Académique Documents
Professionnel Documents
Culture Documents
A mon papa:
La formation d’un homme reposant sur les diverses épreuves qu’il endure au quotidien
et sur le nombre de personnes qu’il rencontre, je ne saurais trop remercier:
Le Pr. GHOGOMU TAMOUH Richard, pour ces conseils durant cette formation.
Ma mère KAPTUE Moyo Marie, pour l’éducation de base qu’elle m’a donnée;
Mr François TCHUMMO pour les conseils, le soutien matériel et spirituel qu’il m’a
accordés;
La famille LOTHIN Elessa pour toute la sympathie dont elle a fait montre à mon
égard.
Tous les membres de ma famille, mes ami(e)s et mes camarades qui, m’ont aidé
intellectuellement, moralement ou matériellement dans la réalisation de ce travail.
Mémoire de Master Pro en télécom rédigé par Kengne Romanic Page iii
RESUME
Les résultats obtenus sont satisfaisants comparés à ceux présents dans la littérature.
Les algorithmes de colonies de fourmis minimisent mieux la fonction coût et par conséquent
réduisent mieux les niveaux des lobes secondaires par rapport aux deux autres algorithmes.
This work deals with the application of two methods of optimization technics on the
radiation pattern of a smart antenna array. The first based on the genetic algorithm the
second on the simulated annealing algorithm and the third ant colonies algorithms. For both
methods, we defined a quadratic fitness function that depends on the phase of excitement and
playing the role of link between the network and the algorithm of artificial intelligence. This
fitness function is minimized using the algorithms mentioned above and the adapted phases
are generated. The obtained numerical radiation patterns with non-adapted phases and
adapted ones are presented and discussed. In order to make some recommendations to aerial
installers, a comparison is made between the results obtained by the three algorithms.
The results obtained are in good agreement compared to those present in the
literature. Ant colonies algorithms better minimize the fitness function and therefore reduce
better levels of side lobes than the two other algorithms.
SOMMAIRE
Mémoire de Master Pro en télécom rédigé par Kengne Romanic Page vii
5.7 Mise à niveau de la quantité de phéromones...................................................................48
5.8 Critère d’arrêt..................................................................................................................49
5.9 Implémentation de l’algorithme ACO.............................................................................49
6. Conclusion.............................................................................................................................52
CHAPITRE 4 IMPLEMENTATION ET RESULTATS.............................................................53
1 Introduction............................................................................................................................53
2 Optimisation au moyen de l’algorithme génétique..................................................................53
2.1 Cas d’un réseau rectiligne à 10 éléments........................................................................53
2.2 Cas d’un réseau rectiligne à 40 éléments........................................................................57
3 Optimisation au moyen du Recuit Simulé...............................................................................60
4. Optimisation au moyen de la colonie de fourmis....................................................................61
4.1 Cas d’un réseau rectiligne à 10 éléments........................................................................61
4.2 Cas d’un réseau rectiligne à 40 éléments........................................................................64
5. Comparaison des deux algorithmes: AG, RS et ACO.............................................................65
6. Comparaison des résultats avec ceux de la littérature.............................................................67
7. Conclusion..............................................................................................................................68
CONCLUSION GENERALE.........................................................................................................69
BIBLIOGRAPHIE........................................................................................................................71
Mémoire de Master Pro en télécom rédigé par Kengne Romanic Page viii
LISTE DES FIGURES
A-SDMA: Adaptative-SDMA.
