Vous êtes sur la page 1sur 187

Techniques doptimisation stochastique appliqu es a certains e ` probl` mes du trac a rien e e

Jean-Marc Alliot 27 octobre 1998

Table des mati` res e


I R sultats g n raux e e e
1 Les Algorithmes G n tiques e e 1.1 Principes g n raux . . . . . . . . . . . . . . . . . . . . . . . . . . . e e 1.2 Description d taill e . . . . . . . . . . . . . . . . . . . . . . . . . . e e 1.2.1 Codage des donn es . . . . . . . . . . . . . . . . . . . . . . e 1.2.2 G n ration al atoire de la population initiale . . . . . . . . . e e e 1.2.3 Gestion des contraintes . . . . . . . . . . . . . . . . . . . . . 1.2.4 Op rateur de Croisement . . . . . . . . . . . . . . . . . . . . e 1.2.5 Op rateur de mutation . . . . . . . . . . . . . . . . . . . . . e 1.2.6 Principes de s lection . . . . . . . . . . . . . . . . . . . . . . e 1.3 Am liorations classiques . . . . . . . . . . . . . . . . . . . . . . . . e 1.3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3.2 Scaling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3.3 Sharing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3.4 Sharing clusteris . . . . . . . . . . . . . . . . . . . . . . . . e 1.3.5 Algorithmes g n tiques et recuit simul . . . . . . . . . . . . e e e 1.3.6 Recherche multi-objectifs . . . . . . . . . . . . . . . . . . . 1.3.7 Association des AG avec des m thodes locales . . . . . . . . e 1.4 Autres am liorations . . . . . . . . . . . . . . . . . . . . . . . . . . e 1.4.1 Croisement adapt pour les fonctions partiellement s parables e e 1.4.2 Mutation adaptative . . . . . . . . . . . . . . . . . . . . . . . 1.4.3 Clustering adaptatif . . . . . . . . . . . . . . . . . . . . . . . 1.5 Parall lisme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e 1.5.1 Parall lisme par lots . . . . . . . . . . . . . . . . . . . . . . e 1.5.2 Parall lisation des calculs . . . . . . . . . . . . . . . . . . . e 1.5.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.6 R sultats th oriques sur les algorithmes binaires . . . . . . . . . . . . e e 1.6.1 D nitions fondamentales . . . . . . . . . . . . . . . . . . . e 1.6.2 Effets de la reproduction . . . . . . . . . . . . . . . . . . . . 1.6.3 Effets des croisements . . . . . . . . . . . . . . . . . . . . . 1.6.4 Effets des mutations . . . . . . . . . . . . . . . . . . . . . . 1.6.5 Conclusion sur le codage binaire . . . . . . . . . . . . . . . . 1.7 Mod lisation par chane de Markov . . . . . . . . . . . . . . . . . . e 1.7.1 Description rapide dun algorithme g n tique . . . . . . . . . e e 1.7.2 Mod lisation . . . . . . . . . . . . . . . . . . . . . . . . . . e 1.7.3 Application de la th orie de Freidlin et Wentzell . . . . . . . e 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

11
15 15 17 17 17 17 18 20 20 21 21 22 23 25 26 28 29 30 30 32 32 33 33 34 36 36 36 37 38 38 39 39 39 41 45

2 M thodes et probl` mes e e 2.1 Optimisation de fonctions a variables r elles . . ` e 2.1.1 Fonction de Rosenbrock et Chebyquad 2.1.2 Fonction de De Jong . . . . . . . . . . 2.1.3 Fonction de Corana . . . . . . . . . . . 2.1.4 Fonction de Griewank . . . . . . . . . 2.2 Probl` mes de type combinatoire . . . . . . . . e 2.2.1 Codage des donn es . . . . . . . . . . e 2.2.2 Op rateur de croisement . . . . . . . . e 2.2.3 Op rateur de mutation . . . . . . . . . e 2.2.4 Op rateurs locaux . . . . . . . . . . . e 2.2.5 R sultats num riques . . . . . . . . . . e e 2.3 Parall lisme et apprentissage . . . . . . . . . . e 2.3.1 Introduction . . . . . . . . . . . . . . . 2.3.2 Principes g n raux . . . . . . . . . . . e e 2.3.3 Calcul de la tness . . . . . . . . . . . 2.3.4 R sultats exp rimentaux . . . . . . . . e e 2.3.5 Conclusion . . . . . . . . . . . . . . . 2.4 Conclusion . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

53 53 53 55 56 57 59 61 61 63 63 64 64 65 66 66 68 68 69

II Applications aux probl` mes du trac a rien e e


3 Optimisation de la r solution de conits e 3.1 Etude du trac . . . . . . . . . . . . . . . . . . . . . . . 3.1.1 Simulation du trac . . . . . . . . . . . . . . . . 3.1.2 R sultats . . . . . . . . . . . . . . . . . . . . . e 3.1.3 Conclusion . . . . . . . . . . . . . . . . . . . . 3.2 Approche math matique . . . . . . . . . . . . . . . . . e 3.2.1 Conit entre des avions non contraints en vitesse 3.2.2 Conit entre deux avions contraints en vitesse . . 3.2.3 Complexit th orique . . . . . . . . . . . . . . . e e 3.2.4 Conclusion . . . . . . . . . . . . . . . . . . . . 3.3 Approximation par point tournant et par offset . . . . . . 3.3.1 Point tournant . . . . . . . . . . . . . . . . . . . 3.3.2 Approximation par offset . . . . . . . . . . . . . 3.3.3 Avions en rattrapage . . . . . . . . . . . . . . . 3.4 Mod lisation de lincertitude . . . . . . . . . . . . . . . e 3.4.1 N cessit de mod liser lincertitude . . . . . . . e e e 3.4.2 Evaluation de la probabilit de conit. . . . . . . e 3.4.3 Esp rance de co t de r solution de conit. . . . . e u e 3.5 Mod lisation pour la r solution de conits complexes . . e e 3.5.1 Mod` le de cluster . . . . . . . . . . . . . . . . . e 3.5.2 D roulement en temps r el . . . . . . . . . . . . e e 3.6 R solution par algorithmes g n tiques . . . . . . . . . . e e e 3.6.1 Codage . . . . . . . . . . . . . . . . . . . . . . 3.6.2 G n ration de la population initiale . . . . . . . e e 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

71
75 80 80 82 85 85 88 90 94 94 96 96 98 102 104 104 104 106 108 109 111 111 112 112

3.6.3 Fitness . . . . . . . . . . . . . . . . . . . . . . 3.6.4 Op rateurs de croisement et de mutation adapt s e e 3.6.5 Sharing simpli . . . . . . . . . . . . . . . . . e 3.6.6 M thode locale en n de convergence . . . . . . e 3.6.7 Applications num riques . . . . . . . . . . . . . e 3.6.8 Architecture g n rale du simulateur de trac . . e e 3.6.9 R sultats sur une journ e de trac r elle . . . . . e e e 3.6.10 Conclusion . . . . . . . . . . . . . . . . . . . . 3.7 Programmation lin aire et AG . . . . . . . . . . . . . . e 3.7.1 Introduction . . . . . . . . . . . . . . . . . . . . 3.7.2 Codage des donn es du probl` me . . . . . . . . e e 3.7.3 Croisement et mutation . . . . . . . . . . . . . . 3.7.4 Evaluation de la tness . . . . . . . . . . . . . . 3.7.5 R sultats . . . . . . . . . . . . . . . . . . . . . e 3.7.6 Conclusion . . . . . . . . . . . . . . . . . . . . 3.8 Techniques de parcours de graphe . . . . . . . . . . . . . . . . . . . . . . . . . . 3.8.1 Algorithme de type 3.8.2 M thode de plus forte pente . . . . . . . . . . . e 3.8.3 Conclusion . . . . . . . . . . . . . . . . . . . . 3.9 R solution r active et autonome . . . . . . . . . . . . . e e 3.9.1 M thodes r actives a mod` le physique . . . . . . e e ` e 3.9.2 R solution par r seaux de neurones . . . . . . . e e 3.10 Conclusion . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . .

113 115 115 117 117 123 126 127 127 127 128 128 128 129 131 131 131 132 132 133 133 136 140 141 141 142 142 143 145 145 147 148 148 148 148 148 149 151 159 162 162 162 163 169 169 170

4 Sectorisation de lespace et r partition des ux e 4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2 Mod lisation . . . . . . . . . . . . . . . . . . . . . . . . . . e 4.2.1 Routes a riennes . . . . . . . . . . . . . . . . . . . . e 4.2.2 Charge de contr le dans un secteur . . . . . . . . . . o 4.3 Probl` mes a r soudre . . . . . . . . . . . . . . . . . . . . . . e ` e 4.3.1 Probl` me de sectorisation . . . . . . . . . . . . . . . e 4.3.2 Probl` me daffectation . . . . . . . . . . . . . . . . . e 4.4 Complexit associ e . . . . . . . . . . . . . . . . . . . . . . e e 4.4.1 Probl` me de sectorisation . . . . . . . . . . . . . . . e 4.4.2 Probl` me daffectation . . . . . . . . . . . . . . . . . e 4.5 Sectorisation dun r seau a ux affect s . . . . . . . . . . . . e ` e 4.5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . 4.5.2 Mod lisation . . . . . . . . . . . . . . . . . . . . . . e 4.5.3 Optimisation du probl` me par Algorithmes G n tiques e e e 4.5.4 Evaluation . . . . . . . . . . . . . . . . . . . . . . . 4.5.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . 4.6 Affectation des ux sur un r seau sectoris . . . . . . . . . . . e e 4.6.1 M thodes classiques daffectation statique . . . . . . . e 4.6.2 Optimisation du probl` me par AG . . . . . . . . . . . e 4.6.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . 4.7 Sectorisation et affectation de trac simultan es . . . . . . . . e 4.8 Regroupement de secteurs . . . . . . . . . . . . . . . . . . . 5

. . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . .

4.8.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . 4.8.2 Mod lisation . . . . . . . . . . . . . . . . . . . . . . . . . e 4.8.3 Complexit du principe de regroupement . . . . . . . . . . e 4.8.4 Optimisation par algorithme g n tique . . . . . . . . . . . . e e 4.9 Limitations du mod` le . . . . . . . . . . . . . . . . . . . . . . . . e 4.9.1 Mod lisation de la charge de contr le . . . . . . . . . . . . e o 4.9.2 Prise en compte de la troisi` me dimension . . . . . . . . . . e 4.9.3 Limitation de lexploration de lespace d tat . . . . . . . . e 4.9.4 Prise en compte des zones militaires . . . . . . . . . . . . . 4.9.5 Probl` mes politiques li s a la souverainet de lespace a rien e e ` e e 4.9.6 Prise en compte de la propagation des ux . . . . . . . . . . 4.10 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

170 170 171 171 173 173 174 174 175 175 176 176

In a forest a fox bumps into a little rabbit, and says, Hi, junior, what are you up to? Im writing a dissertation on how rabbits eat foxes, said the rabbit. Come now, friend rabbit, you know thats impossible! Well, follow me and Ill show you. They both go into the rabbits dwelling and after a while the rabbit emerges with a satised expression on his face. Comes along a wolf. Hello, what are we doing these days? Im writing the second chapter of my thesis, on how rabbits devour wolves. Are you crazy? Where is your academic honesty? Come with me and Ill show you. As before, the rabbit comes out with a satised look on his face and a diploma in his paw. Finally, the camera pans into the rabbits cave and, as everybody should have guessed by now, we see a mean-looking, huge lion sitting next to some bloody and furry remnants of the wolf and the fox. The moral: Its not the contents of your thesis that are important its your PhD advisor that really counts.

Introduction
Ce document pr sente le bilan de quatre ann es d tudes et de recherches effectu es par toute une e e e e equipe de th sards et d tudiants de DEA dont jai fort modestement assur , partiellement, la direction e e e et lencadrement. Ils ont implant , corrig , am lior , d couvert, et sans eux, nombre des id es que jai e e e e e e pu essayer dexploiter nauraient jamais d pass le stade de la feuille de papier. e e Ce document est donc le r sultat dun travail d quipe. Je le revendique comme tel, et jen suis e e particuli` rement heureux. Il est vrai que si lon consid` re lHabilitation a Diriger des Recherches e e ` comme un doctorat dEtat d guis , cette monographie manque compl` tement son but : on aura peine a e e e ` trouver plus dune vingtaine de pages d crivant une recherche purement et exclusivement personnelle. e Si, au contraire, on consid` re aussi lHDR comme la d monstration dune capacit a animer une e e e ` equipe de recherche, alors les quelques pages qui suivent essaient de remplir cet ofce. Ce document se compose de deux parties que lon peut lire de facon presque ind pendante. e La premi` re partie pr sente un certain nombre de r sultats de caract` re g n ral sur les techniques e e e e e e g n tiques. Cette partie comporte deux chapitres : e e

La seconde partie pr sentera lapplication des techniques g n tiques aux probl` mes du trac e e e e a rien a travers un certain nombre dexemples : e `

Bien entendu, ce document est incomplet. Certains travaux r alis s, comme loptimisation des e e chanes s curit dans les a rogares ( tude pour le Service des Bases A riennes), loptimisation des e e e e e redevances a roportuaires (pour A roport De Paris), ou la r exion sur loptimisation des cr neaux e e e e
Nous emploierons dans tout ce document les termes anglais qui se sont (malheureusement? ) impos s au l des ann es, e e dont ceux d velopp s sp ciquement par notre equipe. On pourrait certes remplacer scaling par mise a l chelle, e e e ` e sharing par r partition forc e des el ments ou clustering par regroupement par paquets. Le texte ny gagnerait pas e e e n cessairement en lisibilit . . . Notons egalement que nous employons abusivement le mot al atoire chaque fois que nous e e e d signons un processus al atoire dont le tirage est uniforme. La nature du processus est pr cis e chaque fois quil ne sagit e e e e pas dun tirage uniforme.
1

le premier chapitre sera consacr e aux algorithmes g n tiques, avec une pr sentation des r sultats e e e e e th oriques existants, puis la description de tous les rafnements (scaling1 , sharing, clustering, e parall lisme, etc.) indispensables a un fonctionnement efcace. e ` dans le second chapitre, nous d velopperons sur quelques exemples classiques lutilisation des e algorithmes g n tiques et nous les comparerons a dautres techniques, locales (simplex, BFGS), e e ` globales d terministes (programmation par intervalles) ou stochastiques (recuit). e

construction de trajectoires optimales pour la r solution de conits en route e optimisation de la sectorisation de lespace et de la r partition de ux e r solution r active de conits a court terme e e `

de d collage, nont pu y trouver place. Cependant, nous pensons quil re` te lesprit g n ral du travail e e e e que nous effectuons et souhaitons effectuer : appliquer une m thodologie scientique aux probl` mes e e du trac a rien. e

10

Partie I

R sultats g n raux e e e

11

Numerical optimization can be likened to a kangaroo searching for the top of Mt. Everest. Everest is the global optimum, but the top of any other really high mountain such as K2 would be nearly as good. When training a neural network, initial weights are usually chosen randomly, which means that the kangaroo may start out anywhere in Asia. If you know something about the scales of the inputs, you may be able to get the kangaroo to start near the Himalayas. However, if you make a really stupid choice of distributions for the random initial weights, or if you have really bad luck, the kangaroo may start in South America. In standard backprop or stochastic approximation, the kangaroo is blind and has to feel around on the ground to make a guess about which way is up. He may be fooled by rough terrain unless you use batch training. If the kangaroo ever gets near the peak, he may jump back and forth across the peak without ever landing on the peak. If you use a decaying step size, the kangaroo gets tired and makes smaller and smaller hops, so if he ever gets near the peak he has a better chance of actually landing on it before the Himalayas erode away. In backprop with momentum, the kangaroo has poor traction and cant make sharp turns. With Newton-type (2nd order) algorithms, the Himalayas are covered with a dense fog, and the kangaroo can only see a little way around his location. Judging from the local terrain, the kangaroo make a guess about where the top of the mountain is, and tries to jump all the way there. In a stabilized Newton algorithm, the kangaroo has an altimeter, and if the jump takes him to a lower point, he backs up to where he was and takes a shorter jump. If the algorithm isnt stabilized, the kangaroo may mistakenly jump to Shanghai and get served for dinner in a Chinese restaurant. (I never claimed this analogy was realistic.) In steepest ascent with line search, the fog is very dense, and the kangaroo can only tell which direction leads up. The kangaroo hops in this direction until the terrain starts going down again, then chooses another direction. Notice that in all the methods discussed so far, the kangaroo can hope at best to nd the top of a mountain close to where he starts. Theres no guarantee that this mountain will be Everest, or even a very high mountain. In simulated annealing, the kangaroo is drunk and hops around randomly for a long time. However, he gradually sobers up and tends to hop up hill. In genetic algorithms, there are lots of kangaroos that are parachuted into the Himalayas (if the pilot didnt get lost) at random places. These kangaroos do not know that they are supposed to be looking for the top of Mt. Everest. However, every few years, you shoot the kangaroos at low altitudes and hope the ones that are left will be fruitful and multiply. From all this we can conclude that the best methods to nd the Mount Everest are (in order): 1. to know where it is 2. to have a map on which you can nd it 3. to know someone who knows where it is or who has a map 4. to send (a) kangaroo(s) to search for it and even if you have to send a kangaroo, it is useful if you know at least: 1. where the mountain range is in which the Mount Everest may be and 2. how to bring your kangaroo to that mountain range.

Warren Searle

14

Chapitre 1

Les Algorithmes G n tiques e e


1.1 Principes g n raux e e
Les algorithmes g n tiques sont des algorithmes doptimisation sappuyant sur des techniques d riv es e e e e de la g n tique et de l volution naturelle1 : croisements, mutations, s lection, etc. Les algorithmes e e e e g n tiques ont d j` une histoire relativement ancienne puisque les premiers travaux de John Hole e ea land sur les syst` mes adaptatifs remontent a 1962 [Hol62]. Louvrage de David Goldberg [Gol89c] a e ` largement contribu a les vulgariser. e` Un algorithme g n tique recherche le ou les extrema dune fonction d nie sur un espace de e e e donn es. Pour lutiliser, on doit disposer des cinq el ments suivants : e e 1. Un principe de codage de l l ment de population. Cette etape associe a chacun des points ee ` de lespace d tat une structure de donn es. Elle se place g n ralement apr` s une phase de e e e e e mod lisation math matique du probl` me trait . La qualit du codage des donn es conditionne e e e e e e le succ` s des algorithmes g n tiques. Le codages binaires ont et tr` s utilis s a lorigine. Les e e e e e e ` codages r els sont d sormais largement utilis s, notamment dans les domaines applicatifs pour e e e loptimisation de probl` mes a variables r elles. e ` e 2. Un m canisme de g n ration de la population initiale. Ce m canisme doit etre capable de proe e e e duire une population dindividus non homog` ne qui servira de base pour les g n rations futures. e e e Le choix de la population initiale est important car il peut rendre plus ou moins rapide la convergence vers loptimum global. Dans le cas o` lon ne connat rien du probl` me a r soudre, il est u e ` e essentiel que la population initiale soit r partie sur tout le domaine de recherche. e

4. Des op rateurs permettant de diversier la population au cours des g n rations et dexplorer e e e lespace d tat. Lop rateur de croisement recompose les g` nes dindividus existant dans la e e e population, lop rateur de mutation a pour but de garantir lexploration de lespace d tats. e e 5. Des param` tres de dimensionnement : taille de la population, nombre total de g n rations ou e e e crit` re darr t, probabilit s dapplication des op rateurs de croisement et de mutation. e e e e
1 Il est int ressant de trouver dans luvre dun sp cialiste de zoologie, Richard Dawkins [Daw89], un exemple informae e tique tendant a prouver la correction de lhypoth` se darwinienne de la s lection naturelle. La m thode utilis e est presque ` e e e e semblable aux techniques g n tiques. e e

15

3. Une fonction a optimiser. Celle-ci retourne une valeur de ` de lindividu.

appel e tness ou fonction d valuation e e

POPULATION Gnration k

REPRODUCTION

PROBABILITE Pm

P1

P2

PROBABILITE Pc

MUTATION

CROISEMENT

E1

E2

EVALUATION

POPULATION Gnration k+1

Figure 1.1: Principe g n ral des algorithmes g n tiques e e e e

Le principe g n ral du fonctionnement dun algorithme g n tique est repr sent sur la gure 1.1 : e e e e e e on commence par g n rer une population dindividus de facon al atoire. Pour passer dune g n ration e e e e e a la g n ration ` e e , les trois op rations suivantes sont r p t es pour tous les el ments de la e e ee e population . Des couples de parents et sont s lectionn s en fonction de leurs adaptations. e e Lop rateur de croisement leur est appliqu avec une probabilit e e e (g n ralement autour de e e ) et g n` re des couples denfants e e et . Dautres el ments sont s lectionn s en fonction de leur e e e adaptation. Lop rateur de mutation leur est appliqu avec la probabilit e e e ( est g n ralement e e tr` s inf rieur a ) et g n` re des individus mut s . Le niveau dadaptation des enfants ( , ) et e e ` e e e des individus mut s e sont ensuite evalu s avant insertion dans la nouvelle population. Diff rents e e crit` res darr t de lalgorithme peuvent etre choisis : e e

Le nombre de g n rations que lon souhaite ex cuter peut etre x a priori. Cest ce que lon e e e e` est tent de faire lorsque lon doit trouver une solution dans un temps limit . e e

Lalgorithme peut etre arr t lorsque la population n volue plus ou plus sufsamment rapide ee e ment.

Nous allons maintenant d tailler chacun de ces points. e 16

 

 

 



1.2 Description d taill e e e


1.2.1 Codage des donn es e
Historiquement le codage utilis par les algorithmes g n tiques etait repr sent sous forme de chanes e e e e e de bits contenant toute linformation n cessaire a la description dun point dans lespace d tat. Ce e ` e type de codage a pour int r t de permettre de cr er des op rateurs de croisement et de mutation ee e e simples. Cest egalement en utilisant ce type de codage que les premiers r sultats de convergence e th orique ont et obtenus. e e Cependant, ce type de codage nest pas toujours bon comme le montrent les deux exemples suivants :

Les algorithmes g n tiques utilisant des vecteurs r els [Gol91, Wri91] evitent ce probl` me en e e e e conservant les variables du probl` me dans le codage de l l ment de population sans passer par le e ee codage binaire interm diaire. La structure du probl` me est conserv e dans le codage. e e e

1.2.2 G n ration al atoire de la population initiale e e e


Le choix de la population initiale dindividus conditionne fortement la rapidit de lalgorithme. Si la e position de loptimum dans lespace d tat est totalement inconnue, il est naturel de g n rer al atoirement e e e e des individus en faisant des tirages uniformes dans chacun des domaines associ s aux composantes e de lespace d tat en veillant a ce que les individus produits respectent les contraintes [MJ91]. Si par e ` contre, des informations a priori sur le probl` me sont disponibles, il parait bien evidemment naturel ` e de g n rer les individus dans un sous-domaine particulier an dacc l rer la convergence. Dans lhye e ee poth` se o` la gestion des contraintes ne peut se faire directement, les contraintes sont g n ralement e u e e incluses dans le crit` re a optimiser sous forme de p nalit s. Il est clair quil vaut mieux, lorsque cest e ` e e possible ne g n rer que des el ments de population respectant les contraintes. e e e

1.2.3 Gestion des contraintes


Un el ment de population qui viole une contrainte se verra attribuer une mauvaise tness et aura une e probabilit forte d tre elimin par le processus de s lection. e e e e Il peut cependant etre int ressant de conserver, tout en les p nalisant, les el ments non admissibles e e e car ils peuvent permettre de g n rer des el ments admissibles de bonne qualit . Pour de nombreux e e e e probl` mes, loptimum est atteint lorsque lune au moins des contraintes de s paration est satur e, cest e e e a dire sur la fronti` re de lespace admissible. ` e G rer les contraintes en p nalisant la fonction tness est difcile, un dosage simpose pour ne e e pas favoriser la recherche de solutions admissibles au d triment de la recherche de loptimum ou e inversement. 17

deux el ments voisins en terme de distance de Hamming ne codent pas n cessairement deux e e el ments proches dans lespace de recherche. Cet inconv nient peut etre evit en utilisant un e e e codage de Gray. Pour des probl` mes doptimisation dans des espaces de grande dimension, le codage binaire e peut rapidement devenir mauvais. G n ralement, chaque variable est repr sent e par une partie e e e e de la chane de bits et la structure du probl` me nest pas bien re t e, lordre des variables e ee ayant une importance dans la structure du chromosome alors quil nen a pas forc ment dans la e structure du probl` me. e

P1

P2

CROISEMENT

C1
Figure 1.2: Slicing crossover

C2

Disposant dune population dindividus non homog` ne, la diversit de la population doit etre e e entretenue au cours des g n rations an de parcourir le plus largement possible lespace d tat. Cest e e e le r le des op rateurs de croisement et de mutation. o e

1.2.4 Op rateur de Croisement e


Le croisement a pour but denrichir la diversit de la population en manipulant la structure des chroe mosomes. Classiquement, les croisements sont envisag s avec deux parents et g n` rent deux enfants. e e e Initialement, le croisement associ au codage par chanes de bits est le croisement a d coupage e ` e de chromosomes (slicing crossover). Pour effectuer ce type de croisement sur des chromosomes g` nes, on tire al atoirement une position dans chacun des parents. On echange ene e constitu s de e suite les deux sous-chanes terminales de chacun des deux chromosomes, ce qui produit deux enfants et (voir gure 1.2). On peut etendre ce principe en d coupant le chromosome non pas en sous-chanes mais en , , e etc [BG91]. (voir gure 1.3). Ce type de croisement a d coupage de chromosomes est tr` s efcace pour les probl` mes discrets. ` e e e Pour les probl` mes continus, un croisement barycentrique est souvent utilis : deux g` nes e e e et sont s lectionn s dans chacun des parents a la m me position . Ils d nissent deux nouveaux e e ` e e g` nes e et par combinaison lin aire : e

o` est un coefcient de pond ration al atoire adapt au domaine dextension des g` nes (il nest u e e e e pas n cessairement compris entre et , il peut par exemple prendre des valeurs dans lintervalle e ce qui permet de g n rer des points entre, ou a lext rieur des deux g` nes consid r s). e e ` e e ee Dans le cas particulier dun chromosome matriciel constitu par la concat nation de vecteurs, on e e peut etendre ce principe de croisement aux vecteurs constituant les g` nes (voir gure 1.4) : e

18

$ #"

$ #"  ' $ #" $ ' " & $ #"   $ #"  $ ' " $ #"(' & $ #"  ( %

$ #"  

$ #" 

2 0 1 0  () '



$ #" 

P1

P2

CROISEMENT

C1
Figure 1.3: Slicing crossover a 2 points `

C2

C1

P1

C2

P2
Figure 1.4: Croisement barycentrique

19

chromosome initial g1 gi gn

gi

gi

g1

gi chromosome mut

gn

Figure 1.5: Principe de lop rateur de mutation e

On peut imaginer et tester des op rateurs de croisement plus ou moins complexes sur un probl` me e e donn mais lefcacit de ce dernier est souvent li intrins` quement au probl` me. e e e e e

1.2.5 Op rateur de mutation e


Lop rateur de mutation apporte aux algorithmes g n tiques la propri t dergodicit de parcours dese e e ee e pace. Cette propri t indique que lalgorithme g n tique sera susceptible datteindre tous les points ee e e de lespace d tat, sans pour autant les parcourir tous dans le processus de r solution. Ainsi en toute e e rigueur, lalgorithme g n tique peut converger sans croisement, et certaines implantations fonctione e nent de cette mani` re [FOW66]. Les propri t s de convergence des algorithmes g n tiques sont donc e ee e e fortement d pendantes de cet op rateur sur le plan th orique. e e e Pour les probl` mes discrets, lop rateur de mutation consiste g n ralement a tirer al atoirement e e e e ` e un g` ne dans le chromosome et a le remplacer par une valeur al atoire (voir gure 1.5). Si la notion e ` e de distance existe, cette valeur peut etre choisie dans le voisinage de la valeur initiale. Dans les probl` mes continus, on proc` de un peu de la m me mani` re en tirant al atoirement un e e e e e g` ne dans le chromosome, auquel on ajoute un bruit g n ralement gaussien. L cart type de ce bruit e e e e est difcile a choisir a priori. Nous discutons ce probl` me de facon plus d taill e, en pr sentant une ` e e e e amorce de solution, dans la section 1.4.2.

1.2.6 Principes de s lection e


A linverse dautres techniques doptimisation, les algorithmes g n tiques ne requi` rent pas dhye e e poth` se particuli` re sur la r gularit de la fonction objectif. Lalgorithme g n tique nutilise notame e e e e e ment pas ses d riv es successives, ce qui rend tr` s vaste son domaine dapplication. Aucune hypoth` se e e e e sur la continuit nest non plus requise. N anmoins, dans la pratique, les algorithmes g n tiques sont e e e e sensibles a la r gularit des fonctions quils optimisent. ` e e 20

$ #"  ' $ #" $ ' " & $ #"   ( $ #" 3$ ' " 3 $ #" ' & $ #" 3  3 ( 3 3 %

Le peu dhypoth` ses requises permet de traiter des probl` mes tr` s complexes. La fonction a optie e e ` miser peut ainsi etre le r sultat dune simulation. e La s lection permet didentier statistiquement les meilleurs individus dune population et d liminer e e les mauvais. On trouve dans la litt rature un nombre important de principes de s lection plus ou moins e e adapt s aux probl` mes quils traitent. Dans le cadre de notre travail, les deux principes de s lection e e e suivants ont et test s et evalu s: e e e

Le principe de Roulette wheel selection2 consiste a associer a chaque individu un segment dont la ` ` longueur est proportionnelle a sa tness. On reproduit ici le principe de tirage al atoire utilis dans ` e e les roulettes de casinos avec une structure lin aire. Ces segments sont ensuite concat n s sur un axe e e e e que lon normalise entre et . On tire alors un nombre al atoire de distribution uniforme entre et , puis on regarde quel est le segment s lectionn . Avec ce syst` me, les grands segments, cest-` -dire e e e a les bons individus, seront plus souvent adress s que les petits. Lorsque la dimension de la population e est r duite, il est difcile dobtenir en pratique lesp rance math matique de s lection en raison du e e e e peu de tirages effectu s. Un biais de s lection plus ou moins fort existe suivant la dimension de la e e population. La Stochastic remainder without replacement selection evite ce genre de probl` me et donne de e bons r sultats pour nos applications. D crivons ce principe de s lection : e e e

La roulette wheel selection pr c demment d crite est appliqu e sur les individus affect s des e e e e e tness .

Compte-tenu du fait que des faibles populations seront utilis es par la suite, ce principe de s lection e e sav` rera le plus efcace dans les applications pratiques et sera donc utilis par la suite. e e

1.3 Am liorations classiques e


1.3.1 Introduction
Les processus de s lection pr sent s sont tr` s sensibles aux ecarts de tness et dans certains cas, un e e e e tr` s bon individu risque d tre reproduit trop souvent et peut m me provoquer l limination compl` te e e e e e de ses cong n` res; on obtient alors une population homog` ne contenant un seul type dindividu. e e e Ainsi, dans lexemple de la gure 1.6 le second mode risque d tre le seul repr sentant pour e e la g n ration suivante et seule la mutation pourra aider a atteindre lobjectif global e e ` au prix de nombreux essais successifs. Pour eviter ce comportement, il existe dautres modes de s lection (ranking) ainsi que des prin e cipes (scaling, sharing) qui emp chent les individus forts d liminer compl` tement les plus faie e e bles. On peut egalement modier le processus de s lection en introduisant des tournois entre parents e et enfants, bas sur une technique proche du recuit. e Enn, on peut egalement introduire des recherches multi-objectifs, en utilisant la notion de domi nance lors de la s lection. e
2

Dans la litt rature, ctte m thode porte parfois le nom de m thode de Monte-Carlo. e e e

21

$ 5 4" 6



54

$ 5 4" 6

$ 5 4" 6

Soit

la partie enti` re de e

, chaque el ment est reproduit exactement e

54

Pour chaque el ment , on calcule le rapport e

de sa tness sur la moyenne des tness. fois.

54

Roulette wheel selection [Gol89c]; Stochastic remainder without replacement selection [Gol89c];

y M1

M2

x individus

Figure 1.6: Exemple o` les s lections classiques risquent de ne reproduire quun individu u e

1.3.2 Scaling
Le scaling ou mise a l chelle, modie les tness an de r duire ou damplier articiellement les ` e e ecarts entre les individus. Le processus de s lection nop` re plus sur la tness r elle mais sur son e e e image apr` s scaling. Parmi les fonctions de scaling, on peut envisager le scaling lin aire et le scaling e e exponentiel. Soit la tness avant scaling et la tness modi e par le scaling. e Scaling lin aire e Dans ce cas la fonction de scaling est d nie de la facon suivante [Mic92] : e

En r` gle g n rale, le coefcient est inf rieur a un, ce qui permet de r duire les ecarts de tness et e e e e ` e donc de favoriser lexploration de lespace. Ce scaling est statique par rapport au num ro de g n ration e e e et p nalise la n de convergence lorsque lon d sire favoriser les modes dominants. e e Scaling exponentiel Il est d ni de la facon suivante [Mic92] (voir gure 1.7): e

Pour proche de z ro, on r duit fortement les ecarts de tness ; aucun individu nest vraiment e e favoris et lalgorithme g n tique se comporte comme un algorithme de recherche al atoire et e e e e permet dexplorer lespace. 22

o` u

est la g n ration courante. e e

@ B B B B D# C@ E D# C@  B B( B B & B( B & @ C @   D#  C @  D# C@ A  D# ( (

I HG F$ 8 7" & 9 7

87 @ & 97

97

87

fs fs = k fr

max k<1 avg k=1 k>1 min

min

avg

max

fr

Figure 1.7: Fonction de scaling exponentielle Pour proche de : le scaling est inop rant. e

Pour les ecarts sont exag r s et seuls les bons individus sont s lectionn s ce qui produit ee e e l mergence des modes. e

Dans la pratique, on fait g n ralement varier des faibles valeurs vers les fortes valeurs au cours e e des g n rations. Pour cela on peut utiliser la formule suivante : e e

etant la g n ration courante, le nombre total de g n rations pr vues, un param` tre a choisir. e e e e e e ` sest av r pertinent dans les applications. L volution de en fonction de la ee e Le choix de g n ration est donn e par la gure 1.8. e e e Ce dernier principe de scaling donne effectivement de meilleurs r sultats sur nos probl` mes que e e le scaling lin aire et sera donc syst matiquement utilis . Dans le cas des fonctions objectifs multie e e modes pr sentant des optimaux quasi- quivalents, cette technique de scaling, en ampliant les ecarts e e de tness en n de convergence, va effectivement favoriser le mode dominant mais aussi masquer les modes sous-optimaux qui peuvent tout de m me pr senter un int r t. Le scaling permet donc une e e ee bonne exploration de lespace d tat mais ne favorise pas la r partition des individus sur les diff rents e e e modes de la fonction objectif.

1.3.3 Sharing
Introduction Lobjectif du sharing est de r partir sur chaque sommet de la fonction a optimiser un nombre dine ` dividus proportionnel a la tness associ e a ce sommet. La gure 1.9 pr sente deux exemples de ` e ` e r partitions de populations dans le cas dune fonction a cinq sommets : le premier sans sharing, le e ` second avec sharing. 23

Y ` W X W V Q U T S RQ & D

 & a

N
Figure 1.8: Allure de l volution de e

SANS SHARING (sans mutation)

Figure 1.9: Objectif du sharing

24

en fonction des g n rations e e

AVEC SHARING (sans mutation)

1 >1 =1 SH(d)

<1

share
Figure 1.10: Allure de Principe

De la m me facon que le scaling, le sharing consiste a modier la tness utilis e par le processus e ` e de s lection. Pour eviter le rassemblement des individus autour dun sommet dominant, le sharing e p nalise les tness en fonction du taux dagr gation de la population dans le voisinage dun individu. Il e e requiert lintroduction dune notion de distance. Dans la pratique, il faut d nir une distance indiquant e la dissimilarit entre deux individus. Cette distance est alors utilis e pour calculer la nouvelle tness e e de la facon suivante :

avec

si

Le param` tre e permet de d limiter le voisinage dun point et d pend du probl` me trait . e e e e La gure 1.10 donne lallure de pour diff rentes valeurs de . Suivant la valeur donn e a le e e ` sharing sera plus ou moins efcace. Ainsi pour , on p nalise les groupes tr` s agglom r s. e e ee Dans la pratique ce type de sharing donne effectivement de bons r sultats mais au prix de e calculs de distances entre chromosomes a chaque g n ration pour une population de taille . Or les ` e e algorithmes g n tiques induisent une complexit en e e e sans sharing et le fait de passer en peut etre p nalisant, notamment pour grand. e Pour r duire ce nombre, on utilise un sharing clusteris . e e

1.3.4 Sharing clusteris e


Pour effectuer ce type de sharing [YG93], on commence par identier les diff rents clusters dindie vidus dans la population. Ce dernier utilise deux param` tres e et respectivement pour fusion25

V '

 V V

w t

'

H5  t

si

x 8 w v9 u t

B B E 5 $ $ r C 1 5 C" t" b s r & 5 p & 57 57  q

$ i h gcf e d " b

x 8 w v9 u

yW P

x 8wv9 uQ & $ t" b t ( '  & $ t" b $ t" b V x 8wv9 u

ner des clusters ou en cr er de nouveaux. Initialement, chaque individu de la population est consid r e ee comme le centre dun cluster. On applique alors successivement les deux principes suivants :

un nouvel individu est agr g a un cluster si sa distance au centre le plus proche est inf rieure e e` e a ` . Dans ce cas, on recalcule le centre du cluster global. Sinon, on cr e un nouveau cluster e contenant ce seul individu.

Ce principe de fusion-agr gation permet dobtenir un nombre de clusters uctuant avec la r partition e e des individus dans lespace d tat. On applique ensuite le principe de sharing en modiant les tness e de la facon suivante :

avec

: nombre dindividus contenus dans le cluster auquel appartient lindividu .

: coefcient de sensibilit . e : distance entre lindividu et le centre du cluster .

On montre que ce type de sharing induit une complexit en e [YG93] pour des r sultats e tout a fait comparables a ceux fournis par le sharing classique. Dans la pratique, on remarque que le ` ` r glage des coefcients e et est assez d licat car lefcacit de ces derniers d pend essene e e tiellement de la connaissance a priori des distances inter-modes dans lespace d tat, distance quil e est tr` s difcile destimer. Nous pr sentons dans la section 1.4.3 une technique permettant de calculer e e automatiquement ces quantit s. e

1.3.5 Algorithmes g n tiques et recuit simul e e e


Introduction Les algorithmes g n tiques et le recuit simul etant deux techniques doptimisation stochastique trae e e vaillant sur les m mes types de probl` mes, il est logique de chercher a les associer an de tirer pare e ` tie de leurs avantages respectifs. Apr` s plusieurs evaluations de ces deux techniques sur les m mes e e probl` mes test, on remarque que le recuit simul converge g n ralement plus vite vers la solution e e e e optimale lorsque le probl` me est de taille raisonnable. Toutefois, il ne donne quune solution dans le e cas des probl` mes multi-modes, ceci conrme les r sultats donn s dans [IR92a]. A linverse, les algoe e e rithmes g n tiques fournissent plusieurs solutions quasi-optimales mais au prix dun temps de convere e gence g n ralement plus long. Il semble alors naturel dassocier ces deux techniques an dam liorer e e e la convergence des algorithmes g n tiques. e e Il y a eu de nombreuses tentatives de fusion entre les algorithmes g n tiques et le recuit simul , e e e les travaux les plus int ressants etant ceux de Mahfoud et de Goldberg [MG92]. e 26

V V

WyW

"

B w t B E 5 Q Q  D & 5 & 57 57  5 t (

H5  t

w t

H5  t

w t

5 t

D

'

si deux centres sont a une distance inf rieure a ` e ` , on fusionne ces derniers dans un cluster unique dont le centre r sultant est le barycentre des deux centres initiaux. e

POP(n)

P1

P2

croisement

P1

P2

C1

C2

TOURNOI tirage aleatoire des couples E-P selection par RS sur chacun des couples

C1

C2

Figure 1.11: Principe du croisement avec recuit simul e Principe du croisement avec recuit simul e Pour appliquer ce principe de croisement, on commence par s lectionner deux parents e et dans la population (voir gure 1.11). On applique ensuite lop rateur de croisement classique qui g n` re e e e deux enfants et . Un tournoi est alors effectu entre les parents et les enfants pour lequel les e deux vainqueurs sont s lectionn s par le sch ma de recuit suivant. On consid` re lindividu . On tire e e e e ensuite al atoirement un des deux parents, soit ce parent : e

On fait de m me pour e avec le parent restant et lon d termine ainsi deux individus e et . L volution de la variable e se fait de la facon suivante. On utilise un sch ma de recuit standard e g om trique a un palier de basculement. Pratiquement, on calcule trois temp ratures dont les valeurs e e ` e d pendent de la connaissance des ecarts e et des tness de la population initiale. Temp rature initiale e Temp rature de basculement e Temp rature nale e

o` u repr sentent les ecarts minimum et maximum des tness de la population inie tiale. Le sch ma g om trique fait evoluer la temp rature courante de la facon suivante : e e e e

pour pour 27

 

 

E H H ' & H   f E h H  P H P 9  ' & H d P P e 9 & p d

C@

w  7 o 1 H5  7 o $ H f n n  & l " k &  d d $ i h g ( h d d H n n  & l " k &  $j gi h g ( e d l " Hk & 9  d d d 0 m  & j g ih g ( B B D#

$ D" 



$ D"

o` u

est un coefcient d croissant en fonction de la g n ration courante ( ). e e e

6 &

sinon

est s lectionn avec la probabilit : e e e

 5

si

est meilleur que

est s lectionn . e e



avec . Pour chaque palier, on calcule le nombre dit rations de stabilisation a laide des formules : e `

Ces deux formules, nous permettent de calculer le nombre total de g n rations pour un probl` me e e e donn . e Ce m me principe de recuit simul a et essay sur lop rateur de mutation en faisant un sch ma e e e e e e de recuit entre lindividu mut et lindividu dorigine mais il ne produit pas leffet escompt . En e e effet, on peut supposer que dans ce cas le recuit simul r duit le brassage de la population provoqu e e e par la mutation en limitant lespace explor aux zones qui am liorent statistiquement la tness en e e interdisant les domaines qui la d gradent. Lexploration de du domaine admissible est fragilis e. Ce e e constat sur les probl` mes que nous avons test s ne permet pas de g n raliser. e e e e

1.3.6 Recherche multi-objectifs


Introduction Dans le cadre de la recherche multi-objectifs, on cherche a optimiser une fonction suivant plusieurs ` crit` res, dont certains peuvent dailleurs etre antagonistes. On d nit alors la classique notion de e e , o` les repr sentent u e dominance : on dit que le point domine le point si, les crit` res a maximiser. Lensemble des points qui ne sont domin s par aucun autre point forme la e ` e surface de Pareto. Tout point de la surface de Pareto est optimal, dans la mesure o` on ne peut u am liorer la valeur dun crit` re pour ce point sans diminuer la valeur dau moins un autre crit` re. e e e Les algorithmes g n tiques peuvent permettre de trouver lensemble de la surface de Pareto, car e e il est possible de r partir la population de lalgorithme g n tique sur la dite surface. e e e Technique employ e e La technique que nous employons d rive directement des travaux de Jeffrey Horn et Nicholas Nafplioe tis ([HN93]). Le principal changement induit concerne le processus de s lection : en multi-objectifs, e comment va t-on d cider quun individu est meilleur quun autre3 ? On introduit alors une variante de e domine la notion de dominance que lon d nit ainsi : on peut par exemple d cider que l l ment e e ee si le nombre des valeurs contenues dans son vecteur dadaptation qui sont sup rieures aux valeurs e correspondantes dans d passe un certain seuil. A partir de l` , la technique propos e pour effectuer e a e la s lection est simple : on tire deux individus au hasard ainsi quune sous-population4 a laquelle ils e ` nappartiennent pas et qui va servir a les comparer. ` Trois cas se pr sentent alors : e si le premier el ment domine tous ceux de la sous-population et que ce nest pas le cas pour le e second alors le premier sera s lectionn . e e inversement si seul le second domine lensemble de la sous-population alors cest lui qui sera conserv . e

3 En ce qui concerne les autres op rateurs de base a savoir le croisement et la mutation il ny a aucune modication car e ` ceux-ci travaillent dans lespace d tat et non dans lespace r sultat. e e 4 La sous-population tir e aura une taille proportionnelle a celle de la population de d part. Seule une partie des individus e ` e est utilis e, ce qui permet de r duire le temps de calcul. e e

28

5v

57

$ t" 5 7

$ " 57 1 # u P

y sy H H k &  V r e q kH & V j Hk j k t

' '  rv

rv

Le sharing va conduire a s lectionner celui des deux individus qui a le moins de voisins proches, ` e autrement dit on elimine celui qui se situe dans une zone dagr gation pour conserver celui qui est e dans une r gion moins dense. e Encore une fois, le terme voisin proche na pas de signication pr cise mais il est possible de e d nir un voisinage (aussi appel niche) correct en se servant de la distance de Holder : e e

d signant la -i` me composante du vecteur adaptation de l l ment . Le param` tre permet de e e ee e faire varier la forme et la taille du voisinage. A lint rieur des voisinages ainsi d nis dans lespace e e objectif, il suft de compter le nombre dindividus pour favoriser les zones les moins denses et de cette facon maintenir la diversit de la population. Ainsi la gure 1.12 montre comment les voisinages e sont choisis autour des individus de la r gion de Pareto lorsque ceux-ci ne peuvent etre d partag s e e e sans sharing.
Voisinages

Ej

Element conserv => Ej

Ei

Rgion de Pareto

Figure 1.12: Surface de Pareto et voisinages

1.3.7 Association des AG avec des m thodes locales e


La grande force des algorithmes g n tiques est leur capacit a trouver la zone de lespace des solutions e e e` contenant loptimum de la fonction. En revanche, ils sont inefcaces lorsquil sagit de trouver la valeur exacte de loptimum dans cette zone. Or, cest pr cis ment ce que les algorithmes locaux e e doptimisation r alisent le mieux. e Il est donc naturel de penser a associer un algorithme local a lalgorithme g n tique de facon a ` ` e e ` trouver la valeur exacte de loptimum. On peut ais ment le faire en appliquant a la n de lalgorithme e ` g n tique un algorithme local sur le meilleur el ment trouv . Cette technique est dautant plus efe e e e cace que lon utilise simultan ment du clustering, et que lalgorithme local est appliqu a chaque e e ` meilleur el ment de chaque cluster. En effet, on constate souvent que le meilleur el ment trouv par e e e 29

y sF z `y Fr7 F5 7 x & $ r v 1 5 v" w t ( H q

F5 7

restent maintenant deux possibilit s : soit les deux sont domin s, soit les deux dominent. On e e ne peut se prononcer sans ajouter un autre test, cest pourquoi dans ce cas il est fait usage dun nouveau type de sharing qui op` re sur lespace objectif. e

lalgorithme g n tique ne reste pas le meilleur el ment apr` s am lioration par lalgorithme local de e e e e e tous les meilleurs el ments de clusters. e Une autre technique consiste a utiliser un algorithme local associ a lalgorithme g n tique pour ` e` e e calculer la tness dun el ment. On peut, par exemple dans un espace fortement combinatoire, ree chercher avec lalgorithme g n tique les zones int ressantes de lespace en g n rant les el ments, e e e e e e ladaptation de chaque el ment etant calcul e par un programme doptimisation local (lin aire par e e e exemple). Un exemple de ce type est donn dans la section 3.7. e En fait, lassociation AGm thodes locales est une quasi-n cessit . Les deux m thodes sont compl mentaires e e e e e et ont des champs dapplication diff rents. Lalgorithme g n tique permet de faire disparaitre la e e e combinatoire du probl` me, laissant alors le champ libre aux m thodes locales dans chacune des zones e e connexes quil pense susceptible de contenir loptimum global.

1.4 Autres am liorations e


Les rafnements d crits dans cette section ont et d velopp s au sein de notre equipe, et sont donc, en e e e e principe, originaux. Notons que lalgorithme g n tique que nous avons d velopp implante lint gralit e e e e e e des techniques pr sent es dans la section pr c dente, celles pr sent es dans cette section, ainsi que e e e e e e les diff rents types de parall lismes d crits dans la section 1.5. Nous pensons quil sagit dun des e e e programmes les plus efcaces actuellement.

