Sommaire. Introduction Définition Historique Domaine d application.2. 4.Les Travaux réalisés sur les domaines d application.

Dimension: px

Commencer à balayer dès la page:

Download "Sommaire. Introduction.2. 1. Définition..2. 2. Historique.2. 3. Domaine d application.2. 4.Les Travaux réalisés sur les domaines d application."

Claudette Viau
il y a 8 ans
Total affichages :

1 Sommaire Introduction.2 1. Définition Historique.2 3. Domaine d application.2 4.Les Travaux réalisés sur les domaines d application.3 5.Algorithme 4 6.Exemple d application 5 7. Avantage et inconvénient..6 Bibliographie.7 1

2 La notion de l optimisation est un mécanisme par lequel on trouve la valeur Maximale ou minimale d une fonction objectif. Cette optimisation permet de résoudre différents problèmes on utilise une méthode de résolution. Dans ce rapport on a étudié une méthode évolutif qui dépend des méthodes Approché (Méta heuristique) c est la méthode des Abeilles. 1.Définition : La méthode des Abeilles est une méthode Approché (Les méta heuristique) qui nous permet de résoudre des problèmes d optimisation combinatoire. Ind : Les méta heuristique se sont des heuristiques peuvent aller d un simple algorithme de recherche local à une classe générale d heuristique appelée méta-heuristique. Des heuristiques consistent à trouver une solution de l optimum en un temps raisonnable. 2. Historique : Parmi, les algorithmes de recherche on a l algorithme des abeilles qui a était développé en 2005.Il fait exécuté un genre de recherche de voisinage combiné avec la recherche aléatoire et on peut l appliquer dans les deux optimisations combinatoire et fonctionnelle. 3. Domaine d application : L'algorithme d'abeilles, qui est inspiré par le comportement de forager de nourriture des abeilles à miel.il existe plusieurs applications dans divers domaines : Réseaux neurologiques s'exerçants pour l'identification de modèle. Formation des cellules de production. Les travaux de Scheduling pour une machine de production. 2

Dans ce rapport on a étudié une méthode évolutif qui dépend des méthodes Approché (Méta heuristique) c est la méthode des Abeilles. 1.

3 Conclusion des solutions faisables multiples aux problèmes préliminaires d'une conception. Grouper de données. Linéarisation de la conception des composants mécaniques. Optimisation Multi-Objective. Accord d'un contrôleur de logique floue pour un gymnaste de robot. Conception Mécanique. Job scheduling :l ordonnancement des taches informatique. 4. Les Travaux réalisés sur les domaines d application :[1] Optimisation des poids de perceptrons multicouche en utilisant l'algorithme d'abeilles Réaliser par : D. T. Pham, E. Koç, A. Ghanbarzadeh, et S. Otri aux 5ème colloque international de Proc sur les systèmes de fabrication intelligents, Turquie, Formation de cellule de production en utilisant l'algorithme d'abeilles. Réaliser par : Duc Truong Pham, Ashraf Afify, Ebubekir Koc aux Conférence virtuelle innovatrice de machines et de systèmes de production d'iproms 2007, Cardiff, R-U. utilisation l'algorithme d'abeilles pour programmer les travaux pour une machine Réaliser par : D. T. Pham, E. Koç, J. Y. Lee, et J. Phrueksanant aux la conférence internationale de Proc huitième sur la métrologie de laser, CMM et l'exécution de machine-outil, LAMDAMAP, Euspen, R- U, Cardiff, P , conception préliminaire en utilisant l'algorithme d'abeilles. Réaliser par : D. T. Pham, M. Castellani, et A. Ghanbarzadeh aux la conférence internationale de Proc huitième sur la métrologie de laser, le CMM et l'exécution de machine-outil, LAMDAMAP, Euspen, R-U, Cardiff, P , données groupant en utilisant l'algorithme d'abeilles. 3

Les Travaux réalisés sur les domaines d application :[1] Optimisation des poids de perceptrons multicouche en utilisant l'algorithme d'abeilles Réaliser par : D. T. Pham, E. Koç, A.

