e-STA copyright 2011 by see

Volume 8, N1, pp 23-30

Comparaison entre les EP et les CF

pour lOptimisation
des Systmes Commutations
Nesrine MAJDOUB Anis SAKLY Mohamed BENREJEB
Unit de Recherche LARA Ecole Nationale dIngnieurs de Unit de Recherche LARA
Automatique Monastir Automatique
Ecole Nationale dIngnieurs de Tunis Ibn El Jazzar, Sakness, 5019, Monastir, Ecole Nationale dIngnieurs de Tunis
BP. 37, Le Belvdre, 1002 Tunis, Tunisie BP. 37, Le Belvdre, 1002 Tunis,
Tunisie sakly_anis@yahoo.fr Tunisie
majnesrine@yahoo.fr mohamed.benrejeb@enit.rnu.tn

Rsum Dans cet article, la commande optimale des systmes
commutations est base sur une approche hybride
comprenant une mthode conventionnelle et une mta-
heuristique. Les Essaims Particulaires (EP) et les Colonies de
Fourmis (CF) sont utiliss pour loptimisation des instants de
commutation en minimisant une fonction de performance,
dpendant de ces instants, dans un horizon fini. La
comparaison entre lOptimisation par Essaims Particulaires
(OEP) et lOptimisation par Colonies de Fourmis (OCF) est
tudie, travers un exemple numrique, en termes de vitesse
de convergence et defficacit lobtention dune solution
optimale globale.
Mots-clssystme commutation, commande optimale,
instants de commutation optimaux, Optimisation par Essaims
Particulaires (OEP), Optimisation par Colonies de Fourmis
(OCF).
I. INTRODUCTION
Les systmes commutations reprsentent une classe
particulire des systmes hybrides o la variable discrte
nest pas vue comme une variable dtat mais comme une
variable de contrle [1]. La formalisation hybride couvre de
nombreux domaines applicatifs : trafic routier arien,
robotique, informatique temps rels, cryptage, chane de
production, etc [2].
Le problme de la commande optimale a rcemment
attir un certain nombre de chercheurs. Dans [3], les auteurs
ont prsent une mthode de recherche directe de loptimum
des instants de commutation, associe une approche
itrative de programmation dynamique. La mise en uvre de
cette procdure est relativement dlicate et est simplifie
dans le cas dun nombre de pas dchantillonnage rduit ; car
elle ncessite la rsolution de deux quations : lune dans le
sens direct et lautre dans le sens rtrograde du temps [4].
Xu et Antsaklis [5] ont propos en 2004 une approche
base sur la mthode du gradient. Cette approche transforme
le problme en un problme quivalent paramtr par les
instants de commutation. Deux tapes ont t proposes,
ltape (a) traite un problme conventionnel de la commande
optimale qui dtermine le cot optimal en fonction des
squences dactivation de sous-systmes et des instants de
commutation. Ltape (b) traite un problme doptimisation
non linaire, qui dtermine les instants de commutation en se
basant sur la mthode du gradient. La difficult majeure de
cette approche est la non disponibilit dune forme explicite
de la drive premire de la fonction cot [4]. Aussi, la
mthode du gradient exige des rgularits sur la fonction
optimiser (continuit, convexit) et ne garantit pas
ncessairement une solution optimale globale [6].
Face aux difficults de mise en uvre de certaines
mthodes conventionnelles, et compte tenu du
dveloppement de la technologie informatise et de
lintelligence artificielle, des algorithmes sont apparus,
appels mta-heuristiques, ont pour but doptimiser les lois
de commande de systmes complexes [7, 8]. En particulier,
on distingue lOptimisation par essaims particulaires (OEP)
et lOptimisation par Colonies de Fourmis (OCF).
En effet, lOCF a t dveloppe dans [9] et compare
la mthode du gradient [5]. Il est dmontr que les rsultats
obtenus par lOCF sont proche que ceux obtenus par la
mthode du gradient. Dans [10], la comparaison entre lOEP
et lOAG (Optimisation par Algorithmes Gntiques) a
montr que les deux algorithmes convergent vers la solution