1.4.1 Croisement adapt pour les fonctions partiellement s parables e e


Introduction Dans beaucoup de probl` mes doptimisation, la fonction a optimiser d pend de nombreuses variables, e ` e et peut se d composer comme somme de sous-fonctions prenant en compte une partie des variables e seulement ([GT82]). Les algorithmes g n tiques sav` rent etre de bons outils doptimisation gloe e e bale en raison de leur capacit a sortir des minima locaux. N anmoins, leurs performances sont e ` e souvent p nalis es par le caract` re tr` s al atoire des op rateurs de croisement et de mutation. Pour e e e e e e rem dier a ce ph nom` ne, certains evolutionnistes utilisent des heuristiques qui permettent de favoe ` e e riser les bons croisements ou les bonnes mutations et d viter les mauvaises. Nous pr sentons e e ici un op rateur de croisement efcace, utilisable dans des probl` mes o` la fonction a optimiser peut e e u ` se d composer en somme de sous-fonctions positives ne d pendant pas de toutes les variables du e e probl` me. e Apr` s une pr sentation formelle du type de probl` mes auxquels sadresse cette m thode, nous e e e e pr senterons lop rateur de croisement. Une illustration de lefcacit de cette m thode sera ensuite e e e e propos e au travers de plusieurs exemples simples comportant jusqu` une cinquantaine de variables. e a Enn, [DAN94] propose une application de cet outil au classique probl` me du Voyageur de Come merce, largement etudi dans la litt rature, aussi bien pour son int r t pratique quen raison de sa e e ee grande complexit [Bra90, GL85, GGRG85, HGL93, OSH89, WSF89]. En effet, pour tester la perfore mance dun algorithme doptimisation globale, le probl` me du Voyageur de commerce, NP-Complet, e permet doffrir de nombreux exemples de tr` s grande taille comportant beaucoup doptima locaux e dont on connat les solutions. 30

Probl` mes concern s e e Il sagit de probl` mes ou fonctions partiellement s parables, a savoir des probl` mes o` la fonction e e ` e u a optimiser d pend de plusieurs variables , , .., , et peut se d composer en somme de fonctions ` e e positives ne d pendant pas de toutes les variables. On remarquera que bon nombre de fonctions e multiplicatives peuvent se transformer en fonction additives gr ce a des transformations simples. On a ` sint resse donc aux fonctions pouvant s crire : e e

La tness locale associ e a une variable isole sa contribution. Le but de cette section est de montrer e ` comment utiliser cette tness locale pour d nir un op rateur de croisement permettant de r duire la e e e taille des populations et de converger plus rapidement vers la solution optimale. Ces op rateurs sont e particuli` rement efcaces lorsquon les combine avec le sharing. e Lop rateur de croisement e Lop rateur de croisement consiste, a partir de deux chromosomes parents, a cr er deux nouveaux e ` ` e chromosomes. Le codage que nous adopterons pour appliquer notre croisement consiste a repr senter le chro` e mosome par la liste brute des variables du probl` me. Sil sagit de bits, nous aurons une liste de bits, e sil sagit de variables r elles, nous aurons une liste de r els. On pourra eventuellement avoir un pae e nachage de diff rents types de variables. Lid e intuitive est la suivante : dans le cas dun probl` me e e e compl` tement s parable, optimiser le probl` me global peut se r duire a loptimisation de chaque e e e e ` variable s par ment. Nous essayons dadapter ce raisonnement au cas de fonctions partiellement e e s parables. La technique que nous proposons consiste donc a retenir pour chaque variable, lors de e ` e la conception des ls, celle des deux parents qui a la meilleure tness locale, ceci a un facteur pr` s. ` i` me variable, si : e Par exemple, dans le cas o` lon cherche un minimum pour , pour la u

alors le ls se verra affecter la variable

du p` re . Si par contre : e

FC

la variable

du ls sera choisie al atoirement. e

31

$  6 4 6 a" F

$ 6 4 6 a" F

FC

il se verra affecter la variable

du p` re . Si enn : e

FC

Pour d nir notre op rateur de croisement, nous allons introduire pour chaque variable e e tness locale d nie comme suit : e

s l 5 $ r C 1   1 r C 1 r C" 5 | & $ H C 1   1  C 1 C 1 F C" F

o $  6 4 6 a" F $ 6 4 6 a" F P FC $  6 4 6 a" F $ 6 4 6 a" F

$ H C 1   1  C 1 C" F

Fv

Soit

lensemble des indices tels que

soit une variable de

sa

5 | 6 t 6 @ # 4 @  F C ~ #} & F v A FC 5| # s s5 H $ r C 1   1 r C 1 r C" 5 | q & $ C 1   1  C 1 C" | 

HC

C C

5|

Lors du croisement, on souhaite cr er deux ls a partir de deux parents. Si lon applique la m me e ` e strat gie pour le ls que celle d crite ci-dessus pour le ls , les deux ls risquent de se ressembler e e fortement, surtout si est faible. Ceci nest pas souhaitable. On peut donc pour le deuxi` me ls e choisir une autre valeur de ce qui permet d tre plus ou moins d terministe, ou alors, comme pour e e les techniques de croisement classiques choisir le compl mentaire du ls , a savoir affecter au ls e ` la variable des deux p` res non affect e au ls . e e On peut remarquer quil est facile dintroduire un op rateur de mutation qui sappuie sur le m me e e principe et modie avec une plus forte probabilit les variables ayant une mauvaise tness locale. e

1.4.2 Mutation adaptative


Un des gros inconv nients de lalgorithme g n tique est sa mauvaise convergence locale. Il est pose e e sible de rafner le comportement des AGs en utilisant une technique que nous qualions de mutation adaptative dans tous les probl` mes a variable r elle. e ` e Le principe est le suivant : dans les probl` mes a variable r elle, lop rateur de mutation consiste e ` e e g n ralement a ajouter un bruit gaussien a l l ment de population concern . Le probl` me est de bien e e ` ` ee e e choisir ce bruit gaussien. Sil est trop petit, les d placements dans lespace sont insufsants en d but e e de convergence, et lalgorithme peut rester bloqu dans un optimum local. Si le bruit est trop fort, lAG e trouvera certes une zone contenant loptimum, mais sera incapable de converger localement. Il sagit donc de modier le bruit au l des g n rations. Pour ce faire, on calcule l cart moyen pour chacune e e e e des coordonn es entre le meilleur el ment a la g n ration et tous les autres el ments : ce nombre est e e ` e e alors utilis comme ecart type du bruit gaussien sur la coordonn e en question a la g n ration e e ` e e . Lefcacit de cette m thode est d montr e dans la section 2.1.1. e e e e

1.4.3 Clustering adaptatif


Nous avons vu dans la section 1.3.4 une technique de sharing clusteris permettant de diminuer la e complexit du sharing traditionnel. Cependant, comme nous lavons soulign , les quantit s e e e et sont difciles a calculer a priori. Nous pr sentons ici un algorithme permettant de calculer ` ` e automatiquement ces quantit s de facon adaptative pendant lex cution de lalgorithme g n tique. e e e e et . Ensuite a chaque g n ration on ` e e Au d part on initialise le processus avec e utilise ce qui suit :

2. Evaluation de la distance moyenne des individus par rapport aux centrodes des clusters :

si lon note

le centre du groupe et

3. on compte ensuite le nombre de clusters dont le meilleur individu a une tness sup rieure a un e ` 5 de celle du meilleur el ment de la population , on le note certain pourcentage e
5

Egal au taux de sharing.

32

 V  D V p &  t $ r  1 5 v" t s r sH5

H c & 5 t j ggi c & w t i %

w t

H5  t

1. Calcul de

et

le nombre total de clusters.

H5  t

  & o

 & t

r

w t

si et si et reste inchang dans les autres cas e

Les valeurs et d signent deux seuils : si beaucoup de clusters sont sufsamment bons (cest e a dire quand leur proportion d passe ) alors on diminue ` e et pour accrotre le nombre total de groupes et ainsi chercher dautres optima. Au contraire, sils sont peu nombreux alors on va diminuer la quantit de clusters en augmentant les deux distances an de rechercher des zones e int ressantes de lespace d tat. e e Les valeurs utilis es habituellement pour les seuils sont e et . Cette technique donne dexcellents r sultats pour rechercher les optima multiples de fonctions e r elles. e

1.5 Parall lisme e


Lint r t de la parall lisation des algorithmes g n tiques est de gagner en temps de calcul. Il existe ee e e e pour cela au moins deux m thodes utilis es classiquement (on pourra se reporter a [BD93],[CJ91],[Muh89],[PLG87] e e ` et [SPF93] pour plus de pr cisions sur les mod` les de parall lisme utilisables dans les AG) : e e e

la seconde maintient la population totale sur une seule machine mais se sert des autres pour y envoyer les evaluations an quelles se fassent en m me temps. e

Dans les deux cas il est n cessaire davoir un m canisme de communication inter-processus. Les e e r sultats pr sent s ici ont et obtenus en utilisant PVM. PVM a et r alis par le Oak Ridge National e e e e e e e Laboratory. Il permet a un r seau h t rog` ne de machines dapparatre comme une seule entit ayant ` e ee e e plusieurs processeurs capables de communiquer entre eux (comparable a un ordinateur a m moire ` ` e distribu e). La communication entre les divers composants de cette machine virtuelle se fait par lene voi de paquets contenant des donn es ou encore des messages de contr le. Pour plus de d tails, on e o e peut se reporter a [GBD 94]. `

1.5.1 Parall lisme par lots e


Lid e ici est de faire fonctionner plusieurs algorithmes g n tiques en parall` le avec une populae e e e tion r duite pour chacun. Le programme matre lance e occurrences du programme dalgorithmes g n tiques appel es esclaves sur des machines diff rentes en passant a chacune les param` tres n cessaires e e e e ` e e a leur bon fonctionnement comme le montre la gure 1.13. ` Ensuite chaque processus fait evoluer sa population ind pendamment jusqu` ce quil d cide (se e a e lon une probabilit x e a lavance) de rassembler ses meilleurs individus pour en transmettre une e e ` certaine quantit (proportionnelle a la taille de la population) a une autre machine de son choix. La e ` ` machine r ceptrice int` gre alors ces nouveaux el ments dans sa propre population en eliminant les e e e moins bons de ses individus. Lint r t du parall lisme par lots est quil offre la possibilit de travailee e e ler sur de grandes populations ( ) tout en donnant des r sultats dans un temps raisonnable puisque e 33

la premi` re consiste a diviser la population de taille e ` sur lensemble des machines dont on dispose.

en

sous-populations et a les r partir ` e

0 m  &  b

w t

o P  o

0   & b

H5  t

p p b p { p b P { V

of 0 n  o & o d e 0  o & o d o b pD

4. on met a jour le param` tre ` e

en utilisant la r` gle : e

b

MASTER Rsultats Rsultats

Paramtres initiaux

Rsultats

SLAVE 1

SLAVE 2

SLAVE N

Population taille n

Population taille n

Population taille n

Envoi des meilleurs lments

Figure 1.13: Principe de fonctionnement du parall lisme par lots e si la dur e n cessaire est a peu de choses pr` s celle quil faudrait pour une population de taille e e ` e est le nombre dordinateurs disponibles et si lon n glige les temps de communication. e La m thode introduit un clustering forc car chaque lot peut etre consid r comme un cluster e e ee subdivis en petits groupes. Chaque machine a la possibilit de converger vers des optima qui seront e e diff rents de ceux calcul s sur les autres ce qui correspond au comportement introduit avec le cluse e tering. Dautre part, le surco t de temps pass pour les communications nest a priori pas excessif u e puisquil ny a de gros paquets a transmettre que de temps en temps. Il faut tout de m me garder a ` e ` lesprit quune subdivision en sous-populations de taille trop r duite risque de conduire a faire tourner e ` des algorithmes g n tiques non ables statistiquement. En effet, il faut quand m me quune populae e e tion contienne sufsamment dindividus pour que lespace d tat puisse etre explor de facon correcte e e an que les r sultats aient une certaine valeur. e Des tests ont et faits par Yann LeFablec [LeF95]pour d terminer lefcacit de la m thode (voir e e e e gure 1.14). Il ne faut sattacher qu` la forme g n rale de la courbe, dans la mesure o` les charges a e e u locales des machines peuvent modier de facon sensible les r sultats. Lefcacit de la m thode est e e e cependant largement mise en evidence.

1.5.2 Parall lisation des calculs e


Contrairement a la m thode qui vient d tre d crite qui divise la population totale, on utilise ici des ` e e e d mons de calcul de tness dont la seule fonction est de recevoir un individu et de renvoyer son e adaptation. Pour utiliser la puissance de calcul parall` le offerte de mani` re optimale, il faut retarder au e e maximum les calculs pour les envoyer en blocs aux d mons et faire en sorte quaucun ne reste inactif. e Le principe se trouve r sum sur la gure 1.15 : le programme matre se charge de faire la s lection, e e e les croisements, etc. . . en dautres termes il fait evoluer la population, puis r partit les calculs dont il e a besoin sur lensemble des d mons. Enn, d` s quil a recu tous les r sultats, lalgorithme commence e e e une nouvelle g n ration. e e Il faut noter que ce m canisme demande un grand nombre de communications pour envoyer les e donn es et les evaluations. La m thode nest donc int ressante que si le temps pass pour un calcul e e e e dadaptation est grand devant le temps de communication, elle sera par cons quent utilis e pour des e e probl` mes dont les evaluations de tness prennent du temps, on pense essentiellement a des cas faisant e ` appel a des r seaux de neurones ou a de gros calculs matriciels. ` e ` 34

p H

1800

1600

1400

1200

1000

800

600

400

200

0 1 2 3 4 5 6 7 8

Figure 1.14: Evolution des temps de calcul

Population taille n

MASTER

Envoi du rsultat et de la donne Envoi dune donne valuer

DEMON 1

DEMON 2

DEMON N

Figure 1.15: Principe de fonctionnement de la parall lisation des calculs e

35

200 180 160

450 communication*1 communication*20 communication*40

400

350
140 120

300

Temps

100 80

250

200
60

150
40 20 0 0 5 10 15 Nombre de machines 20 25 30

100

50 8 10 12 14 16 18 20 22 24 26 28 30

Figure 1.16: Evolution du temps de calcul La courbe 1.16 montre comment evolue le temps de calcul en fonction du nombre de machines et du temps de communications. On constate que plus on utilise de machines, plus la p nalisation due e aux communications est forte.

1.5.3 Conclusion
La parall lisation est extr mement efcace pour acc l rer les temps de r solution des algorithmes e e ee e g n tiques. Il faut certes bien etudier le probl` me an dutiliser le bon m canisme de parall lisme, e e e e e mais les gains en temps sont alors importants.

1.6 R sultats th oriques sur les algorithmes binaires e e


Historiquement, les algorithmes g n tiques binaires sont les plus anciens et ont donc et les plus e e e etudi s sur le plan th orique. Goldberg [Gol89a] a largement d velopp cette th orie r sum e dans e e e e e e e [AS92]. Nous allons tout dabord les etudier avant de pr senter les mod lisations th oriques bas es e e e e sur les chanes de Markov.

1.6.1 D nitions fondamentales e


D nition 1.1 (S quence) On appelle s quence e e e . de longueur une suite

En codage binaire, les chromosomes sont des s quences. e

D nition 1.3 (Instance) Une s quence e e pour tout tel que on a .

est une instance dun sch ma e

36

kA    A &

k@    @ &

5 & 5@ A

5@

Une en position signie que

peut etre indiff remment e

ou . si

 #u

D nition 1.2 (Sch ma) On appelle sch ma e e e .

de longueur une suite

k@    @@ &
avec

k@    @@ &

$ "

avec

1 } &  5 @ 1 2 1  # u ) 1 1 } &  5 @ 1 2 1 ) & 5 A # #

Ainsi, est un sch ma et les s quences e e (ce sont m me les seules). e

et

D nition 1.4 (Position xe, position libre) Soit un sch ma . On dit que est une position xe de e e si ou . On dit que est une position libre de si .

a pour ordre , le sch ma e Par exemple, le sch ma e a pour ordre . On remarquera quun sch ma e de longueur et dordre instances diff rentes. e

D nition 1.6 (Longueur fondamentale) On appelle longueur fondamentale du sch ma la distance e e s parant la premi` re position xe de de la derni` re position xe de . On note cette longueur fone e e damentale . Ainsi, le sch ma e a pour longueur fondamentale a pour longueur fondamentale , et pour le sch ma e nous avons .

D nition 1.7 (Adaptation dune s quence) On appelle adaptation dune s quence e e e positive que nous noterons . est la fonction objectif ou tness du probl` me a r soudre. e ` e

o` les u d crivent lensemble des instances de e instances.

, cest-` -dire la moyenne des adaptations de ses a

1.6.2 Effets de la reproduction

Posons

37

Supposons quil y ait a linstant un nombre ` de s quences repr sentant le sch ma e e e dans la population . A linstant , statistiquement, ce nombre vaut :

D & 7 $ 5 " 7 sH5 $ 5 " 7 H5 B B s  D $ 1 " & $ 1 " $ " 7

$ 1 "

$ 5 " 7 sH5 $5 " 7

Soit un ensemble reproduction, chaque s quence e

de s quences de bits tir es al atoirement. Durant la e e e est reproduite avec une probabilit : e

D nition 1.8 (Adaptation dun sch ma) On appelle adaptation dun sch ma e e e

$ "  & 

&  ! & 0 & $ " (

la valeur

$ "

D nition 1.5 (Ordre dun sch ma) On appelle ordre du sch ma e e e . On note lordre de .

    #

& 5@

0 & $ "

   m& (

I I w G I wG G  & $ " 7 k $ 5 " 7 s5

& $  "

5 H 1    1 5    1 } & b 1

& 5a

  &

& & $   " ( &   &

$ "7

$ "

   &  & 5@ & $  " b $ " 5

sont des instances de

I I wG I wG G  k

& 5@

le nombre de positions xes de

admet

, le sch ma e

une valeur

repr sente la moyenne de ladaptation des s quences a linstant . La formule pr c dente devient : e e ` e e

Posons

. On obtient alors :

Il est donc clair quun sch ma, dont ladaptation est au-dessus de la moyenne, voit son nombre de e repr sentants augmenter, suivant une progression qui est de type g om trique si nous faisons lape e e proximation que est constant dans le temps. Alors :

Si la reproduction seule etait en jeu, les sch mas forts elimineraient tr` s rapidement les sch mas e e e faibles.

1.6.3 Effets des croisements


Nous allons nous int resser a la probabilit de survie e ` e dun sch ma e lors dune op ration e de croisement. Par exemple, soit le sch ma e . Supposons quune instance de ce sch ma soit crois e avec une autre instance. Quelle est la probabilit pour que la s quence r sultante e e e e e e ` soit encore une instance de ? Il est impossible de r pondre exactement a la question, tout au plus peut-on donner une borne inf rieure de cette valeur. Il est clair que ne sera pas d truit si le site de e e croisement qui est tir au sort est inf rieur a 3 (avant le premier 1) ou sil est sup rieur a 6 (apr` s le e e ` e ` e dernier 1)6 . On voit donc imm diatement quune borne inf rieure de la probabilit de d truire un sch ma e e e e e est . Donc la probabilit de survie dans un croisement est e . Si dautre e e e part on ne croise quune fraction de s quences dans une population donn e, la probabilit de survie est donn e par : e

De ce r sultat et des r sultats pr c dents d coule la loi d volution dune population7 : e e e e e e

1.6.4 Effets des mutations

Soit la probabilit de mutation dun bit dans une s quence. Dans un sch ma , seules les positions e e e xes peuvent etre d truites. La probabilit de survie dun bit etant e e , la probabilit de survie e dun sch ma e contenant positions xes est . La probabilit de mutation etant e suppos e petite devant , un d veloppement limit au premier ordre donne une probabilit de survie e e e e egale a ` . L quation nale s crit donc : e e

6 7

Dans tous les autres cas, peut etre (ou ne pas etre) d truit. e Les croisements et les mutations se font sur la population reproduite, et non sur la population initiale.

38

" ~ $ "

$  a$ "

B B $ (  a " $ $ " " $ 1 " $ 1 " $ " (

a

B B (  a " $ $ " " $ 1 " $ 1 " ( $ " (

B $ 1 " $ $ "

B $  1 "  $ $ "

I wG $  a

 & $" 9 a

7 B B $ 1 " & $ 1 " $ " 7 9a ( a $ " ( ( " " &$ " & $ 1 "

1 "

a

$ "

h & $ " ( I wG h $ "  a$ " $ ( (

" ~ $ "

a

1.6.5 Conclusion sur le codage binaire


Des calculs pr c dents d coulent deux r sultats : e e e e

Ces r sultats conditionnent la qualit du codage des donn es. En effet, les sch mas qui codent e e e e les donn es int ressantes pour le probl` me consid r doivent avoir un ordre et une longueur fondae e e ee mentales faibles8 , alors que les donn es sans int r t doivent etre cod es par des sch mas qui ont un e ee e e ordre et une longueur fondamentale elev s. e Les r sultats pr sent s ci-dessus ne sont quune introduction a la th orie des sch mas, il existe e e e ` e e de nombreux approfondissements. On trouvera dans les r f rences suivantes les principaux mod` les ee e th oriques sur la th orie des sch mas et ses extensions : [Gol89c, Vos91, BM93, Gol89b, BG87, CS88, e e e BM94, DM92, SGE91]

1.7 Mod lisation par chane de Markov e


Cette derni` re approche est la plus satisfaisante tant sur le plan math matique, que sur celui de la e e mod lisation, les diff rents op rateurs etant pr sent s comme perturbant un processus Markovien e e e e e repr sentant la population a chaque etape. Ici encore il apparat que seul lop rateur de mutation est e ` e important, le croisement pouvant etre totalement absent. Les principaux r sultats asymptotiques portant directement sur les algorithmes g n tiques, ont et e e e e d velopp s par R. Cerf [Cer94] sur la base des travaux de Catoni [Cat90] et de Trouv [Tro93]. Ces e e e travaux se fondent sur la th orie des petites perturbations al atoires dun processus dynamique de e e type Markovien. Plus particuli` rement, la th orie de Freidlin et Wentzell [FW83] constitue la pierre e e dangle de ces etudes. Nous donnons ici, quelques uns des r sultats de la dynamique des algorithmes e g n tiques d velopp s par Cerf. Nous les pr sentons simpli s et dans un cadre restreint, laissant le e e e e e e lecteur int ress se reporter a la difcile lecture des r f rences cit es. e e ` ee e e e Nous travaillerons sur la base dun codage binaire, repr sentant le nombre de bits utilis s pour le codage. La fonction d valuation, est d nie sur lespace e e a valeurs dans ` . Le probl` me est donc de localiser lensemble des maxima globaux de , ou, a d faut, de trouver e ` e rapidement et efcacement des r gions de lespace o` se situent ces maxima. e u Comme nous lavons vu, lalgorithme g n tique est un algorithme stochastique it ratif qui op` re e e e e sur des ensembles de points, et qui est b ti a laide de trois op rateurs: mutation, croisement et a ` e s lection, que nous pr sentons plus formellement a pr sent. e e ` e

1.7.1 Description rapide dun algorithme g n tique e e

Les donn es int ressantes sont bien entendu les donn es qui sont proches de la solution optimale. Un bon codage des e e e donn es implique donc davoir une id e de la forme de loptimum. e e

F V

Soit la taille (xe) de la population, notons matrice de dont les

la population de la g n ration : il sagit dune e e el ments sont des chanes de bits (chromosomes) e

39

7 1 } & v

p F F F $   1  1 " & F

les sch mas dont la longueur fondamentale est petite sont plus favoris s que les autres, lors de e e la g n ration dune nouvelle population. e e les sch mas dont lordre est petit sont plus favoris s que les autres, lors de la g n ration dune e e e e nouvelle population.

Chacune de ces etapes peut etre mod lis e formellement. e e

Mutation

Lop rateur consid r ici est le suivant : pour chaque composante de chaque el ment e ee e une vaest tir e ind pendamment et suivant le r sultat l l ment binaire e e e ee riable de Bernouilli de param` tre e examin est chang ou non. ( est chang en et en ). e e e La probabilit e de mutation doit etre pr alablement choisie et est g n ralement faible. e e e Comme nous le verrons par la suite, cet op rateur joue un r le cl dans la convergence de lalgoe o e rithme g n tique. e e

Croisement

Lop rateur etudi ici est lop rateur a un point (slicing crossover). Ici encore, la probabilit de croie e e ` e sement est x e initialement. Pour construire la population e couples sont form s a partir e ` (par exemple en appariant les individus cons cutifs de , ou bien en choisissant e de la population au hasard et uniform ment des individus dans ). Pour chaque couple, une variable de Bernoulli de e param` tre e est tir e pour d cider si le croisement a lieu. Si cest le cas, un site de coupure est tir e e e au hasard, et les segments naux des deux chromosomes sont echang s. e Une nouvelle paire dindividus est ainsi obtenue (identique a lancienne sil ny a pas eu de croi` sement) et est stock e dans la population . En g n ral, le param` tre e e e e est choisi grand. Remarquons que les op rateurs de mutation et de croisement ne font pas intervenir la fonction , e ce sont des op rateurs stochastiques dexploration. Cest le troisi` me et dernier op rateur, la s lection, e e e e qui guide la population vers les valeurs elev es de la fonction e

S lection e

Les individus de la population sont obtenus apr` s s lection des individus de . On conserve e e ind pendamment a laide dune distribution de probabilit qui e ` e ainsi les meilleurs individus de favorise les individus de les mieux adapt s. e Le choix le plus fr quent est lunique distribution telle que la probabilit dun individu soit proe e est : portionnelle a son adaptation, i.e la probabilit de s lection de lindividu ` e e

40

En tirant les individus dans la population nouvelle g n ration e e .

conform ment aux probabilit s e e

, on constitue la

F 15

F F F

F 5

~ 1 F V

H 5(x  xk 7

de taille . Le passage de la g n ration a la g n ration e e ` e e en trois etapes :

F p $ " 7 sr F r F & $ 5 " & 5 $ 5 " 7

H x  x( 8 9 5 F

cest a dire de `

a `

se d compose e

1 F F

H 5( w  F

F F (

F F (

F F F (  F   V

1.7.2 Mod lisation e


de Markov, despace d tats e . Lalgorithme g n tique ne doit donc pas etre interpr t e e ee comme une proc dure doptimisation mais plut t comme une marche al atoire dans lespace d tat, e o e e attir e vers les fortes valeurs de . e est d termin e de mani` re unique e e e La propri t premi` re de cette formalisation est que la loi de ee e par :

Ce m canisme de transition poss` de toutefois des propri t s essentielles qui font lint r t et la e e ee ee puissance de cette formalisation, (voir [Cer94]) :

Il est irr ductible, (la probabilit de joindre deux points quelconques de lespace d tat, en un e e e nombre ni de g n rations est non nulle) soit : e e

Le m canisme permet donc dexplorer tout point de lespace d tat, avec une probabilit non e e e nulle.

Il est ap riodique, cette hypoth` se nest cependant pas fondamentale. e e

Ces propri t s permettent de conclure a lergodicit de la chane de Markov, et a lexistence dun ee ` e ` processus limite. Th or` me 1.1 Une chane de Markov homog` ne irr ductible ap riodique despace d tats ni est e e e e e e ergodique et poss` de une unique mesure de probabilit stationnaire ou invariante. e e Cette mesure stationnaire correspond a la loi r gissant l quilibre du processus, elle est d nie , ` e e e pour tout comme : Nous savons egalement que tout el ment de lespace d tat est de probabilit non nulle pour cette e e e mesure. Toutefois, si ce r sultat nous permet de savoir quil existe une dynamique de fond de lalgorithme e g n tique, il nous reste a en d terminer les propri t s, linuence des op rateurs (et des param` tres e e ` e ee e e associ s) qui jouent un grand r le dans le processus. e o Pour cela nous introduisons les notations suivantes : Si est un el ment de e et un point de , nous noterons :

41

De mani` re g n rale, les lettres e e e et les lettres des points de .

d signent des populations, i.e. des el ments de e e

y 2C & F & 8F )

v 1#  1 1 1 1 F C} & 2 C V ) $ C" 7 S S  F C & C p # $ 5 C" 7 } C 7 7 S & $ p 1    1 C" & $ C" p V v # v $ C 1    1 C" & C

H F y 2 C & p & F h 5 & $ " )

Il est homog` ne (cest a dire ind pendant de la g n ration, e ` e e e

 4

1 F F

le m canisme de transition de e

la loi de la g n ration initiale e e

a `

m canisme scind en trois etapes d taill e pr c demment. e e e e e e

consid r e) ee

F$ F "

La pr sentation rapide des op rateurs nous permet de mod liser la suite des e e e

en une chane

7 p 1  } & v

v  1Cu

Processus de fond

Cest a partir de ce processus de fond quest reconstitu lalgorithme g n tique en etudiant ses per` e e e turbations al atoires par les diff rents op rateurs. Il est d ni comme processus limite, lorsque les e e e e dont le m canisme de trane perturbations ont disparu. Cest egalement une chane de Markov sur sition est tr` s simple puisque correspondant a la situation limite suivante : e ` Les composantes de sont choisies ind pendamment et suivant la loi uniforme sur lene semble

Les individus dont ladaptation nest pas maximale en , sont elimin s et napparaissent pas e dans la g n ration e e Les individus dont ladaptation est maximale, ont des chances de survies egales des populations ayant la m me adaptation e

Cette population repr sente les attracteurs de la chane (voir 1.7.3 plus loin), puis elle est absorb e e e par une population uniforme, de sorte que :

Lorsque la population est devenue uniforme et en labsence ici de perturbations, il ne se passe plus rien. Ceci peut egalement se traduire en d nissant les populations uniformes comme les etats absor e Nous allons maintenant etudier la situation o` ce processus est perturb . u e bants de la chane Processus perturb e

Il nous faut pour cela mod liser pr cis ment les op rateurs. e e e e

Mutation Les mutations sont d nies comme de petites perturbations al atoires ind pendante des individus, e e e de la population . Il est assez naturel dintroduire la probabilit e de transition9 de mutation entre les points et de comme un noyau Markovien Trivialement on a :

42

Cest la probabilit e

pour un point de

de se transformer par mutation en un point de

F $ H " h 5

La mod lisation propos e par Cerf, part du processus de fond e e decrit ci-dessus, qui est per turb al atoirement, les perturbations sont indic es par le param` tre La chane de Markov e e e e devient donc une suite de chanes de Markov dont le m canisme de transition est donn par la e e succession des transformations g n r es par les op rateurs. e ee e

y F & 5 H 5 C & Hp 5 C & H u C  5 C h 5 h 5

p $ C" 7 & & $  C" 7 & $ C" 7

F k

$ 1 #" k a

 F 1 $ H " h 5

H 5(x xk

F k

& $ 1 #" k a

ka

Cette chane est tout dabord pi g e dans lensemble e e (ou ensemble des population d qui-adaptation), e

H x  x(5 8 9

F 1 $ " k

r q

p  p v $ C 1    1 C" & C & b

F k

v  #u

H 5( w

F h H5

F $ H " h 5 F k

1v F # k F F k ( k

F $ " k F  H h 5

p  v Cu

F  h H5

Plus pr cis ment et an danalyser la dynamique de e e lorsque tend vers linni, nous reportons ici les hypoth` ses sur le mode et la vitesse de convergence des probabilit s de transition. Pour e e cela nous supposons lexistence dun noyau irr ductible, e sur i.e. : (cest a dire un chemin dans ) tels que ` et tels que :

Lhypoth` se dirr ductibilit du noyau est essentielle, elle assure que tout point de lespace est e e e potentiellement visitable. La vitesse de convergence du noyau est caract ris e par le r el positif tel que admette le e e e d veloppement suivant : e

Ici encore lop rateur est mod lis comme effectuant de petites perture e e Croisement bations al atoires sur des couples de la population . Ces couples sont ici form s par les el ments e e e successifs de la population, les transitions sont g r es par le noyau Markovien sur ee cette fois, de sorte que :

Pour ce noyau nous supposerons lexistence dun noyau irr ductible e convergence est alors param tr e par le r el positif tel que : e e e

sur

43

L vanouissement asymptotique des croisements est egalement impos e par la positivit de e e e

1v v

$  1  #" & $ 1 #" # $ f 9 " $ $  1  # " 1 $ 1 # " " ( d & $ $  1  #" 1 $ 1 #" " k e $  1  #" & $ 1 #" # $ 9 " $ $  1  # " 1 $ 1 #" " d u v v  $  1  #" u v v  $ 1 #" u

H $  1 " $  # 1 #" & $ $  1 " $  # 1 #" " k h 5 k

v v k p p F y F $ $ 1 " $ 1 " $  1 " " k & & & k k

& # # & # #

H & $ 1 #" & $ 1 #" k a h 5 k

F k

La condition de positivit de e vers linni.

' 8 9 p  $ F # 1 F #" ' P & 8# # & p# v 8# 1 # 1 # 1 v  1 # u 1 v 1' F $ " k p p F y F $ 1 C" k a $  1  C" k a $ 1 C" k a & C & & k k p
:

nous permet de faire disparatre les perturbations lorsque tend (1.2)

, la vitesse de

ka

& # #

& # #

$ f 9 " $ 1 #" ' ( d & $ 1 #" k a e $ 9 " $ 1 #" ' d

Sur la chane

1ka

v   1 1 # 1 # u

v  1#u

F F k ( k

v  1#u

F 1 k

la probabilit de transition entre les points e

et

de

est :

(1.1)

(1.3)

(1.4)

S lection e Cest lop rateur le plus compliqu et egalement le plus important e e puisquil permet la convergence vers les optima de Il est mod lis a laide dune fonction de s lection dont Cerf nous donne une d nition pr cise, e e` e e e pouvant etre r sum e par : e e

telle que :

3. La probabilit favorise les el ments associ s a des valeurs elev es (i.e.) e e e ` e

Cet outil nous permet d crire la probabilit de transition correspondant a la derni` re etape. e e ` e

Ceci signie que la probabilit de transition est le produit des probabilit s sur chacune des e e composantes de La probabilit e entre deux composantes est donn e par e

De m me que pour les autres op rateurs, la fonction de s lection doit etre choisie et sa vitesse de e e e convergence caract ris e e e

(1.5)

Ce choix correspond bien a une probabilit de s lection avantageant les fortes adaptations au ` e e d triment des faibles, le r el positif indexant cette fonction. e e Le m canisme de s lection op rant sur le processus de fond e e e correspond a la fonction de ` s lection e d nie par : e

Cest a dire, la loi uniforme sur lensemble `

44

57

p p p $ 7 1 1  7 1 7 1 " k | $ 7 1 1  7 1 7 1 " k | $ 7 1 1  7 1 7 1 " k | V p 7 7 7 # b

F p ls l $ $ " 7 1 1 $  " 7 1 $ " 7 1 " k | & $ 8 1 8 C" k q $ 8 1 8 C" k v

F $ C" 7 S S C} & C p $ C" t 4 @ & $ $ C" 7 1 1 $  C" 7 1 $ C" 7 1 " h H 5 | $ F C"

8 s p $ $ " 8 7 " p T & $ 7 1 1  7 1 7 1 #" k | $ $ " T 5 7 "

F 1 $ H " h 5

7 1 7 1 7

2. Cette probabilit est ind pendante de lindexation des e e

$ 8 1 8 C" k

s8 F y F p & & C & k k

p $ 7 1  7 1 7 1" |

1.

est une probabilit sur e

p p $ 7 1 1  7 1 7 1 #" k | $ 7 1  7 1 7 1 #" ( p 2 1 $ " 1 1 } V ) ( 11 } V


(on peut permuter les )

k|

7

F F k ( k k|

h H5 |

La suite

Les conditions 1.2, 1.4, et 1.6 nous permettent dassurer que le m canisme de transition de la e converge vers celui du processus de fond chane

Les vitesses de convergence intervenant dans chacun des op rateurs jouent un r le important. La e o formulation propos e en (1.1), (1.3) et (1.5), permet un ajustement equitable de ces vitesses (elles sont e logarithmiquement du m me ordre) de sorte quaucun op rateur ne domine les autres dans la dynae e mique. lorsque tend vers linni, les conditions (1.2), (1.4), et (1.6) nous permettent dassurer que le converge vers celui du processus de fond et on m canisme de transition de la chane e a:

La chane se comporte alors comme le ferait La th orie de Freidlin-Wentzell nous e donne les outils pour simplier l tude de ces processus a temps continu. e `

1.7.3 Application de la th orie de Freidlin et Wentzell e


Principe

Sous de bonnes hypoth` ses, il existe une solution (trajectoire) unique, e a l quation (1.7) et ` e a la condition initiale associ e. lune des pr occupation imm diates est de savoir si cette solution va, ` e e e ou non, tendre vers un equilibre (qui nest pas forc ment unique). Et si oui, quel en est lensemble e de stabilit . L quilibre est d ni comme une fonction constante e e e telle que , et lensemble de stabilit comme lensemble e des points de d part qui m` nent a cet equilibre10 . e e ` On peut elargir cette notion, d quilibre et de stabilit , par celles, tr` s proches, dattracteur et de bassin e e e dattraction.

Pour chaque equilibre on d nit ainsi son ensemble de stabilit . Cet equilibre est stable sil contient un voisinage de e e l quilibre, et instable sil existe des points de d part inniment proche de l quilibre qui ne m` nent pas a celui-ci. e e e e `

10

Lensemble de stabilit de l quilibre e e

est :

45

H C h 5 & C

$ " C

5 H 5 C & p C t $ C" & C t A

$ C"

Soit le syst` me diff rentiel de e e

satisfaisant les equations d terministes : e (1.7)

F 1 $ H " h 5

F  $ H " h 5 F $ " k H p  F y F F y F & H & H & & & h 5 k v 1 u h 5 h 5 k k F F $ H " $ " h 5 k p p $ $ C" 7 1 1 $  C" 7 1 $ C" 7 1 " h H 5 | & $ $ C" 7 1 1 $  C" 7 1 $ C" 7 1 " k | h H 5 k p  u v Cu
Cest egalement en ce sens que lon interpr` te la chane e

F  $ " h H5 H F y F F y F & H & H & & & h 5 k h 5 h 5 k k

F $ " k

k$ k |" F $ " k

des fonctions de s lection tend vers cette loi uniforme e

(1.6)

comme une perturbation de la chane

p  v 1 u

Un attracteur du syst` me est le voisinage compact e dun point visit une innit de fois, et le e e bassin dattraction lensemble des points de d part qui m` nent a cet attracteur. Nous supposerons que e e ` poss` de un nombre ni dattracteurs e La th orie de Freidlin-Wentzell etudie l volution du syst` me 1.7 lorsquil subit des perturbations e e e Browni` nes, dintensit Le syst` me d terministe 1.7 devient alors un syst` me diff rentiel stochase e e e e e tique.

est maintenant un processus stochastique perturb par le mouvement e Le processus brownien et d pendant de La situation change alors puisque les perturbations brownienne e permettent au processus de s chapper de nimporte quel bassin dattraction, et en fait le processus les e visite tous. De plus, le processus est ergodique et admet une unique mesure de probabilit invariante, i.e. e

existe et est la probabilit de pr sence du processus dans le Bor lien , lorsque le syst` me a e e e e atteint son etat d quilibre. Cette probabilit e e est invariante avec le point de d part e Lorsque les perturbations cessent, le processus se comporte comme dans 1.7 et reste presque s rement au voisinage u des attracteurs, tandis que la probabilit de pr sence dans e e disparat. nimporte quel Bor lien disjoint de e

Le r sultat principal de Freidlin et Wentzell repose sur l quivalence du processus e e a ` et du processus a temps discret et espace d tat ni ` e temps continu et espace d tat e d crivant les visites au ieme attracteur. e ` nest pas report e ici mais nous en donnons un apercu an e La construction pr cise de e de mieux comprendre ce dernier processus.

puis le processus, sous linuence de etc..

La chane de Markov11 ainsi cr ee a pour espace d tats e e une unique mesure de probabilit invariante e

La nature Markovienne de

11

nous permet de montrer quil sagit bien l` dune chaine de Markov. a

46

Th or` me 1.2 L tude du comportement asymptotique de la mesure e e e du comportement asymptotique de la mesure

1 4 1 }

5 H5 C

Si

est proche de lattracteur

alors

est attir par e

et

est irr ductible, et poss` de e e

est quivalente a l tude e ` e

$ "

 5 H5 C

H y p $ " & 2 5 H 5 C &  h 5 )

& 9 1 $ " 4 1 }  & v

 & $ " p & $ $ 8 " " p 8 $ 8 "

H H$ "

5 H 5 C & p t $ " & t A %

 81 1

H 1 H$ " D c

c  D6# 6 4 u A

$ " $ "

$ "

4 1 }

(1.8)

Nous passons sous silence l tude des probabilit de transition e e de la chane qui s crivent comme des int grales sur lensemble des fonctions qui lient les attracteurs e e et laissant le lecteur int ress se reporter a la lecture de Freidlin et Wentzell, ou de Cerf. e e ` Notons toutefois que ces probabilit de transition s crivent : e e

o` u

est une constante associ e a et caract risant sa vitesse de convergence. e ` e La quantit e ou co t de communication, mesure le co t de passage de lattracteur u u a ` lattracteur Les intensit s de transitions de la chane e , nous ouvrent la voie pour d terminer la mesure e invariante .

Les outils qui permettent de d terminer cette mesure invariante ont et d velopp s, une nouvelle fois e e e e par Freidlin et Wentzell, nous aurons besoin de certains dentre eux.
 

D nition 1.9 Soit un el ment de e e poss dant les propri t s suivantes : e ee




. Un

graphe sur

est un graphe sur

A cette fonction est associ lensemble e des minima globaux de Finalement, la mesure invariante est caract ris e par : e e

o` u

Le comportement asymptotique de (et par la m me occasion de ) est donc connu : la mesure e se concentre sur les attracteurs dont lindice est dans et d crot vers z ro a la vitesse e e ` pour les autres attracteurs. Il existe donc un sous-ensemble de de lensemble des attracteurs sur lequel se concentre la mesure invariante du processus.

La dynamique du processus est donc caract risable. e 47

s x 9 (

  4 1    1 }  # $ #"  } T & $  "   T $ #" 4 1 1 }  # u $  "  $ #"  ( (   y I  G I  5G   & $ #"  4 1 1 }  # u $ 1 '" T

 5 H y &  5 H 5 C & p z 5  x  h 5 p

D nition 1.10 La fonction d nergie virtuelle e e

est la fonction de

dans

$ #"

4 1 1 }

#

Il sagit donc dun graphe sans cycles form de chemins qui aboutissent en e des graphes sur

ne contient pas de ` che issue de e

Il existe un chemin dans

qui m` ne de a e `

le graphe

contient une unique ` che issue de e

On note

lensemble

d nie par : e

4 1 1 }

4 1 1 }

4 1 1 }

 4 1 1 }

Mesure invariante

 t $ $ " " $ " p & $ " r  $ " 1 5  $ " 1 c 2   $ " 1 $ " } T & $ 1 #" A( )  y  T 2 & H # & H $ 1 #" ( )

continue

H y H 2 & #& )
et

H H$ "

$ 1 #"

 r

1 # & u

1 r H5 H$ "


Dynamique du processus Dans sa th` se, Cerf nous donne une tr` s claire interpr tation de la hi rarchie des cycles qui cae e e e ract risent la dynamique du processus. Supposons que le processus soit initialement dans le bassin e dattraction de . Il quitte au bout dun temps ni. Parmi toutes les trajectoires de sortie, il en existe une plus probable que les autres, qui lam` ne vers un nouvel attracteur; par exemple e puis, bient t o . Lensemble des attracteurs etant par hypoth` se ni, le processus nit par revisiter un e attracteur formant un cycle dordre 1 sur lequel le processus tourne longtemps, tr` s longtemps. Engloe bons maintenant ces trois attracteurs dans une bote. Comme toujours, les perturbations browniennes nissent par pousser le processus hors de cette bote, et ici encore, il existe une trajectoire de sortie canonique qui fait tomber le processus dans un nouveau bassin dattraction, ou plus g n ralement, e e dans un autre cycle dordre 1. Les cycles dordre 1 sont aussi en nombre ni, et le processus nit par revisiter un cycle dordre 1: un cycle dordre 2 est alors form , dans lequel le processus reste pi g tr` s longtemps. En continuant e e e e de la sorte, il est possible de construire toute une hi rarchie de cycles qui epuise lensemble des e attracteurs et fournit une image tr` s pr cise de la dynamique asymptotique du processus. A chaque e e transition entre cycles est associ e une constante qui caract rise la difcult de la transition. e e e e est une fonction de qui tend en d croissant e Enn, lorsque d crot avec le temps ( vers 0), nous obtenons un processus de Markov inhomog` ne (le m canisme de transition d pend du e e e temps). Si d crot tr` s lentement, de sorte qu` chaque instant la loi de e e a soit proche de l tat e d quilibre associ au niveau de perturbation e e , la situation ne change pas fondamentalement. La loi limite correspond a la limite de la suite des lois d quilibre. ` e Si au contraire d crot tr` s rapidement, le processus risque de rester pi g dans certains e e e e sous-ensembles dattracteurs: plus pr cis ment, dans la hi rarchie des cycles, certaines transie e e tions ne pourront etre effectu es quun nombre ni de fois, alors que dautres, plus faciles, e seront r alis es une innit de fois avec probabilit 1. La loi limite d pend alors fortement du e e e e e point de d part. e

R sultats de convergence e Lorsque croit vers linni, les perturbations affectant le processus diminuent de sorte que cette chane se comporte, presque s rement, comme la chane u . Plus pr cis ment, nous savons e e que les attracteurs de la chane sont les populations d qui-adaptation et les populations e uniformes (attracteurs stables). La chane va donc etre attir e par ses attracteurs, en commencant e par lensemble La th orie de Freidlin et Wentzell nous permet de reporter cette etude sur celle de la chane des e des visites successives de a lensemble ` Nous poserons donc o` u est linstant de la i` me visite de e dans Les probabilit s de transition de la chane e sont estim es a laide des op rateurs d nis en e ` e e 1.7.2 et selon le sch ma d velopp ci-dessus. Les fonctions de co t de communication e e e u et d nergie virtuelle e sont d nies et estim es. e e 48

$ 1 #"

F l & k k

$ "

La hi rarchie des cycles permet ainsi de d crire les dynamiques possibles de e e la vitesse de d croissance de e .

en fonction de

F $ " F h H5 $ " k

b

$ "

$ " &

F 1 $ " k

F $ " k $ HF " h 5

F b $ " F $ "k k

$ "

$ "

b

$ "

F $ " k

Nous savons alors que la suite des mesures stationnaires de la chane semble des minima de

Lun des principaux r sultats indique quil existe une taille de la population de e tique) telle que les maxima de soient atteints asymptotiquement avec la probabilit . e

Taille critique

Une borne grossi` re, mais lisible de e

est :

o` : u

et sont des param` tres d chelle : e e

Il est int ressant de relever que le r sultat est obtenu sans faire intervenir lop rateur de croisee e e ment, qui nest donc pas indispensable. Lexploration par mutation et la s lection sufsent a assurer e ` la convergence vers ([Zhi91]). Ce premier r sultat nous indique que d` s que e e la suite des mesures stationnaires de la chane se concentre asymptotiquement sur lorsque tend vers linni. On peut dans une e e e etape suivante faire evoluer , et donc lintensit des perturbations, en fonction de la g n ration. Nous obtenons alors une chane de Markov inhomog` ne e dont le m canisme de transition d pend e e alors de la g n ration e e 49

mesurant les ecarts minimaux de .

param` tre mesurant les ecarts maximaux de e

est le nombre minimal de transition permettant de joindre deux points arbitraires de mutation

par

17

Th or` me 1.3 (Cerf 1993) e e telle que lorsque la taille de la population de lalgorithme Il existe une valeur critique g n tique d passe e e e , lensemble des maxima globaux de contient lensemble Cette taille critique , d pend fortement de lespace d tat e e de la fonction dadaptation des noyaux de transition de mutation et de croisement ainsi que des param` tres e et

'

la fonction dadaptation les noyaux de transition de mutation Supposons x s lespace d tat e e et de croisement ainsi que les constantes positives g rant les trois op rateurs e e et

 1 1

F 1 $ " k

 1 1

(taille cri-

H F H y F & 5 H 5 C & p   h 5 h 5 k k k 1v 17 1  $ 1 1 " T o$ !" ! V ( 17 V F $ I FG " k 1 V 7 V '

F $ " k

se concentre sur len-

y y $ " 7 & $ #" 7 1 v  1 # $ " 7 $ #" 7 } T & ( y y v  1 # $ " 7 $ #" 7 } S & o (

7 1 V

1v

p  H v 5 5C u V  V 7 1 F $ " k o
!

Vitesse de convergence Le principal probl` me est de savoir si cette chane inhomog` ne peut avoir un comportement proche e e de celui de la chane homog` ne e et si oui, sous quelles conditions. La vitesse de croissance de vers linni, est bien evidemment, au centre du d bat. e

de s chapper des maue La vitesse recherch e se situe entre ces deux extr mes, permettant a e e ` vais bassins dattraction (ne correspondant pas a des maxima de ) et de rester pi g dans le bon ` e e (celui des points de ). La vitesse de convergence de la suite est caract ris e par lexposant de convergence12 , e e
" "

D nition 1.11 Lexposant de convergence e

de la suite

est lunique r el e
"

tel que :

cest a dire, pour que la chane des visites successives des attracteurs soit pi g e dans e e ` apr` s un nombre ni de transitions, il est n cessaire que lexposant de convergence de la suite e e appartienne a lintervalle ` Les constantes et sont des caract ristiques du probl` me,lintervalle e e est alors non vide pour assez grand.

de la suite

ce qui signie quapr` s un nombre ni de transitions, nous avons presque s rement, la situation e u suivante :

12

Egalement appel rayon de convergence. e

50

la population

contient toujours un ou des individus appartenant a `

la chane

est pi g e dans e e

, .

