4. tlemcen.png
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Concepts de base des métaheuristiques
Gestion des contraintes
Recuit simulé
Le besoin
Représentation des solutions
Fitness
Optimisation non basée sur le gradient
L’optimisation basée sur le gradient impose une contrainte
très forte : La fonction objectif doit être dérivable
Bensmaine Abderrahmane Quelques points sur les Métaheuristiques 4 / 26
5. tlemcen.png
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Concepts de base des métaheuristiques
Gestion des contraintes
Recuit simulé
Le besoin
Représentation des solutions
Fitness
Optimisation non basée sur le gradient
L’optimisation basée sur le gradient impose une contrainte
très forte : La fonction objectif doit être dérivable
Une des méthodes les plus basiques qui permet de résoudre un
problème d’optimisation sans contrainte de dérivabilité est la
recherche locale, Hill Climbing en anglais
Bensmaine Abderrahmane Quelques points sur les Métaheuristiques 4 / 26
7. tlemcen.png
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Concepts de base des métaheuristiques
Gestion des contraintes
Recuit simulé
Le besoin
Représentation des solutions
Fitness
Recherche locale
1 Générer une (ou plusieurs) solution initiale réalisable
Tout élément appartenant à l’espace de recherche est solution
réalisable
Bensmaine Abderrahmane Quelques points sur les Métaheuristiques 5 / 26
8. tlemcen.png
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Concepts de base des métaheuristiques
Gestion des contraintes
Recuit simulé
Le besoin
Représentation des solutions
Fitness
Recherche locale
1 Générer une (ou plusieurs) solution initiale réalisable
Tout élément appartenant à l’espace de recherche est solution
réalisable
2 « Déformer » aléatoirement la solution actuelle pour en faire
une nouvelle (voisine) qui ne soit pas très différente de
l’actuelle
Bensmaine Abderrahmane Quelques points sur les Métaheuristiques 5 / 26
9. tlemcen.png
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Concepts de base des métaheuristiques
Gestion des contraintes
Recuit simulé
Le besoin
Représentation des solutions
Fitness
Recherche locale
1 Générer une (ou plusieurs) solution initiale réalisable
Tout élément appartenant à l’espace de recherche est solution
réalisable
2 « Déformer » aléatoirement la solution actuelle pour en faire
une nouvelle (voisine) qui ne soit pas très différente de
l’actuelle
3 Comparer la qualité des deux solutions ancienne et nouvelle
pour ne garder que la meilleure, qui deviendra solution actuelle
Bensmaine Abderrahmane Quelques points sur les Métaheuristiques 5 / 26
10. tlemcen.png
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Concepts de base des métaheuristiques
Gestion des contraintes
Recuit simulé
Le besoin
Représentation des solutions
Fitness
Recherche locale
1 Générer une (ou plusieurs) solution initiale réalisable
Tout élément appartenant à l’espace de recherche est solution
réalisable
2 « Déformer » aléatoirement la solution actuelle pour en faire
une nouvelle (voisine) qui ne soit pas très différente de
l’actuelle
3 Comparer la qualité des deux solutions ancienne et nouvelle
pour ne garder que la meilleure, qui deviendra solution actuelle
4 Aller à l’étape 2
Bensmaine Abderrahmane Quelques points sur les Métaheuristiques 5 / 26
11. tlemcen.png
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Concepts de base des métaheuristiques
Gestion des contraintes
Recuit simulé
Le besoin
Représentation des solutions
Fitness
Algorithme de la recherche locale
1 : s ← s0
2 : répéter
3 : s′ ← Déformer(s)
4 : si f (s′) < f (s) alors
5 : s ← s′
6 : fin si
7 : jusqu’à Critère d’arrêt
Bensmaine Abderrahmane Quelques points sur les Métaheuristiques 6 / 26
15. tlemcen.png
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Concepts de base des métaheuristiques
Gestion des contraintes
Recuit simulé
Le besoin
Représentation des solutions
Fitness
Explication
M1
M2
M3
M4
x
f(x)
Si une solution s atteint un minimum local, M2 par exemple,
chaque s′ voisine générée sera d’une qualité inférieure, et donc
la recherche ne progressera pas
Bensmaine Abderrahmane Quelques points sur les Métaheuristiques 8 / 26
16. tlemcen.png
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Concepts de base des métaheuristiques
Gestion des contraintes
Recuit simulé
Le besoin
Représentation des solutions
Fitness
Explication
M1
M2
M3
M4
x
f(x)
Si une solution s atteint un minimum local, M2 par exemple,
chaque s′ voisine générée sera d’une qualité inférieure, et donc
la recherche ne progressera pas
Les métaheuristiques se présentent comme approches
sophistiqués avec des mécanismes spécifiques qui permettent
de s’échapper des minima locaux.
