I.

INTRODUCTION

Depuis que lordinateur existe, lhomme na cess

de le perfectionner pour quil soit le plus rapide et le plus
performant, mais rien de cela ne serait possible sans la
partie logiciel qui vient simplant sur ce support. Le
logiciel de par son histoire a lui aussi fait un bon
gigantesque rcemment et encore plus ces dernires
annes.
A laire ou les logiciels les plus rapide du march
ne peuvent plus rsoudre certains problmes (de part
leur complexit), lhomme sinspire de plus en plus de la
nature qui lentoure pour mettre en place des
algorithmes simulant le comportement des animaux,
leurs actions ou ractions vis--vis dun problme et
mme les mthodes quils utilisent pour y faire face !
Mme si ces mthodes sont sujette de
nombreuses controverses de part leur non-exactitude,
ils permettent de trouver facilement et rapidement la
solution la plus approche du loptimale si ce dernier
existe, et reste un moyen trs efficace pour traitement
de problmes complexes pouvant prendre des annes de
calculs sans rsultats.
Dans ce sujet, nous allons faire la connaissance
avec une de ces mthodes, celle-ci est dite
optimisation par essaims de particule dont lide
directrice est la simulation du comportement collectif des
oiseaux lintrieur dune nue.
Lorsque le soc de la charrue pntre le sol pour
la premire fois en automne le champ est vide de tout
goland et quelques minutes aprs une nue
accompagne le tracteur. Au dbut du labour un oiseau
dcouvre la source de nourriture et trs rapidement un
autre arrive et ainsi de suite. Que sest-il passer ? Cest
ce que nous allons comprendre dans ce sujet

II.UN PEU DHISTOIRE

L'optimisation par Essaim de particule (OEP) ou bien (PSO Particle
swarm optimization), a t invente par Russel Eberhart (ingnieur en
lectricit) et James Kennedy (socio-psychologue) en 1995. Au dpart J.
Kennedy et R. Eberhart cherchaient simuler la capacit des oiseaux
voler de faon synchrone et leur aptitude changer brusquement de
direction tout en restant en une formation optimale. Le modle quils ont
propos ensuite t tendu en un algorithme simple et efficace
doptimisation.

III.DEFINITIONS
III.1.Optimisation Par Essaims de Particule :
L'optimisation1 par Essaim de particule (OEP) ou bien (PSO Particle
swarm optimization) est une technique utilise pour explorer l'espace de
recherche d'un problme quelconque pour trouver l'ensemble des paramtres
qui maximise/minimise un objectif particulier. Cet objectif est atteint en suivant
un algorithme ddi que lon verra par la suite.

III.2.Notion de voisinage :
Le voisinage constitue la structure du rseau social. Les
particules lintrieur dun voisinage communiquent entre-elles. En
gnral, pour une nue doiseaux, le voisinage suit trois types de
topologies :

Topologie en toile (Figure1 (a)) : le rseau social est complet, donc

une communication complte et une attirance vers la meilleure
particule.

Topologie en anneau (Figure1 (b)) : chaque particule communique

avec n voisines immdiates. Chaque particule tend se dplacer
vers la meilleure dans son voisinage local.
Topologie en rayon (Figure1 (c)) : une particule "centrale" est
connecte toutes les autres. Seule cette particule centrale ajuste
sa position vers la meilleure, si cela provoque une amlioration
linformation est propage aux autres.

Figure 1 : diffrents types de topologie pour un essaim de particules.

1 : L'optimisation est le mcanisme par lequel on trouve la valeur maximale ou
minimale d'une fonction. Ce mcanisme est utilis dans plusieurs domaines tels que: la
physique, chimie, l'conomie, et linformatiqueetc. o le but est de maximiser
l'efficacit, la productivit et d'autre mesures.

IV.LALGORITHME PSO
Chaque particule reprsente une solution potentielle dans
lespace de recherche. La nouvelle position dune particule est
dtermine en fonction de sa propre valeur et celle de ses voisines. Soit

x i ( t ) la position de la particule Pi au temps t, sa position est modifie en

ajoutant une vitesse

v i (t )

sa position courante :

x i ( t )=
x i ( t1 ) +
v i (t)

La vitesse de chaque particule est mise jour suivant l'quation

suivante:
v i(t+1)= v i(t )+ c 1 r 1[x p i(t)x i(t)]+ c 2 r 2[g(t)x i(t )]

vi(t) est la vitesse de particule i l'instant t et x i(t) est la position de

particule i l'instant t, les paramtres w, c 1, et c2 (0 w 1.2, 0 c1
2, et 0 c2 2) sont des coefficients constants fixs par l'utilisateur, r 1
et r2 sont des nombres alatoires tirs chaque itration, g(t) est la
meilleure solution trouve jusqu' l'instant t et xpi(t) est la meilleure
solution trouve par le particule i. Cest le vecteur vitesse qui dirige le
processus de recherche et reflte la "sociabilit" des particules.
Les variables et paramtres de lalgorithme :
N nombre de particules

x i ( t ) Position de la particule Pi
v i vitesse de la particule

Pi

pbesti Meilleure fitness obtenue pour la particule

Pi

x pbest

Position de la particule

x gbest

Position de la particule ayant la meilleure fitness de toutes

Pi

pour la meilleure fitness

1 , 2 valeurs alatoires positives

Initialisations :
Initialiser alatoirement la population.
Traitement :
Rpter
Pour i de 1 N faire
F(
x i )> pbest i
Si
) Alors

pbesti F (
x i)

x pbest
i

xi

Fin Si
F(
x i )> gbest i
Si
) Alors

gbest i F (
x i)

x gbest
i

xi

Fin Si
Fin Pour
Pour i de 1 N faire

x pbest

x gbest
vi

v i+ 1

x i + 2
i

xi

xi
xi +
vi
Fin Pour
Jusqu ce que (le processus converge)
La variation de la vitesse est proportionnelle lloignement dune
solution par rapport la solution globale.
1 et 2
Les variables alatoires
peuvent tre dfinies de la faon
suivante :

{
r1

et

r2

1=r 1 c 1
2=r 2 c 2

suivent une loi uniforme sur [0..1] et

c1

constantes et reprsentent une acclration positive, avec

et

c2

c 1+c 2<

sont
4.

