140 likes | 249 Views
Optimisation par la méthode des abeilles Présenté par: MOUSSA Hadjer. Option: RFIA. Free Powerpoint Templates. Sommaire. Introduction. Historique. Comportement des abeilles. Algorithme.
E N D
Optimisation par la méthode des abeilles Présenté par: MOUSSA Hadjer. Option: RFIA. Free Powerpoint Templates
Sommaire • Introduction. • Historique. • Comportement des abeilles. • Algorithme. • Exemple d’application. • Conclusion.
Introduction • La méthode des abeillesest une méthoded’optimisationinspirée du comportement intelligent de l’abeille lors de la récolte du nectar. • Abeille: insecte sociale, très organisée. • trois types d’abeilles: ouvrière, faux-bourdons, une seule reine. trois types de butineuses: active, inactives, éclaireuse. But : système multi-agents. Processus de résolution réalisé par l’interaction entre ces agents.
Historique 2004, HONEY-BEE : CRAIG A.TOVEY, SUNIL NAKRANI à GEORGIA TECH 2004-2005, VIRTUAL BEE ALGORITHM : XIN- SHE YANG à CAMBRIDGE 2005, HONEY-BEE MATING OPTIMIZATION : HADDAD, AFSHAR et leurs collègues 2006, ARTIFICIAL BEE COLONY : B.BASTURK, D.JARABOGO en Turquie
Comportement des abeilles • Principe de base : coopération entre les abeilles, faite par la communication via une danse, pour transmettre des informations sur les sources de nourriture. • Deux types de danse : - Danse en rond -> pollen à faible distance. - Danse frétillante -> à moins de 10 Km.
Algorithme • Initialiser la population avec n solutions aléatoires. • Evaluer la fitness de la population. • Tant quele critère d’arrêt n’est pas satisfait faire • Recruter des abeilles -> rechercher de nouvelle source • de nourriture. • Evaluer la fitness de la population. • Siun membre de la population ne s’est pas amélioré • faire enregistrer la solution et remplacer la par une • solution aléatoire. • Trouver S solutions aléatoires et remplacer les S • membres de la population qui ont la mauvaise fitness. • Fin Tant que. • Retourner la meilleure solution.
y x Exemple d’application * * * * * * * * * * Génération aléatoire d’une population initiale à n=10 Solutions. Cette étape est faite par les éclaireuses.
y x Exemple d’application ▪ m ▪ ▫ ▫ ▫ * * * * * Evaluer la fitness de la population. Construire un tableau. Choisir m=5 sites parmi lesquels e=2 sont meilleurs.
y x Exemple d’application * * * * * * * ▪ * * * ▪ * * ▫ * * * * ▫ * * ▫ * * Recrutement aléatoire des abeilles. n1=4 , n2=2. Evaluer la fitness de chaque site. Choisir la meilleur abeilles de chaque site -> former une nouvelle population.
y x Exemple d’application e o * * * m o o * * o o La nouvelle population = m meilleurs solutions précédentes + m autres solutions aléatoire.
y x Exemple d’application * Le maximum global * * * * À la fin des itération : meilleure solution (solution optimale de la fonction).
Conclusion Avantage : Très efficace dans la recherche des solutions optimales. Surmonte le problème de l’optimum local. Facile à implémenter. Inconvénients: L’utilisation de plusieurs paramètres réglables. Sensible à des problèmes extrêmement difficiles. L’algorithme à une robustesse remarquable, produisant des taux de réussite de 100% dans tans les cas qu’il la traité. Un des meilleurs techniques concernant la rapidité dans l’optimisation et la précision des résultats obtenus.
Références bibliographiques [1] www. scholarpedia.org/article/Artificial_bee_colony_algorithm. [2] DervisKaraboga, BahriyeBasturk, A powerful and efficient algorithm for numerical function optimization: artificial bee colony (ABC) algorithm. Springer Science+Business Media B.V. 2007 [3] R. Fonseca, M. Paluszewski and P. Winter, Protein Structure Prediction Using Bee Colony OptimizationMetaheuristic, Dept. of Computer Science, University of Copenhagen • Universitetsparken 1 DK-2100 Copenhagen • Denmark. [4] Dusan Teodorovic, Bee ColonyOptimization (BCO), University of Belgrade, Faculty of Transport and Traffic Engineering, VojvodeStepe 305 11000 Belgrade, Serbia. [5] Xin-She Yang, Nature-InspiredMetaheuristicAlgorithms, LuniverPress.