Bensmaine Abderrahmane Quelques points sur les Métaheuristiques 8 / 26
18. tlemcen.png
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Concepts de base des métaheuristiques
Gestion des contraintes
Recuit simulé
Le besoin
Représentation des solutions
Fitness
Quand utiliser les Métaheuristiques
Les principaux cas où l’utilisation des métaheuristique est justifiée
peuvent se résumer dans :
Un problème facile avec une grande instance
Bensmaine Abderrahmane Quelques points sur les Métaheuristiques 9 / 26
19. tlemcen.png
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Concepts de base des métaheuristiques
Gestion des contraintes
Recuit simulé
Le besoin
Représentation des solutions
Fitness
Quand utiliser les Métaheuristiques
Les principaux cas où l’utilisation des métaheuristique est justifiée
peuvent se résumer dans :
Un problème facile avec une grande instance
Un problème facile avec une contrainte temps-réel forte
Bensmaine Abderrahmane Quelques points sur les Métaheuristiques 9 / 26
20. tlemcen.png
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Concepts de base des métaheuristiques
Gestion des contraintes
Recuit simulé
Le besoin
Représentation des solutions
Fitness
Quand utiliser les Métaheuristiques
Les principaux cas où l’utilisation des métaheuristique est justifiée
peuvent se résumer dans :
Un problème facile avec une grande instance
Un problème facile avec une contrainte temps-réel forte
Un problème difficile avec une instance de taille
modérée/grande
Bensmaine Abderrahmane Quelques points sur les Métaheuristiques 9 / 26
21. tlemcen.png
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Concepts de base des métaheuristiques
Gestion des contraintes
Recuit simulé
Le besoin
Représentation des solutions
Fitness
Quand utiliser les Métaheuristiques
Les principaux cas où l’utilisation des métaheuristique est justifiée
peuvent se résumer dans :
Un problème facile avec une grande instance
Un problème facile avec une contrainte temps-réel forte
Un problème difficile avec une instance de taille
modérée/grande
Modèles non analytiques (boite noire) de problèmes
d’optimisation qui ne peuvent être résolus de manière
exhaustive.
