Optimisation des paramètres d’exploitation et de l’emplacement des puits par la

technique Hybride OEP-OMRV.

Youcef KHETIB

Dans ce chapitre, nous discuterons les types de problèmes d’optimisation

et leurs formulations, la théorie de la méthode « Optimisation par Essaim
Particulaire OEP » Partcile Swarm Optimization PSO et la méthode
« Optimisation par Motif de Recherche au Voisinage OMRV » Mesh Adaptive
Direct Search MADS, ainsi que la méthode Hybride combinant OEP et ORMV,
appelé OEP-OMRV. Pour chaque méthode un algorithme sera élaboré.

Dans la dernière section on présentera la méthode des filtres utilisée pour

traiter les contraintes des problèmes à optimiser.

I-1 : -Formulation des problèmes en optimisation

Ci-dessous est la formulation généralisée de problèmes d’optimisation de
plan de développement de réservoir et de système de production, De tels
problèmes sont classé comme problèmes mixtes de problèmes non linéaires
avec des variables de décision réel et entières, ou « Mixed Integer Non linear
Programming MINLP », la formulation généralisé d’un problème « P » est
comme suit :

f (p,u,v,z), …. (I-1)

Sujet à : g (p,u,v,z)=0,

c (p,u,v,z)

Où « f » est la fonction objectif a optimisé (Exemple : Valeur actuel nette

d’un projet ou Cumule de production de pétrole dans notre cas), « c » est le
vecteur de « m » contraintes non linéaires qui doivent être satisfaites (
Exemple : Water cut des puits, quantité d’eau ou de gaz produites, quantité
injecté, ou toutes autres contraintes lié au projet a optimiser), « g =0 » fait
référence au systèmes d’équations résolue par le simulateur réservoir pour
évaluer f et c, cette contrainte assure le respect des équation d’écoulement et
de bilan matière qui gouverne le comportement du réservoir, la satisfaction de
cette contrainte est assuré par le simulateur réservoir pendant l’évaluation de
la fonction objectif.

Page | 3
 Optimisation des paramètres d’exploitation et de l’emplacement des puits par la
technique Hybride OEP-OMRV.
Youcef KHETIB

Dans ce travaille on utilise le Simulateur ECLIPSETM de Schlumberger

[Réf21]
Informations Solution, pour plus de détails sur le Simulateur ECLIPSE et
[Réf
pour plus de détails sur la simulation réservoir en générale voire référence
22].

Le vecteur « p » représente les variables dynamiques d’état du model, a

savoir la pression et la saturation dans tous les blocs du model numérique de
simulation dans le cas d’un système eau-huile.

Les ensembles bornés V= {v ; } et U={u ;

} définissent les valeurs possibles de la variable discrète d’emplacement de
puits « v », et de la variable continue « u » des paramètres de contrôle de puits
(débit et pression de fond des puits).

Il y a N1 variables de position de puits et N2 variables de contrôle de puits,

alors que les variables de contrôle des puits sont des variables de types réels,
les variable de positions doivent être des type entier vue que les simulateurs
n’acceptent que des valeur de positions de puits de type entier indiquant les
indices du bloc du modèle numérique où le puits doit être foré, ainsi nous
avons N1= 2(Ni+Np), avec Ni nombre de puits injecteurs et Np nombre de puits
producteurs. Tout les puits étant verticaux, les deux variables de position sont
suffisantes pour décrire chaque puits. Si l’on considère le forage de puits
multilatéraux ou horizontaux d’autres variables doivent être ajoutées pour
décrire la longueur du drain, son orientation, l’angle d’inclinaison...etc.

Les variable de contrôle des puits N1 est donné par N2= Nt(Ni+Np), Nt
étant le nombre de périodes pendant les quels un changement de la valeur de
variable aura lieu.

