Académique Documents
Professionnel Documents
Culture Documents
Guillaume C ALAS
guillaume.calas@gmail.com
14-16 rue Voltaire,
94270 Le Kremlin-Bictre,
France
Mots cls: optimisation, mtaheuristiques, essaim de particules, essaim particulaire, OEP, particule swarm optimisation,
PSO.
Rsum
Lapparition des algorithmes volutionistes fait leffet dune bombe dans les domaines de la rsolution
de problmes complexes, et spcialement dans loptimisation de fonction avec contraintes. Loptimisation
par essaim de particules se prsente comme une alternative aux algorithmes gntiques et aux colonies de
fourmis pour loptimisation de fonctions non-linaires.
Ce document a pour objet de prsenter succinctement lorigine de cette mthode avant daborder sa mise
en uvre et les rglages de ses paramtres.
Introduction
Applications
Prsentation de la mthode
3.1 Principe . . . . . . . . . . . . . . . . . . . . . . . . .
3.2 Formalisation . . . . . . . . . . . . . . . . . . . . . .
3.3 Configuration de la mthode . . . . . . . . . . . . . .
3.3.1 Nombre de particules . . . . . . . . . . . . . .
3.3.2 Topologie du voisinage . . . . . . . . . . . . .
3.3.3 Coefficients de confiance . . . . . . . . . . . .
3.3.4 Vitesse maximale et coefficient de constriction
3.3.5 Facteur dinertie . . . . . . . . . . . . . . . .
3.3.6 Initialisation de lessaim . . . . . . . . . . . .
3.3.7 Critres darrt . . . . . . . . . . . . . . . . .
3.4 Algorithme de synthse . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
1
1
2
2
2
2
2
2
3
3
3
Introduction
Ce comportement social bas sur lanalyse de lenvironnement et du voisinage constitue alors une mthode
de recherche doptimum par lobservation des tendances
des individus voisins. Chaque individu cherche optimiser
ses chances en suivant une tendance quil modre par ses
propres vcus.
x i (t) : sa position dans lespace de recherche ;
v (t) : sa vitesse ;
Applications
x pbesti : la position de la meilleure solution par
laquelle elle est passe ;
x vbesti : la position de la meilleure solution connue
de son voisinage ;
3
3.1
Prsentation de la mthode
Principe
Loptimisation par essaim de particules repose sur un ensemble dindividus originellement disposs de faon alatoire et homogne, que nous appelerons ds lors des particules, qui se dplacent dans lhyper-espace de recherche et
consituent, chacune, une solution potentielle.
Chaque particule dispose dune mmoire concernant sa
meilleure solution visite ainsi que la capacit de communiquer avec les particules constituant son entourage. partir
de ces informations, la particule va suivre une tendance
faite, dune part, de sa volont retourner vers sa solution
si F(
x i ) > pbesti alors
pbesti = F(
x i)
x pbesti = x i
fin si
vi=
v i + (
x pbesti
x i)
x i = x i+ v i
fin pour
jusqu (un des critres de convergence est atteint)
3.3
3.3.1
Configuration de la mthode
Nombre de particules
La quantit de particules alloues la rsolution du problme dpend essentiellement de deux paramtres : la taille
de lespace de recherche et le rapport entre les capacits de
calcul de la machine et le temps maximum de recherche.
Il ny a pas de rgle pour dterminer ce paramtre, faire
de nombreux essais permet de se doter de lexprience
ncessaire lapprhension de ce paramtre.