Bensmaine Abderrahmane Quelques points sur les Métaheuristiques 9 / 26
22. tlemcen.png
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Concepts de base des métaheuristiques
Gestion des contraintes
Recuit simulé
Le besoin
Représentation des solutions
Fitness
Codage
Une métaheuristique nécessite une représentation (codage) d’une
solution. Le choix de l’encodage joue un rôle majeur dans
l’efficacité des métaheuristiques
Les représentations les plus répandues sont :
Bensmaine Abderrahmane Quelques points sur les Métaheuristiques 10 / 26
23. tlemcen.png
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Concepts de base des métaheuristiques
Gestion des contraintes
Recuit simulé
Le besoin
Représentation des solutions
Fitness
Codage
Une métaheuristique nécessite une représentation (codage) d’une
solution. Le choix de l’encodage joue un rôle majeur dans
l’efficacité des métaheuristiques
Les représentations les plus répandues sont :
Codage binaire
Bensmaine Abderrahmane Quelques points sur les Métaheuristiques 10 / 26
24. tlemcen.png
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Concepts de base des métaheuristiques
Gestion des contraintes
Recuit simulé
Le besoin
Représentation des solutions
Fitness
Codage
Une métaheuristique nécessite une représentation (codage) d’une
solution. Le choix de l’encodage joue un rôle majeur dans
l’efficacité des métaheuristiques
Les représentations les plus répandues sont :
Codage binaire
Codage en nombre entier
Bensmaine Abderrahmane Quelques points sur les Métaheuristiques 10 / 26
25. tlemcen.png
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Concepts de base des métaheuristiques
Gestion des contraintes
Recuit simulé
Le besoin
Représentation des solutions
Fitness
Codage
Une métaheuristique nécessite une représentation (codage) d’une
solution. Le choix de l’encodage joue un rôle majeur dans
l’efficacité des métaheuristiques
Les représentations les plus répandues sont :
Codage binaire
Codage en nombre entier
Codage en nombre réel
Bensmaine Abderrahmane Quelques points sur les Métaheuristiques 10 / 26
26. tlemcen.png
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Concepts de base des métaheuristiques
Gestion des contraintes
Recuit simulé
Le besoin
Représentation des solutions
Fitness
Codage
Une métaheuristique nécessite une représentation (codage) d’une
solution. Le choix de l’encodage joue un rôle majeur dans
l’efficacité des métaheuristiques
Les représentations les plus répandues sont :
Codage binaire
Codage en nombre entier
Codage en nombre réel
Codage avec permutation
Bensmaine Abderrahmane Quelques points sur les Métaheuristiques 10 / 26
28. tlemcen.png
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Concepts de base des métaheuristiques
Gestion des contraintes
Recuit simulé
Le besoin
Représentation des solutions
Fitness
Fitness
Chaque solution dans l’espace de recherche possède une
fitness qui mesure sa qualité
La fitness va guider la recherche vers les bonnes directions et
les bonnes solutions
Bensmaine Abderrahmane Quelques points sur les Métaheuristiques 11 / 26
29. tlemcen.png
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Concepts de base des métaheuristiques
Gestion des contraintes
Recuit simulé
Le besoin
Représentation des solutions
Fitness
Fitness
Chaque solution dans l’espace de recherche possède une
fitness qui mesure sa qualité
La fitness va guider la recherche vers les bonnes directions et
les bonnes solutions
Il suffit en général de considérer la valeur de la fonction
objectif comme fitness d’une solution
Bensmaine Abderrahmane Quelques points sur les Métaheuristiques 11 / 26
30. tlemcen.png
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Concepts de base des métaheuristiques
Gestion des contraintes
Recuit simulé
Le besoin
Représentation des solutions
Fitness
Fitness
Chaque solution dans l’espace de recherche possède une
fitness qui mesure sa qualité
La fitness va guider la recherche vers les bonnes directions et
les bonnes solutions
Il suffit en général de considérer la valeur de la fonction
objectif comme fitness d’une solution
Il existe des situations où il est préférable d’utiliser une fitness
qui se base sur d’autres indicateurs que la fonction objectif
initiale.
Bensmaine Abderrahmane Quelques points sur les Métaheuristiques 11 / 26
31. tlemcen.png
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Concepts de base des métaheuristiques
Gestion des contraintes
Recuit simulé
Le besoin
Représentation des solutions
Fitness
Example (Problème SAT)
Le problème SAT est un problème de décision qui détermine s’il
existe une assignation des variables rendant une formule logique
donnée vraie. formule vraie. Par exemple
f = (v1 ∨ ¬v4) ∧ (v1 ∨ v2 ∨ v3) ∧ (v1 ∨ v3 ∨ v4) (1)
Maximiser f consiste à trouver une solution s∗ = (v∗
1 , v∗
2 , v∗
3 , v∗
4 )
tel que f (s∗) = 1. Le problème avec cette fonction objectif est que
toute solution non optimale s donne toujours f (s) = 0, ce qui fait
qu’on ne peut pas dire si l’algorithme d’optimisation est en train
d’améliorer ou détériorer une solution que si elle est optimale, et
par conséquent la recherche devient aveugle car elle n’est pas
guidée.