L’ensemble « z » est l’ensemble contenant les variables catégorielles

(binaire, trinaire,...etc.), on peut prendre comme exemple de variable binaire
l’état d’un puits (Production=1, fermé =0) ou trinaire (Production=1, Fermé=0,
en Workover=2), cela rend la formulation du problème d’optimisation plus
générale et prend tout le sens des problèmes de type MINLP.

Page | 4
 Optimisation des paramètres d’exploitation et de l’emplacement des puits par la
technique Hybride OEP-OMRV.
Youcef KHETIB

Par soucis de simplicité et pour des problèmes moins généraux que le

MINLP, on peut omettre la variable z, et regrouper les deux vecteur v et u dans
un seul vecteur noté x, les contraintes liés aux équations d’écoulement et de
bilan matières sont satisfaites par le simulateur réservoir, ce qui nous autorise
à les omettre de la formulation, ce qui nous permet d’écrire la formulation
suivante :

….. (I-2)

Avec Ω=
C’est la formulation qu’on utilisera dans ce travaille.

La dimension de x varie avec le nombre de puits et les périodes de

contrôle des paramètres des puits, dans notre travaille la dimension de x ne
[Réf 01]
dépasse pas le 100 .
I-2 : Optimisation par Motif de Recherche au
Voisinage « OMRV »
Les techniques de recherches par motifs, sont une famille de techniques
d’optimisation basée sur la génération d’une structure de voisinage d’un point
centrale, par conséquent l’algorithme effectue une exploration local de la
surface de valeur de la fonction objectif, la génération d’une structure de
voisinage est illustré dans la Figure I-1et fonctionne comme suit :

1- Pour chaque itération k, un motif est créé au voisinage du point central,

qui a été préalablement choisi comme le meilleur point de l’itération
précédente.
2- Un motif, est un ensemble de directions dont au moins une direction est
une direction descente et un paramètre de taille de motif Dp .
3- La fonction objectif est évalué a tout les points du motif, si un ou
plusieurs points évalués donnent une valeur de l’objectif meilleur que la
meilleur de l’itération précédente, le point central de l’itération k+1 prend la
position du meilleur de l’itération k.

Page | 5
 Optimisation des paramètres d’exploitation et de l’emplacement des puits par la
technique Hybride OEP-OMRV.
Youcef KHETIB

4- Si aucun point ne donne une valeur meilleure que celle de l’itération

précédente, le paramètre de taille de motif est réduite, et le motif est
régénéré. Voir figure I-1-c.

(a) : Motif initial (b) : itérations réussit (c) : contraction du motif

Figure I-1 : Illustration de l’avancement de l’algorithme OMRV dans un espace

bidimensionnel, l’étoile rouge représente l’optimum local, les lignes bleu sont les
contour équivalent de la fonction objectif, le cercle rouge est le centre du motif de
recherche, et les cercles bleu sont les points devant être évalué a chaque itération. Les
cercles noirs, sont les points précédemment évalués.

Si l’orientation du motif de recherche est fixe, l’algorithme est appelé

Recherche par motif généralisé. « Generalized pattern search or GPS», Par
contre, si l’orientation du motif de recherche varie d’itération en itération,
l’algorithme est appelé Recherche directe adapté a la grille. « Mesh Adaptive
Direct Search or MADS».

La différence majeure entre GPS et OMRV est que dans OMRV, le motif est
construit sur une grille avec un paramètre de taille Dm, qui décrit la dimension
et l’orientation du motif avec Dm<Dp. Dans GPS on n’a qu’un seul motif pour
toute les itérations ce qui donne Dm=Dp.

La figure I-1 donne un aperçu de la progression de l’algorithme OMRV

pour un problème d’optimisation à deux variables.

La figure I-2- a illustre le motif de l’algorithme OMRV avec les paramètres

de tailles Dp=8, et Dm= 4, si dans l’itération k aucun point n’améliore l’objectif,
l’itération est dite « perdante » les deux paramètres de taille sont réduits et un
nouveau motif est généré a l’itération k+1, si l’itération k+2 est aussi perdante,

Page | 6
 Optimisation des paramètres d’exploitation et de l’emplacement des puits par la
technique Hybride OEP-OMRV.
Youcef KHETIB

les deux paramètres sont encore réduits et un nouveau motif est généré a
l’itération k+3, voir la figure I-2-c.

