch em i n , un e su b s t an c e chi m i q ue , dé n o m m é e “ p h é ro m o n e ” ; t o us l es m emb r e s de la
co lon ie p er çoi vent ce tte sub sta nce et or ientent pré fé renti ell eme nt leur ma rche vers les
régions les plus “ odorantes”.
Il en résulte notamment la faculté colle ctive de retrouver rapidement le plus court
ch em i n , s i c e l ui - c i s e t r o uve o b st r u é f o r tu i t e m ent p ar u n o b st a c l e ( vo ir fi gu r e 1 0 ) .
En s ’i ns pi ra nt de la mo dé l is at io n de ce c om p o rt em ent, D or ig o et al. ont prop osé un
no uvel a lg or it hm e p o ur la ré s ol ut io n du pr ob lè m e du voy ag eu r de c om me rc e . D ep ui s
ces travaux, la dé marc he a été ét end ue à b ea uco up d’ autr es pro blè mes d’ opti mis ati on,
combi nato ire s ou mê mes co nti nus.
Les algorithmes de colonies de fourmis p ossèdent plusieurs caractéristiques intéressantes
; me nti onno ns no tam ment le paral lélisme intrinsèque él evé , la flexibilité (une
co lon ie de fo urmi s est ca pab le de s’ ada pte r à des mo di ficat io ns de l’ env iron nem ent),
la robustesse (une colonie est apte à maintenir son activité si quelques individus sont
dé f ai ll a nt s) , la décentralisation (une colonie n’ob éit pas à une au torité centralisée)
et l’ auto-organisation (une colonie trouve d’e lle-même une solution, qui n’est pas
connue à l’avance). Cette démarche paraît de ce fait particulièrement indiquée p our les
pr ob lè m es distribués pa r na t ure , s usc e pt ib le s d’ évolution dynamique, ou qui requ ièrent
une forte tolérance aux pannes. À c e stade de déve lopp e ment d e ces alg orit hmes, l a
transp osition à chaque problème d’optimisation ne va cep endant pas de soi : elle doit
f ai re l ’o b j et d’ un t ra it em ent sp é ci fiq ue , pl us ou m oi ns a rdu . . .
- 13 -