4 Réaliser par : D. T. Pham, S. Otri, A. A. Afify, M. Mahmuddin, et H. Al- Jabbouli aux Proc quarantième CIRP interne. Conférence de systèmes de fabrication, Liverpool, Optimisation Multi-Objective en utilisant l'algorithme d'abeilles Réaliser par : Pham D.T., Ghanbarzadeh A aux Démarches de Conférence d'iproms Algorithme : Initialisation de la population (Abeille scout) (n) Evaluer la fitness de la population.. Sélectionner l emplacement pour la recherche du voisinage (m). Déterminer la taille des voisinage (e). Recherche de voisinage Nombre d Abeille recruté pour les emplacements meilleurs.. Attribuer les abeilles restantes (n-m) pour la recherche. Nouvel population des abeilles scoutes. 4

Algorithme : Initialisation de la population (Abeille scout) (n) Evaluer la fitness de la population.. Sélectionner l emplacement pour la recherche du voisinage (m).

5 Initialisez la population avec les solutions aléatoires. Évaluez la forme physique de la population. Tandis que (arrêtant le critère non rencontré) nouvelle population Emplacements choisis pour la recherche de voisinage. Recrutez les abeilles pour les emplacements choisis (plus d'abeilles pour les meilleurs emplacements d'e) et évaluez les fitnesses. Choisissez l'abeille la plus convenable à partir de chaque pièce rapportée. Assignez les abeilles restantes à la recherche aléatoirement et évaluez leurs fitnesses. 6.Exemple d application : Modèle de colonies d'abeilles pour des problèmes d'ordonnancement job shop. Ind : d'ordonnancement job shop a comme objectif de trouver une séquence de taches sur les Machines (Abeille) qui minimise le temps totale de la production. Une solution réalisable dans un problème d'ordonnancement job shop est un programme complet d'opérations spécifiées dans le problème. Chaque solution peut être considéré comme un chemin de la ruche à la source de nourriture. Le makespan (fitness) de la solution est analogue à la rentabilité de la source alimentaire en termes de distance et de la douceur du nectar. Ainsi, plus le makespan (fitness), plus la rentabilité du chemin solution. Nous pouvons ainsi maintenir une colonie d'abeilles, où chaque abeille va traverser un chemin solution potentielle. Une fois une solution réalisable est trouvée, chaque abeille sera de retour à la ruche pour effectuer une danse frétillante. La danse frétillante sera représenté par une liste de «solutions d'élite», à partir de laquelle les autres abeilles peuvent choisir de suivre le chemin une autre abeille. 5

Recrutez les abeilles pour les emplacements choisis (plus d'abeilles pour les meilleurs emplacements d'e) et évaluez les fitnesses.

6 Les abeilles avec une meilleure makespan (fitness) aura une probabilité plus élevée de l'ajout de son chemin à la liste des «élites solutions». [2] 2éme exemple : La résolution du problème de transformation des coordonnées Polaires c- à-dire la distance et l angle par rapport au soleil. 7. Avantage et inconvénient : [3] Résolution des problèmes combinatoire complexe. Faciliter d implémentation. Le nombre de visite maximal avant que de la source de nourriture soit épuisé. Utilisation de plusieurs paramètres. La sensibilité a des outils extrêmement puissants. La complexité de L algorithme 6

Avantage et inconvénient : [3] Résolution des problèmes combinatoire complexe. Faciliter d implémentation.

7 Bibliographie : [1] : e_note-17. [2] ng. [3] 7

Documents pareils

Info0804. Cours 6. Optimisation combinatoire : Applications et compléments

Info0804. Cours 6. Optimisation combinatoire : Applications et compléments Recherche Opérationnelle Optimisation combinatoire : Applications et compléments Pierre Delisle Université de Reims Champagne-Ardenne Département de Mathématiques et Informatique 17 février 2014 Plan de