La Figure I-2-d, représente les trois motifs précédemment généré, pour

[Réf 05],
illustré la différence entre chaque itération. Selon « Audet & Denis » La
technique OMRV est plus efficace que GPS, nous utiliserons OMRV dans notre
travail.

A une itération k, chaque point est définit par la formule suivante :

...(I-3)

(a) Motif OMRV a l’itération k (b) Motif OMRV a l’itération k+1

( ) ( )

(c) Motif OMRV a l’itération k+2 (d) motifs regroupés

( )

Figure I-2 : Illustration de l’évolution du motif d’OMRV avec les itérations. Les
cercles rouges représentent les centre des motifs, avec le paramètre de taille de
motif . Les cercles bleu sont les différents point des sommets du motif, sur
une grille de taille unitaire .
Génération des directions de recherches.

Page | 7
 Optimisation des paramètres d’exploitation et de l’emplacement des puits par la
technique Hybride OEP-OMRV.
Youcef KHETIB

I-2-1 : Génération des directions d’OMRV

A : Suites de Halton :

L’objectif de cette suite est de généré des nombres réels pseudo-aléatoire.

[Réf05]
« Halton » a présenté une suite capable de produire un ensembles
pseudo-aléatoire de nombres réels, avec une densité croissante dans l’hyper-
cube .

Le tième élément de la suite de Halton est un vecteur à n dimension, il s’est

écrit comme suit :

……(I-4)

Où n est le nombre de dimensions, et est le jème

nombre premier, avec est une fonction radical inverse de base P, donnée
par :

….(I-5)

Où sont les nombres écrits en base p (binaire, trinaire …etc.)

s’arrêtant a t, ils doivent satisfaire l’expression suivante :

….(I-6)

Le tableau ci-dessous montre une suite de Halton pour 4 dimensions et

s’arrêtant a t=6 :

Page | 8
 Optimisation des paramètres d’exploitation et de l’emplacement des puits par la
technique Hybride OEP-OMRV.
Youcef KHETIB
Table I-1 : la suite des directions de Halton pour n=4, et t=0,1,…,6

Pour ne pas avoir un vecteur avec des éléments croissants de manière

linéaire (donc non aléatoires), les n premières lignes générés sont ignorés.

B : Ajustement des directions de Halton

Pour obtenir les directions ∆k, utilisés dans la génération de motifs de

recherche de l’algorithme, ces dernières sont extraites de la suite de Halton et
doivent satisfaire certaines conditions.

La première étape et de faire une translation, de mettre a l’échèlle et

d’arrondir les directions de Halton « ».

Pour cela un coefficient dépendant du paramètre « l » de taille de la grille

∆m doit être utilisé, ce paramètre est utilisé pour ajuster les directions en
dont la norme avoisine la valeur de .

De plus la direction normalisé va être construite de telle sorte qu’elle

s’approche de la valeur de .

est définit comme suit :

…. (I-7)

Α est un coefficient de mise a l’échelle. Il est choisit de telle sorte a ce que

la norme de soit la plus proche possible de .

Page | 9
 Optimisation des paramètres d’exploitation et de l’emplacement des puits par la
technique Hybride OEP-OMRV.
Youcef KHETIB

…..(I-8)

Sujet à : …..(I-9)

Le tableau ci-dessous montre le résultat de l’étape d’ajustement sur les

directions de Halton pour 4 dimensions (n=4):
Tableau I-2 : La suite des directions de Halton et les direction de
Halton ajustées pour n=4 et huits paires (t,l).

C : Construction d’une base de nombres entiers Orthogonal

En appliquant la transformation de « Householder » sur les vecteurs de

direction de Halton, on assure l’Orthogonalité entre les différentes directions
générées, Le résultat est une matrice « H » contenant les vecteur Orthogonaux,
utilisé lors de la génération de directions.