1
e-STA copyright 2011 by see
Volume 8, N1, pp 23-30

optimale globale mais lOEP prsente un temps dexcution i. pour t t0 , t f , les quations des variables dtat et
infrieur. Par consquent, il semblerait judicieux de
comparer les performances des algorithmes bass sur les CF les quations des variables adjointes issues de la
et les EP pour rsoudre les problmes complexes en termes fonction Hamiltonienne sont :
de convergence et defficacit lobtention dune solution
optimale globale pour loptimisation des instants de tels
dx ( t )
T
H
systmes. = k ( x (t ) , p (t ) , u (t ))
Dans la section suivante nous formulons le problme de
dt p (4)
la commande optimale des systmes commutations. LOEP = fk ( x (t ) , u (t ))
et lOCF sont dveloppes respectivement dans la section III
et la section IV. Un exemple numrique est illustr pour
comparer lefficacit des algorithmes proposs.
dp ( t )
T
H
= - k ( x (t ) , p (t ) , u (t ))
II. FORMULATION DU PROBLEME dt x
T T
(5)
Considrons le systme commutations suivant : f L
=- k p - k
x x
x& = f i ( x, u ) , i I = {1, 2,..., M } (1)
avec :
avec I est un ensemble fini des variables discrtes indiquant
les M configurations du systme. H k ( x , p, u ) = L ( x , u ) + p T f k ( x , u ) (6)
Le systme commute du sous-systme ik -1 au sous-
systme ik . Le sous-systme ik est actif dans lintervalle de ii. pour t t0 , t f , la condition de stationnarit est
temps [tk , tk +1 )
( tk , t f si k = K , 0 K < ) . Les donne par :
squences des sous-systmes actifs sont dcrites par :
T
H
0 = k ( x (t ) , p (t ) , u (t ))
s = ( ( t0 , i0 ) , ( t1 , i1 ) ,..., ( tk , ik ) ,..., ( t K , iK ) ) (2) u
T T
(7)
f L
= k p+ k
avec t0 t1 ... t K t f et ik I pour k = 0, 1,..., K . u u

En fixant lintervalle de temps t0 , t f et les squences iii. t f , le vecteur p satisfait la condition limite :
s , nous devons trouver le signal de commande optimal u
et les instants de commutation t1 ,..., t K minimisant la
T
y
fonction cot dcrite par : p (t f ) =
x
(
x (t f ))

(8)

(
J = y x (t f ) ) + L ( x ( t ) , u ( t ) )dt
tf
(3) iv. tout tk , k = 1, 2,..., K , la condition de continuit
t0
est donne par :
Afin de rsoudre ce problme, deux tapes sont
proposes. Ltape (a), traite un problme classique de
commande optimale et ltape (b) traite un problme ( )
p tk - = p t k + ( ) (9)
doptimisation des instants de commutation.
Les quations (4)-(7) ainsi que la condition aux limites
A. Signal de Commande Optimal Continu (8) et la condition de continuit (9) font intervenir deux
Pour ltape (a), nous appliquons le principe de quations diffrentielles algbriques avec des conditions
maximum [5], pour que u soit optimal, o il est ncessaire initiales et finales. Ces quations peuvent tre rsolues en
utilisant les mthodes appeles shooting methods ou
p ( t ) = p1 ( t ) ,..., pn ( t ) tel que les
T
davoir un vecteur directement en utilisant la fonction bvp4c de Matlab.
conditions suivantes sont satisfaites :

2
e-STA copyright 2011 by see
Volume 8, N1, pp 23-30

B. Optimisation des Instants de Commutation affecter pbest s la meilleure squence globale

Pour ltape (b), il sagit de traiter le problme
pgbest s ,
doptimisation non linaire dcrit par :
initialiser lindice ditration k ,
J1 ( t ) = min t J (10) Etape 3 : Mise jour et enregistrement

mettre jour vks et pks selon les quations de

{ }
avec t T = t =( t1 ,..., t K ) |t0 t1 ... t K t f .
T
mouvement suivantes [12] :
Nous envisageons de mettre en uvre dans cette tape les
algorithmes des EP et des CF pour loptimisation des instants ( )
c1r1 pbest s - p k +
de commutation qui sont dvelopps respectivement dans les n s
= wkn k +
s (11)
k k

sections suivantes.
k +1

22 (
c r pgbest - p s
s
k k )
III. OPTIMISATION DES INSTANTS DE COMMUTATION PAR
ESSAIMS PARTICULAIRES
ps = ps +n s (12)
Lalgorithme dOEP optimise une fonction objectif en k +1 k k +1