3.3.2
Topologie du voisinage
3.3.4
Afin dviter que les particules ne se dplacent trop rapidement dans lespace de recherche, passant ventuellement
ct de loptimum, il peut tre ncessaire de fixer une
Cependant, on peut sen passer si on utilise un coeffiLa topologie du voisinage dfini avec qui chacune des
cient
de constriction introduit par Maurice C LERC [1]
particules va pouvoir communiquer. Il existe de nombreuses
et
qui permet de resserrer lhyper-espace de recherche.
combinaisons dont les suivantes sont les plus utilises :
a) topologie en toile : chaque particule est relie
toutes les autres, ie. loptimum du voisinage est
loptimum global ;
v i (t) = .(
v i (t 1)
+ 2 .(
x vbesti
x i (t)))
Les tudes de S HI et E BERHART indiquent que lutilisation dun coefficient de constriction donne gnralement
un meilleur taux de convergence sans avoir fixer de vitesse
maximale. Cependant, dans certains cas, le coefficient de
constriction seul ne permet pas la convergence vers la
solution optimale pour un nombre ditrations donn. Pour
F IGURE 1 (a) anneau (avec n = 2), (b) rayon, (c) rsoudre ce problme, il peut tre intressant de fixer
toile.
v max =
x max en plus du coefficient de constriction, ce qui,
Sous licence Creative Common Attribution ShareAlike 2.5.
selon les tudes de S HI et E BERHART, permet damliorer
les performances globales de lalgorithme.
Le voisinage gographique auquel nous sommes amens penser en premier lieu nest pas ncessairement 3.3.5 Facteur dinertie
pertinent car, dune part, il sagirait dun voisinage trop
local, et dautre part car la sociabilisation des particules tend Le facteur dintertie introduit par S HI et E BERHART
rendre tout voisinage social en voisinage gographique. permet de dfinir la capacit dexploration de chaque
Enfin, cest un voisinage trs lourd en terme de calculs car particule en vue damliorer la converge de la mthode.
ncessitant de recalculer le voisinage de chaque particule Une grande valeur de (> 1) est synonyme dune grande
amplitude de mouvement et donc, in fine, dexploration
chaque itration.
globale. A contrario, une faible valeur de (< 1) est
synonyme de faible amplitude de mouvement et donc,
3.3.3 Coefficients de confiance
dexploration locale. Fixer ce facteur, revient donc trouver
Les variables de confiance pondres les tendances de la un compromis entre lexploration locale et lexploration
particule vouloir suivre son intinct de conservation ou son globale.
panurgisme. Les variables alatoires 1 et 2 peuvent tre
Le calcul de la vitesse est alors dfini par :
dfinies de la faon suivante :
(
v i (t) = .
v i (t 1)
1 = r1 .c1
+ 1 .(
x pbesti
x i (t))
2 = r2 .c2
+ 2 .( x vbesti x i (t))
E PITA, 14-16 rue Voltaire, 94270 Le Kremlin-Bictre, France
La taille du facteur dinertie influence directement la Algorithme 2 version simpliste (avec voisinage)
taille de lhyper-espace explor et aucune valeur de ne
rpter
peut garantir la convergence vers la solution optimale.
pour i = 1 jusqu nb faire
Les tudes menes par S HI et E BERHART indiquent une
meilleure convergences pour [0.8, 1.2]. Au del de 1.2,
lalgorithme tend avoir certaines difficultes converger.
Enfin, il est galement possible de faire diminuer le
facteur dinertie au cours du temps, un peu la manire de la
temprature dans un algorithme de recuit simul (Simulated
Annealing). De bons rsultats ont t trouvs pour une
valeur dcroissant linairement de 0.9 0.4.
Pour de plus amples informations sur le rglage de ce
paramtre, veuillez vous rfrer la thse de VAN DEN
B ERGH[6].
3.3.6
Initialisation de lessaim
si F(
x i ) > pbesti alors
pbesti = F(
x i)
x pbesti = x i
fin si
si F(
x i ) > vbesti alors
vbesti = F(
x i)
x vbesti = x i
fin si
fin pour
pour i = 1 to nb faire
v i = (
v i + 1 (
x pbesti
x i ) + 2 (
x vbesti
x i ))
xi=
x i +
vi
fin pour
jusqu (un des critres de convergence est atteint)
3.4
Algorithme de synthse