Méthodes Numériques Avancées pour la Solution de Grands Systèmes

Les Algorithmes Évolutionnaires (AEs) sont des méthodes de recherche inspirées par la théorie darwinienne de l’évolution, travaillant sur une population de solutions potentielles, par itération de phases de sélections et de variations aléatoires. Bien que les AEs soient reconnus comme des méthodes compétitives sur des problèmes de grande taille, ils sont sujets à un certain nombre de critiques tel celui du réglage/contrôle des paramètres. Par réglage, nous entendons l’approche qui consiste à trouver des valeurs satisfaisantes pour les paramètres avant l’exécution de l’algorithme. Notre contribution au vaste domaine de l’optimisation concerne le réglage automatique des paramètres selon le problème. Dans ce travail, nous proposons deux méthodes pour le contrôle dynamique des paramètres associés à la représentation des solutions. Nous présentons aussi une instance du SEA qui intègre différents taux de mutation afin d’adapter le meilleur taux à la recherche. Cette nouvelle instance est testée sur le problème du sac à dos multidimensionnel. Des résultats comparables ont été obtenus, ce qui prouve que le SEA est capable de contrôler dynamiquement le compromis exploration/exploitation.