$ "

y & 5 H5 C & p 7 % F 1 7 % 2 l )

"

Th or` me 1.5 Condition sufsante pour la colonisation de e e Il existe deux constantes et telles que si lexposant de convergence alors : a lintervalle `

"

& 2 5 H5 C & p

&1

7 % 2l )

Th or` me 1.4 Condition n cessaire pour la colonisation de e e e Pour que :


 &1 2 ) F l & p  H u v 5 5C u )

Deux conditions pour la colonisation de sufsante.

sont egalement donn es par Cerf, lune n cessaire, lautre e e

appartient

"

"

$ 4 a 6  46 # t

4 a 6 46 D

$ "

$ "

17 F

Si crot rapidement, alors correspondant pas aux maxima de pouvoir sen echapper.

risque de rester pi g dans des bassins dattraction ne e e lintensit des perturbations devenant trop faible pour e

Si crot lentement, alors la loi de de perturbation associ a e`

sera proche de la loi stationnaire

I I HG G k

 $ D"

F 1 $ " k

F # $ " q

'

$ $ D" "
&

p  H v 5 5C u

1 ( 1 '2 )

$ "

$ "

$ " $ " 7

de niveau

En guise de conclusion Dautres r sultats existent, tant dans le travail de Cerf, que dans la litt rature cit e dans cette sece e e tion. Ils demandent cependant un investissement suppl mentaire dans la compr hension des outils e e d velopp s. Le but de cette section etait de convaincre le lecteur que l tude th orique des algorithmes e e e e g n tiques donne (d j` ) de substantiels r sultats. De nombreuses interrogations demeurent cependant e e ea e concernant les relations r elles entre les diff rents param` tres caract risant lalgorithme g n tique et e e e e e e les choix pratiques de ceux-ci. Dans ce domaine, la pratique devance encore la th orie, m me si les e e m canismes commencent a etre plus clairs. Il reste egalement a etudier les nombreux rafnements e ` ` (tels que le scaling, sharing, le clustering, l litisme) indispensables dans la pratique. e

51

52

Chapitre 2

M thodes et probl` mes e e


Introduction
Nous allons dans ce chapitre nous int resser a un certain nombre de probl` mes classiques pouvant e ` e etre r solus par algorithmes g n tiques, et nous allons nous efforcer de comparer les algorithmes e e e g n tiques, quand cela est possible, a dautres m thodes egalement applicables. e e ` e

` 2.1 Optimisation de fonctions a variables r elles e


Dans cette section, nous allons etudier le fonctionnement des AG pour loptimisation de fonctions a ` variables r elles et les comparer a dautres m thodes, soit locales (simplex [NM65, JKP72], BFGS e ` e [Bro69, Fle70, Gol70, DS83]), soit globales (programmation par intervalles [Han92, RR95], recuit [AK89, Egl92, Ing89]). Certaines de ces fonctions ont et d j` etudi es par Lester Ingber [IR92b], e ea e an de mesurer les efcacit s respectives des algorithmes g n tiques et du recuit simul (variante e e e e VFSR1 (ou ASA2)). Ingber avait utilis un algorithme g n tique classique, GAUCSD [SG91], qui e e e travaillait avec les traditionnelles chanes de bits. Nous sommes conscients que le grand absent de cette section est le branch and bound stochastique, mais nous ne disposions pas des comp tences sufsantes pour tester cette m thode. e e Enn, il faut egalement remarquer la difcult quil y a a comparer deux m thodes doptimisation. e ` e Nous avons choisi comme indicateur le nombre d valuations de la fonction, Il est clair cependant que e certains algorithmes peuvent calculer moins de fois la fonction a optimiser, tout en etant plus lents ` a lex cution. Notons tout de m me quen ce qui concerne BFGS, chaque appel a la fonction pour e e ` estimer le gradient est consid r comme un appel de fonction a part enti` re, et comptabilis comme ee ` e e tel. Cela d savantage BFGS sur les fonctions pour lesquelles le gradient peut etre estim directement. e e

2.1.1 Fonction de Rosenbrock et Chebyquad


Nous allons nous int resser a la minimisation de la fonction : e `

1 2

Very Fast Simulated Reannealing Adaptive Simulated Annealing

2 1 

sur lintervalle

 $ C ( "  $ (  C"   & $ 1 C"  7


53

()

4 2 0 -2 -4 -6 -8
-2 -1 y 0 1 2 2 1 0 x -1

ag ag_admut bfgs nelder_mead inter vfsr

3500 3000 2500 2000 1500 1000 500 0 -2

-10 -12 -14 -16 0.5

1.5

2.5

3.5

4.5

Figure 2.1: Fonction de Rosenbrock Cette fonction peut etre optimis e par des m thodes classiques. Une etude el mentaire (d riv es e e e e e partielles) montre quil existe un seul minimum, le point et que la valeur du minimum en ce en un nombre r duit e point est 0. Dautre part, notre algorithme de simplex donne une solution a ` d valuations de fonction, en partant dun point quelconque de lespace de recherche. e La fonction est assez difcile a optimiser : le premier terme de la fonction d nit une quadrique ` e . Cest sur cette dont les bords sont tr` s abrupts, dont le fond est plat, d ni par la parabole e e courbe quil faut ensuite optimiser le second terme, sachant que toute petite perturbation de entrane imm diatement une forte variation du premier terme si ne varie pas simultan ment pour que le point e e reste sur la parabole . La gure 2.1 permet de mieux comprendre le ph nom` ne. e e On a repr sent sur la gure 2.1 (` droite) l volution de la valeur de e e a e en fonction du nombre d valuations effectu es par lalgorithme g n tique avec mutation adaptative et sans mutation adape e e e tative, ainsi que du recuit simul (VFSR), dun algorithme de simplex (Nelder-Mead), de la m thode e e BFGS et dune arithm tique des intervalles. L chelle est logarithmique sur les deux axes. On a utie e lis un croisement barycentrique et une mutation sous forme de bruit gaussien pour lalgorithme e g n tique. On constate que lalgorithme g n tique utilisant la mutation adaptative obtient des r sultats e e e e e bien sup rieurs a ceux de lalgorithme g n tique standard. Les param` tres de VFSR ont et adapt s e ` e e e e e de facon a donner un r sultat aussi bon que possible. ` e Si lon utilise la programmation par intervalle, les r sultats sont excellents en terme dit rations. e e Lalgorithme trouve loptimum a ` pr` s avec 901 it rations pour la fonction e e et 1803 it rations e pour la fonction . Cependant, il faut nuancer ce r sultat. En effet, le calcul dune it ration de e e la fonction (qui calcule limage dun intervalle) est environ 25 fois plus longue que le calcul dune it ration de e . Nous avons donc repr sent sur la gure 2.1 le r sultat de (25*IterFX+Iterfx) e e e et non la somme du nombre des it rations. Il est clair quun meilleure implantation de larithm tique e e des intervalles permettrait dam liorer consid rablement les r sultats. e e e Pour conclure notons que : Les m thodes locales sont plus efcaces denviron 2 ordres de magnitude, si on les compare e aux m thodes globales, lorsquelles sont applicables. On en vient donc a la remarque de bon e ` sens quil vaut toujours mieux appliquer une m thode locale lorsque cela est possible. e Les r sultats pour le recuit sont quasiment identiques a ceux pr sent s par L. Ingber dans e ` e e 54

C & $ C" 7

) 

7

$ 1 "

C &

$ C" 7 $ " | $ " |

$ 1 C"

-5 res_noshar res_shar -6 -7
0.002 0.0019995 0.001999 6060 0.0019985 20 0.001998 -20 0.0019975 -60 -40 0 y 40 40 20 x 0 -20 -40 -60

-8 -9 -10 -11 -12 -13 -14 -15 2 2.2 2.4 2.6 2.8 3 3.2 3.4

Figure 2.2: Fonction de DeJong [IR92b]. Les r sultats pour lAG utilisant des r els sont un peu meilleurs que ceux de lAG e e a chane de bits utilis par Ingber. En revanche, si lon introduit la mutation adaptative, lAG ` e devient plus efcace que le recuit.

2.1.2 Fonction de De Jong


Loptimisation de la fonction de DeJong [DeJ75] est un des exemples les plus classiques de loptimisation globale. Cette fonction a la forme suivante :
07

Nous pr sentons sur la gure 2.2 la forme de cette fonction ainsi que les r sultats obtenus par lale e gorithme g n tique avec et sans (clustering+sharing). Sur la partie gauche de la gure, on repr sente la e e e convergence vers loptimum en format log/log, avec en abscisse le logarithme du nombre d valuations, e et en ordonn e le logarithme de l cart a loptimum. Le clustering am liore les performances, car il e e ` e permet de maintenir une meilleure diversit de population et sort rapidement lalgorithme dun optie mum local. La convergence est r alis en moyenne en 1500 evaluations de fonctions avec le clustering. e e Les r sultats sont tr` s proches de ceux obtenus par VFSR [IR92b]. e e A ce sujet, on peut rapidement rappeler les r sultats pr sent s par David Fogel dans [Fog95]. Les e e e r sultats de notre AG sont meilleurs que ceux obtenus par Fogel avec un m canisme dit d Evolue e 3 . Au demeurant, lensemble des r sultats pr sent s par Fogel a lappui de sa tionary Computation e e e ` th` se (l Evolutionary Computation est sup rieur aux m canismes g n tiques standard) est plus que e e e e e discutables. Il nous a et possible en effet dobtenir sur lensemble des fonctions de test quil pr sente e e
3

Le terme Evolutionary Computation d signe des algorithmes de type g n tique mais qui nutilisent que la mutation. e e e

 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1  1  1  1  1  1  1  1  1  1  } &  r@ ( ( ( ( ( ( ( ( ( (  1 1 1 1 1 1 1 1 1 1 1 1 ( ( ( ( 1  1  1  1  1  1  1  1 1  1  1  } & r @ 1 ( ( 3( ( 1s ( ( I G r s r 0 0 & $  C 1 C" 0 7


55
2w

10 ag vfsr

2.5e+08

0
2e+08 1.5e+08 1e+08 5e+07 0 -10000 -5000 0 y 5000 10000 10000 5000 0 x -5000 -10000

-5

-10

-15 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5

de meilleurs r sultats que ses algorithmes. En ne prenant en compte que des algorithmes g n tiques bie e e naires primitifs, et non des algorithmes a codage r el quil semble mal connatre, il commet une erreur ` e qui fausse totalement sa pr sentation. Dautre part, les fonctions de test quils utilisent ne pr sentent e e que peu, ou pas du tout, dint r t sur le plan de loptimisation globale : elles sont bien trop simples ee (de m me dailleurs que la fonction de De Jong). e

2.1.3 Fonction de Corana


Cette fonction est pr sent e en d tail dans [CMMR87]. Nous en utilisons ici la restriction que pr sente e e e e . Ingber. On doit optimiser la fonction sur le compact

mod

Cette fonction est int ressante a plus dun titre. Dune part, elle pr sente la propri t davoir e ` e ee optima locaux. Pour , cela signie d j` quun algorithme utilisant un milli` me de second pour ea e parcourir chaque minimum mettrait un temps sup rieur a l ge de lunivers pour trouver loptimum e ` a global (tous les points du compact sont optimaux). Dautre part cette fonction est, pour L. Ingber, un des meilleurs tests possibles pour un algorithme doptimisation global. Il nous a donc sembl int ressant de nous mesurer a VFSR sur cet exemple. La gure 2.3 repr sente la fonction e e ` e pour . Il faut noter que pour les deux algorithmes concern s, la convergence ne pr sente aucune e e et . A partir de , le probl` me devient plus difcile. Les param` tres e e difcult pour e par d faut de VFSR ne permettent pas de faire converger lalgorithme simplement. e Avec laide de L. Ingber, il nous a et possible de trouver un ensemble de param` tres faisant e e converger VFSR. Il sagit en fait dutiliser une technique particuli` re, le Quenching qui consiste a e ` 56

   1   1     1  }  5 f  & 5 ( d  e  y5 d y P $ 5 C" b 5 n n n n !    ~ 5 C 4   s5 5 y y C 5t p 0   5 5 C $ 5 $ 5 " b 0  " 5 t 0   % q ( p 2 1  ()

si si si

 &

Figure 2.3: Fonction de Corana repr sent pour e e (` droite) a

V p

(` gauche). R sultats de convergence pour a e

 &

2 0   1 0  

()

& 5 p & $ C 1    1 C" p 7

& $ 5 " b

&

&

!&

5t

!&

V &

 & V V

si sinon

Tableau 2.1: Programmation par intervalles appliqu e a la fonction de Corana e ` acc l rer le sch ma de recuit, au risque de tomber dailleurs dans un optimum local. Sur 10 tests faits ee e avec VFSR, 5 dentre eux trouvent la solution optimale et 5 restent bloqu s dans un optimum local. e Lalgorithme g n tique trouve toujours la meilleure solution avec une population de 400 el ments. e e e En revanche, lorsquil converge, lalgorithme de recuit est nettement plus rapide que lalgorithme g n tique (voir gure 2.3 un exemple nominal de convergence des deux algorithmes). e e Nous avons alors d cid daugmenter la valeur de pour observer le comportement de chacun des e e deux algorithmes lorsque le probl` me se durcit. Pour lalgorithme g n tique, il suft daugmenter le e e e nombre d l ments de population jusqu` ce que lalgorithme converge. La limite avec lAG classique ee a . Nous ne sommes pas parvenus a faire converger VFSR pour ` . se trouve autour de La fonction de Corana etant compl` tement s par e, il est int ressant de lui appliquer la m thode e e e e e doptimisation pour les fonctions partiellement s parables mise au point par Nicolas Durand pr sent e e e e dans la section 1.4.1. Pour appliquer lAG avec les op rateurs adapt s, on d nit trivialement la tness e e e locale comme suit :

Puisque la fonction est totalement s par e, on pouvait sattendre a ce que lop rateur adapt se e e ` e e r v` le particuli` rement efcace, ce que conrment les tests : avec une population de e e e el ments sur e tests, lAG utilisant le croisement adapt trouve toujours le minimum global avant la g n ration e e e pour . Enn, nous avons egalement test la programmation par intervalle. Les r sultats sont pr sent s sur e e e e le tableau 2.1. On remarque que lon ne peut trouver de solution pour , en raison de loccupation m moire. En fait, la fonction de Corana est tr` s mal adapt e a la programmation par intervalles, car e e e ` elle pr sente de nombreux plateaux. Ces plateaux peuvent etre subdivis s en de nombreux intervalles e e pour lesquels les bornes de la fonction sont les m mes. Cela provoque une explosion du nombre e dintervalles que lestimateur ne parvient pas a couper. `

2.1.4 Fonction de Griewank


Cette fonction ressemble a la pr c dente mais pr sente une difcult suppl mentaire : elle nest pas ` e e e e e s parable. En revanche, elle ne pr sente pas de plateaux, ce qui la rend beaucoup plus facile pour la e e programmation par intervalles. La fonction de Griewank est d nie comme suit : e
6 s5 5 # 5 C s    ! & $ H C 1   1 C" | $ " 58 7 (  q C H H

57

!

y 0   5

si sinon

 &

P V

y 5C

5  C 5t & $ 5 C" $ 5 $ 5 " b 0  " 5 t 0   %

Appels a ` 31 440 1755 4979 38994 525193

Appels a ` 63 881 3511 9959 77989 1050387

  0 !

& & & & & &

V V V V V V ! & V  & V   

-0.99 "no_sharing_classical_cross" "no_sharing_adapted_cross" "sharing_classical_cross" "sharing_adapted_cross" -0.992


1

0.5

-0.994

-0.996

-0.5

-0.998
-1 -20 -10 0 y 10 20

-1 0 100 200 300 400 500 600

Nous nous int resserons ici au cas e . Cette fonction nest pas repr sentable facilement mais e on peut par exemple tracer pour variant entre et et variant entre et (voir gure 2.4). On observe alors sur cette coupe que le minimum de la fonction concern e e e se situe en , mais que la fonction a de nombreux minima locaux proches et eloign s de . Nous allons montrer sur cet exemple combien lutilisation dune tness locale peut etre utile, bien que la fonction ne soit pas compl` tement s parable. On d nit la tness locale comme suit : e e e

sans sharing avec un croisement classique de type barycentrique. sans sharing avec le croisement adapt . e avec sharing avec un croisement classique de type barycentrique. avec sharing et le croisement adapt . e

Dans chaque cas, lalgorithme g n tique est test une centaine de fois avec e e e g n rations et e e individus (qui repr sente environ 36000 evaluations de fonction). On dit que lalgorithme g n tique e e e a converg lorsquil a trouv une solution, qui, par une m thode locale simple, permet datteindre e e e loptimum global. On peut dailleurs souligner ici limportance de lassociation AG/m thodes locales e qui permet seule de trouver loptimum de la fonction. Le tableau 2.2 donne le nombre minimal, maximal et moyen de g n rations n cessaires pour que e e e lalgorithme g n tique converge. Le tableau donne egalement l cart-type de ce nombre de g n rations e e e e e ainsi que la distance moyenne (en norme innie) de la solution optimale trouv e a la solution optimale e ` absolue, ( ). Les r sultats ci-dessus montrent que la convergence de lalgorithme est fois plus rapide avec e le croisement adapt quavec un croisement classique. On observe egalement que le sharing ralene tit l g` rement la convergence de lalgorithme quel que soit le croisement utilis . Ainsi, lint r t de e e e ee 58





On effectue alors

s ries de tests : e

9(

2 1  $

6 s5 # 5    ! & $ p C 1   1 C" " C 58 7 (  C p

2 1

Figure 2.4: pour meilleure tness en fonction de la g n ration courante e e

et

()

9 9 ()

$ C   1 C 1 C" |  &D

 C

C   1

C1

et valeur moyenne de la

C" |





178.47 91.81 247.32 95.95

lop rateur de sharing nest pas evident dans ce cas. Cependant, les performances de lalgorithme e ne sont pas d grad es par lop rateur de sharing lorsque le croisement adapt est utilis . On observe e e e e e m me que lop rateur de sharing permet dobtenir une solution apr` s convergence proche de alors e e e que sans lop rateur de sharing, la meilleure solution apr` s convergence reste eloign e de . e e e La gure 2.4 donne les valeurs moyennes des meilleures tness suivant les tests. Cette gure conrme le bon comportement de lop rateur adapt avec sharing. e e e Dans chacune de ces s ries de tests, il est possible dobserver leffet du croisement de la facon suivante : a chaque g n ration, on effectue ` e e croisements, parmi ceux-ci, certains donnent soit un individu optimal (au sens d ni pr c demment), soit un individu acceptable, soit un individu qui sera e e e imm diatement rejet . Les courbes 2.5, 2.5, 2.6 et 2.6 donnent les r partitions de ces cat gories pour e e e e e un test extrait de chacune des s ries de tests. e e e e On observe sur les gures que lorsque lalgorithme g n` re des solutions optimales, il g n` re egalement des solution rejet es (tellement mauvaises que lop rateur de s lection ne les conserve pas). e e e Cest la difcult de ce probl` me (les solutions optimales sont proches de solutions tr` s mauvaises). e e e On observe sur la gure 2.5 que lop rateur de croisement adapt g n` re un nombre tr` s important de e e e e e solutions rejet es. Il est int ressant de constater que lop rateur de sharing permet datt nuer cet effet. e e e e Des tests ont et effectu s avec VFSR. Nous ne sommes pas parvenus a faire converger le recuit, e e ` qui tombe syst matiquement dans un minimum local. Il est possible que notre matrise de VFSR soit e insufsante pour arriver au r sultat. Cependant, du fait que les r sultats que nous sommes parvenus e e a obtenir avec VFSR pour les trois fonctions pr c dentes sont proches de ceux pr sent s par Ingber, ` e e e e nous pensons fortement que la fonction de Griewank est difcile a optimiser pour un algorithme de ` recuit simul . e La programmation par intervalle, en revanche, parvient a r soudre le probl` me avec une pr cision ` e e e de en 180026 evaluation de fonction pour et 360053 evaluations pour . Il faut noter quil ny a l` aucun besoin dappliquer une m thode locale en n de convergence. Les r sultats sont a e e donc r ellement int ressants. e e Dans le cas pr sent, une evaluation de e est equivalente (en temps) a 10 evaluations de ` . On a repr sent sur la gure 2.7 l volution de la valeur de en fonction de (10*IterFX+Iterfx), les e e e echelles etant l` encore logarithmiques sur les deux axes. a

2.2 Probl` mes de type combinatoire e


On peut appliquer les algorithmes g n tiques sur les probl` mes purement combinatoires, tels les e e e probl` mes SAT ou CSP [DS89, HD94], ainsi quau classique probl` me doptimisation combinae e toire quest le voyageur de commerce. Cest cet exemple que nous pr sentons ici. Notons cepene dant, avant de pr senter cet exemple, que nous avons egalement test les algorithmes g n tiques e e e e sur des probl` mes de satisfaction de contraintes purs, comme le classique probl` me du z` bre. Les e e e 59

$ C" 7

$ " |



$ C" 7

$ " |





Tableau 2.2:

g n rations et e e

el ments de population e

type de croisement classique adapt e classique avec sharing adapt avec sharing e

min 76 42 79 42

max 294 204 357 186

moy 179.44 92.33 248.87 96.57

dist a ` 0.00 2.03 0.06 0.01

70 "optimal_sol" "acceptable_sol" "discarded_sol" 60

70 "optimal_sol" "acceptable_sol" "discarded_sol" 60

50

50

40

40

30

30

20

20

10

10

0 0 100 200 300 400 500 600

0 0 100 200 300 400 500 600

Figure 2.5: Croisement classique et croisement adapt sans sharing e


70 "optimal_sol" "acceptable_sol" "discarded_sol" 60 60 70 "optimal_sol" "acceptable_sol" "discarded_sol"

50

50

40

40

30

30

20

20

10

10

0 0 100 200 300 400 500 600

0 0 100 200 300 400 500 600

Figure 2.6: Croisement classique et croisement adapt avec sharing e

60

4 inter 3 2 1 0 -1 -2 -3 -4 -5 -6 1 2 3 4 5 6 7

Figure 2.7: Convergence dune m thode par intervalles sur la fonction de Griewank e r sultats [Hue94] montrent que les m thodes classiques de satisfaction de contraintes restent plus e e efcaces que les AG.

2.2.1 Codage des donn es e


Le probl` me du voyageur de commerce peut se coder de diverses facons, tenant compte des positions e respectives des villes les unes par rapport aux autres ou non. Avec les m thodes de croisement clase siques a un ou plusieurs points lordre dans lequel les villes sont cod es a une inuence sur la conver` e gence. Pour notre algorithme, cet ordre na aucune importance. Les donn es seront donc cod es sous e e repr sente le e forme dune liste dentiers repr sentant lindice de la ville suivante. Ainsi le code e chemin . Pour faciliter lutilisation des divers op rateurs, nous aurons besoin de connatre le e pr d cesseur de la ville dans laquelle on se trouve. Pour eviter une recherche co teuse en temps du e e u pr d cesseur, nous introduisons dans le codage une redondance : a chaque ville on associe lindice e e ` repr sente le chemin e de son successeur et celui de son pr d cesseur. Ainsi le code e e . Un tableau de distances est initialis en d but dalgorithme an de limiter les calculs. Un deuxi` me e e e tableau est cr e dans lequel pour chaque ville, on classe dans lordre les villes les plus proches. Ceci e permettra lors des op rations de croisement et de mutation de s lectionner rapidement des villes pas e e trop eloign es. e

2.2.2 Op rateur de croisement e


Au lieu de d nir une seule tness locale , pour des raisons de sym trie, chaque variable ou ville e e et . Soit un nombre compris entre et la longueur sera dot e de deux tness locales e totale du chromosome. Pour chaque ville a lint rieur dun chromosome, on d termine la longueur du ` e e chemin lorsque lon parcourt villes dans le sens direct (cest a dire en prenant la ville suivante ` a chaque fois). La tness locale repr sente donc cette valeur. On peut faire de m me en parcourant ` e e 61

@6 t

$ t@ 1 6 1 t 1 @ 1 6 " A A

` h8 D

` 7 5

97

9 7` h8 D

@6 t @ A

@6 t @ A

PERE1 H

PERE2 H

I G J F ville de rfrence C B D fitp du pre 2 N Reprsentation des fits et fitp pour depth=4. A M K

18
fits du pre 2

18 17 16 17 16

G J fits du pre 1 E F ville de rfrence C B D fitp du pre 1 N A M L K

15
L

14 13 12 11 10 1 2 7 6 5 0 8 3

15

14 13 12

11 1 9 2

9 7 6 5 4

FILS

ville de dpart C B D choix possibles

3 ville de dpart 0 de la mutation 4

Figure 2.8: Strat gie de croisement et de mutation e

les villes dans le sens oppos (cest a dire en consid rant chaque fois la ville pr c dente). On affectera e ` e e e a cette valeur. Ainsi, notre codage senrichit. Il comporte d sormais quatre listes au lieu de deux. ` e Les deux premi` res listes permettent de d nir lordre des villes dans le cycle, les deux derni` res sont e e e compos es des tness locales de chaque ville. e Le principe de notre croisement est le suivant : on choisit une ville au hasard qui constitue le point de d part de notre croisement. Le processus suivant est r p t fois o` est le nombre total e e ee u de villes : pour choisir la ville suivante (voir gure 2.8), on va comparer les valeurs et des deux parents, repr sentant quatre chemins possibles. Parmi ces quatre chemins, certains parcourent e des villes d j` utilis es. On p nalise alors les , des chemins correspondants. Le choix de la ville ea e e suivante se fera en consid rant le chemin le plus court, a une certaine valeur pr` s. Si le chemin le e ` e plus court est distant de moins de dun autre, la ville suivante est choisie au hasard entre ces deux villes. On retrouve bien l` le principe de croisement d taill pr c demment. La valeur a pour but de a e e e e ne pas rendre lalgorithme trop d terministe. Dans le cas o` les quatre villes suivantes possibles ont e u d j` et utilis es, on choisira de facon heuristique la ville la plus proche disponible. Pour construire ea e e le deuxi` me ls, on effectue la m me op ration en prenant un point de d part diff rent. e e e e e Pour nos simulations, nous avons choisi constante et valant la distance moyenne entre les villes. e ` e e ee ` On peut imaginer que d croisse au fur et a mesure des g n rations. Par contre, on a int r t a choisir petit en d but de convergence et de le faire crotre de facon a prospecter de plus en plus loin dans e ` les chemins possibles. Nous prendrons par exemple proportionnel au nombre de g n rations e e effectu es et variant entre et . e 62

97

` h8 D

` 97 7

0 H

` h8 D

ville A

X ville X ville B B

A D C B B

C
C Ville C

D ville D

2.2.3 Op rateur de mutation e


Lop rateur de mutation utilis est tr` s simple. Cependant, son r le est utile pour parcourir le plus e e e o largement possible lespace de recherche. Observons le tableau donnant pour chaque ville les villes les plus proches dans lordre des distances croissantes. Il est clair que si toutes les villes sont reli es e a la ville la plus proche, on a un chemin optimal. En g n ral, un certain nombre de villes ne sont pas ` e e reli es aux villes les plus proches au prot dautres. Nous appellerons ville de rang une ville dont la e e ville suivante est la i` me dans lordre croissant des villes les plus proches. Il est evident que passer dune solution courante a la solution optimale du probl` me am liore au moins le rang dune des ` e e villes consid r es. Lop rateur de mutation d coule de cette observation. Son principe est de relier ee e e quelques villes a leurs villes voisines les plus proches et de compl ter ensuite le chemin en parcourant ` e lancien chemin dans lordre dapparition des villes. La gure 2.8 donne un exemple de mutation sur villes. Lune dentre elles est choisie au hasard. La mutation consiste a rechercher ` un probl` me a e ` cinq fois la ville la plus proche non parcourue, dans lexemple, on parcourt les villes , , , , , , et lon compl` te ensuite le graphe avec les villes dans leur ancien ordre dapparition. e

2.2.4 Op rateurs locaux e


Les op rateurs de croisement et de mutation pr c demment d crits entranent la formation de chemins e e e e imparfaits que lon peut corriger trivialement. Nous introduisons ici deux op rateurs de correction e que nous appellerons et et que nous appliquerons a tous les chromosomes avant chaque ` evaluation.

Cet op rateur consiste, pour chaque ville (voir gure 2.9), a comparer la somme des co ts des arcs e ` u avec les co ts u o` et sont des villes successives proches de u . Si la deuxi` me somme est inf rieure a la premi` re, on reliera aux villes et . e e ` e

Cet op rateur a pour but de d boucler les boucles. Pour chaque arc e e (voir gure 2.9, on cherche soit sup rieure a e ` . des villes cons cutives proches et telles que la somme e On d boucle alors la boucle. e Il est a noter que ces deux op rateurs ne n cessitent pas que la distance entre les villes respecte ` e e lin galit triangulaire. Il nest par ailleurs pas question de faire une recherche exhaustive de tous e e 63
At 

A

 @

Lop rateur e

t (

A

Lop rateur e

 @

Figure 2.9: Les op rateurs de correction e

et

Pb consid r ee Taille du probl` me e Taille de la pop Valeur du minimum Nb min de gens Nb moy de gens Nb max de gens Temps min (en sec) Temps moy (en sec) Temps max (en sec)

lin105 105 50 14379 2 14 30 1 6 12

kroa100 100 50 21282 2 6 43 2 3 17

kroa200 200 100 29368 40 110 268 130 441 1418

Tableau 2.3: R sultats num riques sans sharing du probl` me du voyageur de commerce. e e e les arcs pouvant etre concern s mais seulement de regarder les villes proches de chaque ville ou arc e concern . Le co t de ces deux op rateurs est donc simplement proportionnel au nombre de villes e u e consid r es dans le probl` me. ee e

2.2.5 R sultats num riques e e


Pour tous les r sultats evoqu s ci-dessous, les populations initiales sont construites de facon al atoire. e e e Lalgorithme a et test sur un certain nombre de probl` mes classiques dont on connat les solutions e e e optimales. Pour chacun de ces probl` mes, les param` tres des simulations sont les suivants : e e Probabilit de croisement : 0.6 e Probabilit de mutation : 0.15 e Pour chacun de ces probl` mes, nous avons fait tourner lalgorithme une cinquantaine de fois. e Les simulations ont et r alis es sur HP720 sans m thode de sharing pour limiter le temps de calcul. e e e e Lalgorithme a toujours trouv la solution optimale. Les r sultats sont pr sent s dans le tableau 2.3. e e e e La premi` re ligne donne la r f rence du probl` me [Rei91]. La deuxi` me ligne donne sa taille. On e ee e e donne ensuite la taille de la population utilis e pour r soudre le probl` me, la valeur num rique de e e e e loptimum, le nombre minimum, moyen et maximum de g n rations pour r soudre le probl` me. Le e e e e temps minimum, moyen et maximum pour atteindre loptimum. villes et tout a fait encourageants ` Les r sultats sont tr` s bons pour des probl` mes de lordre de e e e pour villes. Ils montrent lint r t de cette approche locale utilis e pour le croisement. Cependant, ee e lalgorithme g n tique reste loin des m thodes les plus efcaces connues actuellement dans ce doe e e maine.

2.3 Parall lisme et apprentissage e


Nous allons pr senter dans cette section une application des algorithmes g n tiques a lapprentissage e e e ` dune fonction d valuation pour un programme dOthello. Il faut noter que des techniques dape prentissage bayesiennes sont utilis es avec succ` s pour Othello depuis BILL [LM90], jusquaux proe e grammes les plus modernes comme LOGISTELLO [Bur94]. Cependant, ces m thodes n cessitent de e e tr` s grandes bases de donn es contenant des milliers de parties, et elle ne sont r ellement efcaces e e e que sur le jeu dOthello, car la partie se termine toujours en un nombre xe de coups. Lapprentissage bay sien ne s tend pas a des jeux comme les echecs. Nous allons d crire ici une technique bas e sur e e ` e e 64





500 -150 30 10 10 30 -150 500

-150 -250 0 0 0 0 -250 -150

30 0 1 2 2 1 0 30

10 0 2 16 16 2 0 10

10 0 2 16 16 2 0 10

30 0 1 2 2 1 0 30

-150 -250 0 0 0 0 -250 -150

500 -150 30 10 10 30 -150 500

Tableau 2.4: Valeur statique des cases les AG qui peut s tendre a tous les programmes de jeux reposant sur des algorithmes de type - . e ` Des tentatives ont et faites dappliquer des techniques telles que la co- volution [SG94], des e e r seaux de neurones appris par AG [MM94], ou des strat gies evolutives [MM93] a Othello. Mais ces e e ` tentatives, pour int ressantes quelles soient, nont pas donn de r sultats particuli` rement concluants. e e e e Le niveau de jeu de [SG94] etait relativement faible, [MM94] ne parvenait pas a am liorer le niveau ` e de jeu sil utilisait des fonctions d valuation de bonne qualit comme fonctions test, et [MM93] e e ne parvint pas a am liorer la strat gie classique a Othello (un terme positionnel plus un terme de ` e e ` mobilit ). e Nous allons, en ce qui nous concerne, partir dun programme dOthello et utiliser les AG pour am liorer la fonction d valuation (ces r sultats sont egalement pr sent s dans [All95]). e e e e e

2.3.1 Introduction
Le point de d part de ce travail est un programme dOthello d velopp par lauteur il y a quelques e e e ann es. Il faut noter que ce programme a et test contre de bons joueurs francais (en particulier contre e e e 4. le num ro 10 francais), et a obtenu des r sultats fort honorables e e Ce programme a une structure extr mement simple. Il utilise un algorithme - , avec une ree cherche en profondeur it rative et des fen tres de coupure. Le programme d clenche une recherche e e e exhaustive 11 a 14 demi-coups avant la n de la partie, en fonction du temps restant et de la puissance ` de la machine. La fonction d valuation est compos e de trois termes, que nous allons d tailler. e e e Le premier terme de la fonction d valuation est purement statique ; on utilise la table 2.4 comme e r f rence. Pour chaque disque sur le tableau de jeu, on additionne la valeur de la case correspondante ee si le disque est de la couleur du programme, ou on retranche cette valeur si le disque appartient a ` ladversaire. Cette table, en raison des sym tries, comporte 10 param` tres. e e Le second terme a pur but de rafner cette evaluation grossi` re. En effet, quand un coin du bord e est d j` pris, les trois cases imm diatement adjacentes peuvent etre occup es sans aucun risque, et ea e e leur valeur est donc ramen e a 0. Enn, toujours lorsquun coin est occup , tous les disques du bord e ` e de la m me couleur et connect s a ce coin recoivent un bonus. Par exemple, sur la gure 2.10, on e e ` voit que trois disques recoivent un bonus. La valeur de ce bonus est un autre param` tre de la fonction e d valuation. e Enn, le troisi` me partie de la fonction d valuation est le facteur de mobilit ; on calcule pour e e e chaque disque le nombre de libert s : il sagit du nombre de cases libres autour de ce disque. On e additionne ensuite les libert s de chaque disque pour un joueur donn (par exemple, sur la gure 2.10, e e
4

Les meilleurs programmes dOthello sont presque imbattables par un joueur humain.

65

'

'

Square value set to 0 H G F E D C B A 1 2 3 4 5 6 7 8 No bonus Bonus

Figure 2.10: Evaluation des libert s et des bords e le joueur noir a 8 libert s). Le score de mobilit est la diff rence des libert s des deux joueurs. Ce e e e e score est multipli par un coefcient avant d tre ajout a la valeur de la fonction d valuation. e e e` e La fonction d valuation comporte donc 12 (10+1+1) param` tres. Les valeurs initialement prises e e par ces param` tres etaient [500, -150, -250, 30, 0, 1, 10, 0, 2, 16] pour les valeurs des cases, +30 e pour le bonus de connexion, et 8 pour la p nalit de mobilit 5 . Ces valeurs ont et choisies de facon e e e e arbitraire. Elles semblent raisonnables, mais rien ne permet de penser quelles sont optimales. Nous allons maintenant d crire comment un AG peut- tre utilis pour am liorer les valeurs de ces e e e e coefcients.

2.3.2 Principes g n raux e e


Lespace de recherche de lalgorithme g n tique est lensemble des coefcients de la fonction d valuation. e e e Cependant, comme la fonction d valuation est lin aire, on peut arbitrairement xer la valeur dun des e e coefcients. On ne garde alors que 11 param` tres au lieu de douze (dans le cas pr sent, nous avons e e x la valeur dun angle a 500, car nous sommes s rs quun angle doit avoir une pond ration positive). e ` u e e e Le croisement utilis est de type barycentrique. Un nombre est tir al atoirement dans lintere valle and un nombre dans lintervalle . On croise alors le th el ment de chaque e chromosome. Le nouveau eme composant de chaque chromosome vaut : `

Le programme utilise egalement du sharing. La distance utilis e est la distance euclidienne sur e lespace des coefcients.

2.3.3 Calcul de la tness


La premi` re id e pour evaluer la tness consiste a faire jouer chaque programme contre un programme e e ` de r f rence et a noter les r sultats. Cependant, du fait que les r sultats sont purement probabilistes, ee ` e e
Il faut noter, qu` Othello, le but est davoir le moins de libert s possibles, une libert etant une case potentielle dattaque a e e pour ladversaire.
5

66

'

5  ' 5 $ ' " & 5  ( 5  $ ' " 5 ' & 5 (

2 1 )

2 0 1 0  ()

il faudrait a chaque g n ration que chaque programme joue un tr` s grand nombre de parties a des ` e e e ` profondeurs d valuation diff rentes pour que le r sultat soit able. Le temps d valuation devient e e e e alors compl` tement prohibitif. Nous avons donc d cid dutiliser une technique mixte. Tout dabord, e e e un programme qui nest pas modi dune g n ration a lautre conserve la m moire des matchs d j` e e e ` e ea jou s. De cette facon, la valeur de lintervalle de conance sur la valeur de la tness sam liore au l e e des parties. La m thodologie choisie est donc la suivante pour chaque el ment de la population : e e

pour chacune de ces quatre positions, le programme joue alors une fois avec les noirs et une fois avec le avec les blancs. Pour chacune de des deux parties, on calcule le nombre nombre de disques blancs et le nombre de disques noirs a la n de la partie. Puis on calcule ` la diff rence e . Si le r sultat est positif, on dit que le nouveau programme a gagn . Si le e e r sultat est n gatif, il a perdu. Si la diff rence est nulle, il y a match nul. e e e on r p` te cette op ration en faisant jouer le programme a trois profondeurs xes diff rentes (0, e e e e 1 et 2).
BD

On peut alors choisir comme tness :

Cette valeur sera utilis e pour calculer ladaptation de l l ment concern ; math matiquement, e ee e e ladaptation sera donc telle que :

Construisons alors la fonction , elle va servir a etablir un intervalle ` de conance que nous xerons a 95% : on d sire trouver la valeur a partir de laquelle il y a 95% de ` e `

On gagne 0,1,

ou

parties soit donc

r sultats distincts. e

67

0 n  & at r  H $ a

7 B B $ D 1 " a$ D" & $ D 1 1 a" H " a q $ D" h (  

D B p & at $ D 1 " a

Ensuite, si parties sont jou es, il y a e sont tous equiprobables, on en d duit : e

r sultats possibles6 et dans lespace des probabilit s ils e e

D B H  H$ a ( "  a   & $ D 1 " a

o` u

repr sente les diff rences cumul es des pions en n de partie. e e e Pourtant, cette technique nest pas satisfaisante. On voit intuitivement quil est plus int ressant e davoir un programme qui a gagn 95 parties sur 96 quun programme qui a gagn 12 parties sur 12. e e La conance que nous avons sur le premier est forte, alors quelle est beaucoup plus faible pour le second. Nous avons alors d ni lestimateur suivant : e Si la probabilit de gagner une partie sur une jou e est not e alors celle de gagner parties sur e e e jou es est donn e par la loi binomiale : e e

HD

BD

&

! !

` 9 x5 8 w V &7  ~ A ~ 9k H 9 x 85 5 V V

HD

quatre positions de d part sont g n r es al atoirement. Pour chacune de ces positions il y a au e e ee e moins quatre disques (les quatre disques centraux), et au plus quatorze disques (les dix disques suppl mentaires sont plac s dans le sous damier central de e e ).

h(p,m,n)

m/n

p 1

chance pour que la tness soit sup rieure a . On cherche donc la valeur telle que 95% de la surface e ` se situant sous la courbe (repr sent e gure 2.11) se trouve apr` s . e e e Les valeurs de la tness sont assez profond ment modi es. Ainsi, par exemple, e e , , et . Cette technique, qui peut se g n raliser a e e ` dautres probl` mes o` les calculs de tness sont statistiques, a donn dexcellents r sultats. e u e e

2.3.4 R sultats exp rimentaux e e


Pour traiter ce probl` me, la mise en uvre du parall lisme a et indispensable. En effet, le temps e e e d valuation dun el ment a chaque g n ration est de lordre de 15 secondes. Sachant que la tness e e ` e e est evolutive, et que lon utilise le recuit, il faudrait compter environ 18 minutes par g n ration pour e e une population de 40 el ments si lon nutilise pas le parall lisme. Les deux formes de parall lisme e e e 7 . Le parall lisme par lot a donn les meilleurs r sultats, sans (simple et par lots) ont et essay es e e e e e doute parce quil provoque un clustering forc . e On a tout dabord d velopp un programme dit de niveau 1, qui a appris a jouer contre le proe e ` gramme de r f rence (niveau 0). Ce programme a ensuite et test extensivement (sur 400 matchs) ee e e a toutes les profondeurs de 0 a 5, et sur 100 matchs a la profondeur 6. A partir de ce programme de ` ` ` niveau 1, on a d velopp un programme de niveau 2 qui etait test contre les programmes de niveau 1 e e e et de niveau 0. Les r sultats des diff rents tests sont pr sent s dans la table 2.5. e e e e Il est remarquable de constater que, bien que lapprentissage ne soit fait quaux profondeurs 0, 1 et 2, les nouveaux programmes battent les anciens de facon impressionnante jusqu` la profondeur a 6.

2.3.5 Conclusion
Les travaux d crits ci-dessus ont et poursuivis par lauteur de ces lignes durant ses moments libres e e (h las trop peu nombreux). Une nouvelle version du programme a vu le jour. Cette version utilise e une fonction d valuation totalement diff rente : elle est b tie sur une technique de reinforcement e e a learning qui est appliqu e a la reconnaissance de formes sp ciques sur les bords et dans les coins. e ` e Les coefcients de la fonction sont toujours appris par AG.
7

Pour une pr sentation plus d taill e, en particulier sur les speedups obtenus, on peut se reporter a [LeF95]. e e e `

68

n m  & $  1  " 7

B $ D 1 1 a"

Figure 2.11: Courbe

  & $  m 1 0  " 7

   & $ ! 1 ! !" 7   & $ !  1 " 7

Prof 0 1 2 3 4 5 6

G 282 252 278 281 280 286 72

P 98 101 78 75 75 68 20

N 20 47 44 44 45 46 8

G 188 285 303 298 320 329

P 194 82 55 50 46 40

N 18 33 42 52 34 31

G 274 266 243 292 320

P 107 82 120 61 46

N 19 41 37 47 41

Tableau 2.5: R sultats des programmes d velopp s par AG e e e M thodes locales e oui difcile non non efcace Recuit non difcile non oui efcace AG non Intrins` que e oui oui efcace Prog. Inter. oui Facile oui oui inefcace

Optimum trouv e Parall lisme e Optima multiple Optimisation globale Nombreuses variables

Tableau 2.6: Comparaison de diff rentes m thodes doptimisation e e Ce programme a et engag sur le serveur international dOthello (IOS), sous le nom dotage. e e Il occupe actuellement la 4` me place en Blitz et la 9` me place en partie classique sur un ensemble e e denviron 500 joueurs class s. Ses r sultats contre certains des bons programmes mondiaux (Bugs, e e Yapp, Hannibal) indiquent que ce classement de 9` me doit approximativement correspondre a sa e ` valeur r elle. e Il serait int ressant de poursuivre le travail sur otage, en particulier en rafnant lalgorithme e de recherche, en introduisant des tables de hash, en lui faisant utiliser le temps de ladversaire, en utilisant une biblioth` que douvertures, en am liorant la qualit de la reconnaissance de patterns, etc. e e e Le potentiel de progression du programme est, a mon avis, encore important. `

2.4 Conclusion
Il est toujours d licat de conclure une etude de ce type. En effet, pour bien juger de la sup riorit dune e e e m thode sur une autre m thode, il nous faudrait parfaitement connatre les deux. Il est en effet trop e e facile pour un sp cialiste de la m thode de d montrer la sup riorit de ses algorithmes, simplement e e e e e parce quil sait parfaitement utilis son outil, alors quil ne matrise pas la m thode e e a laquelle ` il se compare. Il faut donc etre excessivement prudent lors de comparaison de plusieurs m thodes e diff rentes sur un m me probl` me. Dautre part, les probl` mes trait s sont fort diff rents les uns des e e e e e e autres, et lon ne peut etre que nuanc dans ses conclusions. e Nous pensons cependant que lon peut retenir un certain nombre denseignements du travail que nous avons effectu au cours des derni` res ann es ; les algorithmes g n tiques sont efcaces lorsque : e e e e e Il faut trouver plusieurs optima. La structure du probl` me permet dutiliser au mieux le croisement, en y incluant par exemple e la notion de tness partielle et de s parabilit . e e 69

Le tableau 2.6 pr sente un r sum de ces el ments. De facon g n rale, les algorithmes g n tiques e e e e e e e e ne doivent etre employ s que lorsque les m thodes plus classiques ne peuvent etre utilis es. Il ne sagit e e e en aucun cas dune panac e universelle susceptible de couvrir tous les domaines de loptimisation. e

Le temps de calcul de chaque tness est elev , et justie donc lemploi du parall lisme. e e il est possible de coupler lalgorithme g n tique avec des m thodes locales. e e e Il nest pas indispensable de trouver loptimum, mais seulement une bonne solution.

En revanche, ils se r v` lent relativement inefcaces dans les cas suivants : e e le probl` me est a variable r elle, et relativement simple ; il faut alors toujours essayer une e ` e m thode de convergence locale, ou une technique de recuit. e le probl` me est purement combinatoire, en particulier du type programmation sous contraintes, e il faut utiliser les techniques adapt es (CSP, etc.) plut t que des AGs. Le travail fait par Denis e o Huet sur ce sujet [Hue94] est particuli` rement instructif. e

70

Partie II

Applications aux probl` mes du trac e a rien e

71

When comfortably cruising in an airliner, sipping a glass of cold champagne and looking out of the window into the endless blue sky, you hardly ever see another man-made ying object. At the same time, the aviation paper that you are reading speaks about the capacity crisis in ATC. So, there seems to be a contradiction : the skies are empty, but the ATC radar screens are full.[...] In aviation, the introduction of new technologies in the air and on the ground have progressed out of step.

Carlos Garcia-Avello et Sip Swierstra

74

Chapitre 3

Optimisation de la r solution de conits e


Introduction
Le but premier du contr le du trac a rien est dassurer la s curit des a ronefs. Avant toute chose, o e e e e nous allons introduire le vocabulaire indispensable a la description du probl` me : ` e Contr le en route : il sagit du contr le a lext rieur des zones entourant les a roports (dans ces o o ` e e zones, on parle de contr le dapproche). Les avions utilisent alors le plus souvent des routes o pr etablies, les couloirs a riens (en anglais airways). Ces couloirs sont des tubes de sections e e rectangulaires. Historiquement, les routes ont et d nies comme etant les segments de droite e e reliant les balises. Ces balises etaient g n ralement des moyens de radionavigation vers lesquels e e se dirigeaient les avions. Cest souvent autour de ces balises quapparaissent des conits ; en effet, elles se situent souvent aux intersections des diff rentes routes. e Ces routes contournent les parties despace r serv es aux militaires et permettent aux contr leurs e e o davoir une visualisation plus ais e de la situation spatiale des avions. e Plan de vol : il contient tous les el ments indicatifs d crivant le vol pr vu pour un avion. Ces infore e e mations sont d pos es avant le d part aupr` s des services ATC avec, notamment, les el ments e e e e e suivants :

S parations : on d nit une distance horizontale, qui est exprim e en milles nautiques2 (Nm), e e e la s paration horizontale, et une distance verticale, qui, elle, est exprim e en pieds3 (ft) : la e e s paration verticale. On dit que deux avions sont s par s quand la distance qui s pare leurs proe e e e jections sur un plan horizontal est sup rieure a la s paration horizontale OU quand la distance e ` e qui s pare leurs projections sur un plan vertical est sup rieure a la s paration verticale. Ces e e ` e s parations peuvent etre diff rentes selon le type de zone dans laquelle se trouvent les avions, e e ou selon les outils de contr le dont on dispose. Dans le cas du trac en route, qui nous occupe o
1 Le niveau de vol ou altitude-pression est laltitude de lavion exprim e en centaines de pieds. Par exemple le FL290 e (FL pour Flight Level) correspond a une altitude de 29000 pieds soit environ 9000 m. ` 2 mille nautique vaut m ( minute dangle sur un m ridien). e 3 pied vaut cm.