Bensmaine Abderrahmane Quelques points sur les Métaheuristiques 12 / 26
33. tlemcen.png
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Concepts de base des métaheuristiques
Gestion des contraintes
Recuit simulé
Stratégie de réparation
Stratégie de rejet
Stratégie de pénalisation
Stratégie préventive
Stratégie basée sur le décodage
Stratégie de réparation
Cette stratégie consiste en des algorithmes heuristiques
transformant une solution irréalisable en une solution réalisable.
Les heuristiques de réparation sont spécifiques au problème
d’optimisation en question, et leurs qualités sont cruciales pour le
succès de cette stratégie.
Bensmaine Abderrahmane Quelques points sur les Métaheuristiques 14 / 26
34. tlemcen.png
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Concepts de base des métaheuristiques
Gestion des contraintes
Recuit simulé
Stratégie de réparation
Stratégie de rejet
Stratégie de pénalisation
Stratégie préventive
Stratégie basée sur le décodage
Stratégie de rejet
La stratégie de rejet est une approche simple, où seules des
solutions réalisables sont conservées pendant la recherche, alors
que les solutions irréalisables sont automatiquement rejetées.
Bensmaine Abderrahmane Quelques points sur les Métaheuristiques 15 / 26
35. tlemcen.png
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Concepts de base des métaheuristiques
Gestion des contraintes
Recuit simulé
Stratégie de réparation
Stratégie de rejet
Stratégie de pénalisation
Stratégie préventive
Stratégie basée sur le décodage
Stratégie de Pénalisation
Les solutions irréalisables sont considérées lors du processus de
recherche. La fonction objective est prolongée par une fonction de
pénalité. Exemple de stratégie de pénalisation : compter le nombre
de contraintes violées. Étant donné m contraintes, la fonction
pénalisée fp(x) de f (x) est définie comme suit :
fp(x) = f (x) +
m∑
i=1
wi αi (2)
Où
αi =
{
1 si la contrainte i est violée
0 sinon
(3)
wi est un coefficient associé à la contrainte i. Si les wi sont petits,
la solution finale risque d’être irréalisable.
Bensmaine Abderrahmane Quelques points sur les Métaheuristiques 16 / 26
36. tlemcen.png
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Concepts de base des métaheuristiques
Gestion des contraintes
Recuit simulé
Stratégie de réparation
Stratégie de rejet
Stratégie de pénalisation
Stratégie préventive
Stratégie basée sur le décodage
Stratégie préventive
Dans cette stratégie, une représentation spécifique ainsi que les
opérateurs de transformation vont assurer la génération de
solutions réalisables.Une stratégie valable pour une pour un
problème spécifique ne peut pas être généralisés sur tous les
problèmes d’optimisation.
Bensmaine Abderrahmane Quelques points sur les Métaheuristiques 17 / 26
37. tlemcen.png
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Concepts de base des métaheuristiques
Gestion des contraintes
Recuit simulé
Stratégie de réparation
Stratégie de rejet
Stratégie de pénalisation
Stratégie préventive
Stratégie basée sur le décodage
Stratégie préventive
Dans cette stratégie, une représentation spécifique ainsi que les
opérateurs de transformation vont assurer la génération de
solutions réalisables.Une stratégie valable pour une pour un
problème spécifique ne peut pas être généralisés sur tous les
problèmes d’optimisation.
Example
Codage avec permutation pour le problème du voyageur de
commerce
Bensmaine Abderrahmane Quelques points sur les Métaheuristiques 17 / 26
38. tlemcen.png
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Concepts de base des métaheuristiques
Gestion des contraintes
Recuit simulé
Stratégie de réparation
Stratégie de rejet
Stratégie de pénalisation
Stratégie préventive
Stratégie basée sur le décodage
Stratégie basée sur le décodage
Une procédure de décodage peut être vue comme une fonction
R → S qui associe à chaque représentation r ∈ R une solution
réalisable s ∈ S dans l’espace de recherche. Cette stratégie consiste
à utiliser des codages indirects. La fonction de décodage doit avoir
les propriétés suivantes ;
A chaque représentation r ∈ R correspond une solution s ∈ S
A chaque solution s ∈ S, il existe une représentation r inR qui
lui correspond.
