Mémoire Romanic 15012017

DEDICACE
A mon papa:
Mr KAPTUE SOUPGUI ANSELME
Mémoire de Master Pro en télécom rédigé par Kengne Romanic Page i

REMERCIEMENTS
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:
L’Eternel Dieu qui est mon rocher et mon salut.
Le président de Jury de ma soutenance le Pr. TIEDEU Bertin Alain ainsi que

l’examinateur le Pr. NDZANA Benoît, pour leurs contributions à l’amélioration de ce travail.
Le Pr. TONYE Emmanuel, pour sa contribution dans le bon déroulement du Master

Professionnel en télécommunications de l’Ecole Nationale Supérieure Polytechnique, ainsi
que sa contribution dans la supervision de ce travail.
Le Dr. FOTSING Janvier, encadreur académique de ce travail, que je tiens à remercier

sincèrement pour tous ses conseils et ses orientations.
Les responsables du LETS de l’Université de Dschang pour l’encadrement.
Tous les enseignants du MASTEL de l’Ecole Nationale Supérieure Polytechnique qui

nous ont accompagnés tout au long de notre formation.
Le Pr. YEMELE David, vice doyen de la Faculté des Sciences de l'Université de
Dschang pour les conseils et les encouragements qu’il n’a cessé de me prodiguer.
Le Pr. GHOGOMU TAMOUH Richard, pour ces conseils durant cette formation.
Les enseignants du département de Physique de l’Université de Dschang pour les

conseils qu’ils n’ont cessé de me prodiguer.
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;
FONO Vincent, TCHAGNA Aurelle, FOZIN Theophile, HEUGANG Steven et

TCHATO Sandra pour leur contribution académique dans l’élaboration de ce mémoire.
Mémoire de Master Pro en télécom rédigé par Kengne Romanic Page ii

NGO MOUELAS Adèle Armèle et HOUSSEINI Abdoul Madi pour leurs soutiens
multiformes.
Tous mes camarades de promotion pour l’esprit d’équipe dont ils ont fait montre
pendant notre formation.
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
L’augmentation des débits de télécommunications a poussé les industries des

télécommunications à s’orienter vers les antennes à réseau d’éléments. Ce choix est favorisé
par la capacité d’adaptation de leurs diagrammes de rayonnement aux variations du canal de
transmission. Cependant, ces antennes à réseau d’éléments possèdent un inconvénient
majeur, à savoir: leurs niveaux de lobes secondaires assez élevés. Ces lobes secondaires
peuvent nuire voir dégrader le gain du signal utile, d’où la nécessité de réduire leurs niveaux
par des techniques d’optimisation.
Dans le présent travail, nous faisons part de trois méthodes d’optimisation du

diagramme de rayonnement d’un réseau d’antennes intelligentes. La première est basée sur
l’algorithme génétique, la deuxième sur le recuit simulé et la troisième sur les algorithmes de
colonies de fourmis. Pour ces trois méthodes, nous avons défini une fonction coût sous forme
quadratique qui dépend de la phase des excitations et qui joue le rôle de lien entre le réseau
et ces algorithmes de l’intelligence artificielle. Cette fonction coût est minimisée au moyen
des trois algorithmes et les phases adaptées sont générées. Les diagrammes de rayonnement
obtenus numériquement avec les phases non adaptées puis adaptées sont présentés et
discutés. Dans le but de faire une recommandation aux antennistes, une étude comparative
est faite entre les résultats obtenus par les trois algorithmes.
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.
Mots-clés: antennes réseau, optimisation, diagramme de rayonnement, algorithme

génétique, recuit simulé, algorithmes de colonies de fourmis
Mémoire de Master Pro en télécom rédigé par Kengne Romanic Page iv

