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



Documents pareils
Info0804. Cours 6. Optimisation combinatoire : Applications et compléments

Problèmes d ordonnancement dans les systèmes de production. Journée Automatique et Optimisation Université de Paris Mars 2003


Annexe 6. Notions d ordonnancement.

Exemples de problèmes et d applications. INF6953 Exemples de problèmes 1

ALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE

Ordonnancement en temps réel d un jobshop par métaheuristique hybride : étude comparative

Complexité et auto-organisation chez les insectes sociaux. Complexité et auto-organisation chez les insectes sociaux

Différentes opérateurs évolutionnaires de permutation: sélections, croisements et mutations

Modélisation multi-agents - Agents réactifs

Minimisation de la somme des retards dans un jobshop flexible

Cours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques

AVERTISSEMENT. D'autre part, toute contrefaçon, plagiat, reproduction encourt une poursuite pénale. LIENS

LES MÉTA-HEURISTIQUES : quelques conseils pour en faire bon usage

Approche d'évaluation pour les problèmes d'ordonnancement multicritères : Méthode d'agrégation avec direction de recherche dynamique

Optimisation Combinatoire (Méthodes approchées) II. Recherche Locale simple (Les bases)

PLAN DE COURS. GPA750 Ordonnancement des systèmes de production aéronautique

Système immunitaire artificiel

Hela Boukef. To cite this version: HAL Id: tel

Deux stratégies parallèles de l'optimisation par colonie de fourmis

Jean-Philippe Préaux

Ministère de l Enseignement Supérieur et de la Recherche Scientifique. Mémoire de fin d études. Thème

Algorithme des fourmis appliqué à la détection et au suivi de contours dans une image

Une application des algorithmes génétiques à l ordonnancement d atelier

Système Immunitaire Artificiel Parallèle appliqué aux Flow Shop Hybride (FSH)

Etude d un cas industriel : Optimisation de la modélisation de paramètre de production

Application 1- VBA : Test de comportements d'investissements

THÈSE DE DOCTORAT DE L UNIVERSITÉ PARIS 12-VAL DE MARNE UFR de Sciences et Technologie. par. Walid TFAILI. pour obtenir le grade de

Intelligence Artificielle Planification

Communications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes

Gestion réactive des opérations de maintien et d actualisation réglementaire et technologique des systèmes complexes.

INSERTION TECHNIQUES FOR JOB SHOP SCHEDULING

Un propagateur basé sur les positions pour le problème d Open-Shop.

Resolution limit in community detection

En vue de l'obtention du. Présentée et soutenue par Abir BEN HMIDA SAKLY Le 12/12/2009

ÉCOLE DE TECHNOLOGIE SUPÉRIEURE UNIVERSITÉ DU QUÉBEC MÉMOIRE PRÉSENTÉ À L'ÉCOLE DE TECHNOLOGIE SUPÉRIEURE

Optimisation for Cloud Computing and Big Data

Partie 7 : Gestion de la mémoire

Utilisation du backtrack intelligent dans un branch-and-bound Application au problème d Open-Shop

Technologie SDS (Software-Defined Storage) de DataCore

PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES

Introduction Définition...3

Pourquoi l apprentissage?

Un couplage métaheuristique / simulation appliqué au problème du job shop avec transport

PREMIER RETOUR D EXPERIENCE SUR LE FLOW-SHOP BIOBJECTIF ET HYBRIDE A DEUX ETAGES AVEC UNE CONTRAINTE DE BLOCAGE PARTICULIERE

UNIVERSITÉ DU QUÉBEC THESE PRESENTEE A L'UNIVERSITÉ DU QUÉBEC À CHICOUTIMI COMME EXIGENCE PARTIELLE DU DOCTORAT EN INGÉNIERIE

Apprentissage incrémental par sélection de données dans un flux pour une application de sécurité routière

LE DIPLOME DE MAGISTER

Manuel de System Monitor

4.2 Unités d enseignement du M1

Programmation Linéaire - Cours 1

Francis BISSON ( ) Kenny CÔTÉ ( ) Pierre-Luc ROGER ( ) IFT702 Planification en intelligence artificielle

UNIVERSITÉ DU QUÉBEC MÉMOIRE PRÉSENTÉ À L'UNIVERSITÉ DU QUÉBEC À CHICOUTIMI COMME EXIGENCE PARTIELLE DE LA MAÎTRISE EN INFORMATIQUE