……(I-10)

………(I-11)

1 sinon
[Réf 01]
I-2-2 : Etapes de l’algorithme OMRV :
La figure, montre un résumé des instructions de l’algorithme.

L’algorithme commence par l’initialisation des différents paramètres

(position initial X0, l=0 et k=1)

Page | 10
 Optimisation des paramètres d’exploitation et de l’emplacement des puits par la
technique Hybride OEP-OMRV.
Youcef KHETIB

Pour chaque itération un motif est généré autour du point centrale, qui
est le point initiale si k=1, et est égale au meilleur point obtenue des itérations
précédentes si k>1.

En ajustant la suite de Halton, et en utilisant la transformation de

Householder, on génère le motif de recherche nécessaire à l’exploration du
voisinage du point centrale.

La fonction objectif est ensuite évalué aux points généré (deux fois le
nombres de variables de décision), si un point améliore la solution précédente
celui-ci la remplace et est considéré comme le meilleur point Globale, et le
paramètre « l » est décrémenté d’une unité, ce qui élargira le motif de
recherche de la prochaine itération et permettra d’avancer plus rapidement
vers l’optimum avoisinant.

Si par contre aucun point n’améliore la solution, le meilleur point global

reste le même et le paramètre « l » est incrémenté ce qui fera rétrécir le motif
de recherche de l’itération suivante et ainsi affiner la solution.

L’algorithme poursuit sa recherche jusqu'à ce qu’il trouve une solution qui

satisfait la condition d’arrêt, aussi, plusieurs conditions d’arrêt peuvent être
considérées, l’évolution relative de la fonction objectif, la valeur du paramètre
de la taille de motif qui traduit le rétrécissement du motif autour d’un point, ce
qui indique que la solution à converger vers un point optimal, le nombre
d’itération alloué a l’algorithme est aussi considéré comme une condition
d’arrêt.

Page | 11
 Optimisation des paramètres d’exploitation et de l’emplacement des puits par la
technique Hybride OEP-OMRV.
Youcef KHETIB

[0] Initialisation

[1] Itération
Calculer
Evaluer f sur
[2] Mise à jour
Si l’itération est réussit

Si l’itération n’est pas réussit

Si les conditions d’arrêt ne sont pas satisfaites, Aller a [1]

Figure I-3: L’algorithme OMRV orthogonale

I-3 : Optimisation par Essaim Particulaire [Réf 20]

La technique d’optimisation par essaim particulaire (OEP) est une
méthode d’optimisation méta-heuristique inventée par « Russel Eberhart »
(ingénieur en électricité) et « James Kennedy » (Socio-psychologue) en 1995.
Cet algorithme s’inspire à l’ origine du monde du vivant. Il s’appuie notamment
sur un modèle développé par Craig Reynolds à la fin des années 1980
permettant de simuler le déplacement d’un groupe d’oiseaux, une autre source
d’inspiration, revendiqué par les auteurs est la socio-psychologie.

Cette méthode d’optimisation se base sur la collaboration des individus

entre eux, cette idée veut qu’un groupe d’individus peu intelligent peut
[Réf 18]
posséder une organisation globale complexes .

Ainsi, grâce à des règles de déplacement très simples (dans l'espace des
solutions), les particules peuvent converger progressivement vers un minimum
global. Cette méta-heuristique semble cependant mieux fonctionner pour des
espaces en variables continues. Cet algorithme a été testé pour des problèmes
aussi nombreux que variés, incluant l’optimisation des emplacements de puits,
[Réf 02]
par Jérôme Onwunalu .

