Professional Documents
Culture Documents
INTRODUCTION
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 :
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
v i (t )
sa position courante :
x i ( t )=
x i ( t1 ) +
v i (t)
x i ( t ) Position de la particule Pi
v i vitesse de la particule
Pi
Pi
x pbest
Position de la particule
x gbest
Pi
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
c1
et
c2
c 1+c 2<
sont
4.
V min
V max
et une
r1
et
r2
et
c2
(acclration positive
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.