ABSTRACT
Growing telecommunication throughput has pushed the telecommunications companies

towards antennas with an array of elements. This choice is favored by the adaptability of their
radiation patterns to the variations of the transmission channel . Nowadays, they have been
replaced by smart antennas with a real time modified/changeable radiation patterns.
However, those antennas present a major inconvenient which is a relatively high level of side
lobes. These side lobes affect and degrade the gain of the useful signal, henceforth, it is
necessary to reduce the levels of these lobes by optimization technics
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.
Keywords: Smart antennas array, optimization, radiation patterns, genetic algorithm,

simulated annealing algorithm, ants colonies algorithm
SOMMAIRE
Mémoire de Master Pro en télécom rédigé par Kengne Romanic Page v

DEDICACES..................................................................................................................................i
REMERCIEMENTS.......................................................................................................................ii
RESUME....................................................................................................................................iv
ABSTRACT..................................................................................................................................v
SOMMAIRE...............................................................................................................................vi
LISTE DES FIGURES....................................................................................................................ix
LISTE DES TABLEAUX.................................................................................................................xi
ABREVIATIONS.........................................................................................................................xii
INTRODUCTION GENERALE.......................................................................................................1
CHAPITRE 1 CONTEXTE ET PROBLEMATIQUE..................................................................3
1. Introduction..............................................................................................................................3
2. Contexte....................................................................................................................................3
2.1 Présentation du cadre de travail.......................................................................................3
2.2 Motivation du choix du sujet............................................................................................4
3. Problématique...........................................................................................................................6
3.1 Problème..........................................................................................................................6
3.2 Objectifs...........................................................................................................................8
4. Conclusion...............................................................................................................................8
CHAPITRE 2 REVUE DE LA LITTÉRATURE........................................................................9
1. Introduction..............................................................................................................................9
2. Les antennes réseaux................................................................................................................9
2.1 Modélisation des antennes-réseaux uniformes................................................................9
2.1.1 Principe.....................................................................................................................9
2.1.2 Réseau rectiligne....................................................................................................11
2.1.3 Réseau circulaire....................................................................................................14
2.1.4 Réseau carré............................................................................................................16
2.2 Modélisation des réseaux d’antennes non uniformes: réseau rectiligne..........................17
2.2.1 Réseau binomial......................................................................................................19
2.2.2 Réseau de Dolph-Tschebyscheff............................................................................20
2.3 Avantages et inconvenients des réseaux d’antennes.......................................................22
2.4 Les antennes intelligentes...............................................................................................23
2.4.1 Avantages des antennes intelligentes.....................................................................24
Mémoire de Master Pro en télécom rédigé par Kengne Romanic Page vi

2.4.2 Types d’antennes intelligentes...............................................................................25
a) Les systèmes à faisceaux commutés- SBA......................................................................25
b) Antennes adaptatives......................................................................................................27
2.5 Formation de voies et annulation d interférents..............................................................28
3. Conclusion.............................................................................................................................29
CHAPITRE 3 OUTILS ET METHODES..............................................................................30
1. Introduction............................................................................................................................30
2. Outils......................................................................................................................................30
3 Méthodologie d'optimisation par l’algorithme génétique........................................................31
3.1 Différentes étapes de la synthèse des phases de l’alimentation au moyen de l’AG.........33
3.2 Organigramme de l’algorithme génétique.......................................................................34
3.3 Codage du chromosome..................................................................................................34
3.4 Espace de recherche........................................................................................................35
3.5 Initialisation de la population..........................................................................................35
3.6 Fonction d’évaluation et sélection...................................................................................35
3.7 Croisement......................................................................................................................36
3.8 Mutation..........................................................................................................................36
3.9 Critère d’arrêt..................................................................................................................37
3.10 Implémentation de l’algorithme génétique.....................................................................37
4. Méthodologie d'optimisation par RS.......................................................................................39
4.1 Différentes étapes de la synthèse des phases de l’alimentation au moyen de RS............39
4.2 Organigramme du RS......................................................................................................40
4.3 Choix de la solution initiale............................................................................................41
4.4 Génération du nouveau point..........................................................................................41
4.5 Probabilité d’acceptation.................................................................................................41
4.6 Décroissance de la température et température minimale...............................................41
4.7 Implémentation de l’algorithme du RS...........................................................................41
5. Méthodologie d'optimisation par ACO...................................................................................44
5.1 Différentes étapes de la synthèse des phases de l’alimentation au moyen des ACO.......45
5.2 Organigramme de l’ACO................................................................................................46
5.3 Phase d’initialisation de ACO.........................................................................................46
5.4 Choix d’une zone selon la probabilité.............................................................................47
5.5 Fonction d’évaluation.....................................................................................................48
5.6 Meilleur chemin..............................................................................................................48
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
3 Optimisation au moyen du Recuit Simulé...............................................................................60
4. Optimisation au moyen de la colonie de fourmis....................................................................61
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
Fig.1: Organigramme simplifié du cadre de recherche.........................................................................4