Mémoire de Master Pro en télécom rédigé par Kengne Romanic Page xii
CDMA: Code Division Multiple Access
Mémoire de Master Pro en télécom rédigé par Kengne Romanic Page xiii
INTRODUCTION GENERALE
Le monde des télécommunications est sans cesse croissant de jour en jour. Avec
l’avènement de la 3G/4G au Cameroun, les opérateurs se trouvent dans l'obligation de
fournir plus de débit à leurs clients afin de couvrir leur service offert et de garantir une bonne
qualité de service. Cependant, les clients sont exigeants en termes de débit et de qualité de
service. C’est la raison pour laquelle les opérateurs densifient leur réseau en installant des
petites antennes pouvant couvrir des zones appelées les « femto cellules». Une telle initiative
s’avère bénéfique pour le principe de réutilisation de fréquences et permettra également
d’économiser l’énergie nécessaire pour le déploiement du réseau de télécommunication ainsi
que l’amélioration du rapport qualité-prix. Pour rester dans le même contexte, une solution
plus adaptée pour les opérateurs serait l’utilisation d’un réseau d’antennes intelligentes. Une
antenne intelligente est une antenne intelligemment interactive et auto-optimisatrice, grâce à
la combinaison: d’un dispositif à réseau d’éléments capables de rayonner; couplé à un
processeur de traitement du signal qui embarque les algorithmes d’estimation des directions
des signaux d’arrivées et de formation des faisceaux dans des directions privilégiées. On
parle aussi d’antennes cognitives [Ton, 16]. En effet, plusieurs opérateurs de téléphonie
mobile désirent ce type d'antenne parce qu’elle présente un diagramme de rayonnement
dynamique qui s’adapte de façon permanente à l’activité et la position des mobiles
(réorientation, baisse ou augmentation de puissance, passage en veille, …). Une station de
base (BTS) équipée d’une antenne intelligente peut ainsi se focaliser sur un ensemble de
mobiles et suivre leurs déplacements à l’intérieur de la cellule tout en minimisant les effets
des trajets multiples, du bruit et des interférences émises par d’autres sources et qui sont tous
responsables de la dégradation des performances du système [Ton, 16].
Cependant, ces antennes ne fournissent pas toujours de bons rendements c’est la
raison pour laquelle nous proposons une méthode d’optimisation de ces derniers.
Une technique d’optimisation très prisée actuellement par les chercheurs, consiste à
utiliser les approches heuristiques de l’intelligence artificielle, permettant l’obtention d’une
solution en un temps optimal de durée convenable. Nous pouvons citer entre autres, le recuit
simulé qui s’inspire du principe de la métallurgie, les algorithmes de colonies de fourmis qui
cherchent à reproduire une certaine intelligence observée dans le comportement de groupes
1. Introduction
2. Contexte
2.1 Présentation du cadre de travail
Nos travaux, comptant pour le mémoire de fin d’études de master professionnel à
distance ont été réalisés au Laboratoire d’Electronique et du Traitement du Signal (LETS) de
l’Université de Dschang. Il fait partir des trois laboratoires du département de physique de
l’Université de Dschang avec le L2MSP (Laboratoire de Mécanique et de Modelisation des
Systèmes Physique) et le MMSL (Mesoscopic and Multilayer Structures Laboratory). Ce
laboratoire créé en 2002 grâce à la coopération entre l’Université de Dschang /Cameroun et
l’Université d’Hanovre/Allemagne a à sa tête le professeur Fomethe anaclet. Les activités du
laboratoire sont coordonnées par le professeur Fotsin Hilaire Bertrand. Ce laboratoire est
situé au rez de chaussée du bâtiment administratif où sont logés les décanats de la faculté des
sciences et celui de la faculté de sciences économiques sis au campus C. Il comprend deux
grands axes de recherches à savoir:
FACULTE DES
SCIENCES
DEPARTEMENT
DE PHYSIQUE
3. Problématique
3.1 Problème
Les entreprises de télécommunications modernes utilisent aujourd'hui des antennes à
réseaux encore appelées antennes intelligentes pour résoudre leurs problèmes de réduction
des coûts de téléphonie, les contraintes de plus en plus fortes sur la capacité, la couverture,
les débits, le nombre de systèmes existants sur des fréquences différentes etc. Notons que la
mise en réseau d’antennes a pour avantage de créer un lobe principal à fort gain dont la
direction pourrait être modifiée par la phase des excitations de chaque antenne.
Malheureusement lorsque les antennes sont montées en réseau, des lobes secondaires à fort
gain sont générés dans des directions différentes. Ces lobes secondaires réduisent le gain du
lobe principal et engendrent des rayonnements parasites dans les directions où l’antenne ne
devrait pas rayonner, d’où la nécessité de trouver des moyens pour réduire les niveaux des
3.2 Objectifs
Le premier objectif de ce travail consistera à utiliser l’algorithme génétique pour
réduire les niveaux des lobes secondaires tout en maintenant le lobe principal sans
dégradation (ce qui revient encore à minimiser la fonction coût au moyen de l’AG).