Page | 12
 Optimisation des paramètres d’exploitation et de l’emplacement des puits par la
technique Hybride OEP-OMRV.
Youcef KHETIB

L’optimisation par essaim particulaire comme son nom l’indique utilise un

essaim de particules, au départ de l'algorithme chaque particule est donc
positionnée (aléatoirement ou non) dans l'espace de recherche du problème.
[Réf 18]
Chaque itération fait bouger les particules en fonction de 3 composantes :

1. Sa vitesse actuelle,
2. Sa meilleure position
3. La meilleure solution obtenue dans le voisinage.

La nouvelle position de la particule « j » de l’essaim S pour l’itération k+1,

noté ici est déterminé comme suit :

…..(I-12)

Ou est la vitesse de la particule j de l’essaim S pour l’itération k+1 et

un incrément temporel, quoique sa valeur peut être optimisé pour chaque
problème, généralement la valeur 1 est satisfaisante.

Le vecteur vitesse associé a chaque particule j est donné par :

….(I-13)

Terme inertiel Terme cognitif Terme social

Où sont les paramètres Inertiel, Cognitif et Social

respectivement, dans notre travail on a utilisé les valeurs recommandés par
[Réf 23]
« Clerc » a savoir ( ) selon Clerc, ses valeurs
permettent d’avoir de bons résultats pour la plupart des problèmes
d’optimisation.

Avec les vecteurs position de la meilleur position du point j de

l’itération 1 à k, et le vecteur de la meilleur position de tout les points de
l’essaime, respectivement.

Le concept de voisinage est utilisé dans l’algorithme OEP pour spécifié le

groupe de particules qu’une particule « j » peut « voir » ou de manière
similaire, le groupe de particules qui influence le déplacement de la particule

Page | 13
 Optimisation des paramètres d’exploitation et de l’emplacement des puits par la
technique Hybride OEP-OMRV.
Youcef KHETIB

« j ». Dans une topologie de voisinage global, ce qui a été utilisé dans ce

travail, la particule « j » est influencée par toutes les autres particules du
groupe ou essaim « S ». Dans ce cas une seule meilleure particule est utilisé
pour toutes les autres particules, et est donnée par :

…. (I-14)

Dans cet algorithme, plusieurs critères d’arrêts peuvent être utilisés pour
stopper les itérations, le nombre d’itérations max, la norme du vecteur vitesses
diminuant sous un certain seuil ou la tolérance de la fonction objective. En effet
si les vitesses sont très petites cela veux dire que la diversité entre les
particules est perdue (même valeur de l’objectif) et l’essaim s’est effondré ou
plus précisément regroupé autour d’un point optimal.

Il est à noter que cet algorithme est facilement parallélisable puisque

plusieurs évaluations de la fonction objective sont effectuées simultanément.
Aussi faut-il préciser que toutes la variables sont réel continues, et sont
arrondit quand cela est nécessaire.

I-3-1 : Etapes de l’algorithme d’optimisation par essaim

particulaire
La figure montre un résumé des séquences de l’algorithme.

Etape « 1 » Initialisation de la valeur des paramètres de départ

( . Etape « 3 » Initialisation de la valeur initiale des variables
décision en utilisant une distribution uniforme dans l’espace de recherche.
Etape « 4 » Initialisation de la valeur initial des vitesses a zéro. Etape « 5 »
Evaluer la fonction objectif correspondante a tout les points de l’essaim, dans
notre cas l’évaluation de la fonction est effectuée par une simulation réservoir
en utilisant le simulateur ECLIPSETM de Schlumberger. Etape « 6 » Mettre a jour
le vecteur de la meilleur particule de l’essaim initial. Etape « 7 » début des
itérations. Etape « 8 » pour chaque itération si aucune particule n’améliore la
solution, générer d’autres valeur pour les variable d’optimisation.

Page | 14
 Optimisation des paramètres d’exploitation et de l’emplacement des puits par la
technique Hybride OEP-OMRV.
Youcef KHETIB

Etape « 14 » Détermination de la meilleur particule de l’essaim. Etape

« 15 » calculer la nouvelle valeur du vecteur vitesse. Etape « 16-21 » calcul des
nouvelles positions. Etape « 22 » Evaluation de la fonction objectif par des
simulations réservoir pour chaque particule. Etape « 25-32 » Mettre a jour le
vecteur de la meilleur position de chaque particule.