H G F

FQ PI

lheure de d part ; e le niveau de vol1 demand pour la croisi` re ; e e la route pr vue : elle est d crite par une s rie de balises. e e e

75

ici, la s paration horizontale est g n ralement de Nm en France mais devrait bient t descendre e e e o a Nm. La s paration verticale vaut ` e ft au dessous du FL et au dessus. e Conit el mentaire : deux avions sont dits en conit quand ces avions ne sont plus s par s, cest a e e ` dire quand les distances s parant leurs projections sur un plan horizontal et sur un plan vertical e sont inf rieures respectivement a la s paration standard horizontale ET a la s paration standard e ` e ` e verticale. De facon plus g n rale, si lon se xe une dur e , deux avions seront dits en conit e e e potentiel pendant si durant le temps ils ont une probabilit non nulle d tre en conit. e e Cluster : un cluster davions est une fermeture transitive davions en conits potentiels. Si lavion est en conit potentiel avec lavion et si lavion est en conit potentiel avec les avions et , alors on dit que les avions , , et appartiennent au m me cluster. On trouvera e par la suite lexpression conit a avions qui signie en fait cluster a avions. ` ` Le r le du contr leur est donc de pr venir les risques de conit en donnant aux avions des ordres o o e de contr le (changement de cap ou daltitude, etc.) permettant d viter les conits. o e Mais la gestion du trac a rien ne se r duit pas a la seule action du contr leur sur les avions. e e ` o Il sagit en fait dun syst` me complexe que lon peut d crire comme une succession de cinq ltres e e agissant a des niveaux diff rents : ` e ` Organisation a long terme : cest le ltre le plus grossier. Son but nest pas au sens strict d viter e des conits mais plut t dorganiser le trac de facon macroscopique a moyen et long terme o ` ` e (sup rieur a mois). On peut citer a titre dexemple, les sch mas dorientation de trac, les e ` mesures du Comit des horaires ou encore, les accords inter-centres et les accords avec les e militaires qui permettent aux civils dutiliser leurs zones a riennes pour ecouler les pointes de e trac du vendredi apr` s-midi . e ` Organisation a court terme : on parle souvent de pr -r gulation. Il consiste a organiser une journ e e e ` e de trac la veille ( ) ou lavant-veille ( ). On dispose pour cela de donn es relativement e pr cises : e les plans de vol d j` connus ; ea la capacit de contr le que peut offrir chaque centre en fonction des effectifs qui seront e o pr sents le jour ; e le nombre davions maximum pouvant se trouver dans un m me secteur au m me instant, e e encore appel capacit du secteur ; e e les donn es des ann es et des semaines pr c dentes. En effet, le trac a rien est relativee e e e e ment r p titif : le lundi ressemble au lundi de la semaine pass e, le pont de lAscension e e e ressemble a celui de lann e pass e, etc. Ceci permet de pr voir o` vont apparatre les ` e e e u congestions, la capacit quil va falloir mettre en uvre pour r pondre a la demande, e e ` voire eventuellement les mesures plus contraignantes a prendre. `

Ce ltre a non seulement une action macroscopique car il organise les ux de trac en fonction des capacit s offertes mais egalement une action ponctuelle sur chaque avion en g rant les e e 4 . Effectu au niveau national jusquen 1995, ce ltrage est maintenant cr neaux de d collage e e e fait au niveau europ en pour obtenir une meilleure coordination. Cest le r le de la CFMU5. e o
4 5

Un cr neau de d collage est une fen tre temporelle pendant laquelle lavion est autoris a d coller. e e e e` e Central Flow Management Unit

76

 D

n

 (

 t t



R gulation en temps r el : il consiste a organiser les diff rents ux en tenant compte des ev nements e e ` e e du jour. Il sagit plut t de mesures dajustement qui prennent en compte des ev nements encore o e mal connus la veille. Ainsi, le trac transatlantique est mal connu a ` mais est bien connu entre a heures avant son arriv e. La fraction de la capacit offerte qui avait et r serv e ` e e e e e par la pr -r gulation peut alors etre adapt e. On peut envoyer sur dautres centres les avions e e e suppl mentaires ou augmenter le nombre de vols non transatlantiques trait s par le centre sil y e e a moins de vols transatlantiques que pr vu. De la m me facon, on peut r -allouer des cr neaux e e e e horaires non utilis s pour une raison quelconque (retard ou incident technique) ou tenir compte e de la m t o du jour (terrains inaccessibles par exemple). Ce r le est en g n ral jou par les ee o e e e 6 dans chaque centre. FMP Tactique : cest le dernier ltre de la chane du contr le a rien : laction du contr leur sur son o e o secteur. Le temps moyen pass par un avion dans un secteur est de lordre dune quinzaine de e minutes. La visibilit du contr leur est un peu sup rieure puisquil dispose des plans de vol e o e quelques minutes avant lentr e de lavion dans le secteur. e La d tection et surtout la r solution des conits ne sont absolument pas automatis es. Les e e e contr leurs sont donc entran s a reconnatre des types de conits et a appliquer a ces derniers o e ` ` ` des manuvres connues. Le contr leur ne peut eviter les conits quen jouant sur la trajectoire o des avions. Pour cela, il dispose de quatre types dordres :

des d viations de cap ; e des paliers interm diaires pour les avions en mont e ou en descente ; e e des changements de niveaux de vol. des mesures de r gulation de vitesse (essentiellement sur des avions en descente) ; e

Cependant les r solutions propos es ne sont pas toujours optimales. En outre, une fois une e e manuvre d vitement choisie, le contr leur doit egalement surveiller les avions impliqu s e o e 7 de travail du pour v rier que tout se passe bien. Tout ceci se fait au d triment de la charge e e contr leur et affecte donc la capacit du secteur dont il est responsable. o e Urgence : Ce ltre nest cens intervenir que lorsque le syst` me de contr le est absent ou a et e e o e d faillant. Lobjet de ce ltre nest plus de s parer les avions (il est trop tard dans la plupart e e des cas) mais plut t d viter une collision pr sum e. La pr diction temporelle est inf rieure a la o e e e e e ` o minute et varie entre et secondes. Il est trop tard pour que le contr leur intervienne puisque lon estime quil lui faut entre et mn pour analyser une situation, trouver une solution et la communiquer aux avions. Actuellement, cette fonction est assur e par le TCAS8 qui d tecte e e les avions environnants et donne un ordre de r solution au pilote (pour le moment dans le plan e vertical). Ce ltre doit r soudre les conits non pr visibles comme par exemple dans le cas o` un avion e e u d passe un niveau de vol donn par le contr le ou dans le cas dun accident technique qui e e o d graderait notablement les performances de lavion. e
Flow Management Position La charge de travail prend en compte des t ches de surveillance, communication, d tection et r solution des conits. a e e 8 Trafc alert and Collision Avoidance System : syst` me embarqu a bord de certains avions que les Etats-Unis ont rendu e e` passagers. obligatoire pour tous les avions de plus de
7 6

77

! 0

PI

Depuis 1980, le contr le du trac a rien connat une progression r guli` re, qui fait craindre une o e e e saturation de lespace. De plus, le nombre de donn es a traiter augmentera encore avec la mise en e ` place de nouveaux moyens de communication entre le sol et les avions (Data-Link). Parall` lement, e les avions s quipent de moyens sophistiqu s de navigation (FMS9, GPS10) permettant des tenues e e plus pr cises de trajectoires. e Dans ce cadre, il faut sinterroger sur l volution des techniques de contr le pour les ann es a e o e ` venir. On se retrouve alors pris entre deux positions caricaturales : lautomatisation compl` te ou le e refus complet de toute automatisation. Les tenants de lune et lautre approche ont des discours qui rel` vent plus de l motionnel que du rationnel. On peut cependant penser que : e e

La voie moyenne consiste sans doute a penser un syst` me qui, dans un premier temps, serait ` e susceptible de fournir une aide a la d tection et a la r solution des conits, et pourrait, a la de` e ` e ` mande de lop rateur, effectuer automatiquement certaines r solutions. Le Centre dEtudes de la Nae e vigation A rienne sest int ress a cette hypoth` se dans le cadre de certains de ses projets, comme e e e ` e SPECTRA[Pla93]. Dautres projets, comme ARC-2000 (d velopp par le Centre Exp rimental Eurocontrol de Br tigny), e e e e ont explor des voies plus futuristes, tout en souhaitant utiliser dans les syst` mes de contr le actuels e e o les algorithmes et concepts d velopp s par des equipes de recherche pour les syst` mes de contr le du e e e o futur. Les probl` mes d volution des syst` mes de contr le sont discut s plus en d tail dans [DAM93], e e e o e e et lon trouvera un large panorama des diff rents projets dautomatisation dans [Dur96]. e Dans tous les cas, il faut savoir pr voir les trajectoires des avions, d tecter les conits, regrouper e e ces conits par paquets, et donner des manuvres simples les r solvant, etc. Ces probl` mes sont e e aujourdhui identi s, mais les techniques a employer pour les r soudre le sont moins. On peut gloe ` e balement classer les approches employ s pas les diff rentes equipes en deux cat gories, qui ne sont e e e dailleurs pas sans rappeler deux ecoles de pens e du monde de lIntelligence Articielle : e

9 10

Flight Management System Global Positionning System

Le refus de toute automatisation est une politique a courte vue ; lop rateur humain est actuel` e lement le goulot d tranglement du syst` me de contr le. On peut certes esp rer am liorer ses e e o e e capacit s de traitement en am liorant la pr sentation des informations ; mais si laugmentation e e e du trac se poursuit dans les m mes proportions, il faudra d l guer au moins partiellement les e ee t ches de r solution et de surveillance a la machine. a e ` Une automatisation compl` te est irr aliste dans le contexte actuel, pour tout un ensemble de e e raisons ; certaines ont un caract` re politique ou social : la transition dun contr le o` lhomme e o u a une responsabilit compl` te a un contr le o` il naurait quune activit de supervision pose e e ` o u e de s rieux probl` mes ethiques. Dautre part, il nexiste pour linstant aucun syst` me capable de e e e r soudre lensemble des probl` mes techniques qui se posent dans ce cadre. e e

la premi` re approche consiste a construire un mod` le, dit cognitif, du contr leur, sp cialement e ` e o e dans ses modes dappr hension des param` tres du conit, et dutiliser ce mod` le dans un cale e e culateur an de construire des outils de ltrage de linformation et dassistance electronique au contr leur. Cette approche (` laquelle lauteur de ces lignes participa fort modestement a ses o a ` d buts [LA91], alors quil terminait sa th` se de doctorat au sein de l quipe formalisation du e e e raisonnement a lInstitut de Recherche en Informatique de Toulouse) poss` de le grand avan` e tage d tre facilement admissible pour un contr leur actuellement en activit : en effet, il naura e o e pas a changer son mode op ratoire, puisque la machine sera cens e le reproduire. Pourtant, cette ` e e

78

probl matique souffre directement des limitations propres aux approches dites expertes : co t e u tr` s elev de d veloppement et de maintenance, probl` me de g n ralisation des maquettes au e e e e e e cas g n ral, d gradation brutale de lexpertise aux limites du domaine, faillibilit du syst` me e e e e e expert, etc. Ces probl` mes ont et mis en evidence dans de nombreux domaines, et sont lare e gement pr sent s et discut s dans la litt rature sp cialis e depuis de nombreuses ann es maine e e e e e e tenant ([Dre84, Dre79, Dre87, Fox90, Dav82]), nous ny reviendrons pas ici11 . Ils semblent n anmoins justier que lon napplique ce type dapproche quaux probl` mes sur lesquels les e e approches plus classiques ne sauraient donner de r sultats probants. e

Il faut egalement signaler que lon a souvent trop tendance a confondre le but que lon souhaite at ` teindre (automatisation compl` te, partielle ou simple aide au contr leur) avec les techniques quil faut e o employer pour arriver a ses ns. Ce nest pas parce que lon souhaite fournir une aide au contr leur, et ` o non automatiser, que seule les m thodes cognitives sont applicables. On peut, par exemple, constae ter que laide la plus appr ciable par tous de linformatique a certainement et la machine a calculer, e e ` un objet fort peu cognitif. Je me plais souvent a rappeler ce petit texte dun eminent sp cialiste de ` e lIA, Jonathan Schaeffer : je consid` re lesprit humain comme une machine, comme je consid` re e e mon ordinateur comme une machine. Ces deux machines ont leurs forces et leurs faiblesses. Mon cerveau est par exemple tr` s fort pour la reconnaissance de formes et de situations, alors que mon e ordinateur est tr` s bon pour r p ter des t ches et effectuer des calculs. En revanche, jai un s rieux e e e a e probl` me a additionner un million de nombres en une second, et mon ordinateur nest pas tr` s dou e ` e e pour le langage naturel, ou la reconnaissance de situations. Etant donn que chaque machine a des e
Fort peu modestement, nous sugg rons au lecteur int ress mais press de se reporter a [AS92] pages 2539, 358361 e e e e ` et 463484 pour un r sum des divers arguments. e e
11

79

La seconde approche, que nous qualierons de pragmatique, consiste a etudier math matiquement ` e le probl` me et a appliquer les algorithmes susceptibles de donner les meilleurs r sultats pose ` e sibles sans trop se soucier de savoir si ces algorithmes reproduisent ou non le raisonnement humain. On peut dailleurs rappeler ce qu crivent [AVAD52] : Une premi` re l gende pr tend e e e e quil faut etre un expert pour r aliser un bon programme. Pourtant, le d veloppement dun e e programme est un probl` me cybern tique qui demande au moins autant de travail sur les ale e gorithmes que de connaissance du domaine. Cette derni` re peut m me avoir une inuence e e n gative, en raison de sa non formalisation. Une seconde l gende dit quun ordinateur devrait e e penser comme un etre humain, et que ceci est un dogme absolu. Pourtant, si le but est de faire r soudre a un ordinateur des probl` mes complexes, nous nous compliquons la t che de facon e ` e a injusti e en tentant dabord de r soudre le probl` me bien plus complexe de le faire raisonner e e e comme nous. Lapproche pragmatique a et employ dans AERA-III [Cel90, SPSS83, NFC 83, Nie89b, e e Nie89a, PA91] aux Etats-Unis. De la m me facon, la philosophie du syst` me ARC-2000 [K 89, e e FMT93, MG94] du Centre Exp rimental Eurocontrol est tr s proche de la n tre. Comme l crivent e e o e [DFMN95] : Le d monstrateur ARC-2000 est bas sur une approche algorithmique, par ope e position a une approche de type syst` me expert, en ce qui concerne le probl` me de d tection ` e e e et de r solution de conit. Les exp rimentations ont montr quil etait possible dadopter une e e e approche algorithmique de facon efcace en temps r el et avec une charge de trac tr` s im e e portante. Il sagit dun avantage par rapport a lapproche syst` me expert, dans la mesure o` ` e u cela permet davoir un moyen plus standardis et plus certiable de r soudre les probl` mes. e e e Le travail que nous avons r alis depuis 1992, et que nous allons pr senter dans ce chapitre, e e e sinscrit egalement dans cette lign e. e

capacit s diff rentes, il faut essayer dexploiter les forces des machines et non leurs faiblesses. Ainsi, e e les algorithmes issus du syst` me ARC-2000 sont en cours dint grations dans un syst` me daide a la e e e ` r solution de conits [DFMN95] : Les principes g n raux de r solution dArc-2000 ont prouv leur e e e e e grand efcacit . Ils sont actuellement appliqu s de facon tr` s satisfaisante a lint rieur dun syst` me e e e ` e e daide centr sur lop rateur humain, appel Highly Interactive Problem Solver. Il ny a pas oppoe e e sition entre des algorithmes permettant de construire automatiquement des solutions, et des syst` mes e susceptibles de fournir de laide au contr le. Il faut simplement remplir deux conditions : construire o des algorithmes efcaces et ables, quelle que soit leur structure, et pr senter correctement linformae tion issue de ces algorithmes, de facon a la rendre directement utilisable. Si on peut discuter certains ` choix dARC-2000 (en particulier la non prise en compte des incertitudes), on ne peut en revanche que souscrire a la m thodologie appliqu e. ` e e

3.1 Etude du trac


3.1.1 Simulation du trac
La premi` re etape, avant de sattaquer a la r solution de conits, est de disposer dun outil permete ` e tant de simuler le trac an de pouvoir etudier la sensibilit a chacun des param` tres, et de facon a e` e ` pouvoir evaluer les diff rentes m thodes de r solution. Nous disposons actuellement dun simulateur e e e de trac (Banc de Test) permettant de rejouer une journ e compl` te du trac francais, en utilisant e e des donn es plan de vol etablies a partir des archives du CAUTRA (GOETHE). Il fait voler les avions e ` selon leur route pr vue ou en route directe. Le mod` le avion utilis est tr` s simple12 (gure 3.43). Il e e e e utilise en entr e le niveau de vol de lavion ainsi que son attitude (mont e, descente, en palier). Le e e mod` le avion produit alors en sortie la vitesse sol, ainsi que le taux de mont e ou de descente. On ne e e peux pas intervenir sur les taux de mont e ou de descente, ni modier la vitesse de lavion. e Les avions suivent soit la route d pos e dans le plan de vol (routes indirectes), soit une ligne e e droite entre le premier et le dernier point de leur route d pos e (routes directes). A titre dexemple, le e e simulateur introduit un ecart de 4 mn par rapport a un vol r el Paris-Toulouse, phase datterrissage non ` e comprise. L cart moyen sur lensemble des vols, par rapport aux dur es pr vues, est de 13 s davance e e e par vol ( cart-type 653) en routes indirectes, et 252 davance ( cart-type 814) en routes directes, e e du fait du raccourcissement des trajectoires. Par ailleurs, il est possible de simuler un accroissement de la densit de trac en comprimant les dates de d collage. e e Enn, une proc dure de r attribution al atoire des niveaux de vol permet daugmenter le nombre e e e de niveaux disponibles lorsque la s paration est r duite. Cette redistribution se fait par ajout dune e e gaussienne d cart-type 1500 ft sur le niveau de vol demand , puis attribution du niveau effectif e e imm diatement inf rieur a la valeur obtenue. Il ny a pas doublement de lespacement des niveaux e e ` au-dessus du FL 295. A intervalles r guliers, le simulateur enregistre le nombre davions en vol par tranche de niveau, e d tecte les conits selon les normes de s paration x es, et enregistre les positions des avions aux e e e dates de d but et de n de conit. Un utilitaire permet de reconstituer les clusters, cest-` -dire les e a ensembles davions en conit 2 a 2 par fermeture transitive. ` Le temps de simulation est denviron 3 mn pour une journ e de trac, avec d tection des conits. e e Les r sultats sont observ s dans une fen tre temporelle d tude, sur laquelles on va d terminer les e e e e e clusters et extraire des donn es statistiques. Lutilisation dune fen tre est motiv e par laccroissement e e e des incertitudes sur les positions pr vues des avions. La planication des trajectoires ne peut- tre e e
12

Il sagit en fait du mod` le CAUTRA e

80

800 standard RVSM 500ft

700

600

Nombre davions

500

400

300

200

100

0 0 50 100 150 200 250 Niveaux de vol 300 350 400 450

Figure 3.1: Distribution du trac efcace quen deca dun certain horizon temporel. Les clusters (ensembles davions en interaction) ` sont d nis par fermeture transitive sur les conits survenus dans la fen tre. e e Jean-Francois Bosc [Bos94a, Bos94b, Bos94c, Bos95a, Bos95b, Bos95c, Bos96a, Bos96b] a uti lis le banc de test en vue de d terminer linuence sur le trac, en termes de nombre de conits et de e e clusters, des diff rents param` tres, que nous avons fait varier de la mani` re suivante : e e e

soit simulations, effectu es en routes indirectes, en routes directes sans r solution, et en e e routes directes avec r solution. On utilise une redistribution al atoire des niveaux de vol an de tenir e e compte de la variation du nombre de niveaux disponibles lorsquon change la s paration verticale. e Par ailleurs, an d tudier linuence de lhorizon temporel, nous avons utilis une fen tre d tude e e e e de longueur variable, prise dans une p riode de trac important et stable (typiquement entre 13 e et 14 h). La dur e des fen tres varie de 10 a 60 mn par pas de 10 mn. La gure 3.1 montre la e e ` r partition des vols par niveau dans l chantillon initial, avec utilisation des RVSM, et avec r duction e e e des s parations a 500 ft. e ` Les valeurs mesur es dans chaque fen tre sont les suivantes : e e

  & 

s parations horizontales (NM) : 1, 2, 4, 6, 8, 10 e s parations verticales (ft) : 300, 500, 800, 1000, 1300, 1500, 1800, 2000 (sans doublement e au-dessus du FL195) facteur de compression de temps : 1, 1.25, 1.5, 1.75, 2, 2.5, 4

nombre davions en vol, nombre de conits, 81

Enn, on mesure pour chaque avion les heures de d part et darriv e et le retard, an de fournir e e une loi d volution des d lais pris dans la fen tre, ce qui est plus r aliste quune observation sur la e e e e journ e. En effet, les r sultats sur la journ e sont fauss s par la r partition irr guli` re du trac. e e e e e e e

3.1.2 R sultats e
Les mesures relev es en routes directes et indirectes sont pr sent es dans les tables 3.1 (trac actuel) e e e et 3.2 (accroissement de 150% de la densit de trac). Les deux derni` res colonnes donnent les ecarts e e en pourcentage d s aux routes directes. On peut noter les points suivants concernant les routes directes u par rapport aux routes indirectes :

On remarque toutefois que le gain en nombres de conits obtenu en routes directes sexplique en grande partie par laugmentation implicite du volume despace disponible, qui entrane une diminution de la densit r elle du trac. e e La faible r duction du nombre de vols amen e par les RVSM sexplique par le fait que les avions e e dont le niveau de vol est modi volent en g n ral plus bas, et donc gagnent un peu de temps dans les e e e phases de mont e et de descente. Par contre le gain en nombre de conits est important, du fait que e les niveaux les plus charg s sont situ s au-dessus du FL195 (voir gure 3.1). e e On constate dautre part que lintroduction des s parations RVSM touche essentiellement les e conits stable-stable, ce qui correspond a ce que lon pouvait attendre. Les conits impliquant au ` moins un avion evolutif sont rarement affect s. e 82

nombre de conits stable-stable, stable- volutif, et evolutif- volutif, e e nombre de clusters, moyenne, ecart-type et maximum du nombre de conits par cluster, moyenne, ecart-type et maximum du nombre davions par cluster, minimum du nombre davions dans les clusters dont le nombre de conits est egal au maximum, moyenne et maximum de l cart-type par cluster du nombre de conits par avion. Ces valeurs e fournissent une indication sur la structure des clusters.

Dautre part, on mesure sur la journ e compl` te les valeurs suivantes : e e nombre de conits (total et d taille en stable-stable, stable- volutif, et evolutif- volutif), e e e temps de vol moyen, d lai moyen et ecart-type. e

r duction de 6 a 7% du volume de trac. Ceci est directement li a la r duction des temps de e ` e` e vol permise par les routes directes (6,4% en moyenne sur la journ e). e r duction tr` s nette du nombre de conits et de clusters. Cette r duction est beaucoup moins e e e marqu e pour les conits entre deux avions evolutifs. e r duction de la taille des clusters (nombre davions et de conits). e

Routes S paration verticale e Nb de vols dans la fen tre e Nb de clusters Nb de conits stable-stable stable- volutif e evolutif- volutif e Moy du nb de conits par cluster Ecart-type du nb de conits par cluster Max du nb de conits par cluster Moy du nb davions par cluster Ecart-type du nb davions par cluster Max du nb davions par cluster Moy ecart-type nb conits par avion Max ecart-type nb conits par avion

STD 225 49 69 22 35 12 1.41 0.70 3 2.35 0.62 4 0.12 0.87

ind RVSM 221 42 56 9 35 12 1.33 0.64 3 2.31 0.60 4 0.11 0.87

STD 210 33 40 11 20 9 1.21 0.54 3 2.18 0.46 4 0.06 0.50

dir RVSM 207 21 30 4 14 12 1.43 0.73 3 2.24 0.43 3 0.11 0.82

ecart (%) STD RVSM -6.7 -6 -33 -50 -42 -46 -50 -56 -43 -60 -25 0 -14 +7.5 -23 +14 -7 -3 -26 -28 -25 -50 -43 -6

Tableau 3.1: Trac actuel.

Routes S paration verticale e Nb de vols dans la fen tre e Nb de clusters Nb de conits stable-stable stable- volutif e evolutif- volutif e Moy du nb de conits par cluster Ecart-type du nb de conits par cluster Max du nb de conits par cluster Moy du nb davions par cluster Ecart-type nb davions par cluster Max du nb davions par cluster Moy ecart-type nb conits par avion Max ecart-type nb conits par avion

STD 569 224 491 181 200 110 2.19 4.29 60 3.00 3.28 47 0.23 1.27

ind RVSM 559 202 355 72 179 104 1.76 1.96 18 2.63 1.59 15 0.16 1.50

STD 531 170 271 84 99 88 1.59 1.43 13 2.51 1.14 11 0.16 1.20

dir RVSM 521 139 215 39 96 80 1.55 1.26 8 2.50 1.09 8 0.15 1.16

ecart (%) STD RVSM -6.7 -6.8 -24 -31 -45 -39 -54 -46 -50 -46 -20 -23 -27 -12 -67 -36 -78 -55 -16 -5 -65 -31 -77 -47 -30 -6 -5.5 -23

Tableau 3.2: Accroissement de 150%.

83

Volume de trac On va tout dabord sint resser aux valeurs mesur es dans la fen tre temporelle. On obtient dans tous e e e les cas (routes indirectes, et routes directes avec et sans r solution) une corr lation entre comprese e sion de temps et volume de trac (nombre davions en vol dans la fen tre) tout a fait conforme aux e ` pr visions : e avec , etant la compression de temps. L cart relev sur la valeur de est inf rieur a 1.5%, et e e e ` le taux de corr lation est de 99.9%. La taille de la fen tre na donc pas dincidence, tout au moins sur e e le trac moyen observ dans la fen tre. Il ne semble pas y avoir deffet de bord (chute du trac en n e e de fen tre) sensible, m me pour les fen tres les plus longue (jusqu` 1 h) avec une forte compression e e e a de temps (qui r duit la dur e de la plage de fort trac). e e Conits et clusters On remarque que les diff rents param` tres sont ind pendants les uns des autres. On peut sattendre a e e e ` ce que le nombre de conits augmente avec chacun des param` tres, et soit nul pour des valeurs nulles e de ceux-ci. On cherche donc a mod liser le nombre de conits sous la forme suivante : ` e

Routes indirectes : Les r sultats sont pr sent s dans la table 3.3. On remarque tout dabord dexe e e cellents coefcients de corr lation, qui montrent que le mod` le choisi est ad quat. e e e On constate que le nombre de conits augmente a peu pr` s lin airement en fonction du carr ` e e e de la densit de trac, de la s paration verticale, et de lintervalle d tude. En ce qui concerne la e e e s paration horizontale, le coefcient est un peu inf rieur aux pr visions (les mod` les, notamment e e e e [Ale70, Bos94c], pr voient une evolution lin aire en fonction de la norme, ou inversement propore e tionnelle au nombre de niveaux). Ceci est vraisemblablement d aux conits comprenant au moins u un avion evolutif, pour lesquels la s paration verticale a peu dincidence. On retrouve dailleurs une e valeur proche de 1 pour les conits stable-stable. De plus, la distribution des avions sur les niveaux de vol est imparfaite. On remarque quelques anomalies ( carts entre niveaux de m me parit ) sur la e e e gure 3.1. La valeur elev du coefcient de la norme horizontale pour les conits stable- volutif, que lon e e retrouve en routes directes (sans r solution), na pu etre expliqu e. Toutefois, [EO83] pr voit une e e e (correspondant au volume parcouru par le disque de rayon ) lorsque les vitesses composante en verticales ne sont pas toutes identiques. Mais il reste a expliquer le coefcient plus faible pour les conits stable-stable. De m me pour le coefcient inf rieur a 1 sur la taille de fen tre dobservation, e e ` e puisquon a vu quil ne semblait pas y avoir deffet de bord. Routes directes Les valeurs obtenues sont donn es dans la table 3.4. On obtient encore une corr lation e e tr` s elev e, et les coefcients sont a peu pr` s similaires a ceux relev s en routes indirectes. Lanomalie e e ` e ` e sur la norme horizontale est plus marqu e. e Par ailleurs, l volution du nombre de conits en fonction dun param` tre lorsquon laisse les 3 e e autres xes est visualis e sur les gures 3.2 et 3.3. Les valeurs x es sont de 1 pour la compression e e 84

etant la compression de temps, verticale, et lintervalle d tude. e


R

la norme de s paration horizontale, e

'

H 5 R v   & h  V

y  & 9 H5 w

&'

la norme de s paration e

total 1.95 0.99 0.75 0.90 0.98

stab-stab 2.24 0.68 0.92 0.91 0.94

Conits stab- vol e 1.81 1.30 0.71 1.08 0.96

Clusters evol- vol e 1.91 0.87 0.69 0.67 0.95 1.61 0.68 0.52 0.80 0.95

Tableau 3.4: Conits et clusters en routes directes sans r solution e de temps (trac actuel), 6 NM pour la norme horizontale, 1000 ft pour la norme verticale (RVSM), et 30 mn pour la dur e de la fen tre. Sur la gure 3.2, le trac standard correspond a une densit de 1. e e ` e L volution du nombre de clusters en fonction dun param` tre lorsquon laisse les 3 autres xes e e est visualis e sur les gures 3.4, et 3.5. e Enn l volution du retard moyen (en secondes) observ dans la fen tre apparat sur la gure 3.6. e e e La norme verticale et la dur e de la fen tre nont quasiment pas dincidence. Sur chaque gure, une e e courbe correspond a lensemble des congurations de densit et de norme, lautre est limit e a celles ` e e ` pour lesquelles au moins les deux tiers des conits sont r solus. e

3.1.3 Conclusion
L tude pr c dente montre que laccroissement du nombre de conit en fonction de laccroissement du e e e trac est quadratique, alors que la diminution des normes de s paration na quune inuence lin aire. e e La diminution des normes de s paration ne saurait donc etre une panac e pour diminuer le nombre de e e conits. Le probl` me de la r solution de conits va donc se poser de facon de plus en plus aigu dans e e les ann es a venir. e `

3.2 Approche math matique e


Il est toujours indispensable de tenter de r soudre analytiquement un probl` me et d valuer sa come e e plexit 13 avant de se lancer dans une approche de quelquautre forme que ce soit. Le principal travail e effectu sur ce th` me la et par Nicolas Durand dans le cadre de sa th` se [Dur96]. Ce travail a daile e e e leurs fait lobjet de plusieurs publications [DAAS94, DAN94, DAN96b, DCA96, DAN96a, DA96].
13

Au sens de la th orie de la complexit bien entendu. . . e e

4 # 4 #

Tableau 3.3: Conits et clusters en routes indirectes Conits stab- vol e 2.07 1.48 0.86 0.93 0.94 Clusters evol- vol e 2.08 1.28 0.72 0.81 0.93 1.81 1.05 0.69 0.83 0.93

total 2.16 1.34 0.85 0.92 0.97

stab-stab 2.04 1.00 0.96 0.86 0.92

85

indirect 50 500 direct 40 400

indirect

direct

30 300

200 resolution

20

100

10

resolution

00

2 densite

00

4 h (NM)

10

Figure 3.2: Inuence de la densit et de la norme horizontale sur le nombre de conits. e

indirect 50

60

indirect

50 40

direct 30

40 direct

30

20 20

10 resolution

10 resolution

00

500

1000 v (ft)

1500

2000

00

10

20

30 i (mn)

40

50

60

Figure 3.3: Inuence de la norme verticale et de lintervalle sur le nombre de conits.

250

indirect

indirect

direct 200

30 direct 25

150

20

15 100

10 resolution 50 5 resolution

00

2 densite

00

4 h (NM)

10

Figure 3.4: Inuence de la densit et de la norme horizontale sur le nombre de clusters. e 86

indirect 40 30

indirect

25 direct 30 direct 20

20 15

10 10 resolution 5 resolution

00

500

1000 v (ft)

1500

2000

00

10

20

30 i (mn)

40

50

60

Figure 3.5: Inuence de la norme verticale et de lintervalle sur le nombre de clusters.

tous

tous

400

100 correct 70% 80

300

correct 70% correct 85%

sec 200

correct 85%

sec 60

40

100 20

00

2 densite

00

4 h (NM)

10

Figure 3.6: Inuence de la densit et de la norme horizontale sur les retards. e

87

3.2.1 Conit entre des avions non contraints en vitesse


R solution par une m thode de commande optimale e e La ronautique utilise depuis longtemps maintenant les outils du Contr le Optimal pour optimiser e o les trajectoires dun avion [Cle90, MZ88, BH91, ME88, Sch90]. Lapplication de ces techniques au probl` me de la r solution de conit de deux avions non contraints en vitesse est int ressante, mais e e e montre rapidement ses limites, en raison de la forte complexit du probl` me. e e On essaie de construire une r solution minimisant la consommation des avions, que lon suppose e proportionnelle a lint grale de la vitesse au carr . Il est alors possible de montrer que le probl` me ` e e e poss` de deux propri t s int ressantes : e ee e

Dans le ref rentiel barycentrique : e

Dans le cas g n ral de avions, lutilisation de ces deux invariants ne permet pas de r soudre le e e e probl` me. En revanche, si lon restreint le probl` me a deux avions, on peut d terminer analytiquee e ` e ment la solution optimale : les avions, pour s viter, tournent autour de leur isobarycentre a vitesse e ` constante, isobarycentre qui se d place lui-m me a vitesse constante. On montre egalement que lope e ` timum d pend de l loignement en temps des avions par rapport au point de croisement mais pas de e e la vitesse de chacun des avions, et on peut construire une interpr tation g om trique permettant de e e e d terminer imm diatement le meilleur minimum. e e Il faut cependant savoir que, dans la r alit , les avions sont fortement contraints en vitesse, ce qui e e rend caduc tout espoir de r solution optimale en terme de consommation. e Faisabilit de la r solution en vitesse e e La r gulation en vitesse, aujourdhui pratiqu e principalement dans les phases de descente et dape e proche a lavantage de ne pas changer le support de la trajectoire des avions. N anmoins, elle n cessite e e des tenues de vitesses rigoureuses et des temps danticipation variables selon langle de conit et sa gravit . Nous analysons ici de facon th orique quels sont les temps danticipations n cessaires pour e e e une r gulation en vitesse, en supposant que les tenues de trajectoires e des avions sont parfaites. La gure 3.7 repr sente le temps danticipation minimum pour r soudre un conit entre deux e e avions ayant la m me vitesse (rapport des vitesses, e ). On repr sente en ordonn e la capacit e e e mesur e en % quun avion a de ralentir ou dacc l rer et en abscisse langle de convergence e ee des deux avions. Les courbes iso-temps parcourent les points pour lesquels le temps danticipation minimal est constant. La courbe int rieure correspond a un temps danticipation de minutes. En e ` allant de lint rieur vers lext rieur, le temps augmente par pas de minute. e e On observe ainsi que pour et des angles de trajectoires entre et degr s, le temps e danticipation reste inf rieur a e ` minutes dans le pire des cas (cest a dire lorsque les avions sont ` pr vus au m me instant au point de croisement des trajectoires). La r solution en vitesse peut alors e e e 88



& 4

5 C

o` u repr sente le vecteur vitesse et e barycentrique.

5 6  & $ " 5 C S $ " 5 s 1 2 h 1 p  u ) H q

T0

 6

5

Le centre de gravit des e

avions a un mouvement rectiligne et uniforme.

le vecteur position de lavion

dans le r f rentiel ee

20

40

60

a 80

100

120

140 0

10

15 e

20

25

30

20

40

60

a 80

100

120

140 0

20

40

60

a 80

10

15 e

20

25

30

89

Figure 3.8: Temps danticipation en minutes en fonction de .

et de , a gauche : `

0 & 4

&4 @
100

Figure 3.7: Temps danticipation en minutes en fonction de et de

).

120

140 0

10

15 e

20

25

30

- a droite : `

0  & 4

sappliquer de facon relativement syst matique. En revanche, si la marge dacc l ration ou de ralen e ee tissement des deux avions est inf rieure a 5%, on ne peut effectuer de r solution en vitesse si lon ne e ` e prend pas une marge de plus de 20 minutes. La gure 3.8 repr sente pour des rapports de vitesse e et le temps danticipation n cessaire toujours en fonction de langle des trajectoires et de . On observe que pour e (on intervient alors sur lavion le plus lent) les r sultats pr c dents restent bons. Si lon intervient sur e e e lavion le plus rapide, il faut intervenir plus t t. o Lobservation des courbes pr c dentes montre quune r gulation en vitesse est envisageable pour e e e une majorit de conits dans la mesure o` la marge de r gulation sur les avions est sufsamment e u e importante. Ainsi, si lon peut faire varier la vitesse des avions de plus de , on peut esp rer e r soudre en vitesse bon nombre de conits. e Nous navons pas jusqu` maintenant evoqu les probl` mes dincertitude sur les tenues de vitesse a e e des avions. Il est clair que si les avions ne peuvent tenir leur vitesse de facon pr cise, la r gulation en e e vitesse devient difcile. Dans les hypoth` ses que nous avons choisies, nous avons toujours consid r e ee les conits dans le pire des cas, a savoir lorsque les deux avions sont suppos s passer par le point din` e tersection de leurs trajectoires au m me instant. Il est clair que si deux avions sont d j` partiellement e ea s par s, une r gulation en vitesse peut permettre de les s parer compl` tement facilement. N anmoins, e e e e e e nuds, une incerplus on anticipe la r gulation, plus lincertitude joue un r le important. Ainsi, a e o ` pendant minutes repr sente e nautiques. Aujourdhui peu davions sont equip s e titude de permettant de telles pr cisions. Ceci explique pourquoi les contr leurs nutilise la e o de r gulation en vitesse quen phase de descente, les marges de manuvres etant alors plus importantes. e

3.2.2 Conit entre deux avions contraints en vitesse


R solution par une m thode de commande optimale e e On va donc maintenant sint resser au cas de deux avions contraints en vitesse. Il sagit du cas le plus e proche de la r alit en mati` re de contr le en route. On minimisera ici lallongement de la trajectoire. e e e o La condition n cessaire de r solution permet de d crire les diff rentes phases de trajectoires. Lorsque e e e e la contrainte de s paration nest pas satur e, les trajectoires des avions sont rectilignes uniformes, leurs e e caps sont modi s uniquement lorsque la contrainte de s paration est satur e. Ce r sultat reste valable e e e e pour le cas de avions. La contrainte sur les vitesses ne permet pas daller plus loin dans la r solution e analytique du conit. De plus, lorsquun conit a deux avions se pr sente, il nest pas rentable en ` e terme de co t pour le contr leur a rien de d vier les deux avions. En cons quence, dans la suite, la u o e e e trajectoire dun des deux avions sera privil gi e (elle sera maintenue rectiligne et uniforme). e e On peut, lorsque lon privil gie un des deux avions en lui assurant une trajectoire rectiligne unie forme jusqu` son objectif, sint resser a lallongement de la deuxi` me trajectoire engendr par le a e ` e e conit. On peut etudier le cas simple de 2 avions se croisant perpendiculairement et volant a la m me ` e vitesse. On notera le rapport (norme de s paration) (distance au point de conit). e Dans le rep` re de lavion non d vi , on peut (voir gure 3.9) repr senter lorigine et la destination e e e e de lavion d vi , ainsi que la zone interdite pour lavion d vi , a savoir le cercle de centre lorigine et e e e e ` de rayon . On sait d j` qu` loptimum, lavion d vi rejoint ce cercle en ligne droite en un point rep r par ea a e e ee langle , y reste jusqu` a et ensuite rejoint sa destination en ligne droite. On va chercher alors a ` exprimer les valeurs de et correspondant aux deux cas possibles : lavion d vi passe devant e e lavion xe, ou derri` re celui-ci. On obtient alors les equations implicites donnant les valeurs des e 90

T0

!

0  & 4

0 & 4

$



A!

b|

Destination avion devie

allongement x

2+ 1+

2 Origine avion privilegie 1

Origine avion devie

Figure 3.9: Trajectoires de lavion d vi dans le rep` re li a lavion non d vi . e e e e` e e

91

allongements en %

30 x25 x+

20

15

10

1.5

2.5

3.5

4.5

optima :

Ceci nous d nit des fonctions implicites e et . Si lon pose , on peut repr senter e les pourcentages dallongements de trajectoires en fonction de lanticipation de la r solution du conit e (voir gure 3.10). Lunit de temps est alors le temps mis par un avion pour parcourir la valeur dune e norme de s paration. On observe que les pourcentages dallongement de trajectoire restent tr` s faible e e tant que est sup rieur a . Dans notre exemple, la trajectoire optimale est toujours celle qui passe e ` derri` re lavion non d vi . e e e On peut assez facilement etendre l tude pr c dente au cas de deux avions convergent non plus e e e a angle droit mais sous un angle quelconque. Toujours en ne bougeant quun seul avion, on peut ` d terminer les deux equations implicites qui nous donnent lallongement de trajectoire du deuxi` me e e avion dans le cas o` celui-ci passe devant ou derri` re. u e Enn, on peut repr senter en fonction de langle dincidence et du rapport des vitesses des deux e avions, lallongement minimal obtenu, pour une anticipation de, par exemple, cinq fois la norme de s paration (voir gure 3.11). On observe alors que les situations les plus p nalisantes dans le cas o` les e e u vitesses sont voisines et les angles dincidence faibles, ce qui reste conforme aux r sultats pr c dents e e e ainsi quaux r sultats d crits par AERA . e e 92

s c s c   V C Q  s c  t  $t C " c  W U ( ( & C  $  ( 8 " W t C C   $ t " t C C    (  s c s c   V C Q  s c  t  $t C " cU  W ( ( & C  $ (  ( 8 " W t C C   $ t " t C C   ( ( 

0

&t

Figure 3.10: Comparaison des allongements minimaux (en

) pour sup rieur a e `

$ t" C $ t" C

15 allongt en % 10 5 0 1 v2/v1 0.3 0


Figure 3.11: Allongements minimaux en fonction de langle dincidence et du rapport des vitesses pour une anticipation valant deux fois la norme de s paration. e

Pi

angle

93

Approche num rique e Nous pr sentons ici les solutions optimales (fournies par a un algorithme doptimisation locale14 ) de e ` certains conits a deux avions. ` La gure 3.12 donnent six facon de r soudre un conit a cinq avions. points de d part diff rents e ` e e ont et donn s a LANCELOT pour la recherche de la solution optimale donnant solutions localee e ` ment optimales situ es dans des composantes connexes diff rentes. Il existe probablement bien plus e e que six composantes connexes disjointes pour ce probl` me, mais le but de ce paragraphe nest pas e de les chercher toutes. On remarquera que les solutions, apparemment tr` s diff rentes, g n` rent des e e e e allongements moyens tr` s voisins. e On notera que le temps de calcul n cessaire a la convergence de LANCELOT est tr` s long : e ` e pour les exemples a avions pr sent s ci-dessous, plusieurs heures sont n cessaires. Envisager une ` e e e r solution en temps r el avec ce type dalgorithme ne parait pas raisonnable. e e

3.2.3 Complexit th orique e e


Nous venons de constater que le probl` me de r solution de conits est difcile a r soudre, m me e e ` e e num riquement, d` s que le nombre davions augmente. Il est en fait possible d tablir un r sultat e e e e g n ral concernant la complexit du probl` me, dans le cas o` un des avions a un cap et une vitesse e e e e u maintenus xes, et o` la norme et la direction du vecteur vitesse de lavion mobile ne peuvent changer u quen un nombre ni dinstants15 . On peut alors montrer que lespace des trajectoires admissibles pour lavion mobile se compose de deux composantes connexes ind pendantes, qui correspondent lune aux trajectoires obtenues quand e lavion mobile passe devant lavion dit xe, et lautre au cas ou lavion mobile passe derri` re lavion e xe au point de conit. ` Dans le cas o` lon sint resse a un conit comprenant avions on se retrouve face a u e ` conits potentiels. Lespace des solutions admissibles contient donc composantes connexes. Il est clair que dans la pratique, compte-tenu des performances des avions, toutes les composantes connexes nont pas besoin d tre explor es. N anmoins, la pr sence th orique dautant despaces e e e e e disjoints et limpossibilit de connatre a priori lequel contient la solution optimale nous a orient vers e ` e des m thode doptimisation globale plut t que vers des m thodes locales. e o e

3.2.4 Conclusion
La mod lisation par Contr le Optimal que nous avons abord e dans cette premi` re partie permet de e o e e d gager certaines propri t s sur les trajectoires optimales et sur la structure de lespace des solutions e ee admissibles. Nous retiendrons tout dabord que les trajectoires non contraintes sont rectilignes et uniformes a ` loptimum. Dans la pratique, la dur e de saturation des contraintes, compte-tenu de la vitesse elev e e e des avions et de la faible densit de trac, est tr` s faible compar e a la dur e de vol sans saturation de e e e ` e contrainte (dans la mesure o` les conits ne sont pas a angle trop faible). En cons quence, la plupart u ` e des trajectoires optimales peuvent etre approch es par des trajectoires rectilignes par morceaux (cest e
Lalgorithme doptimisation local utilis est (LANCELOT)[CGT92]. Pour pouvoir lappliquer, les trajectoires davions e ont et discr tis es en e e e points. Les contraintes de s paration des avions sont appliqu es en chaque point de discr tisation. e e e Dans les exemples pr sent s, les avions sont toujours contraints en vitesse. La norme de s paration est de nautiques et les e e e avions parcourent en moyenne nautiques a une vitesse de ` nuds. 15 On pose egalement comme hypoth` se que lavion mobile ne tournera pas autour de lautre avion, ce qui effectivement e ne se produit pas souvent dans la r alit . e e
14

94

I HG H

s 

PPQ

P H

PH

Figure 3.12: De haut en bas et de gauche a droite, allongements moyens : ` et degr s. e

95

n             
, , , ,

m 

Origine

Point tournant

trajectoire optimale

Destination

Figure 3.13: Mod lisation point tournant. e lobjet du prochain chapitre). Dans le cas o` les avions ne sont pas contraints en vitesse, on a montr u e que lon peut d terminer g om triquement la solution optimale. e e e Le second point important r sulte de la structure de lespace des solutions admissibles pouvant e contenir pour avions composantes connexes disjointes. Le probl` me est de ce fait fortee ment combinatoire et nous avons pu observer num riquement quun algorithme doptimisation locale e tel que LANCELOT ne permet pas de trouver loptimum global pour des valeurs de faibles (par ). exemple

3.3 Approximation par point tournant et par offset


Les trajectoires optimales etudi es dans la section 3.2.2 etant form es de deux segments rectilignes e e relativement longs et dune portion courbe r duite, il apparat naturel de vouloir les approcher par des e trajectoires compos es de segments de droite. La mod lisation par point tournant ram` ne la trajectoire e e e a deux segments, alors que la mod lisation par offset conserve trois segments. ` e

3.3.1 Point tournant


La trajectoire des avions se ram` ne donc a deux droites se coupant en un point tournant (gure 3.13). e ` On peut repr senter laugmentation en pourcentage de lallongement lorsque lon remplace la e trajectoire d vitement r elle par un point tournant (voir gure 3.14). On observe que pour la solution e e optimale, laugmentation dallongement due a notre approximation reste inf rieure a ` e ` tant que le temps danticipation est sup rieur a et que pour lautre solution, cet ecart ne d passe pas e ` e . Langle dincidence a une forte inuence sur lefcacit de ce mode de r solution . On a repr sent e e e e sur la gure 3.15 lallongement de la trajectoire en fonction de la distance au point de conit ( repr sente le rapport des distances (distance au point de conit (norme de s paration)) et de langle e e 96

T 0  

s 

0&D

30 20 allongements % 15 25 allongements %

sol opt

sol opt 20 pt tournant pt tournant

10

15

10 5 5

10

1.5

97

Figure 3.15: Augmentation de lallongement

en fonction de et .

Figure 3.14: Allongements en lavion xe.

