Modèles évolutifs flous pour l'optimisation dynamique

Abstract

De nombreux problèmes du monde réel (aéronautique, contrôle des robots, routage dans les réseaux, gestions des tâches , ...) ont des caractéristiques et des conditions qui peuvent changer au fil du temps. En résolvant ce type de problèmes d'optimisation, qui sont qualifiés de dynamique, les algorithmes génétiques ont des difficultés d'adapter les solutions candidates à cause de la convergence de la population vers une région spécifique de l'espace de recherche. Lorsque l'environnement change il est difficile pour cette population, qui a convergé, de se réadapter aux nouvelles conditions. \\ Dans la littérature, plusieurs améliorations ont été investies mais présentent plusieurs limitations.\\ Dans ce travail, nous avons conçu de nouveaux modèles qui permettent aux algorithmes génétiques de s'adapter aux changements dynamiques d'environnements. Pour cela nous nous sommes intéressés plus particulièrement au maintien de la diversité au sein de la population de solutions. Pour modéliser cette diversité de la population, nous avons utilisé le concept de niches écologiques, dont la détection et le maintien au cours de l'évolution dynamique ont été assurés par un algorithme de classification floue non supervisée. - Notre premier modèle utilise un nouvel opérateur génétique qui permet d'insérer de nouveaux individus dans la population. Les premiers individus de cette sous-population sont les prototypes fournis par l'algorithme de classification. Dans un premier temps, nous les avons fait évoluer par croisement entre eux. Chaque prototype est croisé avec le meilleur individu des différentes classes autres que sa propre classe. Enfin nous avons appliqué la mutation gaussienne à cette sous population. Pour insérer cette sous population nous avons prouvé par expérience, basé sur l'indice de diversité, que notre nouvelle technique d'insertion a donné les meilleurs résultats; - notre deuxième modèle est l'adaptation des opérateurs génétiques de mutation, croisement et de sélection pour l'environnement dynamique. La nouvelle technique de sélection que nous avons utilisée permet de contrôler la pression de sélection pour prévoir une convergence prématurée et l'éviter. La nouvelle méthode de croisement permet d'exploiter l'espace de recherche tous en cherchant d'autres zones qui ne sont pas encore explorées. L'opérateur de mutation avec un taux adaptatif permet d'explorer d'autres domaines de l'espace de recherche en donnant chance aux individus qui n'appartiennent à aucune classe précédemment détectée; - notre troisième modèle ajuste deux paramètres importants des algorithmes génétiques qui sont les taux de mutation et de croisement par des règles floues. La stratégie est basée sur deux indices: l'indice de Hill et l'erreur hors ligne normalisée. La distribution des individus de la population durant l'évolution de l'AG est analysée par la méthode de classification et plus exactement par l'indice de Hill. Cet indice donne une idée sur la diversité de la population, tandis que l'erreur hors-ligne normalisée évalue la performance du modèle. Ce modèle maintient un bon équilibre entre l'exploration et l'exploitation de l'espace de recherche.