Le second objectif de ce travail consistera à utiliser le recuit simulé pour réduire les
niveaux des lobes secondaires tout en maintenant le lobe principal sans dégradation
(ce qui revient encore à minimiser la fonction coût au moyen du RS).
Notre troisième objectif consistera à utiliser les algorithmes de colonies des fourmis
pour réduire les niveaux des lobes secondaires tout en maintenant le lobe principal
sans dégradation. (ce qui revient encore à minimiser la fonction coût au moyen de
l’ACO).
Faire une comparaison entre les trois méta-heuristiques utilisées dans le cadre de ce
travail sera notre dernier objectif.
4. Conclusion
1. Introduction
x ,y ,z
l’antenne de rang m sont m m m .
a) Modélisation en émission
N N
AF= e e j ( n 1)
j ( n 1) kd sin
kd sin .
n 1 n 1 (II-1)
b) Modélisation en réception
Le déphasage entre le signal reçu à l’origine et celui reçu par l’élément de rang m est
d’après [Ton, 16]:
m m t 1 t
=-kx m cos sin kym sin sin kzm cos . (II-2)
ième
signal au niveau du m élément, en présence de bruit, devient:
xm (t ) ml (t )e j (2 f0t m ) bm t Sl (t )am (l ) bm t ,
(II-5)
où
égale à n . Dès lors, le vecteur déphasage du signal provenant d’une source l sur les
2
a l 1, a2 l , am l , aM l ,
T
(II-7)
où T est l’opérateur transposée.
ième
Si nous considérons toutes les sources simultanément, le signal reçu au m élément est:
L L
X m t ml t e j (2 f0t m ) bm (t ) Sl t am l bm (t ).
l 1 l 1 (II-8)
X m t X 1 t , X 2 t , X m t , X M t ,
T
(II-9)
S t S1 t , S2 t , Sl t , S L t .
T
(II-10)
b t b1 t , b2 t , bm t , bM t .
T
(II-11)
A a 1 , a 2 , a l , a L .
T
(II-12)
(II-14)
avec AF W AS et B le bruit.
H
M
L
= wm* e j ( kd ( m1) cos ) ml t e j (2 f0t ) ,
m1 l 1
M * j ( kd ( m1) cos m ) L
= wm e ml t
m1 l 1
M L
= wm* e j ( ( m1) ) ml t
m1 l 1 (II-16)
ml t ¨1, 0,1
où et m (2 f 0 t ) / (m 1) . m 1,..., M le nombre d’éléments du réseau
x ,y ,z
que les coordonnées d’un élément de rang m sont m m m .
a) Modélisation en émission
b) Modélisation en réception
En réception pour un réseau circulaire on a:
xm a cos( m ), (II-18a)
ym a sin m , (II-18b)
zm 0, (II-18c)
.
2 (II-18d)
De la relation:
m m t 1 t
=-kx m cos sin kym sin sin kzm cos . (II-19)
On obtient:
avec AF W AS et B le bruit.
H
m 1 l 1
M
* j ( ka cos( m ))
L
j (2 f 0t )
= wm e ml t e
m1 l 1
M L
= wm* e j ( ka cos( m ) m ) ml t .
m1 l 1 (II-23)
ml t ¨1, 0,1
où et m (2 f 0 t ) . m 1,..., M nombre d’éléments et l 1,..., L nombre
de signaux incidents.
x ,y ,z
de L sources. L’élément de référence est l’un des sommets origine du repère m m m .
a) Modélisation en émission
m 1 m 1
M N
= wmn e
j ( m 1)( kd x sin cos x ) ( m 1)( kd y sin sin y
.
m 1 n 1 (II-24)
b) Modélisation en réception
En réception pour un réseau planaire on a:
xm ( m 1)d , (II-25a)
ym p 1 d ,
(II-25b)
zm 0, (II-25c)
,
2 (II-25d)
car les éléments sont suivant (Ox) et la relation (II-19) peut s’écrire:
m kd ( m 1) cos ( p 1) sin .