, lavion mobile passant derri` re (` gauche) ou devant (` droite) e a a

5 4 3 2 1 0 Pi angle 5 0 allt %

de convergence. On constate que pour des valeurs faibles de langle de convergence et pour une faible anticipation, la m thode du point tournant est peu efcace. e

3.3.2 Approximation par offset


On appellera r solution par offset, la solution de notre programme de minimisation lorsque lon met e en parall` le lun des deux avions impliqu s dans le conit. Cest la solution adopt e par Niedrine e e ghaus [NFC 83, Nie89b, Nie89a], pour le projet dautomatisation compl` te AERA 3 dans la fonction e Gentle-Strict. Nous avons repr sent : les pourcentages dallongement des trajectoires en fonction du temps e e danticipation pour des angles dincidences de trajectoires valant (gure 3.16), (gure 3.17) et (gure 3.18), et des angles de mise en offset valant , , , . Pour une incidence de trajectoires valant , lavion d vi ne peut pas passer devant lavion xe avec ce type doffset. e e Le principal int r t de cette mod lisation est que la fonction a minimiser devient lin aire, de ee e ` e m me que les contraintes de s paration des avions une fois loffset r alis (` condition que langle de e e e e a d viation soit x a priori). Cest ce que nous allons montrer. On sint resse donc ici a deux avions, e e` e ` et . On note langle form par les trajectoires non d vi es de et , e e e (resp. ) linstant auquel la trajectoire non d vi e de lavion (resp. ) coupe celle de lavion (resp. ), et et e e les normes des vecteurs vitesse des avions (par hypoth` se constantes sur e ). On consid` re le rep` re orthonorm e e e , o` u est le point dintersection des trajectoires e des deux avions et , et dont laxe des abscisses ( ) est dirig par le vecteur vitesse de (voir gure 3.19). On obtient les param trisations suivantes pour les coordonn es au temps e e des avions et , dans ce rep` re : e

Dans ce rep` re la contrainte de s paration donne donc pour le couple e e

: (3.1)

En r solvant, il vient : e

(3.2) et

98

$ r5 "

6 W r 5  (  r  5 t $ r5 " T 7 r 5 $ r5 ( r55 " r

5@

Si lavion

passe derri` re lavion e

, on obtient : (3.3)

5@

Cette condition donne les deux conditions suivantes, selon lordre de passage des avions au point , point dintersection de leurs deux trajectoires :

5@

r@

5@ 5 r5 r

r@

X`Y

2 h 1  )

2 h 1 ) r@ r55 r@ 5 @

$ $ r5 "

$ r @ 1 5 @"

 5 5  t $ $ " r ( $ "  " $ $ " r C ( $ "  C" 1 2 h 1 ) u

) X ` X  X

6 r 5  (  r  5 "  t $ r5 ( r55 " $ r5 " T 7  r  5 r

X X

$ r5 " $ r55 " 5 & $ " 5 7 6 ( $ r5 " $ r55 " 5 & $ " 5 C 7 (

r5 

 & $ " r $ r5 " r & $ " r C r (

rv

r@

$ 5 v 1 r v 1 r5  "

5@

r@

r@

& C r 5
X `

5@

r5 

X `

r@

r@

5@

allongements % 14 sol opt 12 offset Pi/3 offset Pi/4 25 offset Pi/6 20 offset Pi/8 6 15 35

allongements % sol opt offset Pi/3 offset Pi/4 offset Pi/6 offset Pi/8

30

10

10

5 t

10

10

allongements % 20 sol opt 15 offset Pi/3 12.5 offset Pi/4 10 offset Pi/6 offset Pi/8 10 15

7.5

5 5 2.5

allongements % sol opt 8 offset Pi/3 0.8 offset Pi/4 6 offset Pi/6 offset Pi/8 4 0.4 0.6 offset Pi/12 sol opt allongements % 1

10

15

Figure 3.18: Allongements optimaux en droite) lavion xe, .


X `

Figure 3.17: Allongements optimaux en droite) lavion xe, .


X`Y

Figure 3.16: Allongements optimaux en droite) lavion xe, .

, lavion mobile passant derri` re (` gauche) ou devant (` e a a

 X

& & &

allongements % sol opt offset Pi/3 offset Pi/4 offset Pi/6 offset Pi/8

10

t 2 4 6 8 10

, lavion mobile passant derri` re (` gauche) ou devant (` e a a

0.2

92 20 t

94

96

98

100

, lavion mobile passant derri` re (` gauche) ou devant (` e a a

99

Di

Ei Oj Cij Ej

Dj

Oi

Figure 3.19: Conit a deux avions, un seul avion etant d vi ` e e

La mise en offset dun avion (ou des deux avions et ) a pour effet dintroduire un d calage e dune trajectoire par rapport a lautre et dinuer ainsi sur linstant auquel la trajectoire de chacun des ` deux avions coupe celle de lautre. Nous nous int ressons a un couple davions, et , tous deux e ` impliqu s dans un conit a avions. La trajectoire de chacun de ces deux avions peut etre d vi e. e ` e e Pour chacun des deux avions et , l vitement par offset a trois effets sur les temps e et . Ces effets d pendent de langle de mise en offset, not , du sens de loffset, et de sa valeur. Ainsi un e e offset de lavion dune valeur aura les effets suivants : est augment , quelque soit le sens de loffset, du retard d a la mise en offset, cest a dire de e u` ` ;

si la trajectoire de lavion est d vi e vers lext rieur de langle form par les trajectoires des e e e e deux avions ( et ), est augment du retard d au d placement de lavion , cest a dire e u e `

Ainsi, quand lavion passe derri` re lavion , selon le sens de loffset de chacun des deux avions e et on obtient les quatre conditions de s parations suivantes, qui sont lin aires en et en : e e 100

rt

5t

r@ c I 2 gG ih 2 c

r5 r @ 5 r@

de m me, si la trajectoire de lavion e trajectoires des deux avions ( et ), trajectoire de lavion , cest a dire de `

5@

de . Si la trajectoire de cette valeur ;

est d vi e vers lint rieur de cet angle, e e e

est diminu de e

est d vi e vers lext rieur de langle form par les e e e e est aussi augment du retard d au d placement de la e u e .

r 5 r

r 55

r@

5@

r55

5@

$ r5 "

6 W r 5  (  r  5 t $ r5 " T 7 r 5 $ r55 ( r5 " r

r@

5@

r@

5@

5@

5t

5@

r55 r @

r@

5@

5@

5@

5@

Si lavion

passe devant lavion

r@

af e I 2 gG c

s cb a I dG c r55

r@

5@

, on obtient : (3.4)

6 5 5W t  r5 7 r ( r  ( $ r5 " r r r 5 $ r5 " T 7 r 5 $ 5 T 7 $ 5 " 6 t ( $  " t (r (  r R r T S R rt r $ r5 " T 5 5 6 5 5 " 7 $ r5 " R 5 t ( $  " 5 t r5  rt TSR

r@

6 5 5W t  r5 7 r ( r  ( $ r5 " r r r 5 $ r5 " T 7 r 5 $ 5 T 7 ( $ 5 " 6 t $  " t ( rr (  r R r T S R rt 5 6 5 $ r5 " T 5 5 " 7 ( $ r5 " R 5 t $  " 5 t r 5  rt TSR

r@

6 5 5W t  r5 7 r ( r  ( $ r5 " r r r 5 $ r5 " T 7 r 5 $ 5 T 7 ( $ 5 " 6 t ( $  " t (r (  r R r T S R rt r 5 6 5 $ r5 " T 5 5 " 7 $ r5 " R 5 t $  " 5 t r5  rt TSR

Loffset de lavion

5@

Loffset de lavion

Les offsets des deux avions sont a lext rieur (cest le cas qui est repr sent sur la gure 3.20) : ` e e e

Origine avion i

Origine avion j

Figure 3.20: Conit a deux avions, les deux offsets etant a lext rieur ` ` e

est a lint rieur, celui de lavion ` e

est a lext rieur, celui de lavion ` e

101 est a lext rieur : ` e est a lint rieur : ` e


Destination avion j Destination avion i

(3.7) (3.6) (3.5)

5@

Et on obtient quatre equations similaires dans le cas o` lavion u passe devant lavion (en intervertissant dans les equations ci-dessus les indices et ). et On a consid r jusquici que les droites portant les trajectoires non d vi es des avions ee e e etaient s cantes (et, comme on la vu, que les trajectoires des avions se coupaient pour e ). Dans le cas o` les trajectoires sont parall` les, on obtient aussi des conditions lin aires, avec la m me u e e e combinatoire, la discussion sur lordre de passage des deux avions est alors remplac e par le choix e ` ` entre passe a gauche de et passe a gauche de . Cette mod lisation etendue au cas de avions n cessite la r solution de e e e programmes lin aires comprenant chacun e contraintes lin aires. Pour un conit a avions, cela repr sente e ` e programmes doptimisation a r soudre comprenant ` e contraintes lin aires chacun. Pour e , plus de million de programmes lin aires doivent etre r solus, comprenant e e contraintes chacun. On se retrouve face a une tr` s forte combinatoire. Il est int ressant de noter que lon retrouve ` e e les composantes connexes observ es dans le paragraphe 3.2.3. En effet, chaque programme lin aire e e d termine un ordre de passage entre une paire davions et r sout le probl` me a lint rieur dune come e e ` e posante connexe de lespace des solutions admissibles. Il faut n anmoins choisir le sens de la d viation e e pour chaque avion pour que le programme devienne lin aire ; cest pourquoi la complexit passe de e e a ` . F. M dioni [MDA94] sest int ress a combiner un algorithme e e e` g n tique avec un programme doptimisation lin aire pour r soudre le probl` me d crit ci-dessus. e e e e e e Nous pr sentons ces r sultats dans la section 3.7. e e Nous ne nous sommes int ress s jusqu` pr sent qu` satisfaire la contrainte de s paration lorsque e e a e a e lavion est etabli en offset. Durant la mise en offset, les deux avions doivent rester s par s. La e e v rication de cette contrainte est longue, ou impose de prendre des marges de manuvre qui p nalisent e e la r solution. e

3.3.3 Avions en rattrapage


Nous navons pas etudi jusqu` pr sent les cas de conits caus s par des rattrapages. Dans ce cas, e a e e lorsque deux avions sur la m me route ont des vitesses proches, loffset devient plus avantageux que le e point tournant. En effet, que lavion le plus rapide d passe le plus lent ou que lavion le plus lent evite e le plus rapide (gure 3.21), loffset permet d viter un eloignement de plus dune s paration standard e e de la trajectoire initiale. Si lon note le rapport des vitesses des deux avions, et lallongement due a la technique du point tournant par rapport a loffset, on peut appr cier sur la gure 3.22 la sup riorit ` ` e e e de la technique de loffset par rapport a la technique du point tournant simple. ` Les calculs pr sent s ci-dessus nous conduisent nalement a la conclusion suivante : la mod lisation e e ` e point tournant, tr` s efcace pour r soudre les probl` mes de conits a angle non nuls, sav` re insufe e e ` e sante dans le cas des rattrapages. Il faut donc conserver les deux mod lisations, qui ont des champs e dapplication diff rents. e 102

&D

2 h 1  ) r@ 5 @

r@

6 W  r5 5   r  5 t 7 r ( ( $5 " r 6 r 5 $ r5 " T r 5 $ r T 7 r 5t 7 $ r5 " R rt $  " rt ( rr (  TSR 5 6 5 $ r5 " 5 5 " T 7 ( $ r5 " R 5 t ( $  " 5 t r5  rt TSR

 0 s 

5@

5@

r@

I HG H

s s s  & H  

r@

5@

m

Les offsets des deux avions sont a lint rieur : ` e

(3.8)

point tournant offset Vy Vx d

Xd point tournant offset Vx Vy Xd d

Figure 3.21: Rattrapages

20 20 18 18 16 16 14 14 12 12 10 10 8 8 6 6 4 0.7 0.75 0.8 r 0.85 0.9 0.95 1.05 1.1 1.15 r 1.2 1.25 1.3

103

Figure 3.22: A gauche :

en fonction de pour

- A droite :

en fonction de pour

plan horizontal

segment dincertitude t=4 t=3 conflit t=2

avion 1

t=1 t=0

position theorique

distance entre segments avion 2

t=0 avion 2

t=1

t=2

t=3

incertitude verticale

conflit

avion 1

plan vertical

Figure 3.23: Mod lisation de lincertitude. e

3.4 Mod lisation de lincertitude e


3.4.1 N cessit de mod liser lincertitude e e e
Si un avion de ligne est capable de suivre pr cis ment une route et une altitude, matriser pr cis ment e e e e sa vitesse sol nest pas possible en raison notamment des vents. Il est dautre part impossible de corriger en permanence la vitesse car les r acteurs ont un r gime de consommation id al dont il e e e ne faut pas trop s carter. Enn, ils ne doivent pas, pour des raisons m caniques, etre soumis a des e e ` changements de r gime permanents. Il est donc indispensable de mod liser les avions non par des e e points mat riels mais par des segments de droites. Il sufra alors de v rier, pour que la contrainte e e horizontale soit respect e, que les segments de droite qui mod lisent les avions soient s par s par la e e e e s paration standard (voir gure 3.23). Dans le plan vertical, lincertitude est beaucoup plus forte. On e matrise en effet tr` s mal le taux de mont e dun avion qui d pend de param` tres aussi vari s que la e e e e e masse, o` la mise en route de la climatisation. En cons quence, le m me principe que dans le plan u e e horizontal est repris mais les pourcentage dincertitude seront beaucoup plus forts.

3.4.2 Evaluation de la probabilit de conit. e


Compte-tenu de lincertitude sur la vitesse des avions que nous observons, il est evident quun conit ne peut etre pr vu a lavance avec certitude. Il se peut en effet que les erreurs sur la vitesse de chacun e ` des avions sufsent a eviter le conit. Dans ce cas, une manuvre d vitement sav` re inopportune. Le ` e e but de ce paragraphe est de mesurer la valeur de la probabilit de conit en fonction de la conguration e du conit et de lincertitude sur les vitesses. 104

On ne peut bien evidemment pas etudier toutes les congurations de conits. Aussi, nous nous limiterons au cas o` les deux ont la m me vitesse , convergent sous un angle vers un point de u e conit. Les avions sont distants du point de conit de . On suppose que chaque avion se d place a e ` vitesse constante, avec une incertitude en pourcentage sur cette vitesse not e e . Pour simplier, on supposera donc que chacun des deux avions a une probabilit uniforme davoir sa vitesse comprise e entre et . On notera la norme de s paration choisie. On veut mesurer la e probabilit de conit en fonction de lanticipation , de langle dincidence et de lincertitude e choisie. On num rotera et les indices des deux avions. A un instant e , les avions sont rep r s ee par leur position dans le plan :

avec et compris entre et . A partir des positions des deux avions a tout instant , on ` cherche a quelle condition sur ` et il y a conit. Pour cela, on est amen a d terminer le signe e` e du discriminant dune equation du second degr . La condition, une fois simpli e s crit de la facon e e e suivante. Il y a conit si et seulement si :

Il est clair que si langle vaut ou , le conit est certain. On remarquera que la condition pr c dente e e ne d pend que du rapport e qui mesure lanticipation par rapport au point de conit. On peut repr senter la condition par une fonction e qui vaut lorsque la condition nest pas satisfaite et lorsque la condition est satisfaite. On int` gre ensuite cette fonction sur le pav des e e erreurs possibles et on obtient la probabilit e pour que les deux avions entrent en conit avec une anticipation , un angle dincidence et une erreur sur les vitesses . A titre dillustration, nous allons observer l volution de la probabilit de conit lorsque : e e lanticipation augmente (voir gure 3.24), on xera , , kts, nm et on fera varier de a ` minutes. On constate que la probabilit de conit vaut e jusqu` a minutes, apr` s quoi elle d crot. On remarquera quelle d crot alors de moins en e e e moins vite avec le temps. langle varie de a (voir gure 3.24), on xera ` kts, nm, minutes, et . On observe que langle a une tr` s forte inuence sur la probabilit de conit. En e e effet, dans cet exemple, celle-ci varie de a selon que les avions convergent a ` ` degr s e ou degr s. On observe donc que le risque de conit est dautant plus faible que langle e dincidence est faible. Or on sait que le conit est dautant plus difcile a r soudre que cet ` e angle est faible. On en d duit que les conits davions convergents sont a la fois moins certains e ` et plus difciles a r soudre. La prise de risque est donc plus grande dans le choix de linstant de ` e r solution de conit. e le pourcentage derreur varie de a ` (voir gure 3.25), on xera kts, nm, minutes, et . La sensibilit de la probabilit de conit au pourcentage e e derreur est semblable a sa sensibilit au temps danticipation. ` e 105

 &t

4v

! &



 &

! &

T0

 & 4v X &

4v

4v

 &t

$ "  $  4 v ( 4 v" 7 ( sc $ 4 v " $ 4 v " $ "s s (  T 7 p

! &

 $ 4 v "  ( 3 $ 4 v " 3 3 ( 3

$  4 v 1 4 v 1 C" 7

$ 4 v 1 1 C"a

0 m 

T 



4 v 4 v 4v 4v (

 X &

4v

$4v
p

&C

 

&C

"

 &



T0

$4v 4 v

 & 4v

 & t

4 v

"

20

40

60

80

100

120

25

50

75

100

125

150

175

0.9 0.95 0.8 0.9 0.7

0.6

0.85

0.5 0.8 0.4

0.3

0.75

Figure 3.24: Probabilit de conit en fonction du temps danticipation en minutes (` gauche), de e a langle dincidence en degr s (` droite). e a langle varie de a et le temps danticipation varie de a ` ` minutes (voir gure 3.25), on xera kts, nm et . On visualise a lors bien le fait que la probabilit e de conit est fortement li e a langle dincidence. Le choix du moment de r solution est donc e ` e fortement d pendant de la g om trie du conit. e e e

Il apparat donc au travers de ces r sultats quune fois de plus, les conits a faible incidence sont e ` ceux qui posent le plus de probl` mes. Moins certains, ils sont plus difciles a r soudre. e ` e

3.4.3 Esp rance de cout de r solution de conit. e e


Si lon veut r soudre un conit de facon certaine avec un temps danticipation , il faut int grer e e lincertitude sur les vitesses dans la r solution. Ainsi au lieu de s parer des points par s paration stane e e dard, il faut s parer de cette s paration standard des segments de droite dont la longueur augmente e e avec le temps. Pour cela, on peut mesurer lallongement de la trajectoire en nautiques lorsque lon bouge un des deux avions en fonction du temps danticipation engendr par la r solution dun conit. e e Pour ce calcul, nous garderons les m mes caract ristiques que pr c demment pour les deux avions e e e e . Le calcul est fait dans et choisirons un angle dincidence de et une erreur sur la vitesse de les deux mod lisations offset et point tournant (voir gure 3.26). On observe quavec la mod lisation e e par offset, l vitement le plus tardif est le plus economique. La courbe est en fait une droite. Lallone gement est donc une fonction lin aire du temps danticipation. Pour la mod lisation point tournant, e e au ph nom` ne daccroissement de lallongement provoqu par lincertitude sajoute un ph nom` ne e e e e e inverse. Plus lon anticipe le conit, plus la d viation de lavion mobile sera faible, et si lon sy prend e tard, lallongement sera fort. On souhaiterait d terminer le moment optimal pour r soudre un conit a deux avions en tenant e e ` compte de ce ph nom` ne dincertitude. Pour cela, il faut pr ciser quel est le crit` re doptimalit retenu. e e e e e Nayant pas de certitude sur lexistence ou non dun conit lorsque le temps danticipation augmente, on ne pas parler de co t de r solution. Par contre on peut d nir lesp rance du co t de r solution u e e e u e de conit. Pour tout temps danticipation , on connat la probabilit pour que le conit se produise e 106
T0



T0

& 4v

 X

 &Xt ! & 

10

15

20

0.9

0.8

1 0.8

0.7

0.6 0 0.4 0

prob de conflit %

0.6

0.5

angle
0.4

0.3

Pi 120 min

Figure 3.25: Probabilit de conit en fonction du pourcentage derreur sur les vitesses (` gauche), en e a fonction de langle dincidence et du temps danticipation (` droite). a

60

50

40 3.5 30

20

10

20

30

40

50

60

10 2.5

10

15

20

25

Figure 3.26: Allongement de la trajectoire en nautiques en fonction du temps danticipation, mod lisation par offset (` gauche), mod lisation point tournant (` droite) e a e a

107

35 2.55 30 2.5 25 2.45 20 2.4 15 2.35

10

10

20

30

40

50

60

2.25 10 20 30 40 50 60

Figure 3.27: Esp rance du co t de r solution en fonction du temps danticipation, mod lisation par e u e e offset (` gauche), mod lisation point tournant (` droite). a e a et le co t associ a ce temps. Il suft de multiplier les deux pour obtenir lesp rance du co t de u e ` e u r solution du conit sachant que sil ny a pas de conit, le co t de r solution est nul. On observera e u e la gure 3.27 pour les deux mod lisation offset et point tournant. Si pour loffset, lesp rance de co t e e u de r solution est minimale pour un temps danticipation le plus faible possible, pour la mod lisation e e point tournant, dans cet exemple, le co t de r solution est minimal pour une anticipation de minutes u e ou nautiques. Les calculs que nous venons de pr senter permettent de conclure quune r solution par offset e e doit etre la plus tardive possible. Pour une r solution par point tournant, il existe un compromis qui e minimise lesp rance de co t de r solution du conit. Ce compromis d pend de lincertitude sur les e u e e vitesses et de la conguration du conit. Cette etude n tait pas exhaustive mais propose un crit` re e e d valuation de linstant optimal de d but de r solution de conit. e e e

3.5 Mod lisation pour la r solution de conits complexes e e


Les etudes pr c dentes ont conduit aux conclusions suivantes : e e

On peut mod liser une manuvre d vitement horizontale entre deux avions par un point toure e nant. La mod lisation par offset reste indispensable pour des cas de rattrapages. e Lincertitude sur les vitesses des avions et sur leurs taux de mont e doit etre prise en compte e et fait apparatre dans le cas de la mod lisation point tournant un temps id al de d but de e e e manuvre.

Dautres contraintes pratiques sont maintenant introduites dans le mod` le an de pouvoir r soudre e e des conits complexes mettent en jeu plusieurs avions : 108



Un manuvre commenc e ne pourra pas etre remise en cause, on pourra n anmoins modier e e son ampleur sans en modier la structure. Le syst` me ne proposera pas de r gulation de vitesse (le lecteur trouvera partie 3.2.1 des argue e ments justiant ce choix. Les manuvres d vitement propos es sont horizontales. Le syst` me ne pourra donc pas moe e e dier la trajectoire verticale dun avion m me sil peut faire tourner des avions evolutifs ( en e mont e ou en descente). Une telle hypoth` se est relativement restrictive : un certain nombre e e de r solutions ne seront plus optimales, en particulier, lorsquun des avions impliqu dans un e e conit est evolutif. Les contr leurs le savent bien et essayent demployer ce genre de r solution o e le plus fr quemment possible pour les avions qui ne sont pas en palier. Ces manuvres sont e souvent optimales par rapport a une d viation horizontale lorsque les avions sont sur une route ` e identique ou oppos e. Se restreindre au plan horizontal nest pas un objectif et la dimension e verticale devra n cessairement etre int gr e dans les evolutions futures. N anmoins lajout de e e e e telles manuvre ne complexie pas de facon signicative le mod` le. e

Les diff rents e repr sentent des dates relatives. Linstant e correspond au d but de la e pr vision. A cette date, la position de lavion est connue sans incertitude. On la consid` re comme e e la position initiale de lavion. Le virage de retour a evidemment le m me angle mais dans le sens oppos . La dur e de la phase e e e de retour est donc egale a la dur e de la phase d loignement. La date de n de manuvre, not e ` e e e nest donc pas un param` tre de la manuvre et on a : e Si on est en pr sence dun point tournant, on aura e . Un tel mod` le r duit donc la taille du probl` me de facon signicative. Pour un conit impliquant e e e avions, la dimension de lespace de recherche sera de . Ceci nous permettra de r soudre des gros e conits sans avoir a explorer un domaine de solutions admissibles trop vaste. `

3.5.1 Mod` le de cluster e


Nous nous proposons donc de r soudre non pas uniquement des conits el mentaires mais des sie e tuations plus complexes. Nous introduisons ici la notion de clusters. Un cluster est le r sultat dune e fermeture transitive dans lensemble des conits sur un horizon temporel x . Si un avion est en e ` ` avec alors , et conit avec a linstant et est en conit avec a linstant appartiennent au m me cluster. Ainsi dans la gure 3.29, les avions et ne sont jamais en conit e mais ils appartiennent au m me cluster. Une d viation de pour eviter peut lui permettre d viter e e e . Loptimisation doit donc se faire de facon globale. 109

 &

&   &

D!

'

'

langle de d viation de la manuvre : e

la date de d but du virage de retour sur la trajectoire initiale e

la date de n du virage d loignement e

; .

la date de d but du virage d loignement e e

Nous obtenons donc le mod` le suivant (gure 3.28) o` une manuvre est d termin e par les e u e e param` tres suivants : e

   



Les angles de d viation pour le point tournant et loffset seront discr tis s et pourront donc e e e prendre pour valeur : , , , , , et degr s. e

Modele doffset

t1 t=0 t0

manoeuvre

t2 t3

trajectoire initiale

t1=t2 t=0 t0 t3

Modele de point tournant

Figure 3.28: Mod` les de manuvre. e

avion A

d > Separation standard horizontale Avion B

Avion C

Figure 3.29: Exemple de cluster.

110

3.5.2 D roulement en temps r el e e


Un des objectifs retenus est de pouvoir d tecter et r soudre les conits en temps r el. Fixons nous un e e e d lai . La situation doit etre revue toutes les secondes a partir de nouvelles donn es. Le syst` me e ` e e dispose donc dun temps inf rieur a pour analyser la nouvelle situation et trouver les trajectoires e ` optimales sans conit pour lensemble des avions impliqu s dans la fen tre danticipation . Le reste e e de lintervalle est consacr a la transmission des manuvres du sol vers le bord. Durant lintervalle e` , les avions volent toujours. Le syst` me ne peut donc changer la trajectoire pr vue de chacun des e e avions pendant les premi` res secondes de . Ces trajectoires correspondent donc a la pr vision e ` e effectu e au tour pr c dent. Par contre le syst` me reste libre de modier toutes les trajectoires entre e e e e et a lexception des branches de retour en point tournant ou en offset. En effet, cette partie de la ` manuvre est compl` tement d termin e par le d but de la manuvre. e e e e Appelons le temps relatif utilis par le syst` me de r solution, l chelle de temps absolu et e e e e la date de d but de la premi` re it ration de notre processus de r solution. A chaque it ration , le e e e e e et . La situation pr vue a linstant e ` processus analyse une nouvelle situation entre correspond a la situation r elle existant a ` e ` en consid rant que e pour la premi` re e it ration. La gure 3.30 peut alors se commenter de la facon suivante : e it ration 1 ( e it ration 2 ( e ) : Le syst` me pr voit un offset pour e e .

) : Le syst` me a r duit le point tournant pr vu. La date de d but de manuvre e e e e it ration 3 ( e . Ce d but de manuvre sera donc communiqu au pilote. Par rapport au e e est pr vue pour e mod` le pr sent , on a x les variables et e e e e . it ration 4 ( e ) : Lavion a effectu son d but de manuvre et le syst` me pr voit toue e e e jours le m me point tournant. Le reste de la manuvre est donc a son tour g es : e ` e et (en loccurrence car il sagit dun point tournant). it ration 5 ( e ) : Lavion est sur sa branche de retour.

3.6 R solution par algorithmes g n tiques e e e


La mod lisation simpli e par point tournant ou offset permet dans le cas de conits a deux avions e e ` dapprocher avec une perte acceptable les trajectoires optimales. Dans la mesure o` il parait peu enu visageable de donner a un avion plus dun ordre de manuvre a la fois, cette mod lisation pourra ` ` e etre conserv e pour la r solution de conits a avions avec e e ` . Lint r t principal dune telle ee mod lisation est quelle permet de r duire fortement la taille de lespace de recherche. On peut e e d sormais d nir une trajectoire d vitement par la donn e dau plus trois temps et dun angle de e e e e d viation. e On a pu egalement observer que r soudre un conit en modiant seulement la vitesse des avions e requiert une prise de d cision fortement anticip e compte tenu des faibles marges de manuvre des e e avions (en route) et des incertitudes sur leurs tenues de vitesses. Une modication de vitesse pourrait donc etre efcace a condition de pouvoir la combiner avec des manuvres de type point tournant ou ` offset, hypoth` se que nous avons pour linstant ecart e. e e Enn, an de pouvoir rendre le mod` le r aliste, il est essentiel de tenir compte de lincertitude e e sur les vitesses, taux de mont e et de descente dans le mod` le. La notion de s paration standard est e e e 111

) : Le syst` me a r duit loffset en un point tournant pr vu pour e e e

& #

w|

&#

o

o# p & w| & & 

D6

w|

o o p &

o! p &  &

p &

p &

p &

w|

o o

T=T0 t=0

T =T0 + t=0

T = T0 + 2 t=0

T = T0 + 3

t=0

T = T0 +4

t=0

position initiale en debut diteration

trajectoire passee trajectoire prevue apres

trajectoire prevue avant

Figure 3.30: S quencement en temps r el e e ainsi remplac e par des volumes doccupation de lespace, se d formant avec le temps, repr sentant e e e les positions potentielles futures des avions. Tous ces el ments, associ s a la forte complexit du probl` me, nous ont amen s a utiliser les e e ` e e e ` algorithmes g n tiques pour r soudre les conits a plusieurs avions. e e e `

3.6.1 Codage
Pour le probl` me de r solution de conits, les variables , , et de chaque avion sont dispos es e e e dans une matrice (voir gure 3.31) qui constitue un individu de la population. On appellera g` nes les e variables , , et de chaque avion. Un el ment de population contient donc e g` nes. e

3.6.2 G n ration de la population initiale e e


Dans le mod` le que nous avons d ni partie 3.28, lalgorithme de r solution de conits est r -initialis e e e e e pour chaque cluster toutes les minutes. Il se peut donc que lalgorithme ait a prendre en compte ` des avions d j` engag s dans certaines manuvres de r solution. Ces avions sont alors soumis a ea e e `

112

D!

'

 p

'

 p

gne t 2 de lavion 3

t 01 t 02 t 03 t 04 t 05

t 11 t 12 t 13 t 14 t 15

t 21 t 22 t 23 t 24 t 25

1 2 3 4 5

t 0n

t 1n

t 2n
D

avions.

Figure 3.31: Codage dun individu a `

certaines contraintes g r es a priori par une proc dure charg e de v rier leur respect a toute etape de ee ` e e e ` lalgorithme. Ces contraintes sont les suivantes :

On doit v rier que e . Pour des avions arrivant a destination, il certaines manuvres ` de sorte quil faut v rier que e doivent etre termin es avant une certaine ech ance e e .

Enn, pour que lalgorithme g n tique puisse d tecter rapidement les solutions sans conit, il sera e e e fait en sorte que chaque avion de chaque chromosome de la population ait initialement une chance sur de ne pas etre d vi . e e Les contraintes li es a la s paration des avions sont par contre directement introduites dans la e ` e tness et ne sont pas g r es a priori mais a posteriori. ee ` `

3.6.3 Fitness
La fonction tness doit prendre en compte a la fois les contraintes de s paration des avions et la ` e qualit de la r solution lorsque celle-ci est r alis e. R duire a une seule valeur tness toutes les calculs e e e e e ` 113

&

 p

w 

'

w 

o p o

Lorsquun conit a avions est fourni a lalgorithme g n tique, il se peut que certains g` nes ` ` e e e correspondant a des manuvres d j` entam es ou qui doivent etre entam es avant ` ea e e soient impos s a lalgorithme g n tique. Ainsi, tous les g` nes , , dont la valeur est inf rieure e ` e e e e a sont impos s dans lalgorithme et ne pourront plus etre modi s par la suite. De m me si ` e e e alors langle correspondant est x et ne pourra plus etre modi . Toutes ces variables e e ne seront donc pas initialis es de facon al atoire. e e

aircraft i S i,i

Figure 3.32: Surface occup par la manuvre e effectu s pour l valuation dun individu est tr` s r ducteur et une grande partie de linformation utile e e e e est perdue dans des op rations dadditions (voir [DAN94]). Aussi, la fonction tness unique sera e ` e remplac e par une matrice triangulaire inf rieure . Si le cluster a r soudre comprend avions alors e e sera la taille de la matrice . Si , alors mesure la gravit du conit entre lavion et lavion e . Sil ny a pas de conit, , croit avec la gravit du conit. e mesure la p nalisation de e e u la trajectoire de lavion provoqu par ses manuvres. Cette matrice tness do` on pourra extraire une tness scalaire contient beaucoup plus dinformation quune tness scalaire et permettra de d nir e les op rateurs de croisement et de mutation adapt s au probl` me de r solution de conits. e e e e Nous sommes en face dun probl` me doptimisation multi-crit` re. Nous avons retenu les crit` res e e e suivants : Le retard induit pour chaque avion doit etre aussi faible que possible. Le nombre davions d vi s et le nombre total de manuvres doit etre aussi faible que possible, e e il se peut donc que les retards ne soient pas partag s par tous les avions. e La dur e dune manuvre doit etre aussi faible que possible pour pouvoir rendre le plus t t e o possible un avion disponible pour une autre manuvre. Les trajectoires doivent respecter les normes de s paration. e .

e Calcul des el ments de la diagonale Pour prendre en compte a la fois le retard d a la manuvre et la dur e de la manuvre elle-m me, on ` u` e e peut mesurer la surface occup e par la r solution (gure 3.32). Cette surface augmente a la fois avec e e ` le retard induit et la dur e de la manuvre. Il est int ressant de rappeler que cette notion de surface e e occup e est un des crit` res utilis s par le contr leur pour d cider dune manuvre. Pour minimiser le e e e o e e nombre de manuvres, on ajoute a le nombre de manuvres multipli par un certain coefcient . ` Pour un point tournant, il faut donc rajouter a , pour un offset, il faut rajouter . `

Evaluation des termes non diagonaux e entre la s paration standard e A chaque pas de temps , on evalue la diff rence (si elle est positive) et la distance entre les segments et repr sentant les positions des avions et a . Ces valeurs sont e ` additionn es pour tous les temps pour donner e , mesure du conit entre et .

114

# # r 5 

ps $ r 5 " q & r 5 | x 5 k w

5 b & 5 5 |

D taillons le calcul des el ments de la matrice e e

5 5 |

| b

r 5 |

r 5 |

r 5 |  & r 5 | & # | # b

A partir de la matrice , et pour les besoins de lop rateur de s lection, on est en mesure de e e calculer une tness scalaire de la facon suivante :

On remarquera que cette tness permet de distinguer les individus pour lesquels il reste des conits (leurs tness sont inf rieures a e ` ) des individus o` il ny a plus de conit (leurs tness u sont sup rieures a e ` ).

3.6.4 Op rateurs de croisement et de mutation adapt s e e


Pour les clusters de grande taille, il est int ressant dutiliser la s parabilit partielle du probl` me et e e e e dintroduire l op rateur de croisement adapt s. Pour cela, a partir de la matrice tness , on peut e e ` d nir pour lavion ou le chromosome sa tness locale : e

Lop rateur de croisement est d crit par la gure 3.33. Apr` s avoir choisi deux parents et , on e e e et sur la gure 3.33). Pour compare les tness locales de leurs avions (ces tness sont not es e lavion , si ( est une valeur permettant de moduler le d terminisme de lop rateur) e e les deux enfants h ritent de lavion du p` re . Si e e , les deux enfants h ritent de lavion e du p` re . Si aucune de ces deux conditions nest respect e, les avions des ls et sont deux e e combinaisons al atoires des avions des deux parents. e De m me, on pourra d nir un op rateur de mutation adapt d crit par la gure 3.34. Apr` s avoir e e e e e e choisi un individu a muter, un avion est choisi (sur la gure 3.34 lavion est choisi). Un avion ayant ` une tness faible (cest a dire inf rieure a o` module le d terminisme de lop rateur) ne sera ` e ` u e e choisi que si toutes les tness locales sont faibles. Ces op rateurs ont lavantage d tre assez d terministes en d but de convergence de sorte quune e e e e solution sans conit (dont la tness est sup rieure a ) peut etre rapidement d gag e. Quand les solue ` e e tions sans conit deviennent sufsamment nombreuses, ces op rateurs deviennent moins d terministes e e et la recherche dans lespace d tat devient plus large. Lassociation de ces op rateurs avec une e e m thode de sharing devient indispensable pour att nuer leffet du d terminisme introduit. e e e

3.6.5 Sharing simpli e


On se propose dutiliser la m thode de sharing simpli e suivante qui a lavantage de distinguer de e e facon discr` te deux solutions qui nont pas les m mes caract ristiques. Ainsi, d nissons la distance e e e e discr` te suivante ( e est langle de d viation de lavion du chromosome ) : e

$ t" 5 ' & $ " 5 ' 1 2 D 1  # u )

deux individus

et

sont s par s par une distance nulle si : e e

115

5t

5 5 | 5  & 7  & r 5 | 1 $ 1 #" u r 5 | r sq 5  & 7  & 5 | 1 $ 1 #" r ! 5 5 5t ( # $ r 5 |" s r & 5 | H q 0 


r r

0 

$ " 5'

5t

0 

5|

father A aircraft 1 aircraft 2 aircraft 3 aircraft 4 aircraft 5 aircraft 6 A5 # B5 A1<<B1 A1 A2 A3 A4 A5 A6 1 C C 1 B B A A child 1 child 2

father B B1 B2 B3 B4 B5 B6 B5 # A5 B3<<A3

Figure 3.33: Op rateur de croisement adapt e e

aircraft 1 aircraft 2 aircraft 3 aircraft 4 aircraft 5 aircraft 6 aircraft 7 aircraft 8

F1 < F2 < F3 > F4 > F5 < F6 > F7 < F8 >

F1 F2 F3 F4 F5 F6 F7 F8 mute

Figure 3.34: Op rateur de mutation adapt e e

116

aircraft 1 380 kts < speed < 420 kts

36

100 nm

aircraft 0 380 kts < speed < 420 kts

Figure 3.35: Conit a deux avions `

Deux individus s par s par une distance nulle seront dits appartenir a la m me classe. Si lon applique e e ` e la m thode de sharing clusteris pr sent e pr c demment, on remarque que cela revient a diviser la e e e e e e ` tness de chaque individus par le nombre de repr sentants de sa classe. e

3.6.6 M thode locale en n de convergence e


Les algorithmes g n tiques sont tr` s efcaces pour r soudre des probl` mes doptimisation combinae e e e e toire de grande taille mais leur efcacit est moindre pour une recherche locale dune bonne pr cision. e e En cons quence, il est tr` s utile, apr` s la derni` re g n ration de lalgorithme g n tique dappliquer e e e e e e e e une m thode doptimisation locale (de type gradient) sur la meilleure solution de chaque classe dine dividus d nie pr c demment. La m thode locale utilis e est tr` s simple : tous les g` nes de tous e e e e e e e les chromosomes de lindividu quon optimise sont successivement modi s de facon a am liorer la e ` e tness globale sans g n rer de nouveau conits. e e

3.6.7 Applications num riques e


Justication du mod` le e Dans ce premier exemple, on consid` re un conit tr` s simple entre avions (voir gure 3.35). e e Le temps danticipation est x a minutes et la vitesse des avions a e ` ` nuds avec une incertitude de pour cent. Dans ce cas, si lavion a une vitesse sol de nuds et lavion une vitesse r elle de e nuds, il ny aura nalement pas de conit (la s paration standard est de e nm). Au cas o` les avions ne respecteraient pas leur trajectoire, lalgorithme calcule des solutions u dans le cas le plus d favorable. La gure 3.36 donne le r sultat de lalgorithme g n tique a e e e e ` minutes, minutes, minutes, minutes, minutes and minutes. Les traits epais repr sentent les e deux minutes a venir qui ne peuvent etre modi es. Les traits ns d crivent les trajectoires optimales ` e e provisoires calcul es par lalgorithme g n tique. e e e En raison de lincertitude, la premi` re optimisation donne des trajectoires robustes mais tr` s e e p nalisantes. Au fur et a mesure que le temps passe, les trajectoires safnent car lincertitude d crot. e ` e Finalement, a ` le conit disparat. 117

&

 !

$ t" 5 ' & $ " 5 ' 1 2 D 1  # )   n o

deux individus

et

sont s par s dune distance e e

 !

 &

si :

0: 2:57, previ 20 mn, freq 2 mn, incert 5%, fitness: 0.865631 4000 3000 2000 1000 0 -1000 -2000 -3000 -4000 -4000 -2000 0 2000 4000 6000 0: 4:57, previ 20 mn, freq 2 mn, incert 5%, fitness: 0.838409 4000 3000 2000 1000 0 -1000 -2000 -3000 -4000 -4000 -2000 0 2000 4000 6000 0: 6:57, previ 20 mn, freq 2 mn, incert 5%, fitness: 0.841297 4000 3000 2000 1000 0 -1000 -2000 -3000 -4000 -4000 -2000 0 2000 4000 6000 4000 3000 2000 1000 0 -1000 -2000 -3000 -4000 4000 3000 2000 1000 0 -1000 -2000 -3000 -4000 4000 3000 2000 1000 0 -1000 -2000 -3000 -4000

0: 8:57, previ 20 mn, freq 2 mn, incert 5%, fitness: 0.843053

-4000 -2000 0 2000 4000 6000 0:10:57, previ 20 mn, freq 2 mn, incert 5%, fitness: 0.846021

-4000 -2000 0 2000 4000 6000 0:12:57, previ 20 mn, freq 2 mn, incert 5%, fitness: 1.000000

-4000

-2000

2000

4000

6000

Figure 3.36: t= , , , ,

118

minutes

n m 0

incertitude 1 mn 2 mn 3 mn 4 mn 5 mn

0% 4.00 4.03 4.01 4.02 4.03

1% 4.24 4.35 4.44 4.50 4.57

2% 4.30 4.52 4.89 5.02 4.89

3% 4.55 5.00 5.16 5.63 6.01

4% 4.65 5.30 5.61 6.10 6.61

5% 4.70 5.77 5.97 6.68 7.32

Tableau 3.5: Distance minimale entre les avions pour diff rents temps danticipation. e Un probl` me combinatoire e Dans cet exemple, avions convergent vers le m me point a une vitesse de e ` nuds avec pour e e e e cent derreur. vaut ici minutes. Les autres param` tres de lalgorithme g n tique nont pas chang . La gure 3.37 donne les r sultats. La distance minimale despacement des avions est de e malgr e une forte incertitude sur les vitesses ( ). Le tableau 3.5 donne la distance minimale observ e entre les avions pour diff rents pourcentages e e derreur et diff rents temps danticipation. Il est clair a la vue de ce tableau que lorsque lon a simule ` tan ment une forte incertitude et une grande anticipation la qualit de la r solution d crot fortement. e e e e Les r sultats repr sent s ne donnent que la meilleure solution de ce probl` me a avions. Lalgoe e e e ` rithme g n tique propose gr ce au sharing dautres solutions proches de la solution optimale (notame e a ment la solution sym trique dans le cas ci-dessus). e Plusieurs solutions quasi-optimales Le but de cet exemple est de montrer que lalgorithme g n tique est capable de g n rer plusieurs e e e e solutions proches de loptimum lorsquelles existent. On a, apr` s la premi` re optimisation conserv e e e toutes les solutions admissibles ayant une tness au moins egale a ` de la meilleur tness. On peut voir gure 3.38 les solutions quasi-optimales propos es pour un conit a trois avions. e ` Efcacit des op rateurs adapt s e e e Pour tester lefcacit des op rateurs de croisement et de mutation adapt s introduit en 3.33, nous proe e e posons de r soudre un conit impliquant chacun avions. Ce conit implique avions convergeant e simultan ment sur un m me point. Ce conit a tr` s peu de solutions car tous les avions sont en conit e e e deux a deux. En fait, deux solutions existent : dans la premi` re, tous les avions tournent a droite, dans ` e ` la seconde, tous les avions tournent a gauche. La gure 3.39 donne le r sultat de loptimisation. ` e Pour etudier leffet des op rateurs de croisement adapt s combin s a lutilisation du sharing, e e e ` diff rents tests ont et effectu s sur les deux conits pr c dents en utilisant : les op rateurs adapt s e e e e e e e sans sharing, les op rateurs adapt s avec sharing, les op rateurs classiques sans sharing, les op rateurs e e e e classiques avec sharing. Pour ces quatre tests, nous avons mesur pour chaque exemple la valeur e du meilleur el ment de population (gure 3.40) pour les e g n rations de lalgorithme g n tique. e e e e On peut dabord constater que les op rateurs adapt s sont tr` s efcaces pour trouver des solutions e e e admissibles . En effet, avec les op rateurs classiques, aucun des deux conits nest r solu avant la e e (en fait, des tests montrent que la premi` re solution admissible est obtenue apr` s la e e g n ration e e g n ration e e ). Avec les op rateurs adapt s, une solution admissible est toujours trouv e avant la e e e g n ration e e (Une solution est admissible si sa tness est sup rieure a e ` ). La gure 3.40 montre que le sharing a tendance a freiner la croissance de la tness du meilleur el ment. Cependant la tness e 119
T0n

 



!

0 





    

0: 1:54, previ 20 mn, freq 4 mn, incert 5%, fitness: 0.700965 6000 5000 4000 3000 2000 1000 0 -1000 -2000 -6000 -4000 -2000 0 2000 4000 6000 0: 5:54, previ 20 mn, freq 4 mn, incert 5%, fitness: 0.707383 6000 5000 4000 3000 2000 1000 0 -1000 -2000 -6000 -4000 -2000 0 2000 4000 6000 0: 9:54, previ 20 mn, freq 4 mn, incert 5%, fitness: 0.700803 6000 5000 4000 3000 2000 1000 0 -1000 -2000 -6000 -4000 -2000 0 2000 4000 6000 6000 5000 4000 3000 2000 1000 0 -1000

0:13:54, previ 20 mn, freq 4 mn, incert 5%, fitness: 0.714684

-2000 -6000 -4000 -2000 0 2000 4000 6000 0:17:54, previ 20 mn, freq 4 mn, incert 5%, fitness: 0.741313 6000 5000 4000 3000 2000 1000 0 -1000 -2000 -6000 -4000 -2000 0 2000 4000 6000 0:21:54, previ 20 mn, freq 4 mn, incert 5%, fitness: 0.860490 6000 5000 4000 3000 2000 1000 0 -1000 -2000 -6000 -4000 -2000 0 2000 4000 6000

Figure 3.37: t= , ,

 !   
, , , 120

minutes

0: 2:22, previ 20 mn, freq 5 mn, incert 5%, fitness: 0.775482 4000 3000 2000 1000 0 -1000 -2000 -3000 -4000 -4000 -2000 0 2000 4000 6000 0: 2:22, previ 20 mn, freq 5 mn, incert 5%, fitness: 0.803030 4000 3000 2000 1000 0 -1000 -2000 -3000 -4000 -4000 -2000 0 2000 4000 6000 4000 3000 2000 1000 0 -1000 -2000 -3000 -4000 4000 3000 2000 1000 0 -1000 -2000 -3000 -4000

0: 2:22, previ 20 mn, freq 5 mn, incert 5%, fitness: 0.789296

-4000 -2000 0 2000 4000 6000 0: 2:22, previ 20 mn, freq 5 mn, incert 5%, fitness: 0.805810

-4000

-2000

2000

4000

6000

Figure 3.38: Conit a `

avions, plusieurs solutions quasi-optimales

121

0: 4:57, previ 20 mn, freq 2 mn, incert 2%, fitness: 0.660333 4000 4000

0:16:57, previ 20 mn, freq 2 mn, incert 2%, fitness: 0.661917

2000

2000

-2000

-2000

-4000 -6000 -4000 -2000 0 2000 4000 6000 0: 8:57, previ 20 mn, freq 2 mn, incert 2%, fitness: 0.666279 4000

-4000 -6000 -4000 -2000 0 2000 4000 6000 0:20:57, previ 20 mn, freq 2 mn, incert 2%, fitness: 0.665879 4000

2000

2000

-2000

-2000

-4000 -6000 -4000 -2000 0 2000 4000 6000 0:12:57, previ 20 mn, freq 2 mn, incert 2%, fitness: 0.668990 4000

-4000 -6000 -4000 -2000 0 2000 4000 6000 0:24:57, previ 20 mn, freq 2 mn, incert 2%, fitness: 0.682332 4000

2000

2000

-2000

-2000

-4000 -6000 -4000 -2000 0 2000 4000 6000

-4000 -6000 -4000 -2000 0 2000 4000 6000



Figure 3.39:

avions sans conit

122

1 "no_sharing_adapted_cross" "sharing_adapted_cross" "no_sharing_classic_cross" "sharing_classic_cross" 0.8

0.6

0.4

0.2

0 0 2 4 6 8 10 12 14 16 18

Figure 3.40: Meilleure tness (avions en cercle nale est aussi bonne lorsque lon utilise le sharing que lorsque lon ne lutilise pas. Elle est m me e meilleure en utilisant le sharing lorsque le conit est difcile a r soudre. Le sharing permet dailleurs ` e dobtenir dans ce dernier cas les deux solutions sym triques (tous les avions tournant a droite et tous e ` les avions tournant a gauche). ` Un conit de rattrapage. Le but de cet exemple est de montrer lint r t de la mod lisation par offset dans le cadre dun conit ee e e e en rattrapage. Dans lexemple pr sent avions se suivent sur la m me route. Lavion de t te est le e e plus lent ( nuds), lavion de queue est le plus rapide ( nuds). Les r sultats sont repr sent s gure 3.41. On observe que loffset est utilis pour les avions les e e e e plus rapides, le plus lent n tant pas d vi . La d viation est est dautant plus importante que lavion e e e e est rapide, ce qui reste en accord avec les conclusions de la partie 3.3.3. Une r solution globale des clusters e Dans cet exemple, deux conits ind pendants a deux avions face a face sont regroup s dans le m me e ` ` e e cluster par linterm diaire dun avion coupant leurs axes. La gure 3.42 donne le r sultat de loptimie e sation. On observe qu une seule d viation de lavion coupant les axes r sout conits. e e

3.6.8 Architecture g n rale du simulateur de trac e e


Les tests effectu s pr c demment montrent que lalgorithme g n tique utilis est tr` s performant sur e e e e e e e des cas d cole. Il convenait donc de tester lalgorithme dans un environnement r el. e e Larchitecture du simulateur de trac (gure 3.43) est la suivante :

Le processus est charg de d tecter les paires davions en conit, de fabriquer les cluse e ters davions par fermeture transitive des paires davions en conits. Il v rie egalement les e trajectoires nouvelles propos es par e .