Une méthode heuristique pour l ordonnancement de projets avec contraintes de ressources et chevauchement d activités

Système à enseigner : Robot M.I.M.I. MultipodeIntelligent à Mobilité Interactive. Version 1.0

Aeon : Synthèse d Algorithmes d Ordonnancement à partir de Modèles de Haut Niveau

intelligence artificielle et cognitique"

DOCUMENT DE TRAVAIL Centre de recherche sur l aide à l évaluation et à la décision dans les organisations (CRAEDO)

Conception de réseaux de télécommunications : optimisation et expérimentations

Laboratoire d Automatique et Productique Université de Batna, Algérie

L utilisation d un réseau de neurones pour optimiser la gestion d un firewall

Méthaheuristiques pour l optimisation combinatoire et l affectation sous contraintes

Installation Client (licence réseau) de IBM SPSS Modeler 14.2

Sommaire. Introduction. I. Notions de routage a) Technologies actuelles b) Avantages et désavantages

Proposition d un modèle pour Ordonnancement d un Système Automatisé de Production Applications des algorithmes génétiques hybrides

Recherche locale pour un problème d optimisation de tournées de véhicules avec gestion des stocks

Principes d implémentation des métaheuristiques

Présentation. Pour. Gilles ALAIS, Country Manager Barloworld Supply Chain Software France 20 Rue des Petits Hôtels, Paris

Méthodologie de conceptualisation BI

UE 8 Systèmes d information de gestion Le programme

Fig.1. Structure d un AGQ

Guide de développement de «WorkFLows» avec SharePoint Designer 2013

Ordonnancement temps réel

Ressources humaines. Joëlle Imbert. Les tableaux de bord RH. Construire, mettre en œuvre et évaluer le système de pilotage

Améliorer la Performance des Fournisseurs

Cours de Master Recherche

FONCTION ORDONNANCEMENT AU SEIN

Restauration des sauvegardes Windows Server sur 2008 R Sommaire

Programmation temps-réel Cours 1 et 2 Introduction et ordonnancement

Gestion de mémoire secondaire F. Boyer, Laboratoire Sardes

Ordonnancement. N: nains de jardin. X: peinture extérieure. E: électricité T: toit. M: murs. F: fondations CHAPTER 1

Démêler la complexité

Gestion de Production

Sécurité des Systèmes d Information Une politique simple pour parler à la Direction Générale De la théorie à la pratique

PFE Télécommunications. Pré-rapport à l'issue des 6 premières semaines de stage. Page 1 sur 5 1 %

Séparation et Evaluation pour le problème d ordonnancement avec blocage.

Optimisation multi-objectif par colonies de fourmis : cas des problèmes de sac à dos

Ne laissez pas le stockage cloud pénaliser votre retour sur investissement

Que sont les sources d énergie renouvelable?

A GRASPxELS approach for the Job Shop with generic time-lags and new statistical determination of the parameters

Usine Numérique Intégration Produit Production

La programmation à mémoire adaptative ou l évolution des algorithmes évolutifs

Enquête 2014 de rémunération globale sur les emplois en TIC

Coup de Projecteur sur les Réseaux de Neurones

Application de K-means à la définition du nombre de VM optimal dans un cloud

Agrégation des portefeuilles de contrats d assurance vie

PC-DMIS NC. 3D Form Inspect. PC-DMIS NC Gage

DES FOURMIS POUR LIVRER DU MAZOUT

Transcription:

Sommaire Introduction.2 1. Définition..2 2. 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

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

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, 2006. 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. 430-439, 2007. 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. 420-429, 2007. données groupant en utilisant l'algorithme d'abeilles. 3

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, 2007. Optimisation Multi-Objective en utilisant l'algorithme d'abeilles Réaliser par : Pham D.T., Ghanbarzadeh A aux Démarches de Conférence d'iproms 2007 5.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

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

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

Bibliographie : [1] :http://www.multilingualarchive.com/ma/enwiki/fr/bees_algorithm#cit e_note-17. [2]http://www.answers.com/topic/beesalgorithm#In_Job_Shop_Scheduli ng. [3] http://msdn.microsoft.com/fr-fr/magazine/gg983491.aspx. 7