(II-26)
ième
Si nous considérons toutes les sources simultanément, le signal reçu au m élément est:
Un réseau d'un nombre pair d'éléments isotropes 2M (où M est un nombre entier) est
Positionné symétriquement le long de l'axe z, comme le montre la Fig.7. La séparation entre
les éléments est d, et M éléments sont placés de chaque côté de l'origine.
Fig 7: Réseau d’amplitudes non uniformes de nombres pairs et impairs [Ger, 13].
M 2n 1
AF 2 M an cos kd cos ,
n 1 2 (II-30)
Si le nombre total d’élément isotropes du réseau est de 2M+1, comme montré dans la Fig.7,
le facteur de réseau pourra s’écrire après normalisation comme:
M 1
AF 2 M 1 an cos 2n 1 kd cos .
n 1 (II-31)
Les équations (II-30) et (II-31) peuvent être normalisées sous la forme suivante:
M
AF 2 M an cos 2n 1 u
n 1
M 1
AF 2 M 1 an cos 2n 1 u
n 1
d cos
où u .
(II-32)
fonction
1 x
m1
m 1 m 2 x 2
1 x 1 m 1 x
m1
2!
+
m 1 m 2 m 3 x3 ...
3! (II-33)
m 1 1
m2 1 1
m3 1 2 1
m4 1 3 3 1
m5 1 4 6 4 1
m6 1 5 10 10 5 1
m7 1 6 15 20 15 6 1
m8 1 7 21 35 35 21 7 1
m9 1 8 28 56 70 56 28 8 1
m 10 1 9 36 84 126 126 84 36 9 1 (II-34)
Se référant aux équations (II-32), nous donnons les valeurs des coefficients d’excitation
pour les réseaux suivants:
Les coefficients des autres réseaux peuvent être déterminés de la même manière.
(II-36)
Si nous posons:
z cos u (II-38)
Tm z 2 xTm 1 z Tm 2 z
(II-40)
cette relation peut être utilisée pour trouver le polynôme de Tschebyscheff si les polynômes
des deux ordres précédents sont connus. Chaque polynôme peut être calculé en utilisant:
Tm z cos m cos 1 z -1 z 1
Tm z cosh m cosh 1 z z<-1, z >1
(II-41)
1. Tous les polynômes de chaque ordre passent par le point (-1, 1).
2. Dans l’intervalle 1 z 1 , les polynômes ont une valeur comprise dans [-1, 1].
3. Toutes les solutions se trouvent dans 1 z 1 , et tous maximum ou minimum ont
pour valeurs +1 et -1 respectivement.
Il existe deux types de systèmes des antennes intelligentes: les systèmes à faisceaux
commutés (switched Beam, SBA) et les systèmes des antennes réseaux adaptatives
(adaptative array antennas) [Fad, 10; Ton, 10; Ton, 13]. Les deux types de systèmes
permettent d’augmenter le gain en fonction de la localisation de l’usager. Cependant, seul le
système adaptatif permet d’obtenir un gain optimal par identification, suivi et minimisation
de l’interférence des signaux. C’est la stratégie du système adaptatif et les gains additionnels
b) Antennes adaptatives
Fig 9: Structure et principe du système adaptatif en (a) Réception et en (b) Emission [Ton, 16].
3. Conclusion
Dans ce chapitre il était question pour nous de présenter certaines notions permettant
de comprendre le fonctionnement ainsi que la constitution d’une antenne intelligente. Dans
le prochain chapitre nous présenterons les outils et les méthodes qui nous permettrons de
remplir notre cahier de charges.
1. Introduction
Où
i et i représentent les angles de direction, ai , les amplitudes des alimentations du
E0
entre les éléments du réseau, le champ électrique d’un élément du réseau d’antennes
(il est identique pour l’ensemble des antennes du réseau) et k0 le nombre d’onde.
