| Titre : | Optimisation multiobjectifs par des approches evolutionnaires hybrides |
| Auteurs : | Abdelhakim Cheriet, Auteur ; Mohamed Chaouki Batouche, Directeur de thèse |
| Support: | Mémoire magistere |
| Editeur : | Biskra [Algerie] : Université Mohamed Khider, 2007 |
| Langues: | Français |
| Mots-clés: | Optimisation multiobjectif, métaheuristique, algorithme évolutionnaire, algorithme à estimation de distribution, Copule, Many-objective, SVM. |
| Résumé : |
Dans la plupart des problèmes réels que ce soit technologiques, économiques ou
autres, une compétence du point de vue choix de décisions à faire est indispensable. Un décideur doit avoir une très bonne connaissance autour du problème traité pour que les choix puissent être optimaux des points de vue objectifs à atteindre. Néanmoins, les problèmes du monde réel comportent plusieurs objectifs à atteindre, la recherche des solutions qui optimisent les objectifs simultanément rentre dans le domaine d’optimisation multiobjectif. La résolution des problèmes d’optimisation multiobjectif vise à trouver un ensemble de solutions appelé Solution Pareto. Les solutions Pareto sont celles qui ne sont dominées par aucune autre solution. Plusieurs méthodes ont été utilisées pour résoudre ce problème, dont les algorithmes évolutionnaires sont les mieux adaptés. Ceci est du à leurs capacités de trouver les bonnes approximations des solutions Pareto. La plupart des algorithmes évolutionnaires sont classés selon la manière d’intervention du décideur en trois catégories : a priori, a posteriori et interactif. L’algorithme fournit des solutions optimales au décideur qui va choisir celles qu’il le convient. Dans toutes les catégories, si le décideur n’est pas satisfait par les solutions fournies, l’algorithme doit être ré-exécuté, ce qui est vu comme un inconvénient. A_n de faire face à ce problème, l’algorithme utilisé doit être capable de modéliser les solutions obtenues lors de la phase d’optimisation. Un tel modèle sera exploité dans le cas où de nouvelles solutions sont requises. Pour cela, un algorithme à estimation de distribution est utilisé. Il vise à estimer la distribution de meilleures solutions qui sera utilisée pour générer des nouvelles solutions avec les mêmes caractéristiques d’optimalité. Dans cette thèse, un algorithme, nommé CEDA, utilisant les copules pour modéliser les dépendances entre les variables du problème est proposé. Pour bien exploiter les capacités de cet algorithme, une hybridation avec une méthode d’apprentissage SVM est proposée. L’objectif est de minimiser le temps d’exécution dans la phase de mise à jour des solutions surtout dans les problèmes Many-objective. L’utilisation de CEDA sur plusieurs problèmes benchmarks de la littérature montre que notre proposition donne des meilleures qualités. standpoint of choice of decisions to make is essential. A decision maker must have a very good knowledge about the problem addressed so that choices can be optimal from the perspective objectives. However, real world problems have multiple objectives, seeking solutions that optimize objectives simultaneously falls within the field of multi-objective optimization. The resolution of multi-objective optimization problems aims to find a set of solutions called Pareto solution. The Pareto solutions are those that are not dominated by any other solution. Several methods have been used to solve this problem, the evolutionary algorithms are the best suited. This is due to their ability to find good approximations of Pareto solutions. Most evolutionary algorithms are classified according to the manner of intervention of the decision maker into three categories: a priori, posteriori and interactive. The algorithm provides optimum solutions to maker who will choose the ones appropriate. In all classes, if the decision maker is not satisfied with the solutions provided, the algorithm needs to be re-run, which is seen as a disadvantage. To cope with this problem, the algorithm should be able to model the solutions obtained during the optimization phase. Such a model will be operated if new solutions are required. For this, an estimation of distribution algorithm is used. It aims to estimate the distribution of the best solutions that will be used to generate new solutions with the same characteristics of optimality. In this thesis, an algorithm called CEDA, using the copula to model the dependencies between the variables of the problem is proposed. To fully exploit the capabilities of this algorithm, hybridization with a learning method SVM is proposed. The objective is to minimize the execution time in the update solutions phase especially in Many-objective problems. Use of CEDA on several literature benchmarks problems shows that our proposal provides the best qualities. |
Exemplaires (2)
| Cote | Support | Localisation | Disponibilité | Emplacement |
|---|---|---|---|---|
| in19 | Mémoire magistere | Bibliothèque centrale El Allia | Exclu du prêt | Salle de consultation |
| in19 | Mémoire magistere | Bibliothèque centrale El Allia | Exclu du prêt | Salle de consultation |
Consulter en ligne (1)
 Consulter en ligne URL |