Fig.2: Architecture du réseau GSM [Man, 07].....................................................................................5
Fig.3: Antenne réseau en réception [Gre, 13; Ton, 16].......................................................................10
Fig.4: Géométrie d’un réseau linéaire à espacement régulier [Ton, 16].............................................11
Fig.5: Géométrie d’un réseau circulaire à espacement régulier [Bal, 05]...........................................14
Fig.6: Géométrie d’un réseau carré à espacement régulier [Ton, 16].................................................16
Fig.7: Réseau d’amplitudes non uniformes de nombres pairs et impairs [Ger, 13].............................18
Fig.8: Structure générale d’une antenne intelligente [Ton, 15]...........................................................24
Fig.9: Structure et principe du système adaptatif en (a) Réception et en (b) Emission [Ton, 16].......28
Fig.10: Exemple de traitement au niveau d’une BTS [Kep, 16].........................................................28
Fig.11: Etapes de la synthèse des phases de l’alimentation au moyen de l’AG..................................33
Fig.12: Organigramme de l’AG.........................................................................................................34
Fig.13: Un chromosome.....................................................................................................................35
Fig.14: Croisement en un point entre les gènes (phases)....................................................................36
Fig.15: Mutation d’un gène (phase)...................................................................................................37
Fig.16: Etapes de la synthèse des phases de l’alimentation au moyen du RS.....................................39
Fig.17: Organigramme des RS...........................................................................................................40
Fig.18: Etapes de synthèse de phases au moyen des ACO.................................................................45
Fig.19: Organigramme des ACO........................................................................................................46
10
fitness    i f 
2
Fig.20:Variation du fitness ( i 1 ) en fonction du nombre de génération pour un

réseau de 10 éléments (Algorithme génétique)...................................................................................55
Fig.21: Diagramme de rayonnement d'un réseau rectiligne à dix éléments (en noir) non adapté, (en
bleu) adapté au moyen de l'AG...........................................................................................................56
Fig.22: Diagramme de rayonnement en coordonnées polaires d'un réseau rectiligne à dix éléments
(en noir) non adapté, (en bleu) adapté au moyen de l'AG...................................................................56
Fig.23: Evolution de la fonction coût du meilleur individu selon les générations pour un réseau
rectiligne de 40 éléments (Algorithme génétique)..............................................................................58
Fig.24: Diagramme de rayonnement d'un réseau rectiligne à 40 éléments (en noir) non adapté, (en
bleu) adapté au moyen de l'AG...........................................................................................................59
Fig.25: Evolution de la fonction coût pour un réseau rectiligne de 10 éléments (Recuit Simulé).......60
Mémoire de Master Pro en télécom rédigé par Kengne Romanic Page ix

vert) adapté au moyen du RS..............................................................................................................61
10
2
Fig.27:Variation du fitness ( i 1 ) en fonction du nombre de génération pour un

réseau de 10 éléments (ACO).............................................................................................................62
Fig.28: Diagramme de rayonnement d'un réseau rectiligne à dix éléments (en noir) non adapté, (en
rouge) adapté au moyen de l'ACO......................................................................................................63
rouge) adapté au moyen de l'ACO......................................................................................................65
bleu) adapté par l'AG, (en rouge) adapté par l'ACO et en vert adapté par RS.....................................66
Mémoire de Master Pro en télécom rédigé par Kengne Romanic Page x