Le processus

est lalgorithme de r solution de conits d crit dans le chapitre pr c dent. e e e e 123

Le processus

est le simulateur de trac proprement dit d crit dans la section 3.1.1. e

00

0

0: 1:54, previ 20 mn, freq 4 mn, incert 5%, fitness: 0.741429 6000 4000 2000 0 -2000 -4000 -6000 -4000 -2000 0 2000 4000 6000 8000 10000 12000 0: 9:54, previ 20 mn, freq 4 mn, incert 5%, fitness: 0.731054 6000 4000 2000 0 -2000 -4000 -6000 -4000 -2000 0 2000 4000 6000 8000 10000 12000 0:17:54, previ 20 mn, freq 4 mn, incert 5%, fitness: 0.715146 6000 4000 2000 0 -2000 -4000 -6000 -4000 -2000 0 2000 4000 6000 8000 10000 12000 6000 4000 2000 0 -2000 -4000 -6000 6000 4000 2000 0 -2000 -4000 -6000 6000 4000 2000 0 -2000 -4000 -6000

0:25:54, previ 20 mn, freq 4 mn, incert 5%, fitness: 0.735738

-4000 -2000 0 2000 4000 6000 8000 10000 12000 0:33:54, previ 20 mn, freq 4 mn, incert 5%, fitness: 0.845304

-4000 -2000 0 2000 4000 6000 8000 10000 12000 0:41:54, previ 20 mn, freq 4 mn, incert 5%, fitness: 1.000000

-4000 -2000

2000 4000 6000 8000 10000 12000

Figure 3.41:

avions sans conit

124

0: 1:54, previ 20 mn, freq 4 mn, incert 5%, fitness: 0.788517 4000 4000

0:13:54, previ 20 mn, freq 4 mn, incert 5%, fitness: 0.817460

2000

2000

-2000

-2000

-4000 -4000 -2000 0 2000 4000 6000 8000 10000 0: 5:54, previ 20 mn, freq 4 mn, incert 5%, fitness: 0.780741 4000

-4000 -4000 -2000 0 2000 4000 6000 8000 10000 0:17:54, previ 20 mn, freq 4 mn, incert 5%, fitness: 0.809598 4000

2000

2000

-2000

-2000

-4000 -4000 -2000 0 2000 4000 6000 8000 10000 0: 9:54, previ 20 mn, freq 4 mn, incert 5%, fitness: 0.779955 4000

-4000 -4000 -2000 0 2000 4000 6000 8000 10000 0:21:54, previ 20 mn, freq 4 mn, incert 5%, fitness: 0.802115 4000

2000

2000

-2000

-2000

-4000 -4000 -2000 0 2000 4000 6000 8000 10000

-4000 -4000 -2000 0 2000 4000 6000 8000 10000

Figure 3.42:

avions sans conit

125

P1
Traffic Simulator

P2
Conflict detection Clustering

P3
Problem Solver

Figure 3.43: Architecture g n rale e e


P1
trajectories Conflict pair detection Conflict pairs Clustering No new clusters New trajectories

P1

Problem solver

Cluster 1 New clusters

Problem solver

Cluster n

Figure 3.44: Architecture d taill e du simulateur de trac e e Larchitecture du simulateur de trac est d taill e gure 3.44. e e envoie les positions courantes des avions et les plans de vols au processus . Le processus construit alors les trajectoires pr vues pour les minutes a venir et d tecte les paires de conits. e ` e prend en compte les incertitudes sur les vitesses (voir la partie 3.4). Apr` s avoir d tect les paires e e e davions, construit les clusters davions par fermeture transitive des paires davions sur les minutes a venir. Les clusters sont en fait les classes d quivalence de la relation est en conit avec. ` e Tous les clusters sont ensuite r solus par le r solveur de conits de facon ind pendante. Le r solveur e e e e de conits retourne a ` les trajectoires modi es. e v rie alors que les trajectoires modi es e e dun cluster ne g n` rent pas de nouveaux conits avec les avions dun autre cluster. Si tel est le e e cas, les ordres de r solutions pour les minutes a venir sont envoy s a e ` e ` . Si le r solveur a g n r e e ee de nouveaux conits entre des avions de deux clusters diff rents, ces deux clusters sont regroup s, e e formant un nouveau cluster sur lequel on applique le r solveur de conits. Ce processus est r p t e e ee jusqu` ce que tous les conits disparaissent. Ce processus converge n cessairement. Dans le pire des a e cas, tous les avions en conits dans les prochaines minutes se retrouvent dans le m me cluster. e Cependant, le processus est dautant plus efcace quil est en pr sence de nombreux clusters que lon e r soudra en parall` le16 . e e

3.6.9 R sultats sur une journ e de trac r elle e e e


Les exp rimentations pratiques sur le simulateur de trac sont toujours en cours mais certains r sultats e e sont d j` disponibles [Cha95]. ea Nous d crivons ici un test effectu avec les plans de vols du 12 novembre 1992. e e vols ont et enregistr s ce jour-l` . Le pourcentage dincertitude sur les taux de mont e et sur la vitesse ont et e e a e e x s a e ` et les s parations standards x es a nm et e e ` pieds. Les routes directes ont et utilis es e e
Dans la pratique, on utilise un r seau de stations de travail reli es par Ethernet et PVM [GBD 94] pour passer des e e messages entre les diff rentes applications e
16

126



0 !







 

(les avions ne transitant pas par des balises, mais rejoignant directement leur destination). Seuls les conits en route ( au dessus de pieds) ont et consid r s. e ee Lorsque cette journ e est simul e avec un algorithme de d tection ne prenant pas en compte e e e lincertitude, conits au dessus de pieds sont d tect s. e e Lorsque une simulation compl` te est ex cut e, le processus e e e d tecte e paires davions en conits diff rents (un certain nombre de conits durent plus de e conits ne repr sentant en fait que e minutes et sont donc d tect s plusieurs fois). e e clusters ont et s propos s au r solveur de conits. e e e Il en a r solu e . ont et presque r solus (le conit pr vu na nalement pas eu lieu en raison de e e e lincertitude adopt e). Le r solveur a echou sur e e e conits repr sentant en fait e diff rents conits e (r p t s dans le temps). En observant ces conits, on a pu remarquer quils etaient tous dus a des e ee ` d collages, atterrissages ou entr es dans lespace a rien francais simultan s (ces conits apparaissent e e e e car des donn es plan de vol non r gul es ont et utilis es). Dans ce cas, le r solveur de conit ne peut e e e e e e pieds ne bien evidemment pas s parer les avions. Ne consid rer que les conits au dessus de e e suft pas a saffranchir de ce probl` me. Un algorithme de pr -r gulation des plans de vol est en cours ` e e e d laboration pour r soudre ce probl` me. e e e

3.6.10 Conclusion
Les Algorithmes G n tiques se sont av r s tr` s efcaces pour r soudre des conits pouvant impliquer e e ee e e jusqu` une vingtaine davions. Lintroduction dun op rateur de croisement adapt aux fonctions a e e partiellement s parables combin avec une m thode de sharing sest toutefois r v l e tr` s utile. On e e e e ee e notera que lefcacit de cet op rateur peut egalement se constater sur des fonctions tests classiques e e partiellement s parables. La fonction d valuation utilis e est tr` s simple mais pourrait etre afn e e e e e e autant quon le souhaite. Les r sultats que nous avons obtenus sont tr` s encourageants. Ils le sont e e dautant plus que le r solveur de conit ne donne pour linstant que des r solutions dans le plan e e vertical.

3.7 Programmation lin aire et AG e


3.7.1 Introduction
Nous avons pr sent dans la section pr c dente la mod lisation par offset qui lin arise les contraintes e e e e e e de s paration. Rappelons que, si lon a x le sens de loffset et lordre de passage des avions, on e e a a r soudre, pour obtenir les valeurs des offsets, un probl` me doptimisation lin aire a inconnues ` e e e ` (les valeurs des offsets des n avions), et a ` contraintes (ou a ` contraintes, si on borne les valeurs des offsets). Notons que lon a tout de m me e facons possibles de xer les sens des offsets et les ordres de passage. En effet, pour chaque avion, il y a deux sens de d viation possibles : a gauche, ou a droite. e ` ` Et pour chaque couple davions (il y en a ), il y a deux ordres de passage possibles au de leurs trajectoires : soit passe apr` s , soit passe avant . D` s que e e point dintersection le nombre davions impliqu s dans le conit augmente, il devient beaucoup trop long dutiliser une e technique d num ration exhaustive de toutes les combinaisons possibles : pour 5 avions, il y en a e e 32768, et pour 6 avions, il y en a 2097152. Un probl` me lin aire peut en revanche se r soudre facilement, a laide par exemple dun simplex, e e e ` mais on nobtient alors quun optimum local, et lon voit bien que la forte combinatoire du probl` me e emp che de tester lensemble des congurations possibles d` s que le nombre davions devient un peu e e important. 127



r@

D D

!! 

5@

I  HG H

 r@

5@ I HG H

I HG H



$ r @ 1 5 @" s 

 n

r5 

 !0

0

Bits non utilises pour le codage des donnees 0 0 0 1

Bits codant lordre de passage chaque couple davions 0 1 0 1 1 0

Bits codant le sens des offsets des avions 0 1 1

Figure 3.45: Codage dune conguration par un entier Notre id e est donc dutiliser un algorithme g n tique qui g n rera des congurations : une e e e e e conguration repr sente la donn e des sens de d viation et des ordres de passage, n cessaire pour e e e e etablir les conditions lin aires de s paration des avions. Une fois la conguration choisie, la r solution e e e du probl` me lin aire donnera la valeur de loffset a faire subir a chaque avion de mani` re a minimiser e e ` ` e ` la somme des retards.

3.7.2 Codage des donn es du probl` me e e


Le sens de d viation de chaque avion ne peut prendre que deux valeurs diff rentes (offset a droite ou e e ` e offset a gauche). De m me, si lon consid` re le couple davions ( , ), et que lon consid` re que les ` e e trajectoires des deux avions sont port es par des droites s cantes, il ny a que deux ordres de passage e e des avions au point , point dintersection de leurs trajectoires qui soient possibles sans conit : soit passe en apr` s , soit passe avant. Ces donn es peuvent, de m me que les sens des offset, se e e e coder de mani` re binaire On utilise donc le mode de codage le plus classique pour les chromosomes e dans le cadre des algorithmes g n tiques : une s quence de bits, dans laquelle chaque bit traduit la e e e valeur, ou l tat dune donn e du probl` me. e e e a Pour un probl` me a avions, les premiers bits (` partir de la droite), codent les sens des offset de e ` chaque avion : si le bit est un 1, lavion sera d vi vers la gauche ; il sera d vi vers la droite e e e e si ce bit est un 0. Les bits suivants codent le sens de passage des avions pour chaque couple davions. On num rote les couples davions selon lordre suivant : e Si pour le couple davions , o` u , passe derri` re , le bit correspondant est un 1; ce bit e est un 0 si passe devant . La gure 3.45 montre un exemple du codage dune conguration pour un probl` me d vitement impliquant 4 avions. Le chromosome correspondant est cod par lentier e e e 691; lavion est d vi vers la gauche, lavion e e est d vi vers la droite, lavion e e passe derri` re e lavion ( bit de 691), et lavion passe devant lavion ( bit de 691).

3.7.3 Croisement et mutation


Le principe de la technique de croisement que nous avons utilis est de choisir al atoirement les bits e e dont lenfant h rite du parent . Ses autres bits lui viendront du parent , et lh ritage de lenfant e e sera d termin comme etant le compl mentaire de celui de . e e e Pour la mutation, on choisit al atoirement un des bits de la s quence utilis e pour le codage dune e e e conguration, et on le modie.

3.7.4 Evaluation de la tness


Nous nous sommes propos de prendre comme tness le retard minimal associ a une congurae e ` tion, retard obtenu au moyen du programme doptimisation lin aire, comme crit` re dadaptation de e e l l ment de la population correspondant a cette conguration. ee ` 128

r@ @ 1 H @"    1 $ @ 1  @" 1 $ H @ 1 @"    1 $ @ 1 @" 1 $  @ 1 @"

x xn @

r@ 5 @

5@

5@ #

@

r@ $ r @ 1 5 @"

5@

I  HG H x x# D

r@ r5 

x x0  @ @

r5 

5@

v

5@

Cette m thode pr sente un inconv nient majeur : certaines congurations m` nent a des probl` mes e e e e ` e doptimisation infaisables, cest a dire pour lesquels les contraintes ne peuvent pas etre toutes satis` faites simultan ment. Prendre une tness nulle pour les el ments de la population correspondant a de e e ` telles congurations ne serait pas une solution satisfaisante : une conguration menant a un probl` me ` e infaisable peut etre mieux adapt e quune autre, en ce sens quelle peut etre plus proche quelle dune e conguration menant a un probl` me faisable. Si une conguration m` ne a un probl` me doptimisa` e e ` e tion infaisable, on essaiera de supprimer une contrainte, si les contraintes restantes ne peuvent toujours pas etre satisfaites simultan ment, on en supprimera une seconde, et ainsi de suite, jusqu` ce que les e a contraintes restantes soient simultan ment satisables. Cette m thode se base sur lid e intuitive see e e lon laquelle un probl` me doptimisation infaisable est dautant plus proche dun probl` me faisable e e quil y a peu de contraintes a supprimer pour que les contraintes restantes puissent etre toutes simul` tan ment satisables. La tness dune conguration infaisable sera p nalis e en fonction du nombre e e e de contraintes quil a fallu supprimer pour trouver une conguration satisable, mais ne sera donc pas nulle.

3.7.5 R sultats e
L valuation des r sultats obtenus pose le probl` me suivant : il est difcile dobtenir par une autre e e e m thode une solution dont on sache quelle est optimale, pour la comparer a la solution obtenue gr ce e ` a a lalgorithme ci-dessus. De plus lalgorithme g n tique est un algorithme stochastique : pour evaluer ` e e son efcacit , il faut pouvoir le faire tourner un grand nombre de fois, et consid rer la moyenne et la e e distribution des r sultats obtenus. e

` Conit a cinq avions Dans le cas dun conit mettant en jeu 5 avions, il est encore possible de traiter par un programme doptimisation lin aire de mani` re syst matique et d terministe toutes les combinaisons possibles de e e e e sens de d viation et dordre de passage (il y en a 32 768), et de comparer tous les r sultats obtenus, e e an de d terminer la meilleure solution. e Nous consid rons pour cela lexemple suivant : les avions vont a la m me vitesse (400 kts), ils e ` e e e e sont au temps r guli` rement r partis sur un demi cercle de centre C (et de rayon 100 Nm), et leurs trajectoires se coupent en C (voir gure 3.46). La norme de s paration est de 7 Nm. On obtient alors e deux solutions optimales equivalentes : soit les quatre premiers avions sont d vi s vers la droite, e e tandis que le cinqui` me nest pas d vi , et si e e e , passe derri` re , soit le premier avion nest e pas d vi , et les quatre suivants sont d vi s vers la gauche, et si e e e e , passe devant . Cest cette derni` re solution qui est repr sent e sur la gure 3.46. e e e Pour un conit a 5 avions, le programme a et lanc 50 fois sur lexemple pr sent ci-dessus, avec ` e e e e 150 el ments de population et pendant 100 g n rations. e e e La gure 3.46 montre la r partition du nombre dappels au programme doptimisation lin aire e e n cessaire a lobtention dune solution optimale. Ces r sultats sont a comparer au fait que pour pare ` e ` courir toutes les congurations, il faut effectuer 32 768 appels au programme lin aire (ce qui correse pond a un temps de calcul de 108 secondes). Le gain en nombre dappels au programme lin aire est ` e beaucoup plus sensible dans le cas dun conit a 6 avions, dont la combinatoire est beaucoup plus ` importante. Nous allons etudier plus en d tail les r sultats obtenus dans ce cas. e e 129

r@

5@ # r@

5@ #

18 NOMBRE D,OBTENTIONS 17 DUNE SOLUTION OPTIMALE 16 15 14 13 12 11 10

avion 1

9 8 7 6 5 4

avion 2

avion 5

3 2 1 0

avion 3

avion 4

5000 10000 15000 20000 NOMBRE DAPPELS AU PROGRAMME LINEAIRE

25000

30000

Figure 3.46: Cas a 5 avions `


NOMBRE DOBTENTIONS DUNE "MEILLEURE SOLUTION" 13 12 11 10 9 8

avion 1

C
7 6 5 4

avion 2

avion 6

2 1

avion 3 avion 4

avion 5

5000 10000

15000

20000 25000 30000 35000 40000 45000 50000 55000 NOMBRE DAPPELS AU PROGRAMME LINEAIRE

Figure 3.47: Cas a 6 avions `

` Conit a six avions Les solutions obtenues dans le cas dun conit a 6 avions sont plus d licates a v rier. Nous avons ` e ` e appliqu la m thode d crite ci-dessus a un conit a 6 avions comparable au conit a 5 avions pr sent e e e ` ` ` e e dans la section pr c dente : les avions vont a la m me vitesse (400 kts), ils sont au temps r guli` rement e e ` e e e r partis sur un demi cercle de centre C (et de rayon 100 Nm), et leurs trajectoires se coupent en C (voir e gure 3.47). La norme de s paration est toujours de 7 Nm. e Le programme a et utilis avec les m mes param` tres que dans le cas a 5 avions. Sur les 50 e e e e ` fois essais, nous avons obtenu une des deux meilleures solutions 39 fois. Il a fallu en moyenne 23000 appels au programme doptimisation lin aire pour obtenir une de ces solutions. La gure 3.47 montre e la r partition de ce nombre dappels. e Nous rappelons quun parcours exhaustif de tous les cas de gure en n cessite 2097152. e 130

3.7.6 Conclusion
Beaucoup de param` tres ayant permis datteindre ces r sultats pourraient encore etre ajust s de mani` re e e e e a am liorer lefcacit de la m thode pr sent e ici (notamment les formes exactes des fonctions uti` e e e e e lis es pour le calcul de la tness des el ments). Cependant les r sultats obtenus, surtout avec lexemple e e e a 6 avions, montrent que cette m thode peut sav rer int ressante sur le plan th orique. Pourtant, ` e e e e sur le plan pratique, cette m thode pr sente un inconv nient majeur : la trajectoire des avions doit e e e n cessairement etre rectiligne uniforme. Or, la vitesse dun avion varie ne serait-ce quen raison dun e changement daltitude. Dautre part, cette m thode ne permet pas de mod liser simplement lincertie e tude sur les vitesses. En conclusion, la r solution par techniques lin aires ne nous semble pas utilisable e e pour r soudre des conits r els. e e

3.8 Techniques de parcours de graphe


Les essais faits avec les techniques classiques de parcours de graphe sont rest s a un stade pr liminaire e ` e et m riteraient d tre repris en profondeur. Les travaux avaient et effectu s par Herv Gruber [Gru92]. e e e e e

Les algorithmes de type A, dont lalgorithme ([Pea90, Pea84, FG87, Far96], sont classiquement utilis s en Intelligence Articielle et en Robotique depuis de nombreuses ann es. Le co t a minimiser e e u ` est la somme des distances parcourues par les avions pour rejoindre leur destination, et lheuristique est simplement la somme des distances restant a parcourir, en supposant que les avions peuvent re` joindre directement leur destination. Cette heuristique est clairement minorante, garantissant ainsi loptimalit de la solution. e La mod lisation choisie par Herv Gruber ne permettait pas de r soudre des conits a plus de e e e ` deux avions, que ce soit de facon optimale ou m me sous-optimale. Nous avons modi l g` rement e e e e cette mod lisation : ici, un avion est d vi a partir dun instant de 30 degr s a gauche ou a droite e e e` e ` ` pendant un temps , puis regagne directement sa destination. Il est alors possible de r soudre de facon optimale des conits a deux avions en un temps tr` s court e ` e (de lordre de quelques secondes). Cependant, il reste impossible de r soudre des conits ne seraite ce qu` trois avions. La raison en est simple. En utilisant lheuristique pr sent e ci-dessus, et notre a e e tend a reprendre la g n ration des etats apr` s un conit d` s le d but ` e e e e e mod lisation, lalgorithme e de la trajectoire. Cest une mauvaise strat gie de r solution. En effet, les avions ont alors de fortes e e chances de se retrouver a nouveau en conit au m me point. Il vaut en fait mieux essayer de reprendre ` e la g n ration des etats le plus pr` s possible du point de conit, car une d viation a ce moment l` a e e e e ` a` de plus fortes chances de r soudre. On peut favoriser ce comportement en multipliant la valeur de la e fonction heuristique par un facteur de lordre de (cela se comprend ais ment). On obtient alors e des r solutions sous-optimales, mais en un temps beaucoup plus r duit. Par exemple, la r solution e e e dun conit a deux avions ne prend plus que quelques centi` mes de seconde, et lon parvient m me a ` e e ` r soudre des conits a cinq avions (en un temps important cependant, de lordre de plusieurs minutes). e ` Cependant, le conit pr sent gure 3.48 est simple dans sa structure (avions en face a face). Dans le e e ` cas de conits plus complexes, nous ne sommes pas parvenus a obtenir des r sultats dans des temps ` e raisonnables (moins dune heure). 131



3.8.1 Algorithme de type

4000 avions2 3000

4000 avions 3000

2000

2000

1000

1000

-1000

-1000

-2000

-2000

-3000

-3000

-4000 0 1000 2000 3000 4000 5000 6000 7000 8000

-4000 0 1000 2000 3000 4000 5000 6000 7000 8000 9000

Figure 3.48: R solution dun conit a deux avions de facon optimale et dun conit a cinq avions de e ` ` facon sous optimale

3.8.2 M thode de plus forte pente e


Elle consiste a d velopper le ls de plus faible co t parmi ceux qui ont et cr es a la derni` re ` e u e e ` e g n ration. Au lieu de trier tous les etats, on ne trie en fait que les etats cr es a chaque g n ration. e e e ` e e On sattend donc a trouver tr` s vite une solution qui nest pas n cessairement optimale. Les r sultats ` e e e sont en fait tr` s surprenants. Ce comportement sexplique par le fait que la recherche s gare dans e e des trajectoires inattendues : les deux avions volant parall` lement tout en maintenant la distance de e s paration et r duisant la distance au but. e e Le r sultat obtenu lorsque lon xe la dur e des pas de calcul sans limiter leur nombre, montre de e e facon comique, ce a quoi peut aboutir cette m thode trop simpliste (gure 3.49). ` e

3.8.3 Conclusion
Les deux m thodes pr c demment evoqu es montrent les deux ecueils duaux, presque caricaturaux, e e e e auxquels on se trouve confront lorsque lon travaille sur des algorithmes de parcours de graphe. Dun e c t un algorithme garantissant loptimalit pour la r solution, mais lent et co teux en m moire, de oe e e u e lautre un algorithme extr mement rapide mais fournissant des solutions inutilisables. e Il est clair quun algorithme aussi primitif que la m thode de plus forte pente est inapplicable. En e revanche, les r sultats connus sur la complexit e e ne permettent gu` re desp rer r soudre des conits e e e impliquant trop davions avec cet algorithme. En effet, le nombre de nuds de peut- tre consid r e ee comme proportionnel au nombre de nuds du graphe au carr . Or, dans le cas qui nous int resse, le e e nombre de nuds du graphe crot de facon exponentielle avec le nombre davions (on peut en fait montrer que dans le cas o` notre heuristique est minorante, la complexit du probl` me crot comme u e e o` est le nombre de pas de temps et le nombre davions). u Nous pensons cependant fermement que cette direction de recherche doit etre reprise s rieusement. e Il faut en particulier sint resser a des algorithmes de moyen terme ( , d veloppement partiel, etc) e ` e 132

trajectoires 160000 result result 140000

120000

100000

80000

60000

40000

20000

0 0 20000 40000 60000 80000 100000 120000 140000 160000

Figure 3.49: Trajectoires fantaisistes obtenues par la m thode du gradient (n=11) e qui nous permettraient de mieux tirer partir de notre connaissance du probl` me dans le d veloppement e e des etats. Il sagit l` dune direction de recherche a reprendre. a `

3.9 R solution r active et autonome e e


` 3.9.1 M thodes r actives a mod` le physique e e e
Pr sentation e Les m thodes de r solution d crites dans ce paragraphe sont radicalement diff rentes de celles evoqu es e e e e e pr c demment. Le projet ATLAS est le premier projet a avoir envisag lhypoth` se davions autoe e ` e e nomes [DA93] au plan europ en. Cette hypoth` se a et egalement etudi e en d tail par Karim Zee e e e e ghal [Zeg93, Zeg94] dans sa th` se. Il introduit la notion de coordination dactions gr ce a diff rentes e a ` e forces qui sexercent sur les agents, dans notre cas, les avions. Il d nit ainsi trois types de forces qui e devront agir suivant lurgence :

Les forces attractives qui permettent aux avions datteindre leur objectif (une balise ou leur destination nale par exemple). Les forces r pulsives qui permettent aux avions d viter un obstacle proche donc dangereux. e e Cet obstacle peut etre un avion ou une zone interdite. Les forces de glissement qui permettent de contourner les obstacles. Les avions ont alors une action coordonn e (voir gure 3.50). Un force de glissement est d nie de la mani` re suivante : e e e 133

Force de glissement

Obstacle Equipotentielle
vitesse relative 1/2

avion 2

vitesse relative 2/1

avion Force rpulsive


avion 1

Force glissante

Force de glissement

Figure 3.50: Force r pulsive et force glissante, forces de glissements coordonn es. e e si lon observe l quipotentielle de danger passant par lavion, une force de glissement est tane gente a cette equipotentielle alors que la force r pulsive est normale a cette equipotentielle. Il ` e ` y a donc plusieurs forces de glissement possibles. Si lon reste dans le plan horizontal, la gure 3.50 montre que lon peut d nir deux sens de glissement (` droite ou a gauche). Le sens e a ` optimal (il sagit ici doptimalit locale, pour lavion concern ) est celui qui favorise le rape e prochement vers lobjectif. Dans le cas dun obstacle mobile, Karim Zeghal d nit une action e coordonn e d vitement. Si deux avions arrivant au m me point suivent des forces de glissee e e ment compl mentaires, alors l vitement peut se faire de facon tr` s efcace. Dans le cas simple e e e de deux avions (voir gure 3.50), on projette par exemple la vitesse relative sur l quipotentielle e de danger pour chaque avion et on obtient ainsi deux forces de glissements coordonn es. e Il sagit ensuite, pour limiter les changements brutaux de direction, de g rer lintensit des diff rentes e e e forces entre elles. En effet, les avions etant limit s par leurs taux de virage, de mont e et de descente, e e ils ne peuvent pas effectuer de manuvre trop rapide. Les diff rentes forces sexercant sur les avions e sadditionnent donc avec des coefcients variables suivant limminence du danger. Pour g rer les conits a plus de deux avions, Karim Zeghal propose dadditionner les forces relae ` tives a chaque avion. Intuitivement, except quelques cas exotiques, cela devrait permettre dobtenir ` e des directions de forces coh rentes entre elles et par rapport aux obstacles. Les fondements de cette e hypoth` se ne reposent que sur l tude de cas pratique. e e La coordination dactions gr ce aux forces de glissement na pas pour objectif la recherche dopa timalit , mais vise avant tout une bonne efcacit ainsi quune bonne robustesse des solutions. e e L tude des possibilit s dutilisation dune th orie de la coordination dactions pour les besoins e e e . Trois syst` mes sont envisag s : e e de la navigation a rienne a commenc au CENA en e e Dans la mesure o` le processus individuel ne n cessite que des informations locales a lappareil, u e ` il peut fonctionner de facon autonome a partir dune perception de son environnement. Karim ` Zeghal propose donc un syst` me davion autonome hybride17 . Lint r t premier de ce syst` me e ee e est sa robustesse. La panne dun avion ne remet pas en cause la s curit du syst` me. Il apparat e e e une forme de redondance dans le syst` me qui renforce sa robustesse. Ce syst` me devrait g rer e e e des conits entre et minutes a lavenir, ce qui suppose quun syst` me sup rieur continue a ` e e ` g rer la densit locale de trac an d viter une saturation. e e e

17

L quivalent du TCAS am ricain (Trafc alert and Collision Avoidance System) mais a plus longue ech ance e e ` e

134

!nn

La robustesse des solutions est un des atouts des travaux de Karim Zeghal. Il reste n anmoins de e nombreux probl` mes a r soudre. Dans la mesure o` lon souhaite continuer a coner a lhomme son e ` e u ` ` r le de pilote dans lavion, il est indispensable de pouvoir lui transmettre des manuvres ex cutables o e et donc simples. Par exemple, on peut demander a un pilote de changer de cap pendant un certain ` temps ou de prolonger une mont e ou de modier une heure de d but de descente. On ne peut pas e e lui demander de modier en permanence son cap sa vitesse et son taux de mont e ou descente. Il e serait donc n cessaire de revoir la mod lisation des trajectoires pour les simplier et les rendre accese e sibles au pilote. De plus, si lon doit pouvoir prouver que pour deux avions ces techniques peuvent ` e ee r soudre tous les conits, la g n ralisation a avions (qui consiste a additionner les forces g n r es e e e ` par chaque avion) na et v ri e que sur des exemples. Enn, aucune recherche doptimalit globale e e e e nest envisag e. e Evaluation Jean-Francois Bosc a implant la m thode pr c dente en y apportant quelques am lioration. Il a e e e e e dautre part impos un certain nombre de contraintes : e

tous les avions ont le m me comportement e on utilise seulement des routes directes on ne modie pas la vitesse des avions, car on suppose que les marges de mauvre sur la vitesse sont trop faibles on limite le taux de virage a 3 degr s par seconde e

Les r sultats obtenus sont int ressants a plus dun titre (voir gure 3.51). Pour des valeurs elev es e e ` e du volume de trac et de la s paration horizontale (trac multipli par 2,5 et 10 NM de s paration), e e e la r solution nit par g n rer plus de conits quil ny en avait initialement. Ceci est d a la fois a e e e u` ` laccroissement des temps de vol qui devient tr` s important et aux oscillations des avions soumis e aux force issues dintrus multiples. Une des limitations des m thodes r actives est quon est incapable e e de tenir compte du fait quun intrus en rapprochement pourra passer a distance sufsante sans mo` dication de trajectoire. Une manuvre est effectu e, ce qui perturbe inutilement la trajectoire et les e autres evitements en cours. On a egalement remarqu quen g n ral les variantes de la m thode de e e e e r solution qui etaient moins performantes sur un trac mod r se d gradaient moins nettement lorsque e ee e la complexit augmente. e 135

Karim Zeghal propose egalement un syst` me daide au contr leur. Il suft pour cela dutiliser le e o processus individuel sous forme de processus centralis et de simuler les trajectoires futures. Le e r sultat dune simulation est alors un ensemble de trajectoires assurant l vitement sur lintere e valle de temps consid r pour lensemble des appareils. Ceci pourrait selon lui avoir un grand ee int r t pour planier les trajectoires et faire des propositions au contr leur. ee o Les r solutions propos es par ces techniques etant des commandes continues, il semble peu e e probables que celle-ci puissent etre mises en pratique dans un cadre o` le pilote et les contr leurs u o sont maintenus dans le syst` me. e Enn on peut imaginer un syst` me double interm diaire. Dans ce cas, certains avions sont e e autonomes et dautres pas. Le contr leur a alors une disponibilit suppl mentaire et la capacit o e e e de son secteur augmente.

Non resolus (%)

% 350 300 250 200 150 100 50 0 9 10

1.5

2 2.5 Compression

3.5

7 6 Separation (NM)

Figure 3.51: Pourcentages de conits non r solus e Il est donc probable que la saturation observ e est une saturation de la m thode de r solution e e e plut t quune saturation de lespace a rien. Au niveau de complexit dARC2000 (trac multipli par o e e e 2.5, et des s parations horizontales allant de 5 a 10 NM selon la g om trie du conit), la m thode e ` e e e Zeghal implant e sous cette forme fournit des r sultats (en termes de pourcentage de r solution et de e e e d lais) nettement moins bons (25% de conits non r solus et 6.7% de d lai moyen avec une s paration e e e e (constante) de 6 NM).

3.9.2 R solution par r seaux de neurones e e


Principe de r solution e La technique d velopp e ici consiste a utiliser un r seau de neurones pour piloter chaque avion18 . A e e ` e chaque instant, le r seau de neurones donne une commande cap a lavion en fonction des donn es e ` e recueillies. On peut voir sur la gure 3.52 quelle est la structure du r seau, ainsi que ses entr es : e e

Une classique entr e de biais dont la valeur est . e

18

On pourra se reporter a [DAN96a] pour plus de pr cisions. ` e

136

Langle

Le cap

de lautre avion de convergence des trajectoires

uc

"

La distance

a lautre avion et son gradient `

y y '

'

Le cap

pour rejoindre la destination, et sa valeur absolue

(in degr s). e

aircaft 1

||

heading change

d /dt

aircraft 2

Destination

Figure 3.52: Les entr es du r seau de neurones et sa structure e e Le r seau quant a lui est simplement un classique r seau a 3 couches. La fonction dactivation est la e ` e ` classique fonction logistique Le probl` me est quil est impossible dutiliser des techniques dapprentissage supervis pour e e r aliser lapprentissage du r seau. En effet, il est long et co teux de construire une r solution ope e u e timale de conits a deux avions, et impossible de le faire pour un nombre davions sup rieur a deux. ` e ` Pour construire le r seau de neurones, nous utilisons donc un algorithme g n tique (cette technique a e e e d j` et employ , en particulier pour traiter le probl` me du parcage dune voiture [SRD93]). eae e e Chaque el ment de population de lalgorithme g n tique est un r seau de neurones, repr sent par e e e e e e la matrice des poids de ses connexions. On utilise un croisement barycentrique et la mutation ajoute un bruit gaussien a un certain nombre de poids du r seau, pris au hasard. ` e La tness de chaque r seau est calcul e de la facon suivante : on fait voler les deux avions sur un e e ensemble de congurations consid r es comme repr sentatives. On dit alors que la tness vaut : ee e
p

La base dapprentissage On a utilis 12 congurations diff rentes. Dans chacune de ces congurations, les avions sont distants e e de miles a ` .

On retrouve ici la classique m thode consistant a p naliser la tness dun el ment violant les contraintes, sans toutefois e ` e e lannuler

19

0    !

dans ( ,

congurations, les avions ont la m me vitesse et convergent avec des angles diff rents e e , , degr s, voir gure 3.53). e

137

est la moyenne des d lais induits par les d viations de lavion et e e r siduels19 . e
A

& |

e x & $ " @

est le nombre moyen de conits

&



4 4 3 3 2
20

2 1

60 120 150

dans congurations, les avions ont des vitesses diff rentes et leurs caps sont calcul s de facon e e a g n rer des conits. (les vitesses sont de ` e e , , , , et nuds, voir gure 3.53).

En raison des sym tries, ces congurations sont repr sentatives de tous les cas possibles. Nous e e appelons conguration positive une conguration dans laquelle langle entre lavion le plus lent et lavion le plus rapide est positif. Quand on rencontre une conguration n gative, on utilise la congue ration positive sym trique, en donnant des valeurs n gatives aux entr es du r seau. e e e e R sultats num riques e e Pour valider les r sultats, nous avons test notre r seau sur des congurations non apprises, an de e e e v rier sa capacit a g n raliser. Les solutions optimales ont et calcul es avec LANCELOT [CGT92] e e` e e e e et compar es avec les r solutions fournies par le r seau de neurone. Sur chacune des gures, la e e e r solution du r seau de neurones est a gauche, et la solution optimale trouv e par Lancelot a droite. e e ` e `

La gure 3.55 donne un exemple de conit a degr s (les avions ont la m me vitesse). Il sagit ` e e dun conit tr` s difcile a r soudre. Les solutions sont diff rentes, mais les co ts sont proches e ` e e u et la solution donn e par le r seau de neurones est robuste. e e La gure 3.56 donne un exemple de r solution de face a face. Les solutions sont identiques. e ` 138

n

La gure 3.55 montre un exemple de conit a ` Les deux solutions sont identiques.

dans

dans

congurations, les avions sont face a face, avec la m me vitesse (voir gure 3.54). ` e congurations, les avions sont en rattrapage (voir gure 3.54).

degr s, les deux avions ayant la m me vitesse. e e

0 !

! 0  0

Figure 3.54:

Figure 3.53:

congurations a vitesse egale et 4 congurations a vitesse diff rentes ` ` e


2 1

2 1

congurations en face a face et 2 congurations en rattrapage `

Figure 3.55: Conit a 90 degr s et a 15 degr s ` e ` e

Figure 3.56: Face a face et rattrapage. `

139

Conclusion La r solution r active de conits a deux avions par r seaux de neurones donne dexcellents r sultats. e e ` e e Mais le probl` me de cette m thode est lextension a un nombre plus elev davions. Nous sommes e e ` e parvenus a la faire fonctionner avec trois avions, mais le nombre dentr es du r seau augmente et le ` e e nombre de congurations dapprentissage augmente egalement. Lextension a des cas de quatre ou ` cinq avions parat difcile, du moins dans ce cadre.

3.10 Conclusion
Nous nous sommes efforc s de pr senter dans ces quelques pages un panorama assez complet des e e techniques qui peuvent sappliquer pour r soudre des conits a riens. Le travail qui reste a effectuer e e ` est encore tr s important : e

La gure 3.56 pr sente un exemple de r solution de rattrapage. Les solutions sont identiques. e e

Il faut examiner a nouveau les techniques classiques de recherche de type A. Ces algorithmes ` devraient se r v ler extr` mement utiles lorsque le nombre davions nest pas trop important. e e e Il faut reprendre les exp rimentations et r aliser une validation sur plusieurs journ es de trac. e e e Il faut que nous disposions dun algorithme susceptible daffecter des cr neaux darriv e aux e e avions dans lespace que nous contr lons, de facon a eliminer les conits aux fronti` res. o ` e Enn, il nous faudrait connecter lensemble des ltres dont nous disposons (affectation de cr neaux, r solution a 20 minutes et evitement court terme), de facon a faire des estimations e e ` ` de sensibilit de chacun de ces ltres a ceux qui le suivent ou le pr c` dent dans la chane de e ` e e contr le. o

Nous poursuivons activement ces quatre directions, dans le cadre de DEA ou de th` ses. e

140

Chapitre 4

Sectorisation de lespace et r partition e des ux


4.1 Introduction
Le contr le1 de la circulation a rienne organise les ux a riens an dassurer la s curit des vols (en o e e e e terme de risque de collision) et dam liorer la capacit du r seau de routes sur lequel les avions se e e e d placent. Suivant la nature du trac, on distingue les trois types de contr le suivants : e o

Dans le cadre de ce travail, on sest plus particuli` rement int ress aux probl` mes du contr le en e e e e o route. Actuellement on enregistre sur le territoire francais environ 4000 mouvements par jour, ce qui repr sente une charge de contr le impossible a g rer par un seul contr leur. On r partit alors cette e o ` e o e charge de travail en divisant lespace a rien en plusieurs secteurs pour chacun desquels on affecte une e equipe de contr leurs. Le nombre de secteurs est alors d termin par la capacit dun contr leur a o e e e o ` g rer avions simultan ment (dans la pratique la moyenne semble etre de 10 a 15 avions; lorsque e e ` cette limite est atteinte on dit que le secteur est satur ). Un des objectifs principaux de la sectorisae tion est de fournir des secteurs equilibr s en terme de charge de contr le an que chaque equipe de e o contr leurs travaille de la m me facon. o e Au cours de ces derni` res d cennies, au fur et a mesure de laugmentation du trac, lespace a rien e e ` e a et divis en secteurs de plus en plus petits an d viter la saturation de ces derniers. Malheureusee e e ment, ce principe de resectorisation pr sente une limite dans la mesure o` lon doit m nager un temps e u e sufsant au contr leur pour g rer son trac ( laboration des strat gies de r solution des conits entre o e e e e a ronefs) et donc g n rer des secteurs dont la taille permet de satisfaire cette contrainte. De plus, le e e e contr leur ne connat que le trac li a son secteur et lorsquun avion passe dun secteur a un autre, il o e` ` sop` re un dialogue entre les contr leurs et le pilote an dassurer la s curit du vol lorsquil p n` tre e o e e e e dans le nouveau secteur (ce dialogue induit une charge de travail suppl mentaire pour les contr leurs e o
1

Ce chapitre pr sente les r sultats obtenus par Daniel Delahaye dans le cadre de sa th` se. e e e

contr le da rodrome : gestion des phases de roulage, de d collage et datterrissage; o e e contr le dapproche : gestion du trac en etape pr paratoire a latterrissage ou post-d collage o e ` e dans une zone proche dun a rodrome; e contr le en route : il concerne essentiellement le trac en croisi` re entre les a rodromes. o e e

141

appel e charge de coordination). Ainsi, en augmentant le nombre des secteurs, on augmente aussi les e coordinations et donc la charge de contr le globale. o Dans le cadre op rationnel, le principe de resectorisation dun domaine despace a rien est le e e suivant. Lorsque lon d tecte un secteur qui se trouve souvent en limite de saturation, une equipe e dexperts se r unit et propose une nouvelle sectorisation de la zone incrimin e. Pour valider cette e e proposition on proc` de a deux types de simulations : simulation arithm tique et simulation temps r el. e ` e e La premi` re consiste a evaluer la sectorisation a laide de logiciels de simulation sur trac enregistr e ` ` e (ou simul ). Si les r sultats de ces premi` res evaluations sont satisfaisants, la sectorisation est ensuite e e e test e en temps r el a laide dun environnement de contr le simul faisant intervenir des contr leurs e e ` o e o et des pseudo-pilotes (sur poste de pilotage reconstitu en salle (version simpli e)). Apr` s cette e e e derni` re etape, on modie les fronti` res des secteurs sur site et on contr le que ces changements e e o permettent effectivement de r soudre les probl` mes initiaux. On gardera cette sectorisation jusqu` ce e e a que de nouveaux probl` mes apparaissent, li s principalement a la croissance du trac. e e ` Cette approche est essentiellement locale et aboutit a une sectorisation globale qui est la juxta` position de r gions de contr le optimis es individuellement. Pour mieux comprendre les m thodes e o e e utilis es dans le contr le du trac a rien, on pourra consulter les r f rences [Mai91, Vil84, CDV92]. e o e ee Le travail de Daniel Delahaye se d composait en trois parties principales : e ` Sectorisation dun r seau a ux affect s : il sagit de r aliser une sectorisation equilibr e de lese e e e pace en fonction des ux affect s sur le r seau de routes. e e Affectation des ux sur un r seau sectoris : r solution du probl` me dual : laffectation des avions e e e e sur les routes a riennes, la sectorisation etant x e. e e Optimisation simultan e de la sectorisation et de laffectation de trac : Partant simplement des e demandes de trac entre les paires Origine-Destination, il sagit de construire simultan ment e une sectorisation et une affectation des avions sur les routes.

4.2 Mod lisation e


4.2.1 Routes a riennes e
Lorsquun avion relie deux villes du continent europ en, on pourrait sattendre a ce que la route e ` directe soit utilis e syst matiquement pour des questions d conomie de carburant. En r alit , les e e e e e avions suivent des routes a riennes constitu es dune succession de troncons orient s diff remment e e e e dont les extr mit s correspondent a des balises qui mat rialisent souvent les croisements de routes. e e ` e En pr parant sa navigation, le pilote jalonne sa route de points de report (balises) sur lesquels il devra e faire un passage a la verticale an de conrmer sa position. Le nombre de balises au sol etant limit , la ` e route r ellement suivie s cartera plus ou moins de la route id ale en fonction de la disposition locale e e e de ces derni` res. e Ce principe de navigation par jalonnement sur balises est p nalisant en terme de consommation e car il induit des rallongements de route syst matiques ; actuellement en Europe, le r seau de routes e e a riennes provoque des rallongements moyens de 9 %, soit 420000 heures de vol suppl mentaires e e par an ou 1.2 million de tonnes de k ros` ne. Les avions modernes sont maintenant equip s de cale e e culateur de bord qui, lorsquils sont coupl s au pilote automatique, sont capables de suivre avec une e grande pr cision nimporte quelle route d nie par un point origine et un point destination, dont les e e coordonn es sont introduites par l quipage ou sont extraites dune base de donn es du calculateur e e e de bord. Malheureusement, ce syst` me de progression de point a point nest pas encore possible pour e ` 142

deux raisons. Dune part, il existe dans beaucoup de pays un assez grand nombre de zones r serv es e e aux militaires qui doivent etre contourn es par les routes a riennes civiles, dautre part, le contr le e e o de la circulation a rienne nest pas capable dassurer un ecoulement s r et ordonn du trac lorsque e u e chacun va directement de son point de d part a son point de destination. Laiguilleur du ciel a besoin e ` pour travailler de points de report par rapport auxquels il peut situer son trac. Une route a rienne pouvant etre utilis e dans les deux sens, il a et elabor une r` gle de s paration e e e e e e verticale (r` gle semi-circulaire) imposant des altitudes de vol aux a ronefs an dassurer des croie e sements en toute s curit . Dans un soucis de simplicit , une route a rienne sera donc simplement e e e e mod lis par un arc bidirectionnel joignant deux balises. e e Le r seau a rien sera donc mod lis par un r seau de transport qui aura les propri t s suivantes : e e e e e ee

Les demandes de trac des usagers sont ensuite distribu es sur le r seau (` linitiative des utilisae e a teurs ou par linterm diaire dun processus daffectation de trac ou les deux). En supposant que les e avions se d placent a des vitesses moyennes quasi-identiques (homog n it du trac), la r partition e ` e e e e de ux induite fait apparatre une charge de contr le r partie dans lespace que nous nous proposons o e maintenant de mod liser avant de d crire les probl` mes quil nous faut r soudre. e e e e

4.2.2 Charge de contr le dans un secteur o


Introduction Un secteur de contr le est un domaine limit de lespace travers par des routes a riennes, pour lequel o e e e une equipe de contr leurs assure la s curit des vols qui y transitent en s parant les a ronefs entre eux. o e e e e Plus le nombre davions dans un secteur est important, plus la charge de contr le induite augmente o (de facon non lin aire). Il existe une limite au del` de laquelle le contr leur en charge du secteur ne e a o peut plus accepter de nouveaux avions et oblige ces derniers a contourner le secteur en traversant ` des secteurs voisins moins charg s. On dit alors que le secteur est satur . Cet etat critique doit etre e e evit car il provoque un ph nom` ne cumulatif de surcharge sur les secteurs amonts pouvant remonter e e e jusquaux a roports de d part. En effet, lorsque le trac ne peut etre d vi , il est mis en attente dans e e e e les secteurs amonts faisant augmenter progressivement la charge de contr le de ces derniers jusqu` ce o a quils soient satur s. Le seuil au del` duquel le secteur est satur est tr` s difcile a estimer car il d pend e a e e ` e de la g om trie des routes qui le traversent, de la g om trie du secteur lui-m me, de la r partition des e e e e e e avions sur les routes, des performances de l quipe de contr le etc. Un seuil g n ralement admis est e o e e de 3 conits et 15 avions dans un secteur donn . Cette charge maximum ne doit pas perdurer plus e 143

Il est pilotable car il nous est possible dimposer des routes aux avions par linterm diaire des e contr leurs o Les co ts darcs sont non s parables : en effet, le nombre moyen de conits entre a ronefs a u e e ` la verticale dune balise est proportionnel aux ux sur les deux routes a riennes. Il faut bien e se rappeler que la r solution dun conit induit une charge de contr le importante et provoque e o parfois des modications de navigation p nalisant la consommation. Le co t sur un arc d pend e u e donc des co ts sur les autres arcs, do` la non-s parabilit . u u e e Les co ts darcs sont asym triques : en effet, si lon route des avions vers des secteurs d j` u e ea charg s, on peut provoquer la saturation du secteur et donc le refus du contr leur en charge de e o ce secteur daccepter ces nouveaux avions et donc des co ts de d routement assez elev s quand u e e bien m me il ny a pas beaucoup de trac (donc de congestion) sur la route initialement choisie. e

de 10 minutes car elle provoque un fort stress des contr leurs qui risquent alors de ne plus pouvoir o assurer la gestion du trac dans des conditions optimales de s curit . e e Apr` s une enqu te aupr` s des contr leurs on remarque que la charge de travail dans un secteur e e e o d pend des crit` res qualitatifs et quantitatifs. Les crit` res qualitatifs regroupent essentiellement les e e e facteurs humains dont le principal est le stress. Tous les contr leurs ne r agissent pas de la m me o e e facon face a une situation de trac difcile et il est donc d licat de fournir un mod` le math matique ` e e e de stress applicable a tous les contr leurs. On peut seulement pr ciser que le stress est directement li ` o e e aux crit` res quantitatifs suivants : e

Il existe dautres charges de contr le [TPC76] facilement quantiables mais leur impact sur leno semble de la charge secteur est n gligeable par rapport aux trois pr c dentes. e e e Nous allons dans un premier temps, pr ciser et quantier chacune de ces trois charges de contr le e o avant de fournir un mod` le math matique de la charge globale dans un secteur. e e Charge de r solution des conits e On dit que deux avions sont en conit lorsque la distance qui les s pare risque de devenir inf rieure a e e ` une valeur particuli` re appel e norme de s paration. Lorsque deux avions sont en conit, le contr leur e e e o doit modier la route des avions an dassurer le respect des normes de s paration. e Suivant langle de croisement des routes a riennes les conits sont plus ou moins faciles a r soudre e ` e car les avions sont plus ou moins longtemps en situation conictuelle. En supposant que la charge de contr le a la verticale du croisement est proportionnelle au nombre o ` dans le cas dun croisement a deux routes, o` ` u de conits g n r s, on a e ee est un coefcient de proportionnalit d pendant de langle de croisement entre les routes, et e e et les ux sur les arcs et . Lorsque le croisement comporte plus de deux routes incidentes, la charge de conit est la somme des charges induites par les arcs pris deux a deux. La charge de conit ` dans un secteur est alors la somme des charges de conits sur chacun des nuds contenus dans ce secteur. Charge de coordination Tous les avions qui sont dans un m me secteur communiquent au moyen de la m me fr quence avec le e e e contr leur en charge du secteur. Lorsquils changent de secteur, ils doivent changer de fr quence et il o e sop` re alors un transfert de contr le. Ce transfert doit avoir fait lobjet au pr alable dune n gociation e o e e entre le contr leur qui transf` re et le contr leur qui recoit, pour assurer que celui-ci peut accepter o e o lavion et pour d nir les modalit s (niveau de vol, etc) selon lesquelles lop ration a lieu. Un transe e e fert n cessite un travail relativement important de la part des deux contr leurs; de plus cest une e o op ration au cours de laquelle des incompr hensions ou des erreurs peuvent se produire causant des e e pertes accidentelles de s paration. Les charges de contr le induites par ces transferts sont regroup es e o e dans une charge unique appel e coordination. Dans un r seau de transport sectoris la charge de coe e e ordination est proportionnelle aux ux coup s par les fronti` res des secteurs. En etudiant la charge de e e coordination g n r e par un arc e ee de route a rienne dont une partie ou la totalit appartient a un e e ` secteur , on peut identier trois cas de gure :

144

rk 7 r5 7 $ k r5 $" '

$ 1 " $ 1 #" rk 7 r5 7 $ k r5 $" ' & x 8 

$ 1 #"

Fb

charge de conit; charge de coordination; charge de monitoring.