N
fitness i f
2
des gènes constituent un individu. Par analogie avec notre problème, les gènes sont les i et
max i min i N 1
i f
2 1
N 2 i
N i min i
i 0 (III-2)
Le vecteur i obtenu servira ensuite à calculer la fonction fitness de cet individu. A partir de
f
cette étape, les opérateurs de l’algorithme génétique vont intervenir dans la reproduction de
populations par: la sélection, le croisement et la mutation. Notons que ces opérations sont
réalisées sur la population codée en binaire. L’AG effectue la sélection et le classement des
meilleurs individus en se basant sur le principe de la sélection proportionnelle. Les
dimensions de la matrice initiale doivent être maintenues après chaque opérateur. Après le
classement de la population, on effectue le croisement et la mutation séparément, on génère
une nouvelle population dite population enfants. On répète les quatre opérations tant qu’un
nombre de générations déterminé à l’avance n’est pas atteint.
population de phases i
Calcul de la fitness:
max i min i
2
N N 1
fitness 2 i
N i min i 0
i 1 2N 1 i 0
Cette figure nous montre les différentes étapes à suivre pour résoudre le problème
d’optimisation du diagramme de rayonnement par les algorithmes génétiques.
Générer la
population de phase I=1
initiale
Début
Sélection:
Pop_in Pop_fin Roulette: classer les chromosomes par
ordre croissant et retiens que celle qui a le
plus faible coût
FIN
Non Croisement:
Retenir la meilleure oui Compléter la population par nc/2
I>Iter_max
population chromosomes formés par croisement
aléatoire
Mutation:
I=I+1
Inversion des gènes avec une probabilité
pm et un taux de 0.01
Obtention de la pop_fin
3.7 Croisement
Son action est décomposée en deux phases: la première consiste à choisir aléatoirement les
couples qui seront croisés, la seconde, effectue le croisement après avoir sélectionné un site de façon
3.8 Mutation
La mutation intervient très peu pour réduire la nature aléatoire de la recherche. Ici nous
travaillons avec un taux de mutation fixé à 1%. Le gène mutant est également choisi de façon
aleatoire.
end
Croisement function [y1,
y2]=Crossover(x1,x2,gamma,VarMin,VarMax)
alpha=unifrnd(-
gamma,1+gamma,size(x1));
y1=alpha.*x1+(1-alpha).*x2;
y2=alpha.*x2+(1-alpha).*x1;
y1=max(y1,VarMin);
y1=min(y1,VarMax);
y2=max(y2,VarMin);
y2=min(y2,VarMax);
end
Mutation function y=Mutate(x,mu,VarMin,VarMax)
nVar=numel(x);
nmu=ceil(mu*nVar);
j=randsample(nVar,nmu);
sigma=0.1*(VarMax-VarMin);
y=x;
y(j)=x(j)+sigma*randn(size(j));
y=max(y,VarMin);
y=min(y,VarMax);
end
Résultat: utiliser la fonction obtenue pour
tracer les différentes courbes.
Calcul de la fitness:
f f 1 f 0
H exp f 1 f 0 / T
Début
Non
f 1 Oui
Est-elle meilleure que
f 0
Tirage au sort d’un f 1 Est la
nombre aléatoire nouvelle solution
0 P 1
Oui Non
Sommes nous à
l’équilibre thermique?
Oui
P est-il compris entre 0 et
f 1 f 0 /T
H e
Non
Non Décroissance de la
A-t-on atteint la
température minimale? température
Oui
FIN
Le nouveau point est 1 est choisi à une distance variable du point de départ ou
courant. Si la solution obtenue est meilleure que la précédente, alors cette solution est
acceptée. Si la solution précédente reste meilleure, une loi de probabilité d’acceptation
intervient afin de décider de garder ou de rejeter cette valeur.
f 1 f 0 /T
H e (III-4)
f 1 f 0
Afin d’accepter ou de rejeter un point pour lequel n’est pas meilleur que , on
P 0,1
réalise le tirage d’une variable aléatoire . Si la variable obtenue est inférieure à H ,
le point est alors accepté. Dans le cas contraire, le nouveau point est refusé. Lorsqu’un
nouveau point est accepté, même si la valeur correspondante de la fonction est plus mauvaise
qu’avec le point précédent, il devient alors le nouveau point courant ou solution.
4.6 Décroissance de la température et température minimale
Au départ, la température T doit être grande et un nouveau point doit être accepté
approximativement une fois sur deux. Avec la progression de l’algorithme dans le temps, la
température T se réduit, impliquant une baisse de la probabilité d’acceptation des points. En
fait, la valeur appelée « température » T est seulement un paramètre permettant de contrôler
l’amplitude des mouvements et permet d’éviter les minima.