procdant une recherche base sur la population [11]. La

population se compose de solutions potentielles, nommes avec :
particules, initialises au hasard et survolent librement dans
pks : position de la particule s litration k ,
lespace de recherche multidimensionnel. Pendant le vol, les
particules modifient leurs propres positions ps et vitesses
vks : vitesse de la particule s litration k ,
vs en se basant sur leurs propres expriences et celles des
voisines [8, 11, 12]. pbestks : meilleure position dcouverte par la
La politique de mise jour conduit les particules de particule s litration k ,
lessaim la rgion o la fonction cot est optimale.
Finalement toutes les particules se runiront autour de la pgbestks : meilleure position globale de la
solution optimale globale. population litration k ,
Afin doptimiser les instants de commutation, nous c1 et c2 sont des coefficients dacclrations
considrons quune position de particule reprsente une
squence de commutations [10]. Le fonctionnement dtaill constants, r1 et r2 sont des nombres alatoires
de lOEP est donn ci-dessous : uniformment rpartie dans lintervalle [ 0,1] .
Etape 1 : Initialisation w est un paramtre utilis pour contrler limpact
fixer la taille de lessaim (nombre des particules) S , des vitesses antrieures sur la vitesse courante. Elle
le nombre de commutations nc et lespace de est mise jour par lquation suivante [12] :
recherche,
initialiser alatoirement les positions p( S nc ) et les w - wmin
wk = wmax - max k (13)
vitesses des particules v( S nc ) , kmax

Etape 2 : Evaluation initiale avec wmin , wmax et kmax sont respectivement la

en rsolvant le problme de la commande optimale, valeur minimale, maximale de wk et le nombre
tape (a), valuer chaque particule selon la fonction maximal ditration.
cot J ,
valuer chaque particule selon la fonction fitness J ,
identifier la squence de commutations optimale
identifier la squence de commutation optimale
correspondant au meilleur cot J1 ts , ( ) correspondant au meilleur fitness J1 ts et ( )
affecter la meilleure squence pbest , s
laffecter pbestks ,

3
e-STA copyright 2011 by see
Volume 8, N1, pp 23-30
comparer pbestks et pgbestks ,
si pbestks < pgbestks alors pgbestks pbestks ,
Etape 4 : Condition darrt
lalgorithme retourne ltape 3 jusqu ce que k = k max
o il donne la meilleure squence de commutations
trouve.
IV. OPTIMISATION DES INSTANTS DE COMMUTATION PAR
COLONIES DE FOURMIS
LOCF consiste imiter le comportement des fourmis
la recherche de sources de nourriture. Dans un premier
temps, les fourmis se promnent au hasard. Quand une
fourmi trouve une source de nourriture, elle retourne la
colonie en laissant une trace de phromones sur le terrain qui
indiquent le chemin daccs la nourriture. Lorsque dautres
fourmis trouvent la phromone, elles sont susceptibles de
suivre le chemin avec une certaine probabilit. Alors, elles
peuplent le chemin avec leurs propres phromones et
apportent la nourriture [8, 9]. Le chemin le plus court tant
aussi le plus rapide, sa concentration en phromones
augmentera plus vite. Ainsi, le chemin du nid la source sera
optimis [13].
Le fonctionnement de ce systme est bas sur le principe
des rtroactions positives car le dpt de phromones sur une
piste attire d'autres fourmis qui vont leur tour la renforcer.
En contre partie, il se base sur des rtroactions ngatives car
l'vaporation provoque l'effet inverse [14].
Dans le but doptimiser les instants de commutation,
nous considrons que [9] :
chaque chemin est compos de M nuds,
chaque nud reprsente un instant de commutation,
la longueur du chemin construit par une fourmi f
reprsente le cot de parcours entre deux nuds i et
j , soit J ijf ,
la probabilit daller au nud j, pij , dpend
seulement du taux de phromone t ij dpose entre
les nuds i et j . Elle est dcrite par lquation
suivante :
t ija
pij =
l j
t il
o a est un paramtre contrlant limportance
relative du taux de phromone.
Le fonctionnement dtaill de lOCF est donn ci-
dessous :
Etape 1 : Initialisation
fixer le nombre de commutations nc , le nombre de
nuds proposs chaque instant de commutation
np , le nombre total des fourmis n et lespace de
recherche space ,
initialiser le taux de phromone t ij ( np nc ) et le
courant chemin tour ( np 1) ,
affecter une valeur cot initiale au meilleur chemin
best _ tour ,
Etape 2 : Evaluation initiale
en rsolvant le problme de la commande optimale,
tape (a), valuer le chemin courant tour selon la
fonction cot J et enregistrer la valeur dans
fitness _ tour ,
affecter au meilleur fitness, fbest _ tour , la valeur
enregistrer dans fitness _ tour ,
initialiser lindice ditration k ,
Etape 3 : Mise jour et enregistrement
pour chaque fourmi f , gnrer alatoirement, le
chemin tourijf liant deux nuds i et j ,
en rsolvant ltape (a), valuer le chemin de chaque
fourmi selon la fonction J ,
enregistrer la valeur cot dans fitness _ tour ,
comparer fitness _ tour et fbest _ tour ,
si fitness _ tour < fbest _ tour alors
fbest _ tour = fitness _ tour ,
best _ tour = tourijf ,
actualiser le taux de phromone t ij selon
lquation suivante [16] :
n
t ij (1 - r )t ij + Dt ijf (15)
(14)
f =1
o r est le taux dvaporation et Dt ijf est la quantit de
phromone dpose dans larc ( i , j ) par la fourmi f ,
dcrit par [9, 15]:
4
e-STA copyright 2011 by see
Volume 8, N1, pp 23-30