2. Une seule extr mit de larc appartient au secteur e e Il existe donc une intersection entre larc et la fronti` re du secteur . On peut alors repr senter la charge de coordination par : e e o` u est un coefcient de proportionnalit permettant de pond rer linuence de e e la coordination par rapport aux autres charges de contr le. o

Charge de monitoring Dans un secteur de contr le les avions qui ne sont pas en conit ou en transfert n cessitent une o e surveillance de la part du contr leur qui v rie le bon d roulement des plans de vol sur limage o e e radar et qui essaye de d terminer les risques potentiels de conits futurs induits par ces avions. Le e monitoring est en fait la t che de fond du contr leur et repr sente une source importante de stress a o e pour ce dernier. Cette charge de contr le est directement li e au nombre davions pr sents dans le o e e on peut la mod liser par : e secteur de contr le. Pour un secteur o avec :

: coefcient de proportionnalit . e

La charge de contr le dans un secteur est donc la somme de la charge de conit, de la charge de o coordination et de la charge de monitoring. Disposant maintenant dun mod` le math matique du r seau a rien ainsi que de la charge de e e e e contr le (quil nous faudra confronter a la r alit ), nous pouvons formaliser la description des deux o ` e e probl` mes que nous nous sommes attach s a r soudre. e e ` e

` e 4.3 Probl` mes a r soudre e


4.3.1 Probl` me de sectorisation e
A partir de la connaissance de la r partition surfacique (r seau a deux dimensions) de la charge de e e ` contr le, on se propose de trouver une sectorisation equilibr e aboutissant a un rendement homog` ne o e ` e des equipes de contr le en charge de lensemble de lespace a rien. En examinant cette charge de o e contr le et en faisant abstraction, dans un premier temps, de la charge de coordination, on remarque o quelle comporte deux composantes spatiales distinctes :

une composante discr` te localis e au niveau des nuds (conits); e e une composante continue r partie sur les arcs (monitoring). e

Lorsque lon met en place des fronti` res de secteur, ces derni` res coupent des arcs de routes e e a riennes g n rant a posteriori une nouvelle charge de contr le (coordination) pouvant remettre en e e e o cause l quilibre obtenu pour les deux crit` res pr c dents (conit et monitoring). Un petit exemple e e e e 145

Fb

$ 1 #"

proportion de larc

contenue dans le secteur

I G F r5 7$ " r5 a l w r 5 ' & $ b"  

rF5 7 r5  &   b

3. Les deux extr mit s de larc sont ext rieures au secteur e e e fois. On peut alors mod liser la charge par : e

Fb

1. Les deux extr mit s de larc appartiennent au secteur e e est nulle.

auquel cas la charge de coordination

Fb

Fb

Fb

r5

r 5 7 r5 &   $ 1 #"

; dans ce cas le ux est coup deux e

' $ " r5 a

50

110 20

xx Charge de conflit xx Charge secteur sans coordination 40 10 xxx Charge secteur avec coordination 25 50 100

20

35 50 80

Figure 4.1: Inuence de la coordination sur l quilibrage a posteriori e simple nous permet de mieux comprendre ce probl` me. Sur la gure 4.1 la sectorisation est initiae lement equilibr e (` 50) pour les charges de conit et de monitoring. Si lon tient compte des coor e a dinations dans l quilibrage, on constate un d s quilibre net des nouvelles charges de contr le dans e ee o les secteurs. De fait, ce nest quapr` s avoir pris la d cision de sectoriser que lon sait a posteriori e e si les secteurs sont equilibr s ou non. Une analogie avec la m canique nous permet de mieux sentir e e ce probl` me. Si lon assimile la charge de contr le a une masse, notre r seau de transport peut etre e o ` e mod lis par un ensemble de boules denses r parties aux nuds, reli es entre elles par des barres e e e e pesantes. Notre objectif initial est donc de rechercher une sectorisation pour laquelle chaque secteur a la m me masse. Le probl` me est que lon ajoute des masses de coordination lorsque lon coupe des e e barres modiant ainsi l quilibre calcul . Ce premier objectif d quilibrage est important mais doit e e e etre compl t par un objectif connexe de minimisation des coordinations. En effet, si lon se contente ee seulement de rechercher l quilibrage, on risque dobtenir des aberrations en terme de contr le dont un e o exemple extr me est donn gure 4.2. On remarque sans difcult que le cas 2 est nettement meilleur e e e en terme de contr le quand bien m me il est moins equilibr . o e e Enn, la sectorisation construire doit prendre en compte certaines contraintes : Convexit de routes : Lorsque lon examine la sectorisation actuelle ainsi que le r seau de routes ase e soci , on remarque que pour chacun des trajets possibles reliant une paire Origine-Destination, e les secteurs rencontr s ne sont travers s quune seule fois. Ainsi un pilote ne contacte quune e e seule fois le contr leur en charge du secteur quil traverse. o Temps minimal de r solution : Lorsquun contr leur d tecte un conit entre deux avions, il doit se e o e m nager un d lai sufsant an d laborer un processus de r solution adapt . Or, comme nous e e e e e lavons vu pr c demment, les conits entre a ronefs sont localis s aux croisements des routes e e e e a riennes et donc sur les nuds du r seau de transport. De plus, le trac g r par un contr leur e e ee o est limit au secteur dont il a la charge et il ne dispose pas dinformations sur le trac pr sent e e dans les secteurs voisins. Si au moment o` un avion lui est transf r ce dernier se trouve en u ee conit, le contr leur na pas le temps de construire un processus de r solution. Pour eviter ce o e probl` me, il faut eloigner sufsamment les fronti` res des secteurs des points de croisement an e e 146

CAS 1 S1 40

CAS 2 40

60 S1 S2 S2

60

CH (S1) = 50 mo CH co

CH

(S2) = 50 mo co (S2) = 100

CHmo(S1) = 40 CHco (S1) = 0

CH

(S2) = 60 mo

(S1) = 100 CH

CHco (S2) = 0

Erreur quilibrage = 0 % Coordination = 200

Erreur quilibrage = 20 % Coordination =0

Figure 4.2: Importance de la minimisation des coordinations de m nager un temps minimum de r solution au contr leur recevant les avions. Ceci induit une e e o seconde contrainte, dite contrainte de s curit : la distance entre un nud et une fronti` re de e e e secteur sera au moins egale a une distance de s curit de lordre de 50NM. ` e e Temps minimal de s jour : pour quun contr leur puisse agir facilement sur les vols pr sents dans e o e son secteur, ces derniers doivent y s journer un temps sufsant egal au temps de s curit . Un e e e avion devra rester un temps minimum dans chacun des secteurs quil traverse. Le probl` me de sectorisation peut donc se formuler de la facon suivante : Soit un r seau de transe e ` port dans un espace a deux dimensions sur lequel une r partition de ux produit une charge de e contr le r partie dans lensemble de lespace a rien. On se propose de sectoriser cet espace en o e e secteurs equilibr s (en terme de charge de contr le) en minimisant les coordinations. Cette e o sectorisation devra respecter les contraintes de convexit de route, de s curit aux balises et de e e e temps de s jour minimum. e

4.3.2 Probl` me daffectation e


Laffectation de trac a pour but de d nir les routes des ux a riens an de r duire la charge de e e e contr le et donc daugmenter la capacit du syst` me m me si cela doit se faire au d triment des o e e e e performances individuelles. Lamplitude de ces modications de route doit etre sufsamment faible pour que la p nalisation sur les co ts de transport soit comparable au gain apport sur les performances e u e ATC. Il y a donc un compromis a trouver entre performances ATC et p nalisation des routes, sachant ` e quil existe des int r ts communs au syst` me ATC et aux compagnies a riennes. Pour des raisons ee e e d quit , on ne peut faire suivre des routes diff rentes a des avions joignant la m me paire Originee e e ` e Destination. En effet, lavion qui serait rout sur une route plus longue en distance, trouverait ce e choix injuste, m me sil permet de diminuer fortement le co t global de transport. Ainsi, si lon veut e u que la libre concurrence sexerce entre les compagnies, sans pour autant laisser toute la libert a e ` ces derni` res pour choisir leurs routes, provoquant des surcharges secteurs anarchiques, il faut nous e astreindre a placer les avions sur la m me route. Dans la suite de ce rapport cette contrainte sera ` e appel e : contrainte d quit . Notre objectif nal etant loptimisation de la sectorisation (dont les e e e 147

modications se font a longue ech ance), on ne prendra pas en compte laspect dynamique du trac et ` e nous nous attacherons a travailler sur des ux davions macroscopiques. De plus, on se placera dans ` le cas le plus d favorable consistant a prendre les demandes de trac maximum entre chaque paire e ` Origine-Destination. Le probl` me daffectation peut donc s noncer ainsi : Soit un r seau de transport dans un e e e ` espace a deux dimensions, divis en e secteurs. On d sire affecter le trac entre chaque paire e Origine-Destination, en respectant la contrainte d quit , an de minimiser la charge de contr le e e o tout en r duisant les rallongements induits. e

4.4 Complexit associ e e e


4.4.1 Probl` me de sectorisation e
Le probl` me de sectorisation peut etre d compos en deux sous-probl` mes presque ind pendants, e e e e e correspondant aux deux objectifs x s : e

equilibrage des charges secteur; minimisation des coordinations.

Le premier sous-probl` me est discret-continu NP complet (discret : equilibrage des charges de e conit et de coordination; continu : equilibrage des charges de monitoring). En effet, en ne consid rant e que la partie discr` te li e aux charges de conit et de coordination, le probl` me est equivalent a un e e e ` Partitionnement de graphe en composantes connexes qui est connu pour etre NP complet [Che92]. partitionnement de graphe a ` Le sous-probl` me de minimisation des coordinations est aussi un e minimisation de ux coup s et est donc NP complet. On peut donc raisonnablement penser que la e combinaison de ces deux probl` mes est aussi NP complet. e

4.4.2 Probl` me daffectation e


En consid rant, le r seau sans trac, notre probl` me consiste a affecter les demandes de chaque e e e ` paire Origine-Destination sur le chemin qui minimise le crit` re global . Ainsi pour chaque paire e Origine-Destination, on associera un chemin daffectation de la demande qui produira globalement une r partition de ux sur chacun des arcs du r seau. Les points de notre espace d tat sont donc e e e constitu s de lensemble des paires Origine-Destination auxquelles on associe la liste des nuds e constituant le chemin daffectation. La complexit de notre probl` me est li e a la non s parabilit des co ts qui rend laffectation e e e ` e e u d pendante de lordre dans lequel on traite les diverses paires Origine-Destination. Ainsi, sil nexiste e pas dautre principe de r solution que lalgorithme trivial d num ration des points de lespace d tat, e e e e on peut supposer que notre probl` me est NP complet. e

` 4.5 Sectorisation dun r seau a ux affect s e e


4.5.1 Introduction
Nous allons ici r soudre le probl` me de sectorisation despace en secteurs convexes equilibr s2 . Pour e e e cela on consid` re un r seau de transport a deux dimensions sur lequel sont affect es des demandes e e ` e
2

Ce travail a donn lieu a deux publication[DASF94a, DASF94c] e `

148

9

de trac (Origine-Destination) entre les divers centrodes induisant une r partition spatiale des ux. e Cette r partition de ux g n` re une charge de contr le dans lespace quil nous faut maintenant sece e e o toriser. Chacun des secteurs ainsi cr es sera ensuite attribu a une equipe de contr leurs qui aura la e e` o responsabilit du trac qui y transitera. e Lorsquun contr leur arrive sur une nouvelle position de contr le, il lui faut entre trois et quatre o o mois dapprentissage pour acqu rir les r exes de gestion du trac associ s a ce nouveau secteur. Ce e e e ` long d lai de formation impose une certaine stabilit de la sectorisation dans un centre de contr le e e o quand bien m me une sectorisation dynamique serait parfois plus adapt e. En effet, pour chaque e e r partition de trac sur le r seau, il existe une sectorisation optimale. Mais celle-ci serait inefcace si e e elle est chang e toutes les heures car aucune equipe de contr leurs ne peut la g rer. La sectorisation e o e r sulte donc dun compromis. Elle est calcul e pour accepter la charge de contr le maximale aux e e o heures de pointe mais elle devient sous-optimale pendant les heures creuses. Les ux sur le r seau qui e sont consid r s pour la sectorisation sont des ux moyenn s correspondant aux p riodes de fort trac. ee e e

4.5.2 Mod lisation e


Charge de contr le o Comme nous lavons vu au chapitre 2 la charge de contr le est la somme de trois termes : o

Si lon consid` re la charge globale de contr le e o e sectorisation a secteurs est donn e par : `

, la r partition optimale de charge dans une e

Si lon veut se rapprocher dun equilibre sur chacune des charges de contr le, il faut appliquer o cette formule aux conits, a la coordination ainsi quau monitoring et le crit` re d quilibrage relatif ` e e devient :

Avec cette deuxi` me forme, on concoit tr` s bien quil sera plus difcile et m me parfois impose e e sible dannuler le crit` re car certains r seaux ne peuvent pas etre equilibr s pour les trois types de e e e charges. 149

sF sF sF y y i I G I G y y y I G I G y y y I G I G y y &  l q ( l q ( l h q (

A partir de cet optimal, on peut elaborer un crit` re d quilibrage relatif e e

 $ F b"  

"

k $ F b"  

` F & x $ b"  k

 y

$ F b" h   & $ F b" 

F y s &  y $ F b"  q

$ F b"  

la charge de monitoring

$ F b"  

la charge de coordination

$ F b" h  
y

la charge de conit

; ;

La minimisation de la coordination sera etablie en r duisant la part relative de coordination par e rapport aux charges globales de conit et de monitoring :

On voit bien ici que notre probl` me est un probl` me multi-objectifs mais dans un premier temps e e et dans un souci de simplication nous nous ramenons a un probl` me mono-objectif en elaborant un ` e crit` re global e qui est une pond ration des deux pr c dents : e e e avec . Principe de construction des secteurs Il nous faut tout dabord une m thode permettant de g n rer des populations dindividus dans lespace e e e d tat. Pour atteindre cet objectif, on utilise le principe dagr gation de Forgy [Sap90] utilis dans les e e e nu es dynamiques en statistique exploratoire et qui permet dextraire des clusters dun ensemble de e points r partis dans un espace muni dune distance. e ` e Une m thode simple pour obtenir un -partitionnement dun domaine consiste a jeter al atoirement e points (appel s centres de classe) et de regrouper chacun des e dans le domaine un ensemble de points contenus dans a son centre de classe le plus proche (principe dagr gation). Pour eviter ` e davoir des secteurs vides, il faut interdire a deux centres de classes doccuper la m me position dans ` e . Il est facile de prouver que les secteurs ainsi g n r s sont g om triquement convexes. Cette proe ee e e pri t de convexit g om trique est plus forte que la convexit de route et permet donc de respecter ee e e e e 3 . On peut egalement ais ment v rier qu` la contrainte associ e (pour un arc de route a rienne) e e e e a chaque ensemble de centres de classe correspond une sectorisation unique en secteurs convexes du domaine (la r ciproque est fausse). e Ce principe de synth` se de sectorisation est simple a mettre en uvre car il n cessite peu dinfore ` e mations (les positions g ographiques des centres de classe) pour d nir compl` tement lensemble des e e e secteurs et satisfait la contrainte de convexit . e Prise en compte des autres contraintes Les contraintes de s curit et de temps de s jour minimum sont prises en compte a laide dun coefe e e ` cient de p nalit qui majore articiellement la coordination sur les arcs qui violent les contraintes. La e e nouvelle charge de coordination sera exprim e de la facon suivante : e

: ou exclusif ; le coefcient de p nalit mod lisant le d passement des contraintes est calcul de e e e e e la facon suivante ; Soit la longueur relative du segment de larc contenu dans le secteur et la longueur totale de larc . Si la portion darc contenu dans le secteur est inf rieure a e ` la distance de s curit , il faut majorer la coordination associ e : e e e
Il faut pr ciser que ce type de convexit (g om trique) restreint notre espace d tat en nous interdisant de g n rer des e e e e e e e secteurs polygonaux non convexes.
3

150

Fb

$ '

Fb

" ' &  ( r5 7 r5 


A

$ 1 #" $ 1 #" rF5 a F @  $ 1 #" F  F  ~ FV  # F  # V ~ V V 57 5 & $ F b"   r r q q

I G k   I h G y k &  F $ F b"   s 



r5 @

'

C3

C2 C1 y1 x1

x1

y1

x2

y2

x3

y3

Figure 4.3: Codage binaire

Si Sinon

alors

On traite ainsi de la m me facon les deux contraintes. e A partir de cette formalisation, il nous est possible de d velopper un principe doptimisation utilie sant les algorithmes g n tiques. e e

4.5.3 Optimisation du probl` me par Algorithmes G n tiques e e e


Introduction Dans un premier temps, les algorithmes binaires ont et utilis s pour r soudre ce probl` me. Le codage e e e e du chromosome associ a ce type dalgorithme est constitu de la concat nation du codage binaire de e` e e la position de chacun des centres de classe d nissant une sectorisation (voir gure 4.3). e Ce codage permet ensuite dutiliser les op rateurs de croisement et de mutation standard. Apr` s e e evaluation, on remarque que ce type dalgorithme g n tique se comporte correctement pour des petits e e r seaux ( 20 nuds) mais lorsque la taille du r seau augmente, il se produit un ph nom` ne de e e e e marche al atoire, li principalement a la brutalit des op rateurs de croisement et de mutation qui font e e ` e e abstraction de la notion de centres de classe mais travaillent seulement au niveau des bits. Il y a perte de la structure du probl` me et ceci nous a conduit a changer le codage de lalgorithme en utilisant e ` des algorithmes g n tiques op rant sur des donn es plus complexes. Nous pr sentons maintenant ce e e e e e nouveau codage ainsi que les op rateurs associ s. e e Codage du chromosome Le chromosome doit contenir lensemble des informations n cessaires a l valuation de la tness. e ` e Comme nous lavons dit pr c demment la connaissance de la position des centres de classe dans e e lespace g ographique est sufsante pour d nir la sectorisation et donc evaluer ses performances. Ces e e informations sont cod es dans le chromosome a laide dune matrice (de dimensions x 2) contenant e ` 151

E ie G  6 & l{
I 2 2

&  x 9 t $ r5 @ rF5 a"

f e

S2

S3 S5

S1 S4 Y1 x X1

CODAGE

X1 X2 X3 X4 X5 Y1 Y2 Y3 Y4 Y5

Figure 4.4: Codage du chromosome les abscisses et les ordonn es des centres de classe. Un exemple de codage dun chromosome est donn e e en gure 4.4. Comme il ny a pas bijection entre le codage du chromosome et la sectorisation associ e, une e m me sectorisation peut etre g n r e par plusieurs ensembles de centres de classe diff rents. Toutefois e e ee e lorsque le nombre de secteurs est important, ce qui est notre cas, il est quasiment impossible quun tel ev nement se produise au sein dune population. En excluant ce cas de similitude tr` s rare, o` e e u deux ensembles de centres de classe g n` rent la m me sectorisation, il faut remarquer quun m me e e e e ensemble de centres de classe peut etre cod par une multitude de chromosomes diff rents. En effet, e e toute permutation des centres de classe effectu e a lint rieur dun m me chromosome, g n` re le e ` e e e e m me ensemble, donc la m me sectorisation. Ainsi, le nombre de chromosomes synth tisant la m me e e e e sectorisation est egale a . Pour une sectorisation a trois secteurs il y aura donc ` ` chromosomes possibles ayant les m mes centres de classe : e

Ce dernier point aura des r percussions dans le calcul de la distance inter-chromosomes pour le e sharing d tat. e Principe de g n ration de la population initiale e e Le processus de g n ration de la population initiale est imm diat. En effet, pour chaque individu e e e contenu dans la population, on tire al atoirement et de mani` re uniforme couples de coordonn es e e e g ographiques repr sentant les centres de classe d nissant chaque sectorisation. e e e 152

E E E E E  $  1   1 " $   1  1 " $  1  1  " $  1  1  " $   1  1 " $  1   1 "

&

Figure 4.5: Slicing crossover Op rateur de croisement e Pour ce type de probl` me nous avons test deux types de croisement : e e

Le premier correspond au croisement classique utilis dans les algorithmes g n tiques binaires e e e mais implant ici avec des chanes de ottants. Ce croisement consiste a tirer al atoirement une posie ` e tion dans le chromosome et a echanger les deux sous-chanes ainsi produites (voir gure 4.5). ` Le second consiste a tirer al atoirement un centre de classe dans chacun des chromosomes puis ` e a joindre articiellement ces derniers par une ligne droite ; ensuite on d place al atoirement (distri` e e bution uniforme) les centres sur cette ligne an de g n rer deux nouveaux individus. La position des e e nouveaux centres de classe est alors donn e par : e

(voir gure 4.6 (dans cet exemple le g` ne 2 a et s lectionn e)). Ce dernier type de croisement est plus e e e e adapt pour les espaces continus et fournit de meilleurs r sultats sur notre probl` me qui comporte une e e e composante continue. Op rateur de mutation e Pour muter un chromosome, on tire al atoirement une position dans le chromosome puis on d place e e le centre de classe associ en ajoutant du bruit a chacune de ses coordonn es suivant une loi de e ` e distribution particuli` re. Un exemple de mutation est donn en gure 4.6. e e 153

 ' $ ' " &    $ ' " (' &  (

slicing crossover; croisement barycentrique.

2 1 3

3 2 1

3
1 1

2
2

2 2

2
2

2
2 3
2 1

Figure 4.6: Croisement et mutation Introduction de la distance inter-chromosomes pour le sharing Pour faire du sharing, il faut etre capable destimer la distance entre deux chromosomes dans les pace d tat an de d terminer le niveau dagr gation des individus. Les chromosomes etant des e e e concat nations de vecteurs en dimension deux, la m thode la plus simple pour calculer cette distance e e consiste a faire la somme des distances euclidiennes inter-centre de classe pris deux a deux dans ` ` lordre o` ils apparaissent dans le chromosome. Cette m thode conduit a des erreurs importantes car u e ` comme nous lavons dit dans la section pr c dente, un m me ensemble de centres de classe peut etre e e e cod de multiples facons, induisant des valeurs de distance non nulles pour deux codages diff rents e e dune m me sectorisation, ce qui est contraire a lobjectif recherch dans le sharing. e ` e Exemple : soient deux individus ici

Pour eviter ce probl` me, il faut calculer la somme des distances des centres de classe les plus proches e contenus dans chacun des chromosomes. Ainsi, on commence par rechercher dans le centre le plus e proche dun centre de . On calcule la distance associ e puis on elimine ces deux centres de et respectivement en it rant ce processus sur les centres restants. e Calcul du barycentre entre deux chromosomes Le chromosome etant d ni dans un espace vectoriel, le calcul du barycentre entre deux individus est e direct. En effet, soient deux individus et auxquels on associe les coefcients barycentriques et . Pour chaque centre de classe de on recherche dans le centre le plus proche. Soient et les positions g ographiques de ces centres, alors le centre barycentrique est donn par : e e

154

 D 3

R

R

m0 &       & $  R 1 R" t V  V $  1  " E1 $   1  " 1E $  1  " } &  R $  1  " $   1  " $  1  " } & R R E D D &  D D 3 3 3 R R R

 D 3

Sectorisation 1 Sectorisation 2 Sectorisation barycentrique

Figure 4.7: Exemple de sectorisation barycentrique e On elimine ensuite ces deux centres des individus et avant dappliquer le m me processus sur les centres restants. Un exemple graphique dune sectorisation barycentrique a coefcients unitaires ` ( et ) est donn sur la gure 4.7. e Pour chaque individu il nous faut maintenant d terminer son adaptation qui sera utilis e dans le e e processus de s lection des algorithmes g n tiques. e e e Calcul et normalisation de la tness Pour chacun des secteurs synth tis s par le chromosome, on evalue les charges de conit, de coordinae e tion et de monitoring associ es. La charge de conit aux nuds etant ind pendante de la sectorisation, e e elle est calcul e une seule fois au d but du processus de r solution ; seule la classication des nuds e e e dans les diff rents secteurs sera effectu e a chaque evaluation de tness. Pour les deux autres charges, e e ` il nous faut d terminer pour chaque arc : e

la r partition sectorielle du ux sur larc (cest-` -dire la r partition du ux dans les diff rents e a e e secteurs) ; le nombre de fronti` res de secteur qui coupent cet arc. e

Ces deux quantit s sont recherch es par dichotomie pour chacun des arcs constituant le r seau e e e de transport. On consid` re pour cela les positions g ographiques des nuds extr mit s de larc (sege e e e ment ) que lon traite, ainsi que la position des centres de classe permettant de synth tiser la e sectorisation (voir gure 4.8). On effectue ensuite une recherche dichotomique en parcourant le segment , an de d terminer e les centres de classe les plus proches de chacun des points de larc et donc la r partition sectorielle e associ e (on ne calcule pas l quation des droites constituant les fronti` res des secteurs). A partir des e e e charges de conit aux nuds et de la r partition sectorielle de ux, on d duit les trois charges ase e soci es a chacun des secteurs et ceci nous permet ensuite de d terminer les crit` res d quilibrage et e ` e e e de coordination utilis s dans l valuation nale de la tness. e e 155

2c 1 V V)

R R

& D

2c 1 V V)

& D

C3

Nd C2

No

C1

Figure 4.8: R partition sectorielle dun arc e Mixage de lAG avec une m thode d terministe e e Le principe d valuation d crit pr c demment correspond a la version de base de lalgorithme dont e e e e ` nous donnons maintenant une am lioration, bas e sur le mixage de lAG avec une technique d terministe e e e d quilibrage. e Connaissant les charges de contr le associ es a chacun des secteurs, il nous est facile de d terminer o e ` e les secteurs les plus charg s et den d duire une tendance de d placement des centres de classe pere e e mettant de diminuer l cart de masse entre les secteurs. En effet, si lon consid` re une r partition sure e e facique homog` ne de masse dans un rectangle et en examinant la situation initiale d crite sur partie e e gauche de la gure 4.9, on conclut facilement quil faut d placer les centres a droite pour se rapproe ` cher de l quilibre. Ce principe d quilibrage a et implant au niveau de l valuation des tness de e e e e e lalgorithme g n tique. En effet, cest a ce niveau que lon calcule les diverses charges de contr le e e ` o des secteurs et que lon peut effectivement d duire le d s quilibre associ . A partir de la connaissance e ee e des ecarts de masse entre les secteurs, on d duit les directions de d placement des centres de classe e e qui permettent de nous rapprocher de l quilibre. e Pour comprendre le principe de r equilibrage d terministe utilis , nous allons prendre le cas e e e simple dune sectorisation a deux secteurs sachant que nous avons etendu cette m thode aux sectori` e sations a K secteurs. Nous consid rons alors une densit surfacique de masse ` e e r partie sur e un rectangle de dimension (voir gure 4.9). Ce rectangle est ensuite sectoris a laide de centres e` de classe jet s al atoirement dans cet espace. Pour simplier la d marche (sans perte de g n ralit ) e e e e e e nous supposons que les centres de classe se trouvent sur une droite horizontale parall` le a la m diane e ` e horizontale d. Les masses associ es a ces deux secteurs sont alors donn es par : e ` e

 E   & C C & 2 1 

o` u

est le point m dian du segment e

156

$ 1 C" (

t C t $ 1 C" (

C C

&

BE

t C t $ 1 C" (

C C

 p

&

y (x,y) Y S1 S2

GM G G1 G2

C1

C2 x X

Figure 4.9: Equilibrage et densit surfacique de masse e A laide de ces masses, on peut calculer les positions des centres de gravit associ s a chacun des e e ` ainsi que le centre de gravit total : e . secteurs On appelle centre g om trique : e e Le fonctionnement de lalgorithme est alors bas sur la remarque suivante : e Les deux secteurs sont equilibr s lorsque le centre de gravit est confondu avec le centre e e 4. g om trique e e On cherchera donc a induire des d placements des centres de classes tendant a rapprocher ces deux ` e ` points. Plus pr cis ment il faut d placer le centre g om trique vers le centre de gravit . La difcult e e e e e e e vient du fait que lon ne peut pas changer lun sans modier lautre. Nous allons alors envisager deux approches : 1. Approche analytique :

et

Cet objectif est bien diff rent de celui propos dans les m thodes de partitionnement (voir chapitre 3) pour lesquelles e e e on recherche une minimisation de linertie intra-classe.

157

C

On se propose de trouver le d placement e et . On pose : l cart entre e

a ajouter a ` `

et a `

 $

& p( &

 Eo  C &  C o C &  C % 3 3 o C B B  & B B & "  

B $ " & B ( & %

$ 1 C" (

En revenant a notre exemple et en consid rant ` e

constant (

qui permettent dannuler

1 1 3 3 3

s   

&

b 1 b

), on a :

y y B s B B B H &  H & H s H     y y s B B B B H & H H & H   y




s s i

B B H & H

s i

(

! 

&z

!  (

x &

 $ HC

y y B B B B H & H H & H jg jg ( s s  & HB  & H B  ( & Ho

 $ HC

! H C"

y   HC & HC f jyg d e HC & HC d jg  H B H B"   $ H H  B B & H H & H o 3 ( 3 H (H 3 ( 3 3


o` u repr sente le num ro de lit ration e e e

E  $ 

y y B HB & H H D (   &o (   3 ( 3   &  ( "

2. Approche it rative : Soit la s rie e e courante. Soit :

or

On a :

avec

Posons :

On montre sans difcult que l cart e e

Apr` s d placement on a : e e

do` u

soit

158

B B H & H ! H C" & Ho

sannule pour :

Etude de

A partir des expressions pr c dentes on d duit : e e e

On obtient ainsi une s rie g om trique dont la convergence est assur e pour e e e e ).

pour lesquels la valeur du coefcient (en r` gle g n rale on prend e e e

Si on augmente le nombre de secteurs, on applique ce principe a chaque paire de secteurs pos` sibles puis on effectue la somme vectorielle des ecarts ainsi obtenus en sassurant que les centres de classe restent dans le domaine g ographique (si tel nest pas le cas on fait des troncatures). e Par rapport a notre probl` me, ce processus d quilibrage ne peut etre men a terme pour deux ` e e e ` raisons essentielles ;

la r partition surfacique de masse est homog` ne et non continue en certains points faussant ainsi e e les calculs de d placement ; e quand bien m me il serait exact, ce processus ne permet pas de satisfaire le crit` re de minimie e sation des coordinations.

La difcult consiste alors a d terminer le nombre dit rations d quilibrage. Apr` s exp rimentation, e ` e e e e e et pour deux a cinq it rations, on sapercoit que lalgorithme se conne dans des zones despace ` e d tat desquelles il ne peut sortir facilement par mutation car le processus d quilibrage ly ram` ne e e e syst matiquement. A linverse, si lon ne fait aucun equilibrage lalgorithme est plus lent a converger. e ` Dapr` s les evaluations, il semble quun seul equilibrage soit n cessaire. Ainsi apr` s chaque calcul des e e e charges de secteur, on effectue une it ration d quilibrage qui modie le chromosome avant d valuer e e e le crit` re. e

4.5.4 Evaluation
Pour evaluer et comparer les diff rentes versions dalgorithmes, on utilise un r seau de test pour lequel e e une solution evidente est connue (voir gure 4.10). Sans nuire au principe g n ral d valuation, on e e e fait lhypoth` se que les ux sur les arcs de ce r seau sont constants. Les param` tres utilis s pour lAG e e e e furent les suivants : 400 el ments de population, 200 g n rations, 60% de probabilit de croisement , e e e e 6% de probabilit de mutation. e Pour observer la convergence de lalgorithme, la meilleure tness ainsi que la moyenne des tness sur lensemble de la population, sont m moris es a chaque g n ration. Dans le cas pr sent, e e ` e e e lalgorithme travaille sur une tness normalis e qui est born e a 1 lorsque les crit` res d quilibrage e e ` e e et de coordination sannulent simultan ment. L volution de ces deux param` tres en fonction de la e e e 159

 H '  '  $ H " H ' & H o 3 ( 3 3

$ 1 C" (

Dans le cas g n ral o` e e u

est quelconque, on induit des d placements : e

d pend du probl` me et sera ajust e lors des exp rimentations e e e e ).

y p H & H H & H y  & H ( H  H & H (


(

'

10000

10000
9000

9000 8000 7000 6000 5000 4000 3000 2000


2000 8000 7000 6000 5000 4000 3000

1000 0 0
1000

2000

4000

6000

8000

10000
0 0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000

Figure 4.10: R seau test et sectorisation construite par lAG e

STAT BEST FGA (square network) 1 0.8 fitness % 0.6 0.4 0.2 0 0 50 100 150 200 fitness % 1 0.8 0.6 0.4 0.2 0 0

STAT BEST EGA (square network)

50

100

150

200

STAT AVERAGE FGA (square network) 1 0.8 fitness % 0.6 0.4 0.2 0 0 50 100 generations 150 200 fitness % 1 0.8 0.6 0.4 0.2 0 0

STAT AVERAGE EGA (square network)

50

100 generations

150

200

Figure 4.11: Convergence de lAG sans et avec RS sur le r seau sym trique e e

160

10000 9000 8000 7000 6000 5000 4000 3000 2000 1000 0 0 2000 4000 6000 8000 10000

10000 9000 8000 16 7000 6000 5000 4000 3000 2000 1000 0 0 1 3 7 11 12 2000 4000 6000 8000 10000 2 6 4 5 10 13 8 9 20 14 15 19 18 17

Figure 4.12: R seau asym trique et sectorisation construite par lAG e e


STAT BEST FGA (asymetric network) 1 0.8 fitness % 0.6 0.4 0.2 0 0 50 100 150 200 fitness % 1 0.8 0.6 0.4 0.2 0 0 50 100 150 200 STAT BEST EGA (asymetric network)

STAT AVERAGE FGA (asymetric network) 1 0.8 fitness % 0.6 0.4 0.2 0 0 50 100 generations 150 200 fitness % 1 0.8 0.6 0.4 0.2 0 0

STAT AVERAGE EGA (asymetric network)

50

100 generations

150

200

Figure 4.13: Convergence de lAG sans et avec RS sur le r seau asym trique e e g n ration est donn e sur la gure 4.11 (sans recuit simul (FGA)) et sur la gure 4.11 (avec recuit e e e e simul dans le croisement (EGA)). e Les deux algorithmes trouvent une solution exacte tr` s rapidement (15 g n rations pour FGA et 8 e e e g n rations pour EGA). Un exemple de solution fourni par lalgorithme est donn en gure 4.10. e e e Le temps de r solution pour ce type de probl` me est de cinq minutes sur station Sparc 10 (pour e e les deux cents g n rations). e e Apr` s ce premier r seau, nous avons test lalgorithme sur un r seau quelconque pour lequel il e e e e ny a pas de solution evidente (voir gure 4.12). On se propose de partitionner ce r seau en cinq secteurs. Comme on le constate sur les courbes de e convergence, lalgorithme a un tr` s bon comportement et fournit une solution quasi-exacte en moins e de 10 g n rations (voir gure 4.13 et gure 4.13 pour cette solution le secteur le moins equilibr est a e e e ` 0.7 pour cent de l quilibre exact) e A linverse du cas pr c dent, ici la tness ne peut atteindre 1 car il est impossible dannuler la e e coordination. La sectorisation physique g n r e par lalgorithme est donn e en gure 4.12 et le temps e ee e de r solution associ est de trois minutes. Comme on peut le constater, cette sectorisation respecte les e e 161

contraintes et pr sente un aspect tout a fait satisfaisant. e `

4.5.5 Conclusion
Cette premi` re etude a apport des r sultats encourageants concernant lutilisation des algorithmes e e e g n tiques dans le probl` me de sectorisation des r seaux de transport. Le codage du chromosome a e e e e une grande importance dans lefcacit de lalgorithme car il permet la synth` se de sectorisation avec e e un grande simplicit dimplantation. Cette simplicit se retrouve dans les op rateurs de croisement e e e et de mutation en favorisant les performances de lalgorithme. Lutilisation du recuit simul dans e lop rateur de croisement am liore la convergence au niveau de la statistique des moyennes. e e Dans la description pr c dente, la valeur de e e (nombre de secteurs) etait xe mais il serait en visageable de la coder directement dans le chromosome pour que lalgorithme g n tique ajuste sa e e valeur de facon adaptative. Il faudrait alors modier le crit` re pour p naliser fortement les individus e e dans lesquels il y a des secteurs qui ont une charge sup rieure a la charge maximum que peut g rer un e ` e contr leur. o

4.6 Affectation des ux sur un r seau sectoris e e


Le probl` me a r soudre est un probl` me daffectation statique dans un r seau a co ts darcs non e ` e e e ` u s parables asym triques5 . Nous allons tout dabord pr senter les m thodes classiques et leurs limie e e e tations, puis d crire un principe daffectation de trac respectant la contrainte d quit , bas sur les e e e e algorithmes g n tiques. e e

4.6.1 M thodes classiques daffectation statique e


Algorithme daffectation de Dijsktra Initialement cet algorithme a et d velopp pour simuler le premier principe de Wardrop et converge e e e donc vers un equilibre utilisateur. Nous avons vu pr c demment quil y a equivalence entre equilibre e e utilisateur et equilibre syst` me lorsque lon remplace les co ts r els par les co ts marginaux associ s, e u e u e a condition de v rier la condition de s parabilit . Notre objectif etant dobtenir un equilibre syst` me, ` e e e e on se propose dutiliser un algorithme de Dijsktra sur un r seau pond r par les co ts marginaux. Le e ee u principe de cet algorithme est assez intuitif et consiste a rechercher, pour chaque paire OD, le chemin ` le plus court sur lequel on affecte un quantum de trac en r actualisant les co ts darcs associ s. e u e Dans le cadre des r seaux a co ts darcs non s parables, on peut continuer a utiliser cet algorithme e ` u e ` sur les co t marginaux (en vue de d terminer un co t syst` me) a condition que la non s parabilit u e u e ` e e soit localis e aux nuds. De fait, on peut remplacer les co t r els par les co ts marginaux pour e u e u obtenir l quilibre syst` me a laide dun algorithme de Dijsktra. Si les co ts sont non s parables e e ` u e mais si linteraction na lieu quau niveau des nuds, lalgorithme de Dijsktra continue egalement a fonctionner. Dans le cas dun r seau quelconque, pour lequel la d pendance inter-arcs na pas de ` e e particularit , les termes d riv s ne sannulent plus et il faut alors utiliser des algorithmes plus elabor s. e e e e Cest le cas du probl` me qui nous int resse ici. e e
5

Ce travail a donn lieu a une publication[DASF94b] e `

162

Algorithme de Dafermos Initialement cet algorithme [Daf72] a et d velopp pour des applications routi` res an de tenir e e e e compte des interactions des ux crois s lors des d passements. Ce mod` le math matique sapplique e e e e essentiellement a des r seaux a co ts darcs non s parables asym triques pour lesquels lhypoth` se ` e ` u e e e suivante est v ri e : la fonction co t que lon cherche a minimiser (co t total) doit etre strictement e e u ` u convexe par rapport a . On suppose de plus quil y a une r partition de trac sur le r seau qui sa` e e tisfait les lois de Kirchoff. Cette r partition pourrait etre, par exemple, le r sultat dun algorithme e e daffectation de Dijsktra produisant un equilibre utilisateur. A partir de la distribution de trac initiale, lalgorithme recherche pour chaque paire OrigineDestination, le chemin utilis de co t marginal maximum et le chemin de co t marginal minimum e u u et ces deux chemins. On retire ensuite une quantit du ux e (utilis ou non). Soient e transitant sur et on le place sur an de minimiser le crit` re global. On reproduit ce e en it rant par permutation circulaire, jusqu` ce que lon ne puisse plus e a processus sur toutes les diminuer le crit` re global. On montre alors que lon a atteint l quilibre syst` me. e e e Dans notre cas, lalgorithme de Dafermos ne peut etre utilis car il ne prend pas en compte la e contrainte d quit susmentionn . e e e

4.6.2 Optimisation du probl` me par AG e


Aucun des algorithmes classiques ne donnant de r sultats, il a et n cessaire de recourir a des teche e e ` niques doptimisation stochastique. Les algorithmes g n tiques ont et pr f r s au recuit simul , car e e e eee e ils permettent de fournir plusieurs solutions de co t proche. Or, nous souhaitons avant tout proposer a u ` des experts humains diff rentes solutions parmi lesquelles ils pourront choisir celle qui leur parat la e plus adapt . LAG est donc plus adapt que le recuit simul . e e e Codage du chromosome Le codage du chromosome est une des phases les plus importantes car elle conditionne en grande partie la r ussite du processus de r solution. Le chromosome doit contenir linformation n cessaire e e e pour evaluer la tness associ e en mod lisant un point de lespace d tat. Dans le cas pr sent, chacun e e e e des points de lespace d tat est repr sent par un tableau dont chaque colonne d crit le chemin de e e e e la paire Origine-Destination associ e (voir gure 4.14). Comme on peut le constater, lespace de e recherche est discret. Lappartenance des nuds a un chemin implique que ces derniers soient connexes, ce qui interdit ` certaines combinaisons qui violent cette contrainte. De plus, pour des questions d conomie, on ne e code dans le chromosome que les nuds qui appartiennent a un chemin sans tenir compte des autres ` nuds du r seau. Ce codage rend la dimension du chromosome variable en fonction des longueurs des e chemins quil code comme on peut le constater sur lexemple de codage donn en gure 4.15. Dans e . cet exemple les avions reliant la roport 1 a la roport 16 sont rout s sur le chemin e ` e e Inversement les avions faisant le trajet inverse sont rout s sur le chemin e etc. Principe de g n ration de la population initiale e e Pour utiliser correctement les algorithmes g n tiques, il nous faut disposer dune population initiale e e dindividus regroupant un ensemble de chemins initialis s al atoirement. Pour chaque individu, on e e consid` re le graphe initial dont les co ts darcs sont initialis s a laide de la distance g ographique e u e ` e associ e que lon bruite ensuite a laide dune distribution gaussienne en veillant a ce que les co ts e ` ` u 163

1! 1 1 1 1 }  1  1 m 1 1 ! 1 }

H 5  H5 

w 

w 

O1D1 O1D2

O D i j

ij n

ij = 1 si le noeud n appartient au chemin n


reliant la paire O-D ij(o sinon)

Figure 4.14: Structure dun point de lespace d tat e

5 1 4 2 3 7

10 9 8 14

21 24 15 20 19 13 12 18

23

6 11

22

16

17

CODING

1->16

16->1

1->24

24->1

16->24

24->16

1 4 3 7 12 16

16 11 6 3 4 1

1 5 10 21 24

24 20 15 9 4 1

16 12 18 19 20 24

24 23 22 17 16

Figure 4.15: Codage du chromosome

164

PARENTS

CROSSOVER

MUTATION

CHILDREN

Figure 4.16: Op rateur de croisement et de mutation e restent positifs. Pour chacune des paires Origine-destination contenues dans le chromosome, on reo` u est le cherche le chemin le plus court a laide dun algorithme de Dijkstra (complexit ` e nombre de nuds du r seau). e Suivant la d viation de la distribution gaussienne, les chemins g n r s seront plus ou moins e e ee diff rents du chemin g ographique le plus court dans le r seau non bruit . Ce principe dinitialisae e e e tion evite la g n ration purement al atoire des chemins dans le r seau qui conduirait a des aberrations e e e e ` en terme de navigation (par exemple, un chemin qui passerait par Moscou pour une paire OrigineDestination reliant Madrid a Londres). Ce type d v nement doit rester rare mais ne doit pas etre ` e e compl` tement inhib car il permet denrichir la diversit des g` nes. En effet, apr` s croisement un e e e e e mauvais chemin peut produire des solutions tout a fait acceptables. ` Ayant maintenant une population non homog` ne, il nous faut d nir les op rateurs de croisement e e e et de mutation associ s qui vont permettre la g n ration de nouveaux el ments au sein de la populae e e e tion. Op rateur de croisement e Notre espace de recherche etant discret, on ne peut envisager dutiliser un croisement barycentrique et seul le croisement a segmentation de chromosome a et utilis (Slicing Crossover). Pour effec` e e tuer un croisement, on tire al atoirement une position dans le chromosome puis on echange les deux e ensembles de chemins terminaux (voir gure 4.16). Op rateur de mutation e Lop rateur de mutation nous permet denrichir la diversit de la population en cr ant de nouveaux e e e chemins. En effet, lop rateur de croisement d crit pr c demment g n` re des nouveaux chromosomes e e e e e e mais ne modie pas la population de chemins g n r s al atoirement lors de linitialisation du procese ee e sus. Pour cr er de nouveaux chemins, lop rateur de mutation tire al atoirement une paire Originee e e Destination dans le chromosome et applique le m me principe de g n ration al atoire de chemin e e e e que celui utilis lors de la cr ation de la population initiale mais ici avec un ecart-type plus fort. Un e e 165

$ " V

Q4 Q2 Q3 Q5 D P4 P3 P2
Figure 4.17: Surface d limit e par deux chemins e e exemple dop rateur de mutation est donn dans gure 4.16. e e Introduction de la distance inter-chromosomes pour le sharing Pour effectuer un sharing, on doit disposer dune distance inter-chromosomes an d valuer le taux e dagr gation des individus dans lespace d tat. Si lon consid` re la description stricte du chromoe e e some, on ne peut pas d nir une distance r aliste entre individus car on ne dispose pas dune structure e e despace vectoriel. En effet, chaque chemin etant cod par la liste des indices des nuds qui le compo e sent, il est tr` s difcile de d terminer une notion de distance repr sentative de la diff rence physique e e e e induite dans lespace g ographique sous-jacent. Pour d terminer cette distance entre chemins, on se e e place directement dans cet espace g ographique en consid rant non plus les indices des nuds mais e e leurs coordonn es. On d nit alors la distance entre deux chemins par la surface ferm e quils entoue e e rent (voir gure 4.17). Cette surface est alors calcul e en faisant la somme des surfaces des triangles construits a laide e ` des nuds de chacun des chemins comme le montre la gure 4.17. Lexpression analytique de cette surface est donn e par la formule suivante: e

Q1 O P1

avec

Que se passe-t-il lorsque les chemins se croisent? Dans le cas g n ral, cette pseudo-distance e e majore laire comprise entre les deux chemins ; dans le cas particulier de notre r seau de transport e planaire dans lequel les croisements de routes se font au niveau des nuds, la pseudo-distance est toujours egale a laire comprise entre les deux chemins. ` Disposant dune distance entre deux chemins, on calcule la distance entre deux chromosomes en faisant la somme des distances respectives associ es a chacune des paires de chemins contenues dans e ` chaque chromosome. 166

 5  s5 E $ 5 d 1 5 d 1  " } s H $ 5 d 1 5 1 5 " $ 5 d 1 5 d 1 5 " } q $  d 1  1 " & b q  E D 6 D E B H d 1 1  d 1 d } &    1 1  1 } & 

ChB Q2

Ch1 Q3

Q4 Q5

Q1 P1 P2 P3 Ch2 P4 X Q6 P5

Figure 4.18: Exemple de chemin barycentrique Calcul du barycentre entre deux chromosomes Comme pour le calcul de la distance inter-chromosomes, il nous faut travailler dans lespace g ographique e sous-jacent au r seau de transport pour calculer le barycentre entre deux chemins. Soient deux chee mins :

Dans cette expression repr sente la position g ographique du nud . e e Un exemple de chemin barycentrique est donn sur la gure 4.18 avec e et . Pour d terminer le barycentre entre deux chromosomes, il suft dappliquer ce processus de calcul e a chacun des chemins contenus dans le chromosome. ` Calcul et normalisation de la tness Dans un premier temps, on consid` re le r seau de transport sans trac. Pour chaque paire Originee e Destination contenue dans le chromosome, on affecte la demande correspondante sur le chemin d crit e par la liste des nuds associ e. On dispose alors de la r partition de ux sur chacun des arcs du r seau, e e e ce qui nous permet de calculer le sous-crit` re daffectation e ainsi que la charge de contr le globale o (et donc le crit` re ). e Le nombre dop rations n cessaires a l valuation dune tness d pend de la taille du r seau et e e ` e e e varie en ( : nombre de paires Origine-Destination, : nombre darcs du r seau, : nombre de secteurs, : nombre de nuds). e 167
@

 

Soient et les coefcients barycentriques associ s respectivement aux chemins e Le chemin barycentrique est alors donn par : e

& D  & D 3 D  D D D D E H  D $ d1 H 1 1 1  d D  D d D  D 3 d D  D 3 3 3 3 3 3 D D D D 1 1 1 1 " &  d D D  d D  D 3 3 3 3 3  

D
et .