[1] Initialisation
, , Ns et Kmax
K=1,
Initialiser
Calculer

[2] Itération
Pour chaque itération et Pour chaque particule :
Calculer la vitesse des particules en utilisant l’équation I-13.
Calculer la nouvelle position avec l’équation I-12.
Calculer la fonction objectif
[3] Mise à jour
Pour chaque particule :
Si la position actuelle est meilleure que la précédente
Si une position est meilleure que le meilleur global :
K=k+1

Figure (I-4) : Principales étape de l’algorithme OEP.

Les figures ci-dessous expliquent le fonctionnement de l’algorithme OEP
pour la fonction Peaks de Matlab illustré dans la figure I-5.

Figure (I-5) : Illustration de la fonction Peaks en 3D, avec deux optimum, un

local et l’autre global. Page | 15
Optimisation des paramètres d’exploitation et de l’emplacement des puits par la
technique Hybride OEP-OMRV.
Youcef KHETIB

La figures I-6 : montre la fonction Peaks sur un graphique de contour (rouge :

valeur maximal, bleu : valeur minimal) la position Initiale des différentes
particules de l’essaim, avec le point de valeur minimal en rouge.

La figure I-7 montre le déplacement des particules dans la direction de la

particule à valeur minimal (meilleur point de l’essaim)

La figure I-8 montre la nouvelle position des particules

Page | 16
 Optimisation des paramètres d’exploitation et de l’emplacement des puits par la
technique Hybride OEP-OMRV.
Youcef KHETIB

La figure I-9 montre l’émergence d’un nouveau point minimal, qui attire les autres
particules dans sa direction.

Figure I-10, les particules changes de position, en se rapprochant du meilleur point

(particule a valeur minimal de l’essaim). Et l’émergence d’une nouvelle particule a
valeur inférieur, donc minimal (en rouge sur la photo).

Figure I-10 : les particules bouges dans la nouvelle direction et atteigne le minimum
global, se qui fait converger toutes les particules vers ce minimum et les regrouper.

Page | 17
 Optimisation des paramètres d’exploitation et de l’emplacement des puits par la
technique Hybride OEP-OMRV.
Youcef KHETIB

L’accumulation des particules autour d’un point, signifie l’obtention de

l’optimum (minimal ou maximal) par conséquent l’essaime ne se déplace plus,
vue l’inexistence d’autres points qui attirerais les particules, ce qui fait réduire
la vitesse des particules, donc la valeur des composantes du vecteur vitesse,
cette particularité est utilisé dans l’algorithme comme condition d’arrêt, en
effet, si la norme du vecteur vitesse est inférieur a un certain seuil, cela
voudrait dire que l’essaime s’est accumulé ou regroupé autour d’un point
optimale.

Figure I-11 : les particules bouges dans la nouvelle direction et atteigne le minimum
global, se qui fait converger toutes les particules vers ce minimum et les regrouper.

I-4 : Technique Hybride OEP-OMRV [Réf 01]

Les techniques de recherches par motifs telles que OMRV sont des
techniques efficace pour la recherche des optimums locaux a partir d’un point
de départ arbitraire, même si une grande taille du motif de départ permet
d’avoir une certaine capacité de recherche global, les techniques de recherches
par motif ne sont pas efficace pour la recherche d’optimum globaux comparé
aux techniques basé sur des populations de points (essaimes de particules) tel
que OEP. Ainsi donc dans ce travail nous combinons les deux algorithmes pour
exploiter l’efficacité de convergence locale d’OMRV et la capacité d’exploration
globale d’OEP, dans un même algorithme Hybride OEP-OMRV.

Page | 18
 Optimisation des paramètres d’exploitation et de l’emplacement des puits par la
technique Hybride OEP-OMRV.
Youcef KHETIB

L’algorithme hybride OEP-OMRV est une extension de OEP qui fait appel a
OMRV en cas d’itération non réussit. Les contraintes sont traitées avec la
méthode des filtres présentés dans la section suivante.

