Optimisation des algorithmes évolutionnaires par hybridation pour la résolution des problèmes multi-objectifs

Abstract

Optimisation des algorithmes évolutionnaires par hybridation pour la résolution des problèmes multi-objectifsActuellement, les problèmes d’optimisation sont omniprésents et deviennent de plus en plus complexes. L’objectif de l’optimisation est de minimiser les temps calculs, le coût et le risque ou maximiser le profit ou le gain, la qualité et l’efficacité etc.... La résolution satisfaisante d’un problème d’optimisation difficile, qui comporte un grand nombre de solutions sous-optimales, justifie le recours à des méthodes métaheuristiques puissante. Les algorithmes d'optimisation bio-inspirés sont des approches émergentes, robustes et concurrentes qui reposent sur les principes inspirées de l'évolution biologique de la nature. La majorité des algorithmes utilisés pour résoudre ces problèmes d’optimisation sont les approches évolutionnaires ou à population. Ces derniers sont des algorithmes stochastiques faisant évoluer une population de solutions candidates (individus) dans l’espace de recherche de manière itérative, dans l’espoir de converger vers des solutions satisfaisantes. Plusieurs travaux ont été proposés surdes versions améliorées de ces méta-heuristiques en ajoutant quelques techniques afin de leurs permettre de résoudre les problèmes d’optimisation d’une manière plus efficace. Le but de cette thèse est de proposer et de concevoir de nouvelles approches évolutionnaires hybrides et de les appliquer pour la résolution à des problèmes d’optimisation réels multi objectifs.Cette thèse vise à fournir des informations nouvelles et pertinentes sur la conception des paradigmes d'optimisation hybride inspirés de la nature. Ils combinent des méthodes évolutives avec des méthodes déterministes et d’apprentissages. Ces méthodes évolutionnaires hybrides donnent de meilleures performances lorsqu'elles sont appliquées à des tâches d'optimisation globale complexes et des recherches récentes ont montré l’importance de ces politiques d'hybridation.Ce travail de thèse présente deux nouvelles versions améliorées des algorithmes évolutionnaires (Hybrid evolutionary strategy Algorithmwith simplex method : ES-NM, hybrid multiobjective differential evolution Algorithm with opposition based learning method: MODE-OBL) visant à accélérer son fonctionnement et la localisation de l'optimum global pour différentes catégories de problèmes d'optimisation, àsavoir les problèmes d'optimisation mono et multi-objectifs.Les nouveaux algorithmes hybrides développées ont été soumis à différents Benchmark de fonctions complexes de différents types ainsi que le problème de portfolio. Les résultats des expériences sont ensuite comparés à la variante standard et à différentes méthodes de la littérature en termes de solutions trouvées et de vitesse de convergence. L’analyse des résultats obtenus a généralement confirmé que les modifications proposées sur les AEs amélioraient nettement leurs performances.