La fonction de décodage ne doit pas être complexe du point
de vue calcul.
Les solution dans S doivent avoir le même nombre de
représentations correspondantes dans R.
Bensmaine Abderrahmane Quelques points sur les Métaheuristiques 18 / 26
39. tlemcen.png
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Concepts de base des métaheuristiques
Gestion des contraintes
Recuit simulé
Stratégie de réparation
Stratégie de rejet
Stratégie de pénalisation
Stratégie préventive
Stratégie basée sur le décodage
Quelle stratégie choisir ?
Rejet :
Pénalisation :
Réparation :
Préventive :
Décodage :
Bensmaine Abderrahmane Quelques points sur les Métaheuristiques 19 / 26
40. tlemcen.png
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Concepts de base des métaheuristiques
Gestion des contraintes
Recuit simulé
Stratégie de réparation
Stratégie de rejet
Stratégie de pénalisation
Stratégie préventive
Stratégie basée sur le décodage
Quelle stratégie choisir ?
Rejet : Nombre de solutions non réalisables est faible
Pénalisation :
Réparation :
Préventive :
Décodage :
Bensmaine Abderrahmane Quelques points sur les Métaheuristiques 19 / 26
41. tlemcen.png
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Concepts de base des métaheuristiques
Gestion des contraintes
Recuit simulé
Stratégie de réparation
Stratégie de rejet
Stratégie de pénalisation
Stratégie préventive
Stratégie basée sur le décodage
Quelle stratégie choisir ?
Rejet : Nombre de solutions non réalisables est faible
Pénalisation : Nombre de solutions non réalisables important
Réparation :
Préventive :
Décodage :
Bensmaine Abderrahmane Quelques points sur les Métaheuristiques 19 / 26
42. tlemcen.png
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Concepts de base des métaheuristiques
Gestion des contraintes
Recuit simulé
Stratégie de réparation
Stratégie de rejet
Stratégie de pénalisation
Stratégie préventive
Stratégie basée sur le décodage
Quelle stratégie choisir ?
Rejet : Nombre de solutions non réalisables est faible
Pénalisation : Nombre de solutions non réalisables important
Réparation : Compromis entre lourdeur de la réparation et
nombre de solutions non réalisables
Préventive :
Décodage :
Bensmaine Abderrahmane Quelques points sur les Métaheuristiques 19 / 26
43. tlemcen.png
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Concepts de base des métaheuristiques
Gestion des contraintes
Recuit simulé
Stratégie de réparation
Stratégie de rejet
Stratégie de pénalisation
Stratégie préventive
Stratégie basée sur le décodage
Quelle stratégie choisir ?
Rejet : Nombre de solutions non réalisables est faible
Pénalisation : Nombre de solutions non réalisables important
Réparation : Compromis entre lourdeur de la réparation et
nombre de solutions non réalisables
Préventive : Existence d’un codage le permettant
Décodage :
Bensmaine Abderrahmane Quelques points sur les Métaheuristiques 19 / 26
44. tlemcen.png
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Concepts de base des métaheuristiques
Gestion des contraintes
Recuit simulé
Stratégie de réparation
Stratégie de rejet
Stratégie de pénalisation
Stratégie préventive
Stratégie basée sur le décodage
Quelle stratégie choisir ?