L’algorithme hybride commence par l’initialisation et l’évaluation d’un

essaim de particules et entame une itération de l’algorithme OEP, si l’itération
est réussit l’algorithme poursuit les itérations suivant l’algorithme OEP (Voir les
figures I-12 et I-13).

Une itération de OEP est dite réussit si le meilleur point évalué a été
amélioré, ce qui engendre la génération d’un nouveau point « meilleur global »
qui va attirer les particules autour de lui. Ce dernier point est soit le meilleur
point en termes de fonction objectif soit en termes de fonction d’évaluation
des contraintes, si aucun point faisable n’a été trouvé jusqu'à l’itération
considéré.

Si l’itération OEP n’est pas réussit l’algorithme OMRV est entamé avec
comme point central de départ le meilleur point obtenue lors de la dernière
itération réussit de OEP.

Page | 19
 Optimisation des paramètres d’exploitation et de l’emplacement des puits par la
technique Hybride OEP-OMRV.
Figure I-12: Schéma de fonctionnement de l’algorithme hybride OEP-OMRV Youcef KHETIB

Page | 20
 Optimisation des paramètres d’exploitation et de l’emplacement des puits par la
technique Hybride OEP-OMRV.
Youcef KHETIB

OMRV génère un motif de recherche au voisinage de ce point et explore

l’espace de recherche jusqu'à ce qu’il aboutisse a une itération non réussit, ou
termine le nombre d’itérations alloués à l’algorithme.

Les itérations OMRV réussit sont les même que ceux de l’algorithme
OMRV fonctionnant seul.

Si une itération OMRV n’est pas réussit, l’algorithme transmet la position

et la valeur du meilleur point obtenue a l’algorithme OEP, ce meilleur point
sera utilisé dans OEP a la place du meilleur point précédent, ainsi toutes les
autres particules seront attiré par ce nouveau point.

Le filtre des contraintes est mis a jour et transmit a l’algorithme OEP, ainsi
le filtre principale se trouve enrichie des tout les points évalués par OEP et
OMRV.

L’algorithme hybride s’arrête si la norme du vecteur vitesse arrive a un

certain seuil fixé selon la taille de l’essaime et la dimension du problème
considéré (nombre de variables de décisions), ou si le nombre maximal
d’itérations est attient.

(a) Itération k d’OEP (b) Itération k+1 d’OEP (c) Itération d’OMRV

La figure I-13 : ci-dessus illustre les étapes de l’algorithme hybride OEP-OMRV pour un
problème de deux dimensions

Le contour représente la fonction objectif qu’on cherche a minimiser, a

noter qu’en plus de l’optimum (minimum) global représenté par une étoile
rouge, on a un optimum local d’une valeur supérieur au minimum global). La
figure a représente un essaim de cinq particules (petit cercles verts) de
l’algorithme OEP a une itération k, le mouvement des particules est régit par
l’algorithme OEP pour passer a l’itération k+1. Si a l’itération k+2 aucun

Page | 21
 Optimisation des paramètres d’exploitation et de l’emplacement des puits par la
technique Hybride OEP-OMRV.
Youcef KHETIB

meilleur point n’est trouvé avec OEP, la meilleur particule (point rouge dans la
figure I-14-b) est identifié et est transmit a l’algorithme OMRV, ainsi OMRV
génère un motif de recherche au voisinage de ce point.

Il est évident, dans ce cas, qu’OMRV trouve de nouveaux points qui

améliorent la solution (deuxième point en rouge dans la Figure I-14-c). Ainsi
OMRV continuera à générer des motifs plus fin jusqu'à localisé un optimum qui
satisfait aux conditions d’arrêts.