Le critre de convergence peut tre un nombre fixe ditrations,

suivant la fitness ou bien la variation lorsquelle tend vers 0.
On remarque quil y a Six paramtres qui rentrent en ligne de
compte :
1. La dimension du problme.
2. Le nombre de particules.
3. Les valeurs des coefficients .
4. La taille du voisinage.
5. La vitesse maximale.
6. Linertie.
La vitesse peut tre limite par une vitesse maximale
vitesse minimale

V min

V max

et une

pour viter que les particules se dplacent trop

rapidement ou trop lentement dune rgion une autre dans lespace de

recherche.
Un facteur dinertie peut tre appliqu la vitesse Pour contrler
linfluence de celle-ci.

V.APPLICATION DE LALGORITHME PSO

Nous allons dans ce titre appliquer la notion des essaims de
particules dans un problme de maximisation, on va essayer de trouver
le maximum global dune fonction en appliquant la thorie des PSO.
Limplmentation de ce projet t raliser laide du logiciel DELPHI7
qui utilise comme langage de programmation le pascal orient objet.
La fonction en question scrit de la forme :
expx sin ( 10 x )
La courbe dcrite par cette fonction est reprsente dans la figure qui
suit (Figure 2)

Figure 2 : Reprsentation de la courbe :

expx (1+ sin ( 10 x))

Pour commencer, nous allons gnrer une population de particules

rparties alatoirement sur le graphe.
La courbe reprsente la fonction sous 20 points, et nous
choisissant de prendre une population de 5 particules pour cette
exprience.
Comme paramtres,

r1

et

r2

[0..1], et on a pris la valeur de 2 pour

maximale)

qui suivent une loi uniforme sur

c1

et

c2

(acclration positive

Le paramtre qui influx sur la vitesse est trs important, celui-ci

not

et qui reprsente le facteur dinertie comme dit prcdemment

a t fix 0.8 aprs plusieurs essais exprimentales.

La figure 3 montre la gnration de la population et sa position sur le
graphe.

Figure 3 : Reprsentation de la population de particules.

On remarque ds le dbut que la population se rapproche
instinctivement vers la solution optimale globale comme montr dans la
figure 4.

Figure 4 : Reprsentation de la population de particules litration 5.

Plus on avance dans le nombre ditrations plus les particules se
rapprochent de loptimale, et ds quune des particules la atteint les
autres ne tardent pas a la suivre pour enfin la rejoindre dans loptimum
globale la position 3 avec la valeur 1.03781 vers litration 180
comme montr dans la figure 5.

Figure 5 : Rsultat de la lalgorithme PSO.

VI.AUTRE DOMAINES DAPPLICATIONS

Dans ce projet, nous avons vu lutilisation des PSO dans la
recherche dun optimum pour une fonction donn, mais cet algorithme
qui est lui-mme tir de la notion quutilise les nue doiseaux pour se
dplacer stend encore bien loin. Citons quelques uns :

La restauration dimage qui est converti en un problme

doptimisation et qui, dans ce cas, prsente une fonction cot et
qui doit tre optimise. La solution qui donne la valeur optimale
constitue limage dsire.
Recherche de minimas dans les missions de champs magntique.
Le principe de la nue d'oiseaux est un nouveau concept de
direction d'entreprise ; celui-ci place l'individu et les valeurs au
centre de l'intrt et intgre une attitude de direction.

COCLUSION
Les mta-heuristiques constituent une stratgie
de rsolution de plus en plus privilgie. Une des
particularits importantes des mta-heuristiques, rside
dans l'absence d'hypothses particulire sur la
rgularit de la fonction objective. Aucune hypothse
sur la continuit de cette fonction n'est requise, ses
drives successives ne sont pas ncessaires, ce qui
rend trs vaste le domaine d'application.
L'optimisation par essaims de particules
prsente un fort potentiel d'application pratique, mais
le choix de paramtres reste l'un des problmes de
l'optimisation par particules d'essaim, c'est trs difficile
de trouver des bons paramtres adapts la structure
du problme.
Les rsultats obtenues par PSO sont trs
satisfaisant et confirment bien la validit de
lalgorithme, sa simplicit dimplmentation lui donne
un
avantage
consquent,
nanmoins
par
lexprimentation, on a remarqu que la qualit des
solutions ne peut tre garantie mme en augmentant le
nombre ditrations.

REFERENCES
Jerome Onwunalu, Louis J. Durlofsky, Application of a particle
swarm optimization algorithm for determining optimum well location and
type , Smart Fields Meeting, 8 Avril 2009.
Maurice Clerc, Loptimisation par essaim particulaire , 2003.
Antoine Dutot et Damien Olivier, Optimisation par essaim de
particules Application au problme des n-Reines , Laboratoire
Informatique du Havre, Universit du Havre, 25 rue Philippe Lebon, 76600
Le Havre.
James Blondin, Particle Swarm Optimization: A Tutorial , 4 Septembre
2009.