Proposition de compromis pour le calcul de solutions préférées à l'aide d'un algorithme évolutionnaire multiobjectif en optimisation multidisciplinaire PDF Download
Are you looking for read ebook online? Search for your book and save it on your Kindle device, PC, phones or tablets. Download Proposition de compromis pour le calcul de solutions préférées à l'aide d'un algorithme évolutionnaire multiobjectif en optimisation multidisciplinaire PDF full book. Access full book title Proposition de compromis pour le calcul de solutions préférées à l'aide d'un algorithme évolutionnaire multiobjectif en optimisation multidisciplinaire by Benoît Guédas. Download full books in PDF and EPUB format.
Author: Benoît Guédas
Publisher:
ISBN:
Category :
Languages : fr
Pages : 151
Get Book Here
Book Description
L’optimisation multidisciplinaire fait référence à la conception et l’optimi-sation de problèmes d’ingénierie nécessitant l’intervention simultanée d’au moins deux disciplines, chacune pouvant avoir plus d’un objectif à optimiser. Les méthodes usuelles n’abordent pas le cas où chaque discipline a un problème d’optimisation multiobjectif à résoudre. Des méthodes ont été récemment proposées, transformant le problème d’opti-misation multidisciplinaire en un problème d’optimisation multiobjectif. Ces méthodes reposent sur des algorithmes évolutionnaires multiobjectifs. Cependant, l’ensemble des solutions obtenues ne reflète pas les préférences disciplinaires : des solutions peuvent être globalement efficaces alors qu’elles sont localement dominées. En nous basant sur les propriétés des relations d’ordre, nous proposons quatre définitions de compromis qui tiennent compte du regroupement des objectifs en disciplines. Les propriétés théoriques de ces compromis sont étudiées, et notamment leur capacité à converger vers l’ensemble de solutions attendues, lorsqu’ils sont utilisés avec des algorithmes évolutionnaires. Ces compromis sont intégrés dans un algorithme évolutionnaire multiobjectif. Des analyses expérimentales de cet algorithme sur les quatre compromis proposés sont effectuées. Elles confirment les prédictions théoriques et montrent la pertinence des solutions obtenues.
Author: Benoît Guédas
Publisher:
ISBN:
Category :
Languages : fr
Pages : 151
Get Book Here
Book Description
L’optimisation multidisciplinaire fait référence à la conception et l’optimi-sation de problèmes d’ingénierie nécessitant l’intervention simultanée d’au moins deux disciplines, chacune pouvant avoir plus d’un objectif à optimiser. Les méthodes usuelles n’abordent pas le cas où chaque discipline a un problème d’optimisation multiobjectif à résoudre. Des méthodes ont été récemment proposées, transformant le problème d’opti-misation multidisciplinaire en un problème d’optimisation multiobjectif. Ces méthodes reposent sur des algorithmes évolutionnaires multiobjectifs. Cependant, l’ensemble des solutions obtenues ne reflète pas les préférences disciplinaires : des solutions peuvent être globalement efficaces alors qu’elles sont localement dominées. En nous basant sur les propriétés des relations d’ordre, nous proposons quatre définitions de compromis qui tiennent compte du regroupement des objectifs en disciplines. Les propriétés théoriques de ces compromis sont étudiées, et notamment leur capacité à converger vers l’ensemble de solutions attendues, lorsqu’ils sont utilisés avec des algorithmes évolutionnaires. Ces compromis sont intégrés dans un algorithme évolutionnaire multiobjectif. Des analyses expérimentales de cet algorithme sur les quatre compromis proposés sont effectuées. Elles confirment les prédictions théoriques et montrent la pertinence des solutions obtenues.
Author: MOURAD.. SEFRIOUI
Publisher:
ISBN:
Category :
Languages : fr
Pages : 244
Get Book Here
Book Description
UN ALGORITHME EVOLUTIONNAIRE (AE) EST UN PROCESSUS STOCHASTIQUE QUI S'INSPIRE DES MECANISMES DE L'EVOLUTION NATURELLE. IL GERE NON PAS UNE SOLUTION CANDIDATE UNIQUE, MAIS UNE POPULATION DE SOLUTIONS POTENTIELLES, QU'IL FAIT EVOLUER. LES AES, DE PAR LEUR ROBUSTESSE, SONT TOUT INDIQUES POUR TRAITER LES PROBLEMES D'OPTIMISATION DIFFICILES POUR LES METHODES DETERMINISTES. C'EST DANS LE CADRE DE L'APPLICATION D'UN AE A DES PROBLEMES ISSUS DE L'ELECTROMAGNETISME ET DE LA MECANIQUE DES FLUIDES QUE S'INSCRIT CE TRAVAIL. LA PREMIERE PARTIE CONCERNE L'ACCELERATION DE LA CONVERGENCE, QUI VISE A FAIRE CONVERGER UN TEL ALGORITHME EN UN NOMBRE RAISONNABLE D'ITERATIONS. C'EST UNE CONDITION SINE QUA NON POUR POUVOIR ETRE ACCEPTABLE D'UN POINT DE VUE INDUSTRIEL. DANS CETTE OPTIQUE, NOUS AVONS MIS AU POINT PLUSIEURS TECHNIQUES, DONT LA PLUS EFFICACE REPOSE SUR L'UTILISATION D'UN TAUX DE MUTATION DYNAMIQUE, QUI EST FONCTION DE LA DISTANCE INTER-SOLUTIONS. LE SECOND VOLET DE CE TRAVAIL CONSISTE A INTEGRER A UN AE DES CONCEPTS DE LA THEORIE DES JEUX, POUR POUVOIR TRAITER DE MANIERE EFFICACE LES OPTIMISATIONS MULTI-OBJECTIFS. EN EFFET, LA THEORIE DES JEUX OFFRE UN CADRE FORMEL POUR LE TRAITEMENT D'OPTIMISATIONS MULTI-CRITERES. OUTRE LES EQUILIBRES DE PARETO, NOUS PROPOSONS DEUX NOUVELLES APPROCHES FONDEES SUR LES EQUILIBRES DE NASH ET DE STACKELBERG. LES EQUILIBRES DE NASH CONCERNENT DES JEUX NON-COOPERATIFS, ALORS QUE LES EQUILIBRES DE STACKELBERG PROPOSE UNE HIERARCHISATION DES CRITERES. ENFIN, LA DERNIERE PARTIE PRESENTE UN PARADIGME DERIVE DES AE CLASSIQUES, CELUI DES ALGORITHMES GENETIQUES PARALLELES. CE PARADIGME OFFRE UN CERTAIN NOMBRE DE CARACTERISTIQUES INSPIREES DE LA DYNAMIQUE DES POPULATIONS. LES METHODES PRESENTEES SONT TOUTES D'ABORD EVALUEES A TRAVERS DES FONCTIONS-TESTS CLASSIQUES, AVANT D'ETRE APPLIQUEES A DES PROBLEME D'OPTIMISATION ISSUS SOIT DE L'ELECTROMAGNETISME SOIT DE LA MECANIQUE DES FLUIDES NUMERIQUES.