4.7 Implémentation de l’algorithme du RS
Table 4: Etapes du RS sur Matlab
y=max(y,VarMin);
y=min(y,VarMax);
end
Fitness function z=Sphere(x)
z=sum((x-x0).^2);
end
Dans cette partie, nous essayons d'adapter l'algorithme d'optimisation par colonie de
fourmis au problème d'optimisation du diagramme de rayonnement du réseau d'antennes
intelligentes.
Calcul de la fitness:
N
Lk t i f i j
2 2
i 1 i, j
tij , , , , i
i, j 1,..., n
k=1
Calcul de la fitness
La fitness est calculée en se basant sur :
N
Lk t j
2 2
i
f
i
i 1 i, j
Non
k=k+1 K=m
Oui
t=t+1
Oui
Meilleur coût
final
FIN
1. Les m fourmis sont réparties aléatoirement sur les n éléments du réseau d'antennes
intelligentes.
2. Pour chaque fourmi, la liste qui modélise sa mémoire contient son antenne de départ
(par conséquent la valeur de la phase d’alimentation associé à ce dernier).
tij 0 c
3. Les pistes de phéromones sont initialisées comme suit: , ou c est une petite
constante positive, qui ne peut être nulle.
tij t hij
Pij t n
tij t hij
j 1
(III-5)
destination j .
Notons que la visibilité [Sou, 07]:
hij 1 / d ij ,
(III-6)
dans ce cas se calcul en utilisant les phases de l’alimentation du réseau associé à chaque
dij
ville. Soit encore, représente la différence de phase entre la ville i et la ville j
.
N
Lk t i f
2 2
i j
i 1 i, j
(III-7)
En d'autres termes, la fourmi refait son tour en sens inverse tout en déposant des
Dtij t , t 1
phéromones. Notons que dans ce mémoire le calcul de la quantité se fait avec le
modèle cycle de fourmis et donc l’expression est la suivante [Sou, 07]:
Q3
L si la fourmi k se déplace de i à j entre l'instant t et t+1
k
Dtij t , t 1
k
,
0 sinon
(III-9)
où
Q3 est une constante.
6. Conclusion
Dans ce chapitre il était question pour nous de présenter la méthodologie ainsi que
les outils pouvant nous permettre d’atteindre nos objectifs. Ainsi après avoir disséqué les
différentes étapes d’implémentation de l’algorithme génétique, du recuit simulé et des
algorithmes de colonie de fourmis, nous avons dégagé une méthodologie d'approche propre à
la résolution de notre problème. Dans le prochain chapitre il sera question pour nous de tester
ces différents algorithmes sur un réseau d’antennes intelligentes dans le but d’optimiser son
diagramme de rayonnement.
1 Introduction
2
k0 d
2015. Nous avons sélectionné les paramètres comme suit: , 2,
i deg rée ,
Borne de variation de la phase en radian: 6 6
Après plusieurs simulations nous avons choisi la meilleure population ayant le fitness
le plus bas. La Fig. 20 nous montre l'évolution du fitness en fonction du nombre de
générations. Nous pouvons constater que cette fonction se stabilise à partir de la 66 e
9
génération prenant ainsi une valeur de 1.046 10 . A partir de cette génération 66, nous
pouvons déterminer les phases qui nous permettrons d'optimiser notre diagramme de
rayonnement. La meilleure population de phases générées par l'algorithme génétique ainsi
que le fitness (coût) de cette population sont récapitulés dans la table 7.
102
100
10 -2
fitness
10 -4
10 -6
10 -8
10-10
0 10 20 30 40 50 60 70 80 90 100
génération
10
fitness i f
2
-10
-20
-30
-40
E(dB)
-50
-60
-70
Diagramme de rayonnement non adapté
Diagramme de rayonnement adapté via l A.G
-80
-90
-100
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
sin( )
Fig 21: Diagramme de rayonnement d'un réseau rectiligne à dix éléments (en noir) non adapté, (en
bleu) adapté au moyen de l'AG.
90
20
120 60
15
150 10 30
180 0
210 330
240 300
270
Fig 22: Diagramme de rayonnement en coordonnées polaire d'un réseau rectiligne à dix éléments (en
noir) non adapté, (en bleu) adapté au moyen de l'AG.