I-5 : Le Traitement des contraintes [Réf 01]

Deux types de contraintes sont a considéré :

1- Les contraintes sous formes de bornes des variables de décisions

sont traitées avec une projection sur le domaine de recherche comme suit :

2- Les contraintes non linaires sont traité avec la méthode des filtres.
La méthode des filtres est une technique qui permet l’évaluation des
contraintes a chaque itérations, ce qui permet d’éviter les problèmes de
robustesse des technique utilisant la fonction pénalisante ou d’autres
techniques conventionnelles de traitement des contraintes.

L’utilisation des filtres peut être considéré comme une extension de

l’algorithme principale, au lieu de combiner la fonction objectif et la fonction
de violation des contraintes dans une seule fonction, comme c’est le cas dans
les techniques utilisant les fonctions de pénalisation les problèmes
d’optimisation sont considérées comme des problèmes d’optimisation bi-
objectifs dans les quels on cherche a minimiser la fonction objectif f(x) et la
fonction de violation des contraintes h(x) définit comme suit :

…….(I-15)

Page | 22
 Optimisation des paramètres d’exploitation et de l’emplacement des puits par la
technique Hybride OEP-OMRV.
Youcef KHETIB

Où les éléments de c(x) dans équation I-15 on été normalisé comme suit :

La forme devient :

.. (I-16)

Et ceux dont la forme est devient :

…(I-17)

Ou et représentent les limites des contraintes.

L’objectif second de minimiser h(x) est prioritaire a celui de minimiser f(x)

car si une solution optimale est trouvé elle doit être obligatoirement faisable et
ça faisabilité est assuré par une fonction de violation des contraintes h(x)=0.

En utilisant la terminologie de l’optimisation multi-objectifs, un point Xa

domine un autre point Xb (écrit : ) si et seulement si : et
avec au moins l’une des deux conditions une inégalité stricte.

Un filtre est une liste de paires dans la quelle aucune pair

ne domine l’autre. Une itération est considéré acceptable ou non filtré si
n’est pas dominé par aucune paire dans le filtre. Pour plus de
[Réf 08] & [Réf 09].
détails sur les méthodes de filtres se référer aux références

Un filtre à une itération k est la liste de paires non dominées par aucun
autre point évalué par l’algorithme d’optimisation jusqu'à l’itération k.

Les points faisables évalués ne font pas parti du filtre et sont considéré
séparément. Ainsi à une itération k deux types de solutions sont généré,
comme illustré dans la figure I-15 :

- La meilleure solution faisable

- La solution la plus proche du faisable, ou la moins
infaisable .

Page | 23
 Optimisation des paramètres d’exploitation et de l’emplacement des puits par la
technique Hybride OEP-OMRV.
Youcef KHETIB

(a) Filtre au début de l’itération k. (b) Point évalués durant (c) Mise a jour du filtre a
l’itération k l’itération k+1

Figure I-14 : Illustration de la progression d’un filtre d’une itération k a k+1

Les deux solutions peuvent être utilisées comme meilleur point évalué à
une itération k, cependant on donne la priorité à la solution faisable vue qu’il
est nécessaire que notre solution satisfait les contraintes imposé au problème.
Même s’il existe une solution faisable qui améliore la précédente solution, il
reste toujours intéressant de laisser l’algorithme explorer la partie infaisable,
cela pourrait aboutir à une solution faisable meilleure.

Dans notre implémentation, une itération qui génère un point non filtré
est une itération réussit, si aucun point faisable n’est trouvé jusqu'à une
itération k, alors le point le moins infaisable est le meilleur point globale de
l’algorithme considéré (OEP ou OMRV).

Si après avoir généré des solutions faisables, l’algorithme arrive a une

itération non réussit (pas de solution faisable), l’algorithme continue à explorer
aux alentour du point le moins infaisable jusqu'à ce qu’il atteigne une solution
faisable c'est-à-dire une itération réussit.

Le filtre est mis a jour a chaque itération qui génère des points non
dominés par les points présents dans le filtre, comme illustré dans la figure I-
15.

On note qu’a la fin de l’optimisation, le filtre donne une appréciation sur la

sensibilité de la fonction objectif par rapport aux contraintes (voir chapitres IV
et V).

Page | 24