Modèles de fourragement bio-inspirés pour la résolution des problèmes d’optimisation à contraintes de ressources

Abstract

Les algorithmes d'optimisation bio-inspirés sont des approches émergentes, robustes et concurrentes qui reposent sur les principes et l'inspiration de l'évolution biologique de la nature. Un grand nombre d'études ont porté sur les caractéristiques des comportements des essaims, tels que les oiseaux, les particules, les poissons, ainsi que sur d'autres insectes, notamment les fourmis et les abeilles, en raison de leur incroyable capacité à résoudre de nombreux problèmes très pratiques d'ingénierie et d'optimisation. Cette recherche se concentre sur les modèles de l’intelligence en essaim d'inspiration biologique basée sur le comportement de fourragement des insectes sociaux, et plus particulièrement le Bees Algorithm (BA) qui s’inspire du comportement de recherche de fourragement de nourriture des abeilles dans la nature. Le BA a été appliqué à plusieurs problèmes d'optimisation, y compris la reconnaissance de formes, l’exploration de données, la conception mécanique, la planification d'ateliers, la planification des chemins robotisés et l’analyse d’images. En raison de son potentiel d'outil d'optimisation global efficace, le BA a été choisie. Ce travail de thèse présente trois nouvelles versions améliorées de Bees Algorithm (Hybrid Firefly- Bee Algorithm : HFBA, Permutation-based Bees Algorithm : PBA et Bees Algorithm based on Negative Selection : BANS) visant à accélérer son fonctionnement et la localisation de l'optimum global pour différentes catégories de problèmes d'optimisation, à savoir les problèmes d'optimisation continus ou discrets, avec ou sans contraintes. Les nouvelles versions de BA ont été soumises à différents Benchmark de fonctions complexes de types différents ainsi que le problème d’ordonnancement de projet sous contraintes de ressources ou RCPSP ("Resource-Constrained Project Scheduling Problem"), qui est un problème d’affectation de ressources NP-difficile. Les résultats des expériences sont ensuite comparés à la variante standard de BA et à d'autres procédures d'intelligence en essaim et différentes méthodes de la littérature en termes de solution trouvée et de vitesse de convergence. L’analyse des résultats obtenus a généralement confirmé que les modifications proposées sur le Bees Algorithm amélioraient nettement leurs performances.