Rejet : Nombre de solutions non réalisables est faible
Pénalisation : Nombre de solutions non réalisables important
Réparation : Compromis entre lourdeur de la réparation et
nombre de solutions non réalisables
Préventive : Existence d’un codage le permettant
Décodage : Existence d’un codage le permettant et nombre de
solutions non réalisables considérable
Bensmaine Abderrahmane Quelques points sur les Métaheuristiques 19 / 26
46. tlemcen.png
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Concepts de base des métaheuristiques
Gestion des contraintes
Recuit simulé
Principe
Algorithme
Principe
Le recuit simulé est un algorithme stochastique à base de
solution unique
l’aspect stochastique permet dans certaines conditions la
dégradation d’une solution en vue d’échapper aux optima
locaux
A partir d’une solution initiale, l’algorithme procède en
plusieurs itérations
À chaque itération, un voisin aléatoire est généré. Les
mouvements qui améliorent la fonction de coût sont toujours
acceptés
Pour les mouvements qui dégradent la fonction, le voisin est
accepté avec une probabilité
Bensmaine Abderrahmane Quelques points sur les Métaheuristiques 21 / 26
51. tlemcen.png
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Concepts de base des métaheuristiques
Gestion des contraintes
Recuit simulé
Principe
Algorithme
Implémentation
Initialisation : aléatoire ou heuristique
Le refroidissement :
Forme linéaire (Ti+1 = Ti − β) avec β positif constant
Forme géométrique (Ti+1 = Ti × α) avec α ∈]0, 1[
Forme logarithmique (Ti+1 = T0
log(i) )
Bensmaine Abderrahmane Quelques points sur les Métaheuristiques 24 / 26
52. tlemcen.png
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Concepts de base des métaheuristiques
Gestion des contraintes
Recuit simulé
Principe
Algorithme
Implémentation
Initialisation : aléatoire ou heuristique
Le refroidissement :
Forme linéaire (Ti+1 = Ti − β) avec β positif constant
Forme géométrique (Ti+1 = Ti × α) avec α ∈]0, 1[
Forme logarithmique (Ti+1 = T0
log(i) )
Voisinage : s′ est générée à partir de s
Si les modifications sont trop petites : convergence trop lente
modification importante : recherche aléatoire
Bensmaine Abderrahmane Quelques points sur les Métaheuristiques 24 / 26
53. tlemcen.png
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Concepts de base des métaheuristiques
Gestion des contraintes
Recuit simulé
Principe
Algorithme
Implémentation
Initialisation : aléatoire ou heuristique
Le refroidissement :
Forme linéaire (Ti+1 = Ti − β) avec β positif constant
Forme géométrique (Ti+1 = Ti × α) avec α ∈]0, 1[
Forme logarithmique (Ti+1 = T0
log(i) )
Voisinage : s′ est générée à partir de s
Si les modifications sont trop petites : convergence trop lente
modification importante : recherche aléatoire
Tolérance aux « mauvaises solutions » : la probabilité
d’accepter un voisin non-améliorant e
−∆E
T est proportionnelle
à la température T et inversement proportionnelle au
changement de la fonction fitness ∆E = f (s′) − f (s).
Bensmaine Abderrahmane Quelques points sur les Métaheuristiques 24 / 26
55. tlemcen.png
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Concepts de base des métaheuristiques
Gestion des contraintes
Recuit simulé
Principe
Algorithme
Quelques références
Dréo J, et al., Métaheuristique pour l’optimisation difficile, Eyrolles
2003 (Disponible à la bibliothèque de la faculté de technologie de
l’université de Tlemcen)
Cote Localisation Section
004.005.2.19/02 magasin d’ouvrages 004.005.2.Info.
Elghazali T, Metaheuristics from design to implementation, Wiley
2009
Sean Luke, Essentials of Metaheuristics, Lulu 2013, second edition,
available for free at
http ://cs.gmu.edu/~sean/book/metaheuristics/
García del Amo I.J. et al. (2006) From Theory to Implementation :
Applying Metaheuristics. In : Liberti L., Maculan N. (eds) Global
Optimization. Nonconvex Optimization and Its Applications, vol 84.
Springer, Boston, MA.
Bensmaine Abderrahmane Quelques points sur les Métaheuristiques 26 / 26