Q Nous cherchons dterminer les instants de commutation

Dt ijf = (16) optimaux t1opt , t 2opt et le signal de commande optimal u en
J ijf
minimisant la fonction cot dcrite par :
Q tant une constante.

actualiser la probabilit des meilleurs

instants de commutation trouvs
J=
1
2
(
( x1 ( 3) - 1) + ( x2 ( 3) + 1) +
2 2
)
(20)
best _ tour , 1 3
2 0
( 2 2
)
( x1 - 1) + ( x2 + 1) + u 2 ( t ) dt
incrmenter f ,
avec x1 ( 0 ) = 2 et x2 ( 0 ) = 3 .
si f < n alors retourner ltape 3,
sinon passer ltape suivante, Pour la dtermination du signal de commande optimal u ,
appliquons les conditions ncessaires doptimalit :

Etape 4 : Actualisation de lEspace de Recherche

identifier le meilleur cot fbest _ tour avec la plus Pour [ 0, t1 ) , la fonction Hameltonienne est la
grande probabilit correspondant au meilleur chemin suivante :
best _ tour ,

( )
actualiser lespace de recherche space 1
H1 ( x, p, u ) = ( x1 - 1)2 + ( x2 + 1)2 + u 2 +
Etape 5 : Condition dArrt 2 (21)
( x1 + u sin x1 ) p1 + ( - x2 - u cos x2 ) p2
lalgorithme rpte les tapes 3 et 4 jusqu ce que
k = k max o il donne la meilleure squence de
et les quations diffrentielles sont:
commutations trouve.

V. EXEMPLE ILLUSTRATIF dx1

dt = x1 + u sin x1
Considrons lexemple prsent dans [5, 16] dcrit par
les sous-systmes suivants : dx2 = - x - u cos x
dt 2 2

(22)
x& = x1 + u sin x1 dp1 = - ( ( x - 1) + ( p + up cos x ) )
sous-systme 1: 1 (17) dt 1 1 1 1

x&2 = - x2 - u cos x2 dp
2 = - ( ( x2 + 1) + ( - p2 + up2 sin x2 ) )
dt

x&1 = x2 + u sin x2 avec

sous-systme 2: (18)
x&2 = - x1 - u cos x1
u = - p1 sin x1 + p2 cos x2 (23)

x&1 = - x1 - u sin x1 pour [ t1 , t2 ) , la fonction Hameltonienne est la

sous-systme 3: (19)
x&2 = x2 + u cos x2 suivante :

Le systme commute t = t1 du sous-systme 1 au sous-

systme 2 et t = t2 du sous-systme 2 au sous-systme 3, H 2 ( x , p, u ) =
1
2
( )
( x1 - 1)2 + ( x2 + 1)2 + u 2 +
(24)
avec t0 = 0 et t f = 3s sachant que 0 t1 t2 3s . ( x2 + u sin x2 ) p1 + ( - x1 - u cos x1 ) p2