40
fitness i f
2
i deg rée ,
Borne de variation de la phase en radian: 6 6
10 0
10 -5
fitness
10 -10
10 -15
10 -20
0 10 20 30 40 50 60 70 80 90 100
génération
Fig 23: Evolution de la fonction coût du meilleur individu selon les générations pour un réseau
rectiligne de 40 éléments (Algorithme génétique).
Table 8: Le coût et les phases optimales générées par l'algorithme génétique pour un réseau de 40
éléments.
40
fitness i2
i 1 18963.44
-10
-20
-30
-40
E(dB)
-50
-60
-70
-80
Diagramme de rayonnement non adapté
-90 Diagramme de rayonnement adapté par l A.G
-100
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
sin( )
Fig 24: Diagramme de rayonnement d'un réseau rectiligne à 40 éléments (en noir) non adapté, (en
bleu) adapté au moyen de l'AG.
2000
1800
fitness
1600
1400
1200
0 50 100 150 200 250 300 350 400 450 500
Iteration
Fig 25: Evolution de la fonction coût pour un réseau rectiligne de 10 éléments (Recuit Simulé).
-20
-40
E(dB)
-80
-100
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
Sin
Fig 26: Diagramme de rayonnement d'un réseau rectiligne à 10 éléments (en noir) non adapté, (en
vert) adapté au moyen du RS.
1, 1
nombre de fourmis: 10
ressort de cette table que la valeur minimale du coût est de 698 et obtenue pour 0.4 .
Donc nous allons travailler avec cette valeur du coefficient dévaporation associé aux valeurs
des autres parametres definis plus haut.
790
780
770
760
meil eur coût
750
740
730
720
710
700
690
0 10 20 30 40 50 60 70 80 90 100
Iteration
10
fitness i f
2
-10
-20
-30
-40
E(dB)
-50
-60
-70
Diagramme de rayonnement du réseau non adapté
-80 Diagramme de rayonnement du réseau adapté par ACO
-90
-100
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
sin( )
Fig 28: Diagramme de rayonnement d'un réseau rectiligne à dix éléments (en noir) non adapté, (en
rouge) adapté au moyen de l'ACO.
1 , 1 , 0.1
nombre de fourmis: 40
Table 12: Le coût et les phases optimales générées par l'ACO pour un réseau de 40 éléments.
-10
-20
-30
-40
E(dB)
-50
-60
-70
-80
Diagramme de rayonnement du réseau non adapté
-90 Diagramme de rayonnement du réseau adapté par l'ACO
-100
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
sin( )
Figure 29: Diagramme de rayonnement d'un réseau rectiligne à 40 éléments (en noir) non adapté, (en
rouge) adapté au moyen de l'ACO.
Dans cette partie nous allons faire une étude comparative entre les résultats
d'optimisation obtenue par l'algorithme génétique (AG), le recuit simulé (RS) et ceux
obtenus par colonie de fourmis (ACO).
Table 13: Tableau récapitulatif des coûts (fitness) et des phases optimaux obtenus par l'AG, RS et
par l'ACO.
Algorithmes d'optimisation
AG RS ACO
-4.4 -21 -19
-2.8 12 5
30 0 4
-19.50 17 14
20.8 7 9
i dégrée 2.5 5 0
-8.4 -9 -7
30 -14 -11
-7.3 18 17
30 13 11
10 3670.19 1718 1259
fitness i2
i 1
-20
-40
E(dB)
-60
Diagramme de rayonnement non adapté
Diagramme de rayonnement adapté par l'AG
Diagramme de rayonnement adapté par l'ACO
-80
Diagramme de rayonnement adapté par le RS
-100
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
Sin
Fig 30: Diagramme de rayonnement d'un réseau rectiligne à 10 éléments (en noir) non adapté, (en
bleu) adapté par l'AG, (en rouge) adapté par l'ACO et en vert adapté par RS.
-13.83dB pour AG, -16.5dB pour le RS et –17dB pour ACO. Ce qui nous permet de dire par
comparaison que, pour l'optimisation du réseau d’antennes intelligentes comme présenté
Ainsi, les résultats de nos expériences réalisés sont proche des résultats obtenus
dans [Ben, 13] relatifs au probleme d'optimisation du coût de combustible d'un réseau test
IEE-30 nœuds par l'AG et l'ACO.