Author: David Simoncini
Publisher:
ISBN:
Category :
Languages : fr
Pages : 161
Get Book Here
Book Description
Les algorithmes évolutionnaires sont des méthodes d'optimisation approchées manipulant une population de solutions. Leur fonctionnement s'inspire de la théorie de l'évolution de Darwin. L'application combinée d'opérateurs stochastiques et de mécanismes de sélection permet de renouveler la population en explorant l'espace de recherche et en exploitant la qualité des solutions déjà découvertes. La vitesse de convergence d'un algorithme évolutionnaire dépend de sa capacité à générer de nouvelles solutions performantes en se dirigeant vers des régions prometteuses de l'espace de recherche et de celles des solutions à survivre en fonction de leur qualité déterminée par la pression de sélection. Celle-ci permet de contrôler le compromis entre exploration et exploitation et d'éviter une convergence prématurée vers un optimum local. Les algorithmes évolutionnaires cellulaires introduisent une notion de voisinage géographique en structurant spatialement les solutions sur une grille. Cela permet d'ajouter un niveau topologique entre les niveaux phénotypique et génotypique. Dans ce contexte, nous définissons de nouvelles méthodes de sélection permettant à l'aide d'un paramètre continu et borné de contrôler la topologie et ainsi d'obtenir des dynamiques plus complexes. Plutôt que de restreindre les solutions à évoluer sur une grille régulière où chaque cellule est indifférenciée, nous proposons d'enrichir la topologie en introduisant des notions d'anisotropie et de localité. Nous étudions l'influence de la sélection topologique sur la préservation de la diversité génotypique. Les expériences menées sur deux classes de problèmes NP-complets montrent que la prise en compte d'un point de vue topologique permet d'obtenir un bon équilibre entre exploration et exploitation. Dans le but d'étudier la dynamique de recherche et en particulier d'analyser l'efficacité des compromis observés, nous définissons un modèle théorique basé sur la notion d'équilibres ponctués. Enfin, nous proposons des algorithmes de contrôle utilisant la sélection topologique afin de réguler dynamiquement la pression de sélection et ainsi de gérer le rapport entre phases d'exploration et d'exploitation sans connaissance a priori sur les problèmes étudiés.
Author: Khaldoun Al Agha
Publisher: John Wiley & Sons
ISBN: 1118563107
Category : Technology & Engineering
Languages : en
Pages : 171
Get Book Here
Book Description
Network coding, a relatively new area of research, has evolved from the theoretical level to become a tool used to optimize the performance of communication networks – wired, cellular, ad hoc, etc. The idea consists of mixing “packets” of data together when routing them from source to destination. Since network coding increases the network performance, it becomes a tool to enhance the existing protocols and algorithms in a network or for applications such as peer-to-peer and TCP. This book delivers an understanding of network coding and provides a set of studies showing the improvements in security, capacity and performance of fixed and mobile networks. This is increasingly topical as industry is increasingly becoming more reliant upon and applying network coding in multiple applications. Many cases where network coding is used in routing, physical layer, security, flooding, error correction, optimization and relaying are given – all of which are key areas of interest. Network Coding is the ideal resource for university students studying coding, and researchers and practitioners in sectors of all industries where digital communication and its application needs to be correctly understood and implemented. Contents 1. Network Coding: From Theory to Practice, Youghourta Benfattoum, Steven Martin and Khaldoun Al Agha. 2. Fountain Codes and Network Coding for WSNs, Anya Apavatjrut, Claire Goursaud, Katia Jaffrès-Runser and Jean-Marie Gorce. 3. Switched Code for Ad Hoc Networks: Optimizing the Diffusion by Using Network Coding, Nour Kadi and Khaldoun Al Agha. 4. Security by Network Coding, Katia Jaffrès-Runser and Cédric Lauradoux. 5. Security for Network Coding, Marine Minier, Yuanyuan Zhang and Wassim Znaïdi. 6. Random Network Coding and Matroids, Maximilien Gadouleau. 7. Joint Network-Channel Coding for the Semi-Orthogonal MARC: Theoretical Bounds and Practical Design, Atoosa Hatefi, Antoine O. Berthet and Raphael Visoz. 8. Robust Network Coding, Lana Iwaza, Marco Di Renzo and Michel Kieffer. 9. Flow Models and Optimization for Network Coding, Eric Gourdin and Jeremiah Edwards.