5
e-STA copyright 2011 by see
Volume 8, N1, pp 23-30

et les quations diffrentielles sont: c1 = c2 = 0.75 ,

wmax = 0.9 et wmin = 0.4 ,

dx1
dt = x2 + u sin x2 S = 40 et nc = 2 ,

dx2 = - x1 - u cos x1 kmax = 15 et space = [ 0, 3s ] .
dt
(25)
dp1 Pour lalgorithme dOCF les paramtres sont :
= - ( ( x1 - 1) + ( - p2 + up2 sin x1 ) )
dt
dp a = 1 et r = 0.99 ;
2 = - ( ( x2 + 1) + ( p1 + up1 cos x2 ) )
dt Q = 10 et np = 100 ;

n = 40 et nc = 2 ;
avec
kmax = 15 et space = [ 0, 3s ] .
u = - p1 sin x2 + p2 cos x1 (26)
En Appliquant les algorithmes proposs, nous observons
que lalgorithme dOCF converge vers le cot minimal
pour [ t2 , 3s ] , la fonction Hameltonienne est la litration 6, figure 2, avant lalgorithme dOEP qui converge
suivante : litration 9, figure 1. Ceci revient la prcision du premier
algorithme puisquil modifie son espace de recherche
chaque itration.
H 3 ( x, p , u ) =
1
2
(( x1 - 1)2 + ( x2 + 1)2 + u 2 (t ) + ) (27) 6.6

( - x1 - u sin x1 ) p1 + ( x2 + u cos x2 ) p2 6.4

6.2

et les quations diffrentielles sont: 6

5.8

J(k) 5.6
dx1
dt = - x1 - u sin x1 5.4
5.2
dx2 = x + u cos x
dt 2 2 5

(28)
dp1 = - ( ( x - 1) + ( - p - up cos x ) )
4.8

dt 1 1 1 1 4.6
0 5 10 15
dp k

2 = - ( ( x2 + 1) + ( p2 - up2 sin x2 ) )
dt
Figure 1. Convergence de lalgorithme dOEP

avec 5.7

5.6

u = p1 sin x1 - p2 cos x2 (29) 5.5

5.4

les conditions aux limites sont : 5.3

5.2
J(k)

p1 ( 3) = x1 ( 3) - 1 (30) 5.1

4.9

p2 ( 3) = x2 ( 3) + 1 (31) 4.8

4.7
0 5 10 15
k
Afin doptimiser les instants de commutation, nous
fixons les paramtres de lalgorithme dOEP tels que : Figure 2. Convergence de lalgorithme dOCF

6
e-STA copyright 2011 by see
Volume 8, N1, pp 23-30

Les rsultats obtenus des instants de commutation sont proches. Le temps dexcution de lalgorithme dOCF
optimaux ainsi que la valeur de cot pour chaque algorithme est plus grand que celui de lalgorithme dOEP puisquil met
sont prsents dans le tableau 1. jour lespace de recherche. De plus, sa mise en uvre est
plus dlicate.
TABLEAU I. COMPARAISON DES RESULTATS OBTENUS
0.5

Rsultats Optimaux Temps

Algorithmes 0
t1opt ( s ) t2opt ( s ) J1 dExcution

OEP 0.2216 1.0651 4.7370 59 min 17 s -0.5

OCF 0.1969 1.0805 4.7406 72 min 47 s -1

u

-1.5
Les rsultats prsents montrent que les deux algorithmes
convergent vers la solution minimale globale puisquils ont -2

des valeurs proches. En effet, la fonction cot dcrite par

-2.5
(20) est une fonction non convexe, figure 3. Nous pouvons
conclure alors que les deux algorithmes peuvent nous -3
0 0.5 1 1.5 2 2.5 3
garantir la solution optimale globale mme avec une fonction t(s)

non convexe.
Figure 4. Signal de commande optimal u obtenu par lalgorithme dOCF
Pour le temps dexcution, lalgorithme dOEP prsente
une valeur infrieure celle de lalgorithme dOCF puisquil
prsente une tape de mise jour de lespace de recherche 3
qui nest pas utilise dans le premier algorithme. 2.5

1.5

x
1
2

0.5

-0.5

-1

-1.5
0 0.5 1 1.5 2 2.5
x1

Figure 5. Trajectoire dtat obtenue par lalgorithme dOCF

J ( t1 , t2 )
0.5
Figure 3. Fonction cot
0

Les figures 4, 5, 6 et 7 montrent respectivement le signal

-0.5
de commande optimal et la trajectoire dtat, trouvs par les
deux algorithmes tudis. -1
u