BE

D E D H d 1 1  d 1 d } &    1 1  1 } & 

c V $$ @ " @ c " V V V

10000 9000 8000 7000 6000 5000 4000 3000 2000 1000 0 0 2000 4000 6000 8000 10000

10000 9000 8000 7000 6000 5000 4000 3000 2000 1000 0 0 2000 4000 6000 8000 10000

Figure 4.19: R seau test et affectation r sultante e e Evaluation Pour evaluer notre algorithme, on utilise un r seau test pour lequel on connat une solution triviale e daffectation (voir gure 4.19). Sur ce r seau, les nuds sur la premi` re diagonale repr sentent les a roports et ceux de la deuxi` me e e e e e diagonale sont les balises. On se propose daffecter une demande de trac constante entre chaque paire da roports de facon sym trique (chaque a roport g n` re une demande a destination de la roport e e e e e ` e sym trique, ce dernier lui envoyant la m me quantit de trac). e e e Pour cet exemple, on r` gle le coefcient de congestion de telle sorte que deux ots de trac ne e peuvent emprunter le m me arc ; on interdit de m me que deux ots se retrouvent face a face sur un e e ` arc. Le crit` re se pr sente alors sous la forme suivante : e e

Comme on peut le constater, il ny a pas de sectorisation mais la forme du crit` re est similaire a e ` celle d crite pr c demment et ne change en rien la g n ralit de lalgorithme. e e e e e e Les param` tres utilis s furent les suivants : 400 el ments de population, 300 g n rations, 60% de e e e e e probabilit de croisement , 6% de probabilit de mutation. e e Pour ce test nous avons utilis un algorithme g n tique avec du recuit simul dans lop rateur de e e e e e croisement an dam liorer les performances de convergence. L volution de la tness (normalis e e e e entre 0 et 1) du meilleur individu ainsi que la moyenne des tness sur lensemble de la population, en fonction de la g n ration, sont donn es sur la gure 4.20. e e e Comme on peut le constater, une solution optimale est trouv e a partir de la g n ration 180 pour e ` e e laquelle intervient seulement la partie du crit` re li e a la distance de parcours. Cette solution est obe e ` tenue en six minutes sur une station Sparc 10. Laffectation physique correspondant a cette solution ` est donn e sur la gure 4.19. e Au cours de ces evaluations, on sapercoit que les performances de cet algorithme sont tr` s sen e sibles a lamplitude de l cart-type de la distribution utilis e pour bruiter les co ts darcs dans le ` e e u processus de g n ration des chemins al atoires. Pour chaque probl` me, il faut r gler ce param` tre e e e e e e an dobtenir des chemins al atoires diff rents du chemin optimal (en terme de distance) mais qui a e e ` linverse ne soient pas trop p nalisants par rapport au rallongement induit. Une solution consisterait e 168

5 r 7 r5 7 v

I G I G w r 5 w r 5 $ ' " $ r5 7" r5  '& ( q q

STAT BEST GA and SA 1 fitness % 0.8 0.6 0.4 0.2 0 0 50 100 150 200 250 300

STAT AVERAGE GA and SA 1 fitness % 0.8 0.6 0.4 0.2 0 0 50 100 150 generations 200 250 300

Figure 4.20: Evolution de la tness normalis e e a coder ce param` tre dans le chromosome et a le faire ajuster par lalgorithme g n tique de facon ` e ` e e adaptative.

4.6.3 Conclusion
La contrainte d quit nous emp che dutiliser les m thodes classiques daffectation de trac sur les e e e e r seaux a co ts darcs non s parables et induit une forte complexit nous obligeant a nous orienter e ` u e e ` vers des m thodes doptimisation stochastique. Apr` s avoir d velopp un codage du chromosome e e e e ainsi que des op rateurs adapt s, on sapercoit que les algorithmes g n tiques traitent ce probl` me de e e e e e facon efcace a condition que le g n rateur de chemins al atoires soit adapt au r seau de transport ` e e e e e utilis . e La contrainte d quit , qui permet de conserver la libre concurrence des compagnies a riennes, a e e e pour inconv nient de r duire notre espace de recherche et nous interdit donc dacc der a des zones e e e ` despace o` le crit` re serait assur ment meilleur. En effet, on montre que lorsque le crit` re a optimiser u e e e ` nest pas lin aire par rapport aux ux sur les chemins, mais plut t quadratique, il est plus avantageux e o de segmenter les ux an de rendre le syst` me plus capacitif. e

4.7 Sectorisation et affectation de trac simultan es e


La d pendance tr` s forte des probl` mes daffectation et de sectorisation incite a penser que ces deux e e e ` probl` mes doivent etre r solus simultan ment. Dans le cas de la sectorisation, loptimisation visait e e e essentiellement a r duire les coordinations et a equilibrer les charges de contr le. De m me, lop` e ` o e timisation de laffectation avait pour but la minimisation de la charge globale de contr le tout en o minimisant les rallongements de route induits. La diversit des crit` res li s a ces deux probl` mes, quand bien m me certains sont communs, e e e ` e e r v` le la nature multi-objectifs du probl` me global. Dans un premier temps, une approche it rative e e e e avec deux algorithmes g n tiques boucl s sest r v l e inefcace de par linstabilit des solutions e e e e ee e fournies. Cet echec a amen Daniel Delahaye a proposer de traiter le probl` me dans sa globalit a e ` e e ` 169

laide dun algorithme g n tique unique en codant les deux sous-probl` mes dans un diplode6 . Cette e e e approche na pas encore et test e. e e

4.8 Regroupement de secteurs


4.8.1 Introduction
Au cours dune journ e de trac ordinaire, on remarque que la charge de contr le uctue dans le e o temps en fonction des demandes de trac entre les diverses paires Origine-Destination. Par exemple, en France, il y a une pointe de trac le matin et une pointe le soir. Les algorithmes pr sent s jusqu` pr sent ont toujours travaill avec des ux importants sur le e e a e e r seau an dassurer labsorption des pointes de trac, ce qui correspond au cas le plus d favorable. e e Ainsi nos probl` mes sont optimis s pour ce genre de trac et les solutions apport es deviennent souse e e optimales lorsque les ux sur le r seau diminuent. e Dans le syst` me op rationnel actuel, le nombre de contr leurs varie en fonction des demandes de e e o trac. Ainsi, la nuit, le nombre d quipes de contr le est r duit car il y a beaucoup moins de trac. e o e Si tel n tait pas le cas, on se retrouverait avec des positions de contr le travers es par une dizaine e o e davions par heure ; ce qui g n rerait un co t de contr le surdimensionn par rapport au service rendu e e u o e aux usagers. Les secteurs sont donc regroup s la nuit en groupe de trois a quatre ; chaque groupe ainsi e ` constitu est ensuite attribu a une equipes de contr leurs. Actuellement ce regroupement est fait de e e` o facon empirique au niveau de chaque centre de contr le r gional par des experts g rant lespace a rien, o e e e qui groupent et d groupent les secteurs par anticipation des uctuations de trac. Ainsi, le matin, les e secteurs sont d group s un peu avant la pointe de trac li e a louverture des a roports. e e e ` e Dans ce chapitre, nous d crivons une m thode automatique de regroupement7 de secteurs fournise e sant une solution globale sur lensemble de lespace a rien. e

4.8.2 Mod lisation e


Nous faisons lhypoth` se que les secteurs initiaux sont convexes au sens g om trique du terme et e e e pourraient etre le r sultat de lalgorithme de sectorisation d crit dans les chapitres pr c dents. Ceci ne e e e e change en rien les propri t s de lalgorithme de regroupement propos dans ce chapitre et ce dernier ee e pourrait tr` s bien sappliquer a la sectorisation actuelle qui est constitu e par des secteurs convexes e ` e au sens des routes a riennes. Les propri t s dun bon regroupement sont en fait les m mes que celles e ee e demand es a la sectorisation : on cherche a synth tiser des groupes de secteurs dont les charges de e ` ` e contr le r sultantes sont equilibr es et qui minimisent les coordinations restantes (coordination intero e e groupes). Un exemple de regroupement de secteurs de contr le est fourni sur la gure 4.21. o fait disparatre les charges Comme on peut le constater, le regroupement de coordination li es aux anciennes fronti` res de secteur : e e . Dautre part, tous les secteurs appartenant a un m me groupe doivent etre connexes. Cette cont` e rainte evite par exemple quun m me contr leur g` re une portion de trac a Lille et une autre a e o e ` ` Marseille ; ce qui est une aberration en terme de contr le du trac a rien dans la mesure o` lon perd o e u lhomog n it du trac dans les secteurs g r s par une m me equipe de contr leurs et produit de plus e e e ee e o des coordinations inutiles. Comme on peut le remarquer, ce probl` me est tr` s proche du probl` me de sectorisation. La e e e diff rence essentielle r side dans la description de lespace de recherche associ . En effet, dans le e e e
6 7

Un diplode est un chromosome a deux branches poss dant des g` nes bien distincts. ` e e Ce travail a donn lieu a une publication[DASF95]. e `

170

) E E E $ b 1 0 b" $ 0 b 1 b" $ b 1  b" $  b 1E b" ) $ b 1 0 b 1 b" $ b 1  b 1 b" }

Reseau Sous-jacent S6 S1 S5

S2 S3 Groupe 1 (S1,S2,S3); Groupe 2 (S4,S5,S6)

S4 Frontiere inter-groupes

Figure 4.21: Exemple de regroupement pour N=4 et K=2 probl` me de sectorisation lespace etait continu et les fronti` res des secteurs g n r s pouvaient se e e e ee trouver a nimporte quel endroit dans lespace g ographique. A linverse, lespace de recherche li ` e e au probl` me de regroupement est un espace discret pour lequel les fronti` res des groupes constitu s e e e doivent concider avec les fronti` res des secteurs existants (chaque groupe associe un ensemble de sec e teurs sans en cr er de nouveaux). Notre probl` me de regroupement sapparente donc a un probl` me e e ` e de classication.

4.8.3 Complexit du principe de regroupement e


Dans un premier temps nous examinons le nombre de points constituant notre espace de recherche en n gligeant la contrainte de connexit . Il sagit donc de savoir quel est le nombre de facon possible e e sous-ensembles dun ensemble de el ments o` e u repr sente le nombre total de e de construire secteurs et le nombre de groupes constitu s. Le nombre de cas possibles est donn par le second e e nombre de Stirling,soit pour N=600 et K=200 (groupement moyen de trois secteurs) :

Si lon tient compte maintenant de la contrainte de connexit lespace de recherche se r duit. e e Pour etudier la complexit induite, le probl` me est mod lis de la facon suivante. On construit un e e e e graphe dans un espace euclidien dont chaque nud repr sente le barycentre de chacun des secteurs e constituant la sectorisation initiale et dont chaque arc traduit la relation ont une fronti` re commune. e Il sagit alors de la recherche dun -partitionnement optimal dun graphe a nuds en compo` santes connexes, probl` me connu pour etre NP complet. Le probl` me trait etant de forte dimension e e e (N=600,K=200), seules les techniques doptimisation stochastique ont et envisag es pour le r soudre. e e e

4.8.4 Optimisation par algorithme g n tique e e


La ressemblance des probl` mes de sectorisation et de regroupement conduit a des similitudes dans e ` lutilisation des algorithmes g n tiques pour les r soudre. En effet, le probl` me de regroupement e e e e 171

pp p p    & p p  b

10000 9000 8000 7000 6000 5000 4000 3000 2000 1000 0 0

10000 9000 8000 7000 6000 5000 4000 3000 2000 1000 0 0

1000

2000

3000

4000

5000

6000

7000

8000

9000

10000

1000

2000

3000

4000

5000

6000

7000

8000

9000

10000

Figure 4.22: R seau test utilis et son d coupage e e e etant une version discr` te du probl` me de sectorisation, il est tout a fait logique dutiliser un codage e e ` et des op rateurs similaires. e Ainsi, disposant dune sectorisation initiale, on calcule pour chaque secteur le barycentre g om trique e e associ auquel on affecte la charge de contr le quil renferme. Pour g n rer al atoirement groupes e o e e e de secteurs, on jette points (centres de groupe) dans lespace g ographique, dont les coordonn es e e suivent une loi de distribution uniforme, puis on agr` ge chaque barycentre a son centre de groupe le e ` plus proche. On synth tise ainsi des groupes qui respectent toujours la contrainte de connexit car e e le polygone construit a laide des barycentres des secteurs contenus dans un groupe est convexe, les ` secteurs associ s sont donc obligatoirement connexes. On retrouve alors un codage du chromosome e identique a celui utilis pour le probl` me de sectorisation dans lequel sont regroup s ici les coor` e e e donn es des centres de groupe. e Ayant un codage identique a celui utilis dans la r solution du probl` me de sectorisation on utilise ` e e e les m mes op rateurs de croisement et de mutation. Le calcul des distances inter-chromosomes et du e e barycentre entre deux individus est effectu de la m me facon. e e A linitialisation du processus, on calcule la charge de contr le de chacun des secteurs de la sectoo risation initiale. Pour chaque individu, on d termine la charge de monitoring et de conit dans chacun e des groupes quil renferme en faisant la somme des charges de contr le contenues dans les divers seco teurs ainsi que la charge r siduelle de coordination. Ces quantit s nous permettent ensuite de calculer e e les sous-crit` res d quilibrage et de coordination et donc la tness associ e a un regroupement. e e e ` De la m me mani` re que pour les probl` mes de sectorisation, on valide les performances de lalgoe e e rithme a laide dun r seau articiel pour lequel on connat une solution evidente. Dans le cas pr sent, ` e e on reprend le r seau test utilis dans le probl` me de sectorisation (voir gure 4.22) que lon d coupe e e e e initialement en 81 secteurs (voir gure 4.22) et pour lequel on recherche neuf groupes equilibr s e qui minimisent les coordinations. La solution evidente de ce probl` me est constitu e des neuf sous e e r seaux regroupant chacun neuf secteurs. Une solution optimale est trouv e a la g n ration 50 (apr` s e e ` e e e une minute de temps de calcul sur Sparc 10). Le r sultat obtenu peut surprendre au premier abord (gure 4.23), mais il faut se rappeler que lale gorithme travaille avec les barycentres des secteurs et non avec les secteurs eux-m mes. En revenant e a la d nition initiale des secteurs, on obtient le regroupement d crit sur la gure 4.23 qui correspond ` e e bien au r sultat attendu. e Les r sultats fournis par ces evaluations, nous incitent a penser que les algorithmes g n tiques e ` e e 172

10000 9000 8000 7000 6000 5000 4000 3000 2000 1000 0 0

10000 9000 8000 7000 6000 5000 4000 3000 2000 1000 0 0

1000

2000

3000

4000

5000

6000

7000

8000

9000

10000

1000

2000

3000

4000

5000

6000

7000

8000

9000

10000

Figure 4.23: Solution et regroupement r sultant e

sont bien adapt s pour r soudre le probl` me de regroupement. Malgr la restriction de lespace d tat e e e e e li e au codage du chromosome, les solutions apport es par lalgorithme sont de tr` s bonne qualit e e e e dans la plupart des cas.

4.9 Limitations du mod` le e


4.9.1 Mod lisation de la charge de contr le e o
Les param` tres li s a la description de cette charge ont et choisis empiriquement et pourraient etre e e ` e afn s a laide dexp rimentations. Cette mod lisation est tr` s d licate car beaucoup de facteurs ente ` e e e e rent en jeu dans la r sultante de la charge de contr le. EUROCONTROL (Br tigny projet RAMS) a e o e d velopp un mod` le assez r aliste de cette charge mais au prix dune complexit elev e. En effet, ce e e e e e e dernier int` gre 200 t ches el mentaires de contr le dans le cadre des simulations arithm tiques quon e a e o e ne peut utiliser dans nos algorithmes g n tiques pour des questions de temps de calcul. e e Une autre approche consisterait a faire de lapprentissage sur les param` tres utilis s dans la des` e e cription simpli e de la charge de contr le que lon a d velopp e. Dans un premier temps, lalgoe o e e rithme g n tique utiliserait des param` tres grossiers, et fournirait tout de m me une sectorisation. Ce e e e e r sultat serait ensuite pr sent a des experts qui corrigeraient ce dernier en modiant les fronti` res des e e e` e secteurs a laide dune interface graphique. On calculerait alors un ecart ( ) entre les deux sectorisa` tions qui servirait de base a la red nition des coefcients du mod` le. On it` rerait ce proc d jusqu` ` e e e e e a ce que les experts soient satisfaits du r sultat produit par lalgorithme. Si lon ne peut atteindre cet e objectif, il faudrait revoir le mod` le lui-m me et non le r glage de ses coefcients. Pour que cette e e e m thode fonctionne correctement il faut que les objectifs de sectorisation utilis s par les algorithmes e e g n tiques soient les m mes que ceux des experts, ce qui nest pas toujours le cas. e e e Enn, il serait possible de faire un ajustement statistique des param` tres utilis s dans notre mod` le e e e de charge de contr le a laide de la connaissance pr cise de la charge de travail dans un secteur o ` e (connaissance issue dun mod` le int grant un grand nombre de t ches de contr le (simulation RAMS e e a o par exemple) que lon ne peut utiliser dans nos algorithmes a cause de la complexit associ e). ` e e 173

z coupe verticale

S4

S5

S2

Sol
4.9.2 Prise en compte de la troisi` me dimension e

S1

S3 xy

Figure 4.24: Structure des secteurs actuels

Jusqu` pr sent, seul le trac en route a et pris en compte pour synth tiser la charge de contr le. Cette a e e e o hypoth` se sur la nature du trac nous a permis de mod liser le r seau de transport a rien a laide dun e e e e ` graphe dans un espace de dimension deux. Malheureusement, ce type de repr sentation nest pas adapt pour le trac evolutif pour lequel e e les avions changent tr` s souvent de niveau de vol. Il faut alors utiliser un r seau de transport a trois e e ` dimensions dans lequel les arcs repr sentent des routes a riennes 3D. e e On pourrait essayer de se rapprocher du principe actuel de sectorisation 3D qui utilise des secteurs de forme polygonale a fronti` res verticales planaires (voir gure 4.24). Ces secteurs ont de plus ` e des extensions verticales diff rentes qui produit une structure imbriqu e dont un exemple est donn e e e sur la gure 4.24. Cependant cette structure de sectorisation demande de modier en profondeur la repr sentation du chromosome et donc lalgorithme g n tique dans son ensemble. e e e

4.9.3 Limitation de lexploration de lespace d tat e


La synth` se des secteurs de contr le a laide des centres de classe (voir chapitre traitant de la sectorie o ` sation) est tr` s int ressante pour la description du chromosome utilis par les algorithmes g n tiques e e e e e car tr` s peu dinformations sont n cessaires pour construire une sectorisation compl` te qui de plus, e e e satisfait la propri t de convexit g om trique. On rappelle que seules les positions g ographiques ee e e e e des centres de classe sont cod es dans le chromosome. En examinant la sectorisation actuelle, on e constate que les secteurs ont des formes polygonales mais pas n cessairement convexes dun point de e vue g om trique. Ce type de repr sentation est plus riche en terme dexploration spatiale et permet e e e dacc der a de nouveaux points de lespace d tat, que la propri t de convexit nous interdit dadrese ` e ee e 174

10 10 10

S1 60

10 10 10 S2

limites secteurs
Figure 4.25: Exemple de limitation li e a la convexit g om trique e ` e e e

ser. Ainsi, sur lexemple de la gure 4.25, une sectorisation convexe ne peut pas equilibrer les charges de contr le alors quen supprimant la convexit g om trique il est possible datteindre cet objectif. o e e e De la m me facon que pour la limitation des algorithmes g n tiques par rapport a lextension trie e e ` dimensionnelle, le codage de chromosomes permettant de synth tiser des sectorisations polygonales e non convexes sav` re assez compliqu . Daniel Delahaye propose diverses solutions pour rem dier a e e e ` ce probl` me [Del95]. e

4.9.4 Prise en compte des zones militaires


Une partie de lespace a rien est r serv aux autorit s militaires. Lactivation de ces zones, qui est e e e e faite a linitiative des instances de la d fense, provoque des perturbations plus ou moins importantes ` e dans le trac a rien civil suivant la conguration du moment. De plus, les secteurs qui contiennent ces e zones voient leur espace se r duire brutalement limitant ainsi les possibilit s daction des contr leurs. e e o Cette restriction despace provoque une augmentation de la charge de contr le induite pour la m me o e quantit de trac. e Nous navons pas pris en compte ce type d v nement dans nos algorithmes car leur mod lisation e e e est tr` s d licate. Un moyen d tourn dint grer ces zones dans le processus de r solution consisterait e e e e e e a augmenter articiellement la charge de contr le des secteurs qui les contiennent. ` o

4.9.5 Probl` mes politiques li s a la souverainet de lespace a rien e e ` e e


En observant la sectorisation actuelle, on constate que les limites des secteurs epousent les fronti` res e g ographiques des pays qui les contiennent. Ceci se justie dans la mesure o` le contr le du trac e u o a rien est g n ralement con aux pays survol s par les a ronefs. Il est clair que cette restriction e e e e e e r duit les performances de la sectorisation actuelle car elle provoque des coordinations superues. e 175

4.9.6 Prise en compte de la propagation des ux


Le fait dutiliser des ux statiques sur le r seau produit une charge de contr le invariante dans le e o temps, que lon a major e en consid rant le ux maximum enregistr sur une journ e sur chacun des e e e e arcs du r seau. Or, on sait tr` s bien que ces valeurs extr mes ne sont jamais pr sentes simultan ment, e e e e e car les heures de pointe de trac sont locales aux fuseaux dans lesquels se trouvent les a roports. e Ainsi, les pointes sont d cal es dans le temps. De plus, lorsquil y a une augmentation de la demande e e de trac sur une paire Origine-Destination donn e, elle va induire un accroissement du ux sur la route e associ e avec un d lai de propagation li a la vitesse des a ronefs. Les algorithmes (de sectorisation et e e e` e surtout daffectation) devraient tenir compte de cette propagation pour d terminer la charge r ellement e e pr sente sur le r seau de transport. e e

4.10 Conclusion
En examinant le contexte op rationnel, on remarque que ces algorithmes ont besoin dadaptation pour e envisager leur utilisation sur le r seau a rien r el. La principale am lioration se situe au niveau de la e e e e description de la charge de contr le. Le probl` me a r soudre est complexe et il nexiste pas aujourdhui o e ` e de mod` le able facile a implanter. e ` La seconde limitation se trouve au niveau du codage du chromosome de sectorisation qui, dans son etat actuel, synth tise des secteurs convexes au sens g om trique du terme. Ce type de convexit e e e e masque des domaines de lespace d tat o` se trouve parfois loptimum global. e u Enn, la prise en compte de la troisi` me dimension permettrait de traiter le trac evolutif dans les e zones terminales, mais il faut pour cela synth tiser des secteurs a fronti` res lat rales verticales, ce qui e ` e e complique sensiblement la description du chromosome. En amont de la sectorisation, il est clair que le r seau de routes a riennes actuel n cessite lui-m me e e e e une optimisation qui permettrait ensuite de d velopper une sectorisation plus performante. En effet, ce e r seau a et construit en regroupant un ensemble de sous-r seaux (propres a chaque pays europ en), e e e ` e optimis s individuellement. Il est possible que laugmentation de la capacit des secteurs ATC, passe e e dabord par une red nition du r seau de routes : ces derni` res ont et construites pour une demande e e e e de trac donn e qui ne cesse aujourdhui de se modier tant en volume quen orientation. e

176

Conclusion
Les probl` mes li s au trac a rien sont a la fois int ressants, difciles, et surtout largement inexplor s. e e e ` e e Il sagit dune mine extraordinaire pour le chercheur, et on est m me parfois surpris de la raret du e e travail scientique sur des domaines aussi fondamentaux pour lAviation Civile que la r solution de e conits, la sectorisation ou la pr vision de trajectoires. e Pour notre part, nous nous sommes efforc s dappliquer une m thodologie scientique a certains e e ` probl` mes doptimisation qui se posent dans le cadre du trac a rien. Nous pouvons r sumer notre e e e approche de la facon suivante :

Il serait bien difcile, et fort pr tentieux, destimer la port e de nos travaux. Pourtant, il nous e e semble indispensable de poursuivre ce type de recherches au sein de lAviation Civile. En quelques ann es, les cockpits davion, et les syst` mes de commande et de contr le du vol, sont devenus de e e o v ritables centres informatiques, et lautomatisation a et pouss e au maximum, peut- tre dailleurs e e e e trop vite. On peut en revanche se pr occuper du retard pris en mati` re de modernisation du contr le e e o a rien, et les centres de contr le donnent par comparaison limpression den etre encore a l ge de e o ` a pierre. Alors que les constructeurs a riens font des efforts d mesur s pour r duire les co ts dop ration e e e e u e des appareils de quelques dixi` mes de pourcent, les compagnies estiment actuellement que linuence e du contr le sur leurs co ts dop rations est de lordre de 10%. o u e Avec laugmentation r guli` re de la densit du trac, il est probable que la seule augmentation e e e du nombre de contr leurs ne permettra pas dobtenir un ecoulement uide. Le probl` me se pose de o e facon dautant plus aigu pour la France, qui se trouve a la crois e des grands ux de trac Nord e ` e Sud et Est-Ouest passant au dessus de lEurope. Elle sera donc un des pays les plus touch s par le e probl` me du contr le en route, et des d lais et co ts induits8 . Cest pour cette raison quil faut mettre e o e u en place des structures et des equipes susceptibles de r pondre aux pr occupations des compagnies en e e mati` re doptimisation des capacit s et des techniques de contr le. Enn, pour obtenir une v ritable e e o e cr dibilit , il faut absolument encourager la publication des travaux d tudes et de recherches dans e e e des conf rences et des revues a comit de lecture ext rieurs a la DGAC. Ceci peut certes etre ressenti e ` e e ` comme une contrainte. Pourtant, comme la recherche scientique lenseigne, le progr` s passe par une e
Les probl` mes du contr le am ricain sont bien diff rents : il sagit surtout de probl` mes de r gulation de ux au niveau e o e e e e des a roports, qui sont aux Etats-Unis l l ment limitant du syst` me. e ee e
8

mod lisation math matique des probl` mes rencontr s e e e e calcul de leur complexit e recherche dalgorithmes adapt s e validation des r sultats obtenus, sur un plan exp rimental par la simulation, sur un plan scientie e que par la publication.

177

permanente remise en cause, et le b n ce que lon en retire vaut bien plus quun auto-satisfecit trop e e facilement d livr . e e

178

Bibliographie
[AK89] [Ale70] [All95] [AS92] E Aarts and J Korst. Simulated Annealing and Boltzmann Machine. John Wiley and Sons, 1989. Ben Alexander. Aircraft density and midair collision. Proceedings of the IEEE, 58(3), March 1970. Jean-Marc Alliot. A genetic algorithm to improve an othello program. In Proceedings of EA95. Springer Verlag, 1995. Jean-Marc Alliot and Thomas Schiex. Intelligence Articielle et Informatique Th orique. Cepadues, 1992. ISBN: 2-85428-324-4. e

[AVAD52] Adelson-Velsky, Arlazarov, and Donskoy. Algorithms for games. Springer-Verlag, 1952. ISBN: 0-387-96629-3. [BD93] [BG87] A. Bertoni and M. Dorigo. Implicit parallelism in genetic algorithms. Articial Intelligence, 61(2): 307314, 1993. C.L Bridges and D.E Goldberg. An analysis of reproduction and crossover in a binarycoded genetic algorithm. In Proceedings of the Second International Conference on Genetic Algorithm. ICGA, 1987. C.L Bridges and D.E Goldberg. An analysis of multipoint crossover. In Proceedings of the Foundation Of Genetic Algorithms. FOGA, 1991. John T. Betts and William P. Huffman. Trajectory optimization on a parallem processor. Journal of Guidance, Control and Dynamics, 14(2): 431439, 1991. T.N Bui and B.R Moon. Hyperplane synthesis for genetic algorithms. In Proceedings of the Fifth International Conference on Genetic Algorithm. ICGA, 1993. T.N Bui and B.R Moon. Analysing hyperplane synthesis in genetic algorithms using clustered schemata. Technical Report Cse-94-026, Dep. of Comp. Sci. and Engineering, Penn. State University, March 1994. J. F. Bosc. Rapport pr liminaire 1.1, Ecole Nationale de lAviation Civile, Mai 1994. e J. F. Bosc. Rapport interm diaire 2.2, Ecole Nationale de lAviation Civile, Ao t 1994. e u J. F. Bosc. Rapport interm diaire 3.2, Ecole Nationale de lAviation Civile, Novembre e 1994. 179

[BG91] [BH91] [BM93] [BM94]

[Bos94a] [Bos94b] [Bos94c]

[Bos95a] [Bos95b] [Bos95c] [Bos96a] [Bos96b] [Bra90] [Bro69] [Bur94] [Cat90] [CDV92] [Cel90] [Cer94] [CGT92] [Cha95] [Che92] [CJ91] [Cle90]

J. F. Bosc. Rapport interm diaire 4.3, Ecole Nationale de lAviation Civile, F vrier 1995. e e J. F. Bosc. Rapport interm diaire 5.3, Ecole Nationale de lAviation Civile, Juin 1995. e J. F. Bosc. Rapport interm diaire 6.2, Ecole Nationale de lAviation Civile, Ao t 1995. e u J. F. Bosc. Rapport interm diaire 7.2, Ecole Nationale de lAviation Civile, Janvier 1996. e J. F. Bosc. Rapport interm diaire 8.3, Ecole Nationale de lAviation Civile, Avril 1996. e H. Braun. On traveling salesman problems by genetic algorithms. In 1st Workshop on Parallel Problem Solving from Nature, October 1990. C.G. Broyden. A new double-rank minimization algorith. AMS notices, 16: 670, 1969. Michael Buro. Techniken fur die bewertung von Speilsituationen anhand von beispielen. PhD thesis, Universitat GH Paderborn, 1994. O. Catoni. Large deviations for Annealing. PhD thesis, Universit de Paris XI, 1990. e D Colin De Verdi` re. Le syst` me francais de contr le du trac a rien : Le CAUTRA. e e o e Technical report, CENA, Toulouse France, Aout 1992. Joseph C. Celio. Controller perspective of AERA2. Technical report, MITRE, February 1990. MP-88W00015. R Cerf. Une Th orie Asymptotique des Algorithmes G n tiques. PhD thesis, Universit e e e e Montpellier II (France), 1994. A.R. Conn, Nick Gould, and Ph. L. Toint. A comprehensive description of LANCELOT. Technical report, IBM T.J. Watson research center, 1992. Report 91/10. Olivier Chansou. R solution automatis e de conits en route. Masters thesis, Ecole e e Nationale de lAviation Civile (ENAC), 1995. C.K Cheng. The optimal partitioning of networks. Networks, 22: 297315, 1992. R.J. Collins and D.R. Jefferson. Selection in massively parallel genetic algorithms. In Proceedings of the Fourth International Conference on Genetic Algorithms, 1991. John C. Clements. Minimum-time turn trajectories to y-to points. Optimal Control Applications and Methods, 11: 3950, 1990.

[CMMR87] A. Corana, M. Marchesi, C. Martini, and S. Ridella. Minimizing multimodal unctions of continuous variables with the simulated annealing algorithm. In Proceedings of the ACM Transaction and Mathematical Software. ACM, 1987. [CS88] R.A Caruana and J.D Schaffer. Representation and hidden bias : Gray versus binary coding for genetic algorithms. In Proceedings of the Fifth International Conference on Machine Learning, 1988. Nicolas Durand and Jean-Marc Alliot. Existing algorithms for collision avoidance, and what the future might hold. Technical report, CENA, 1993. 180

[DA93]

[DA96]

N. Durand and J.M. Alliot. Genetic algorithms for partially separable functions. In Submitted to the Fourth International Conference on Parallel Problem Solving from Nature, PPSN96, Berlin, 1996.

[DAAS94] Nicolas Durand, Nicolas Alech, Jean-Marc Alliot, and Marc Schoenauer. Genetic algorithms for optimal air trafc conict resolution. In Proceedings of the Second Singapore Conference on Intelligent Systems. SPICIS, 1994. [Daf72] [DAM93] [DAN94] S.C Dafermos. The trafc assignment problem for multiclass-user transportation networks. Transportation Science, 6: 7387, 1972. Patrick Dujardin, Jean-Marc Alliot, and Paul-Henri Mourlon. Different paths to automation. In IFAC93, 1993. Nicolas Durand, Jean-Marc Alliot, and Joseph Noailles. Algorithmes genetiques : un croisement pour les problemes partiellement separables. In Proceedings of the Journees Evolution Articielle Francophones. EAF, 1994. N. Durand, J.M. Alliot, and J. Noailles. Collision avoidance using neural networks learned by genetic algorithms. In Ninth International Conference on Industrial and Engineering Applications of Articial Intelligence and Expert Systems, Fukuoka, 1996.

[DAN96a]

[DAN96b] Nicolas Durand, Jean-Marc Alliot, and Joseph Noailles. Automatic aircraft conict resolution using genetic algorithms. In Proceedings of the Symposium on Applied Computing, Philadelphia. ACM, 1996. [DASF94a] D Delahaye, J.M Alliot, M Schoenauer, and J.L Farges. Genetic algorithms for partitioning airspace. In Proceedings of the Tenth IEEE Conference on Articial Intelligence for Application. CAIA, 1994. [DASF94b] D Delahaye, J.M Alliot, M Schoenauer, and J.L Farges. Genetic algorithms for air trafc assignment. In Proceedings of the European Conference on Articial Intelligence. ECAI, 1994. [DASF94c] Daniel Delahaye, Jean-Marc Alliot, Marc Schoenauer, and Jean-Loup Farges. Genetic algorithms for air trafc. In Proceedings of the Conference on Articial Intelligence Application. CAIA, 1994. [DASF95] D Delahaye, J.M Alliot, M Schoenauer, and J.L Farges. Genetic algorithms automatic regrouping of air trafc sectors. In Proceedings of the Fourth International Conference on Evolutionary Programming. Natural Selection inc., 1995. Randall Davis. Expert Systems: Where Are We? And Where Do We Go From Here? The AI Magazine, Printemps 1982. Richard Dawkins. The blind watchmaker. Norton, New-York, 1986. Richard Dawkins. Lhorloger aveugle. Robert Laffont, 1989. Edition orignale [Daw86]. N. Durand, O. Chansou, and J.M. Alliot. An optimizing conict solver for atc. ATC Quarterly, 1996. 181

[Dav82] [Daw86] [Daw89] [DCA96]

[DeJ75] [Del95]

K.A DeJong. An Analysis of the Behavior of a Class of genetic Adaptative Systems. PhD thesis, University of Michigan, 1975. Daniel Delahaye. Optimisation de la sectorisation de lespace a rien par algorithmes e g n tiques. PhD thesis, ENSAE, 1995. e e

[DFMN95] G. Dean, X. Fron, W. Miller, and J.P. Nicolaon. Arc2000 : An investigation into the feasibility of automatic conict. Technical report, Centre Exp rimental Eurocontrol, e 1995. [DM92] [Dre79] [Dre84] [Dre87] [DS83] [DS89] [Dur96] [Egl92] [EO83] [Far96] [FG87] [Fle70] [FMT93] [Fog95] [FOW66] D Dasgupta and D.R McGregor. A structured genetic algorithm. Technical Report IKBS-8-92, Dep. of Computer Science. University og Strathclyde, Clasgow. UK, 1992. Hubert Dreyfus. What computers cant do: the limits of articial intelligence. Harper and Row, 1979. ISBN: 0-06-090624-3. Hubert Dreyfus. Intelligence Articielle, mythes et limites. Flammarion, 1984. La traduction francaise correspond a la deuxi` me edition am ricaine [Dre79]. ` e e Hubert Dreyfus. Mind over machine. In Rainer Born, editor, Articial Intelligence, the case against. Croom Helm, 1987. ISBN: 0-312-00439-7. J.E. Denis and R.B. Schnabel. Numerical methods for unconstrained optimization and non linear equation. Prentice Hall, 1983. K. A. DeJong and W. M. Spears. Using genetic algorithms to solve np-complete problems. In Proceedings of the International Conference on Genetic Algorithms, 1989. Nicolas Durand. Optimisation de trajectoires pour la r solution de conits en route. e PhD thesis, INPT, 1996. R.W Eglese. Simulated annealing : A tool for operational research. European Journal of Operational Research, 46: 271973, 1992. Shinsuke Endoh and Amedeo R. Odoni. A Generalized Model for Predicting the Frequency of Air Conicts. September 1983. Henri Farreny. Recherche heuristiquement ordonnee Algorithmes et propriete. Masson, 1996. e Henri Farreny and Malik Ghallab. El ments dintelligence articielle. Herm` s, 1987. e R. Fletcher. A new approach to variable metric algorithms. Computer Journal, 13: 371, 1970. Xavier Fron, Bernard Maudry, and Jean-Claude Tumelin. Arc 2000 : Automatic radar control. Technical report, Eurocontrol, 1993. David B. Fogel. Evolutionnary Computation. IEEE Press, 1995. L.J Fogel, A.J Owens, and M.J Walsh. Articial Intelligence Through Simulated Evolution. Wiley and sons. NY, 1966. 182

[Fox90] [FW83]

Mark Fox. AI and Expert Systems : Myths, Legends and Facts. IEEE Expert, Fevrier 1990. M.I Freidlin and A.D Wentzell. Random Perturbations of Dynamical Systems. Springerverlag, New-York, 1983.

[GBD 94] A. Geist, A. Beguelin, J. Dongarra, W. Jiang, R. Manchek, and V. Sunderam. Pvm 3 users guide and reference manual. Technical report, Oak Ridge National Laboratory, 1994. [GGRG85] J. Grefenstette, R. Gopal, B. Rosmaita, and D. Gucht. Genetic algorithms for the traveling salesman problem. In 1st International Conference on Genetic Algorithms and their Applications, 1985. [GL85] [Gol70] [Gol89a] [Gol89b] [Gol89c] [Gol91] [Gru92] D. Goldberg and R. Lingle. Alleles, loci, and the travelling salesman problem. In 1st International Conference on Genetic Algorithms and their Applications, 1985. D. Goldfarb. A family of variable metric algorithms. Mathematical Computations, 24: 2326, 1970. David Goldberg. Genetic Algorithms. Addison Wesley, 1989. ISBN: 0-201-15767-5. D.E Goldberg. Genetic algorithms and walsh functions. part 1 and 2. Complex Systems, 3: 129171, 1989. D.E Goldberg. Genetic Algorithms in Search, Optimization and Machine Learning. Reading MA Addison Wesley, 1989. D.E Goldberg. Real-coded genetic algorithms, virtual alphabets and blocking. Complex Systems, 5: 139167, 1991. H. Gruber. Comparaison de diverses m thodes dintelligence articielle pour la e r solution de conit en contr le de trac a rien. Rapport de stage, Centre dEtudes e o e de la Navigation A rienne, 1992. e A. Griewank and Ph. L. Toint. On the unconstrained optimization of partially separable functions. In M. J. D. Powell, editor, Nonlinear Optimization 1981, pages 301312, London and New York, 1982. Academic Press. E. Hansen. Global optimization using interval analysis. Dekker, New-York, 1992. Jin-Kao Hao and Raphael Dorne. Nouveaux op rateurs g n tiques appliqu s a sat. In e e e e ` Proceedings de EA94. Cepadues, 1994. A. Homaifar, S. Guan, and G. Liepins. A new genetic approach on the traveling salesman problem. In Fifth International Conference on Genetic Algorithms, July 1993. J. Horn and N. Nafpliotis. Multiobjective optimization using the nitched pareto genetic algorithm. Illigal Report 93005, University of Illinois at Urbana, 1993. John Holland. Outline for a logical theory of adaptive systems. Journal of the Association of Computing Machinery, 3, 1962. 183

[GT82]

[Han92] [HD94] [HGL93] [HN93] [Hol62]

[Hue94]

Denis Huet. Nouvelles m thodespour la r solution de probl` mes SAT et CSP. Masters e e e thesis, Ecole Nationale de lAviation Civile (ENAC), 1994. L Ingber. Very fast simulated annealing. J. Math. Comp. Modeling, 12(8): 967973, 1989. L Ingber and B Rosen. Genetic algorithms and very fast simulated re-annealing. Mathematical Computer Modeling, 16(11): 87100, 1992. Lester Ingber and Bruce Rosen. Genetic algorithm and very fast simulated reannealing: a comparison. Mathematical and Computer Modeling, 16(1): 87100, 1992. S.L.S. Jacoby, J.S. Kowalik, and J.T. Pizzo. Iterative methods for non linear optimization problems. Prentice Hall, 1972. Fred Krella et al. Arc 2000 scenario (version 4.3). Technical report, Eurocontrol, April 1989. Marcel Leroux and Jean-Marc Alliot. En route air trafc organizer, an expert system for air trafc control. In Proceedings of the International Conference on Expert systems and their applications, Avignon, May 1991. Yann LeFablec. Optimisation par algorithmes g n tiques parall` les et multi-objectifs. e e e Masters thesis, Ecole Nationale de lAviation Civile (ENAC), 1995. Kai-Fu Lee and Sanjoy Mahajan. The development of a world class othello program. Articial Intelligence, 43, 1990. G Maignan. Le Contr le de la Circulation A rienne. Presse Universitaire de France, o e 1991. F. Medioni, Nicolas Durand, and J.M. Alliot. Algorithmes g n tiques et programmation e e lin aire appliqu s a la r solution de conits a riens. In Proceedings of the Journees e e e e Evolution Articielle Francophones. EAF, 1994. Magdi S. Mahmoud and Shawki Z. Eid. Optimization of freeway trafc control problems. Optimal Control Applications and Methods, 9: 3749, 1988. S.W Mahfoud and D.E Goldberg. Parallel recombinative simulated annealing : A genetic algorithm. Illigal report 92002, University of Illinois, Urbana, IL 61801-2996, April 1992. Dr. C. Meckiff and Dr. P. Gibbs. PHARE : Highly interactive problem solver. Technical report, Eurocontrol, 1994. Z Michalewicz. Genetic algorithms + Data Structures = Evolution Programs. Springerverlag, 1992. Z Michalewicz and C.Z Janikov. Handling constraints in genetic algorithms. In Proceedings of the Fourth International Conference on Genetic Algorithm. ICGA, 1991. 184

[Ing89]

[IR92a]

[IR92b]

[JKP72]

[K 89]

[LA91]

[LeF95]

[LM90]

[Mai91]

[MDA94]

[ME88]

[MG92]

[MG94]

[Mic92]

[MJ91]

[MM93]

David Moriarty and Risto Miikulainen. Evolving complex othello startegies using marker-based genetic encoding of neural networks. Technical Report AI93-206, University of Texas, Austin, TX 78712-1188, September 1993. David Moriarty and Risto Miikulainen. Evolving neural networks to focus minimax search. In Proceedings of the Twelfth National Conference on Articial Intelligence AAAI-94, Seattle, WA, 1994. H. Muhlenbein. Parallel genetic algorithms, population genetics and combinatorial optimization. In Proceedings of the Third International Conference on Genetic Algorithms, 1989. L. Mikhailov and J. Zaprianov. Multilevel hierarchical optimization of aircraft trajectories. In IFAC/IMACS Symposium, July 1988. W.P. Niedringhaus, I. Frolow, J.C. Corbin, A.H. Gisch, N.J. Taber, and F.H. Leiber. Automated En Route Air Trafc Control Algorithmic Specications: Flight Plan Conict Probe. Technical report, FAA, 1983. DOT/FAA/ES-83/6. W.P. Niedringhaus. Automated planning function for AERA3: Manoeuver Option Manager. Technical report, FAA, 1989. DOT/FAA/DS-89/21. W.P. Niedringhaus. A mathematical formulation for planning automated aircraft separation for AERA3. Technical report, FAA, 1989. DOT/FAA/DS-89/20. J.A. Nelder and R. Mead. A simplex method for function minimization. Computer Journal, 7: 308313, 1965. I. Oliver, D. Smith, and J. Holland. Permutation crossover operators on the travelling salesman problem. In Second International Conference on Genetic Algorithms, July 1989. Tekla S. Perry and John A. Adam. Improving the worlds largest, most advanced system! IEEE Spectrum, February 1991. Judea Pearl. Heuristics. Addison-Wesley, 1984. ISBN: 0-201-05594-5. Judea Pearl. Heuristique. Cepadues, 1990. Version francaise de [Pea84]. Pascal Planchon. Use of advanced technologies in ATM domain. In AGARD conference, Berlin, 1993. DLR. C. Pettey, M. Leuze, and J. Grefenstette. A parallel genetic algorithm. In Proceedings of the Second International Conference on Genetic Algorithms, 1987. G. Reinelt. Tsplib - a traveling salesman problem library. Journal on Computing 3, pages 376384, 1991. Helmut Ratschek and Jon Rokne. Interval methods. In Reiner Horst and Panos Pardalos, editors, Handbook of global Optimization. Kluwer, 1995. G Saporta. Probabilit s, analyse des donn es et statistiques. Technip, 1990. e e 185

[MM94]

[Muh89]

[MZ88] [NFC 83]

[Nie89a] [Nie89b] [NM65] [OSH89]

[PA91] [Pea84] [Pea90] [Pla93] [PLG87] [Rei91] [RR95] [Sap90]

[Sch90] [SG91] [SG94] [SGE91] [SPF93] [SPSS83]

Robert L. Schultz. Three-dimensional trajectory optimization for aircraft. Journal of Guidance, Control and Dynamics, 13(6): 936943, 1990. Nicol N. Schraudolf and John J. Grefenstette. A users guide to GAucsd 1.2. Technical report, UCSD, 1991. Robert Smith and Brian Gray. Co-adaptive genetic algorithms, an example in othello strategy. In Proceedings of the Florida Artical Intelligence Symposium, 1994. R.E Smith, D.E Goldberg, and J.A Earickson. SGA-C: A C-language implementation of a Simple Genetic Algorithm, May 1991. TCGA report No. 91002. R.E. Smith, A.S. Perelson, and S. Forrest. Searching for diverse, cooperative populations with genetic algorithms. Evolutionary Computation, 1(2): 127149, 1993. E. M. Schuster, F. R. Petroski, R. K. Sciambi, and M. MC Stokrp. AERA 2 functional design and performance description. Technical report, MITRE, September 1983. MtR83W136. M Schoenauer, E Ronald, and S Damour. Evolving nets for control. In Proceeding of the Sixth International Conference on Neural Networks and their Industrial and Cognitive Applications. AFIA, 1993. P.L Tuan, H.S Procter, and G.J Couluris. Advanced productivity analysis methods for air trafc control operation. Technical report, Stanford Research institute, Menlo Park CA 94025, December 1976. A. Trouv . Parall lisation massive du recuit simul . PhD thesis, Universit de Paris XI, e e e e 1993. J Villiers. Contribution a une th orie du syst` me de contr le en route et ses perspectives ` e e o d volution. Technical report, DGAC, Paris France, Aout 1984. e M.D Vose. Generalizing the notion of schema in genetic algorithms. Articial Intelligence, 50: 385396, 1991. A.H Wright. Genetic algorithms for real parameter optimization. In Proceeding of the Foundation Of Genetic Algorithms. FOGA, 1991. D. Whitley, T. Starkweather, and D. Fuquay. Scheduling problems and traveling salesman: The genetic edge recombination operator. In Third International Conference on Genetic Algorithms, 1989. X Yin and N Germay. A fast genetic algorithm with sharing scheme using cluster analysis methods in multimodal function optimization. In Proceedings of the Articial Neural Nets and Genetic Algorithms, 1993. Karim Zeghal. Champs de forces sym triques : La logique dun syst` me anticollision e e coordonn . Technical report, ONERA, 1993. e Karim Zeghal. Vers une th orie de la coordination dactions, application a la navigation e ` a rienne. PhD thesis, Universite Paris VI, 1994. e 186

[SRD93]

[TPC76]

[Tro93] [Vil84] [Vos91] [Wri91] [WSF89]

[YG93]

[Zeg93] [Zeg94]

[Zhi91]

Anatoly A. Zhigljavsky. Theory of Global Random Search. Kluwer Academic Plubishers, 1991.

187

Vous aimerez peut-être aussi