Pour une comparaison entre nos résultats et ceux de F. Debbat et al nous dirons que:
du point de vu fitness, nos résultats sont beaucoup plus meilleurs, car notre
fonction coût se stabilise à partir d’une génération bien précise tandis que la
fonction coût de F. Debbat et al décroit sans jamais se stabiliser. Ce qui n’est pas
compatible aux résultats trouvés dans la littérature. Donc nous pouvons conclure
que notre fonction coût pris sous forme quadratique est beaucoup plus meilleure
pour une optimisation du réseau d’antennes intelligentes tel que choisis dans ce
mémoire.
Du point de vu niveaux de réjection (pour une seule interférence), les résultats de
F. Debbat et al et les nôtres sont qualitativement identiques. Nous pouvons voir
dans la Table.14 que les gains obtenus par F. Debbat et al au moyen du recuit
simulé et de l’algorithme génétique sont quantitativement meilleurs que les
nôtres.
Table 14: Comparaison des niveaux de réjection de la littérature avec les nôtres.
7. Conclusion
CONCLUSION GENERALE
Pour atteindre cet objectif, nous nous sommes basés sur les travaux antérieurs
(mémoires et publications) effectués sur des thématiques similaires. Ainsi nous avons dans
un premier temps défini une fonction coût à minimiser, dépendant de la phase des excitations
et exprimée sous forme quadratique. Puis nous avons dans un second temps appliqué
Les résultats obtenus sont satisfaisants et montrent que les algorithmes de colonies de
fourmis minimisent mieux la fonction coût quadratique par rapport aux deux autres
algorithmes. Ce qui se traduit par une meilleure réduction des niveaux des lobes secondaires
par les algorithmes de colonies de fourmis par rapport à l’algorithme génétique et au recuit
simulé. Du résultat précédent nous pouvons faire la recommandation suivante: pour
optimiser un réseau d'antennes intelligentes en utilisant uniquement la phase comme
paramètre d'optimisation, nous conseillons d'utiliser les algorithmes de colonies de fourmis
en lieu et place de l'algorithme génétique ou du recuit simulé.
Cependant, les résultats obtenus dans ce travail sont acceptables du point de vue
théorique et ne concernent que l’optimisation par adaptation d’un seul paramètre (la phase
des excitations). Quelques suggestions pour les travaux de recherches futurs peuvent être
données:
Comparer nos résultats à ceux obtenus par optimisation au moyen des réseaux de
neurones.
[Bal, 05] C. A. Balanis, Antenna theory: analysis and design, John Wiley & Sons third
edition, 2005.
[Ger, 13] D. Grenier, Antennes et propagation radio, cours Université Laval, 2013.
[Gro, 15] F. B. Gross, Smart Antenna with Matlab, MacGraw-Hill education, 2015.
[Kep, 16] S. Kepchabe et E. Tonye, (2016) ’’Optimisation des performances des
antennes intelligentes par synthèse au moyen des algorithmes génétiques’’,
colloque IUTENT, Université de Douala, Cameroun. Vol 17 (2313 – 6278)
172-179.
[Li, 97] Y. Li, M. J. Feuerstein, D. O. Reulink, (1997) “Performance evaluation of a
cellular base station multibeam antenna”, IEEE Transcations on vehicular
Technolgy, Vol.46, No.1.
[Man, 07] S. J. Mandeng, ‘’Modelisation par la méthode des réseaux de neurones des
antennes intelligentes utilisées en radiocommunication’’, Mémoire de fin
d’études d’Ingénieur, 2007.
[Ton, 16] E. Tonye, Antennes Intelligentes: Analyse des performances par l’exemple,
Cours de Master Recherche en Télécommunications, école nationale
supérieure polytechnique, Université Yaoundé I, 2016.
[Yan, 97] K. K. Yan, Y. LU, (1997) “ Side lobe reduction in array-pattern synthesis
using genetic algorithm “, IEEE transaction on Antennas and Propagation,
Vol. 45, n° 7, , p. 1117-1121.