VI. CONCLUSION -1.5

Les algorithmes dOCF et dOEP sont compars, pour -2

loptimisation des instants de commutation des systmes
commutations, en termes de vitesse de convergence et -2.5

defficacit lobtention de loptimum global. Chaque

technique a des paramtres de contrle, leurs choix -3
0 0.5 1 1.5 2 2.5 3
t(s)
appropris garantissent la convergence vers la solution
optimale globale, et cest ce qui est prouv pour les deux Figure 6. Signal de commande optimal u obtenu par lalgorithme dOEP
algorithmes dans lexemple illustr o les rsultats obtenus

7
e-STA copyright 2011 by see
Volume 8, N1, pp 23-30

3 International Conference on Science and Techniques of Automatic

Control & Computer Engineering, Hammamet, pp. 775-784, 20-22
2.5
Dcembre 2009.
2 [7] F. Tangour, P. Borne, Presentation of Metaheuristics for the
Optimization of Complex Systems, Studies in Informatics and
1.5
Control, vol. 17, n 2, pp. 169-180, 2008.
x
1 [8] P. Borne, M. Benrejeb, Des Algorithmes dOptimisation. La Nature
2
Source dInspiration pour lIngnieur, lIngnieur, n 260, pp. 12-15,
0.5 Janvier-Fvrier 2010.
0 [9] N. Majdoub, A. Sakly, M. Sakly et M. Benrejeb, Ant Colony-Based
Optimization of Switching Instants for Autonomous Switched
-0.5 Systems, International Rewiew of Automatic Control, IREACO, vol.
3, n1, Janvier 2010.
-1
[10] N. Majdoub, A. Sakly, M. Sakly et M. Benrejeb, Comparison
-1.5 Between PSO and GA for Switching Instants Optmization, 6 th
0 0.5 1 1.5 2 2.5
x1 International Conference on Electrical Systems and Automatic
Control, Hammamet, 26-28 Mars 2010.
Figure 7. Trajectoire dtat obtenue par lalgorithme dOEP
[11] K. O. Jones et A. Bouffet, Comparaison of Bees Algorithm Ant
Colony Optimisation and Particle Swarm Optimization for PID
Controller Tuning, Proceeding of the 9th International Conference on
REFERENCES Computer Systems and Technologies and Workshop for PhD
[1] G. Antoine, Analyse Algorithmique des Systmes Hybrides, Thse Students in Computing, Gabrovo, n 29, 2008 .
de Docteur en Mathmatiques, INPG Grenoble, Septembre 2004. [12] J. Wang, Y. Zhou et X. Chen, Electricity Load Forecasting Based on
[2] P. Riendinger, C.Iung et J. Daafouz, Commande Optimale des Support Vector Machines and Simulated Annealing Particle Swarm
Systmes Hybrides: Thorie et Pratique 2me Confrence Optimization Algorithm, International Conference on Automation
Internationale Francophone dAutomatique, Nantes, 8-10 Juillet and Logistics, Jinan, pp. 2836-2841, Aot 2007.
2002. [13] J. L. Deneubourg, J. M. Pasteels, J. C. Verhaeghe, Probabilistic
[3] R. Luus et Y. Chen, Optimal Switching Control Via Direct Search Behaviour in Ants: a Strategy of Errors, Journal of Theoretical
Optimization, Proceedings International Symposium on Intelligent Biology, pp. 105, 1983.
Control, Houston, pp. 371-376, Octobre 2003. [14] K. Socha, M. Dorigo, Ant Colony Optimization for Continuous
[4] S. Boubaker et F. Msahli, Synthse dune Loi de Commande Domains, European Journal of Operational Research, vol. 185, pp.
Optimale dun Systme Hybride Linaire deux Dynamiques par 1155-1173, 2008.
Essaims Particulaires, 5me Confrence Internationale [15] M. Dorigo et G. Di Caro, Ant colony Optimization : New Meta-
dElctrothechnique et dAutomatique, Hammamet, 02-04 Mai 2008. Heuristic, Congres on Evolutionary Computation, vol. 2, pp.1477,
[5] X. Xu et P. J. Antsaklis, Optimal Control of Switching Systems Washington, Juillet 1999.
Based on Parameterization of the Switching Instants, IEEE [16] X. Xu, Analysis and Design of Switched Systems, PhD Thesis,
Transaction Automatic Control, vol. 49, n 1, pp. 2-16, Janvier 2004. University of Notre Dame, Indiana, Juillet 2001.
[6] N. Majdoub, A. Sakly, M. Sakly et M. Benrejeb, Optimal Control of
Nonlinear Swtched Systems Based on Genetic Algorithms, 10th