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

Recommendations

Info

Méta heuristique sl’“exp érience” de l’utilisateur, plutôt qu’à l’applic ation fi dèle de règle s bien étab lie s .Les efforts de recherche en cours, par exemple sur l’analyse des “paysages d’énergie”,ou sur la mise au p oint d’une taxinomie des métho des hybrides, visent à remédier àce tte si tua tio n, p ér ille use à te rme p our la cr édib ili té des mé tah euri sti que s. . . Noustenteron s néanmoins d’ébau cher, dans le chapitre 12 de ce livre, une technique d’aideà la sélection d’une métaheurist iqu e.Plan de l’ouvrageL’ouvrage comp orte trois parties.La première partie est consacrée à la présentation détaillée des métaheuristiquesles plus répandues :– la métho de du recuit simu lé ;– la recherche tab ou ;– la recherche à voisinages variab les ;– la métho de GRASP ;– les algorithmes évolutionnaires ;– les fourmis artificielles ;– les essaims particulaires.Chacune de ces métahe uri stiques est en réalité une famille de métho des, dont nousessayons de dé gag er les él éme nts es sen tie ls.Dans la seconde partie, nous présentons quelques autres métah e uristiques, moinsrépandues ou ém e rgentes. Puis nous décrivons les extensions des métaheuristiques(optimisation multi-ob jectif, optimisation sous contraintes. . . ) et quelques voies dereche rche. Enfin, nous ab ordons le problème du choix d’u n e m é taheuristique et nousdé c ri vo ns de u x dé m ar ch es un ifi ca t ri ce s q ui t en de nt à a tt énue r la di ffic ul té de ce c ho ix .La dernière partie rass emble trois études de cas :– l’optimisation de systèmes logistiques à l’aide de techniques d’hybridation àba s e de m ét ah eu ri st iq ue s . Ce t te é tu de e st ré di g ée pa r Laurent Deroussi,Nathalie Grangeon et Sylvie Norre(LIMOS, Montluçon) ;– l’optimi sation de tournées de véhicules. Cette étude de cas est rédigée parCaroline Prodhon et Christian Prins (LOSI, UTT, Troyes) ;– des applications en gestion du trafic aérien. Cette étude de cas est rédigée parNicolas Durand, Dav i d G i a n a z z a , Jean-Baptiste Gotteland,CharlieVan ar et et Jea n -Marc Alliot (ENAC et IRIT, Toulouse).- 18 -
Première partiePrésentation des principalesmétaheuristiques19
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 18 and 19: Méta heuristique sP ie rr eH an se
Page 20 and 21: Méta heuristique saussi des “pro
Page 22 and 23: Méta heuristique sasso cié à un
Page 24 and 25: Méta heuristique sÉTAT « VISQUEU
Page 26 and 27: Méta heuristique sFigure 5 - Trans
Page 28 and 29: Méta heuristique sCONFIGURATION IN
Page 30 and 31: Méta heuristique s0 0 1 1 0 1 0 10
Page 32 and 33: Méta heuristique s(1)(2)(3)Figure
Page 34 and 35: Méta heuristique sPlace des métah
Page 39 and 40: Chapitre 1La méthode du recuit sim
Page 41 and 42: 1.2 Prés entation de la métho deT
Page 43 and 44: 1.3 Appr oches théo riquesb ea uc
Page 45 and 46: 1.3 Appr oches théo riquesamélior
Page 47 and 48: 1.4 Parallélisation de l’algorit
Page 49 and 50: 1.4 Parallélisation de l’algorit
Page 51 and 52: 1.5 Quelques applicationsFigure 1.2
Page 53 and 54: 1.5 Quelques applicationsdé s or d
Page 55 and 56: 1.5 Quelques applicationsco nst ata
Page 57 and 58: 1.5 Quelques applicationsl’op ér
Page 59 and 60: 1.8 Annexe : mo délisation du recu
Page 67: 1.9 Bibliographie comme ntée[Saït
Page 70 and 71: Chapitre 2 - La rech erche avec tab
Page 86 and 87:
Chapitre 2 - La rech erche avec tab
Page 88 and 89:
Page 90 and 91:
Page 92 and 93:
Page 94 and 95:
Page 96 and 97:
Chapitre 3 - La rech erche à voisi
Page 98 and 99:
Page 100 and 101:
Page 102 and 103:
Page 104 and 105:
Page 106 and 107:
Page 108 and 109:
Page 110 and 111:
Page 112 and 113:
Page 114 and 115:
Page 116 and 117:
Page 118 and 119:
Chapitre 4 - La métho de GRASP4.2
Page 120 and 121:
Chapitre 4 - La métho de GRASPmin
Page 122 and 123:
Chapitre 4 - La métho de GRASPgree
Page 124 and 125:
Chapitre 4 - La métho de GRASPLes
Page 126 and 127:
Chapitre 4 - La métho de GRASPest
Page 128 and 129:
Chapitre 4 - La métho de GRASPdu n
Page 130 and 131:
Chapitre 4 - La métho de GRASP4.10
Page 133 and 134:
Chapitre 5Les algorithmes évolutio
Page 135 and 136:
5.2 L’algorithme évolu tionnaire
Page 137 and 138:
5.2 L’algorithme évolu tionnaire
Page 139 and 140:
5.3 Op érateurs de sélectiontaill
Page 141 and 142:
5.3 Op érateurs de sélectionà la
Page 143 and 144:
5.3 Op érateurs de sélectionLa va
Page 145 and 146:
5.3 Op érateurs de sélectionex is
Page 147 and 148:
5.3 Op érateurs de sélection5.3.4
Page 149 and 150:
5.3 Op érateurs de sélectiongén
Page 151 and 152:
5.4 Op érateurs de variation et re
Page 153 and 154:
5.4 Op érateurs de variation et re
Page 155 and 156:
5.5 Repré sentation binaire5.5 Rep
Page 157 and 158:
5.5 Repré sentation binaireUtiliso
Page 159 and 160:
5.6 Repré sentation réellevar i a
Page 161 and 162:
5.6 Repré sentation réelleauteurs
Page 163 and 164:
5.6 Repré sentation réelleAl gori
Page 165 and 166:
5.6 Repré sentation réelleH = ( D
Page 167 and 168:
5.7 Exemples de repré sentatio ns
Page 169 and 170:
5.7 Exemples de repré sentatio ns
Page 171 and 172:
5.8 La repré sentatio n arbore sce
Page 173 and 174:
Page 175 and 176:
Page 177 and 178:
Page 179 and 180:
5.9 Cas particulier des algorithmes
Page 181 and 182:
5.10 Stratégie d’évolution par
Page 183 and 184:
Page 185 and 186:
Page 187 and 188:
Page 189 and 190:
5.11 ConclusionFonctions bien condi
Page 191:
5.13 Bibliographie comme ntéeop é
Page 194 and 195:
Chapitre 6 - Les fourmis artificiel
Page 196 and 197:
Page 198 and 199:
Page 200 and 201:
Page 202 and 203:
Page 204 and 205:
Page 206 and 207:
Page 208 and 209:
Page 210 and 211:
Page 212 and 213:
Page 214 and 215:
40353025201510500 10 20 30 40 50 60
Page 217 and 218:
Chapitre 7Les essaims particulaires
Page 219 and 220:
7.2 Les ingrédients de l’optimis
Page 221 and 222:
Page 223 and 224:
Page 225 and 226:
7.3 Quelques versions d’OEPaléat
Page 227 and 228:
7.3 Quelques versions d’OEPLe p o
Page 229 and 230:
7.4 Applications et variantesSi né
Page 231 and 232:
7.6 Annexe7.6 Annexe7. 6. 1 Un ex e
Page 233 and 234:
7.6 Annexetance/valeur, p our treiz
Page 235 and 236:
7.6 AnnexeFormalisation dans le cas
Page 237 and 238:
7.6 Annexe7. 6. 5 De l ’i mp or t
Page 239:
7.8 Bibliographie comme ntée[Clerc
Page 243 and 244:
Chapitre 8Quelques autresmétaheuri
Page 245 and 246:
8.2 Syst èmes immunitaires artific
Page 247 and 248:
Page 249 and 250:
Page 251 and 252:
8.3 L’évolution différentielleL
Page 253 and 254:
8.3 L’évolution différentielleD
Page 255 and 256:
8.3 L’évolution différentielleL
Page 257 and 258:
8.4 L’algorithme d’optimisation
Page 259 and 260:
8.4 L’algorithme d’optimisation
Page 261 and 262:
8.5 L’algorithme à base de biog
Page 263 and 264:
Page 265 and 266:
Page 267 and 268:
8.7 Les algorithmes co évolu tionn
Page 269:
8.9 Bibliographie comme ntéesi mpl
Page 272 and 273:
Chapitre 9 - Les autres algorithmes
Page 274 and 275:
Page 276 and 277:
Page 278 and 279:
Page 280 and 281:
Page 282 and 283:
Page 284 and 285:
Page 286 and 287:
Page 288 and 289:
Page 291 and 292:
Chapitre 10Extensions des algorithm
Page 293 and 294:
10.2 Optimisation multimo daledynam
Page 295 and 296:
10.2 Optimisation multimo dale10.2.
Page 297 and 298:
10.2 Optimisation multimo dalesans
Page 299 and 300:
10.2 Optimisation multimo dalef ai
Page 301 and 302:
10.3 Optimisation multi-objectiffin
Page 303 and 304:
10.3 Optimisation multi-objectif10
Page 305 and 306:
10.3 Optimisation multi-objectifval
Page 307 and 308:
10.3 Optimisation multi-objectifchu
Page 309 and 310:
10.3 Optimisation multi-objectifLa
Page 311 and 312:
10.3 Optimisation multi-objectifun
Page 313 and 314:
Page 315 and 316:
10.3 Optimisation multi-objectif F
Page 317 and 318:
Page 319 and 320:
10.3 Optimisation multi-objectif10
Page 321 and 322:
10.3 Optimisation multi-objectifque
Page 323 and 324:
Page 325 and 326:
10.3 Optimisation multi-objectifPer
Page 327 and 328:
10.3 Optimisation multi-objectiflor
Page 329:
10.4 Conclusion10.3.5.5 Métho des
Page 332 and 333:
Chapitre 11 - Optimisation sous con
Page 334 and 335:
Page 336 and 337:
Page 338 and 339:
Page 340 and 341:
Page 342 and 343:
Page 344 and 345:
Page 346 and 347:
Page 348 and 349:
Page 350 and 351:
Page 352 and 353:
Page 354 and 355:
Page 356 and 357:
Chapitre 12 - Techniques de mo dél
Page 358 and 359:
Page 360 and 361:
Page 362 and 363:
Page 364 and 365:
Page 366 and 367:
Page 368 and 369:
Page 370 and 371:
Page 372 and 373:
Page 374 and 375:
Page 376 and 377:
Page 379:
Troisième partieQuelques domainesd
Page 382 and 383:
Chapitre 13 - Techniques d’hybrid
Page 384 and 385:
Page 386 and 387:
Page 388 and 389:
Page 390 and 391:
Page 392 and 393:
Page 394 and 395:
Page 396 and 397:
Page 398 and 399:
Page 400 and 401:
Page 402 and 403:
Page 404 and 405:
Page 406 and 407:
Chapitre 14 - Tournées de véhicul
Page 408 and 409:
Page 410 and 411:
Page 412 and 413:
Page 414 and 415:
Page 416 and 417:
Page 418 and 419:
Page 420 and 421:
Page 422 and 423:
Page 424 and 425:
Page 426 and 427:
Page 428 and 429:
Page 430 and 431:
Page 432 and 433:
Chapitre 15 - Applications en gesti
Page 434 and 435:
Page 436 and 437:
Page 438 and 439:
Page 440 and 441:
Page 442 and 443:
Page 444 and 445:
Page 446 and 447:
Page 448 and 449:
Page 450 and 451:
Page 452 and 453:
Page 454 and 455:
Page 456 and 457:
Page 458 and 459:
Page 460 and 461:
Page 462 and 463:
Page 464 and 465:
Page 466 and 467:
Page 468 and 469:
Page 470 and 471:
2121Chapitre 15 - Applications en g
Page 472 and 473:
Page 474 and 475:
Page 476 and 477:
Page 479 and 480:
ConclusionCet ouvrage a montré de
Page 481 and 482:
Bibliographie[Aarts et al. 86] Aart
Page 483 and 484:
Bibliographie[Auger et al. 09]Auger
Page 485 and 486:
Bibliographie[Beyer 01] Beyer, H.-G
Page 487 and 488:
Bibliographie[Cerny 85] Cerny, V. T
Page 489 and 490:
Bibliographie[Cohoon et al. 87]Coho
Page 491 and 492:
Bibliographie[De La Maza et al. 93]
Page 493 and 494:
Bibliographie[Durand et al. 10] Dur
Page 495 and 496:
Bibliographie[Fonseca et al. 06] Fo
Page 497 and 498:
Bibliographie[Gianazza et al. 02b]G
Page 499 and 500:
Bibliographie[Haddad et al. 06]Hadd
Page 501 and 502:
Bibliographie[Ho et al. 06]Ho, S.,
Page 503 and 504:
Bibliographie[Karaboga et al. 09] K
Page 505 and 506:
Bibliographie[Laumanns et al. 02]La
Page 507 and 508:
Bibliographie[MacQueen 67] MacQueen
Page 509 and 510:
Bibliographie[Michalewicz et al. 96
Page 511 and 512:
BibliographieFea t u re S e l ec t
Page 513 and 514:
Bibliographie[Passino 02] Passino,
Page 515 and 516:
Bibliographie[Prodhon 11] Prodhon,
Page 517 and 518:
Bibliographie[Ruan et al. 13]Ru an
Page 519 and 520:
Bibliographie[Siarry et al. 84] Sia
Page 521 and 522:
Bibliographie[Syswerda 93] Syswerda
Page 523 and 524:
Bibliographie[Ursani et al. 11] Urs
Page 525 and 526:
Bibliographie[Wolp ert et al. 97] W
Page 527:
Bibliographie[Zou et al. 10]Zou, Q.
Page 530 and 531:
Méta heuristique sprématurée, 12
Page 532 and 533:
Méta heuristique sNSGA-I I, 291obj
Page 534:
Méta heuristique sultramétricité
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?