LISTE DES TABLEAUX
Table 1: Avantages des réseaux d’antennes [Ton, 16].......................................................................22

Table 2: Limites des réseaux d’antennes [Ton, 16]............................................................................23
Table 3:Etapes de L’AG sur Matlab..................................................................................................37
Table 4: Etapes du RS sur Matlab......................................................................................................41
Table 5: Implémentation des ACO sur Matlab...................................................................................49
Table 6: Implémentation du tracé des diagrammes de rayonnement dans Matlab..............................51
Table 7: Le coût et les phases optimales générées par l'algorithme génétique...................................55
Table 8: Le coût et les phases optimales générées par l'algorithme génétique pour un réseau de 40
éléments..............................................................................................................................................59
Table 9: Le coût et les phases optimales générées par RS..................................................................61
Table 10: Expériences d'évaluation des coûts....................................................................................62
Table 11: Le coût et les phases optimales générées par ACO............................................................63
Table 12: Le coût et les phases optimales générées par l'ACO pour un réseau de 40 éléments..........64
Table 13: Tableau récapitulatif des coûts (fitness) et des phases optimaux obtenus par l'AG, RS et
par l'ACO............................................................................................................................................66
Table 14: Comparaison des niveaux de réjection de la littérature avec les nôtres..............................68
Mémoire de Master Pro en télécom rédigé par Kengne Romanic Page xi

ABREVIATIONS
RCS: Reduced Cluster Size
AMRS: Accès Multiple par Répartition Spatiale
SDMA: Spatial Division Multiple Access
A-SDMA: Adaptative-SDMA.
DSP: Digital Signal Processor
SBA: Switching Beam Antenna.
MUSIC: Multiple SIgnal Classification
ESPRIT: Estimation of Signal Parameters via Rotationnal Invariance

Techniques
CSA: Classical Simulated Annealing
FSA: Fast Simulated Annealing
VFSR: Very Fast Simulated Reannealing
ACO: Ant Colony Optimization
AG: Algorithme Génétique
RS: Recuit Simulé

PVC: Problème du Voyageur de Commerce
OCF: Optimisation par Colonies de Fourmis
BSC: Base Station Controller
BSS: Base Sub-System
BTS: Base Transceiver Station
Mémoire de Master Pro en télécom rédigé par Kengne Romanic Page xii
CDMA: Code Division Multiple Access
FDMA: Frequency Division Multiple Access
MS: Mobile Station

MSC: Mobile service Switching Center
RF: Radio Frequency
TDMA: Time 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
Mémoire de Master Pro en télécom rédigé par Kengne Romanic Page 1

d’animaux (fourmis, thermites, oiseaux, etc.), les algorithmes génétiques qui s’inspirent du
principe d’évolution des espèces, et les réseaux de neurones dont le principe consiste à
apprendre (mémoriser) la solution désirée en fonction de ses paramètres et à la restituer plus
tard en un laps de temps, une fois ces paramètres reconnus [Kep, 16; Ton, 16].
Le travail que nous présentons vise particulièrement deux objectifs. D’une part
l’étude de quelques algorithmes d’optimisation globale, d’autre part l’évaluation de
l’adéquation de certains de ces algorithmes dans le cadre de l’optimisation d’un système de
réseau d’antennes intelligentes. Ce type de réseau annule les signaux brouilleurs en
pondérant et combinant les signaux du réseau d’antennes. Ainsi le diagramme de
rayonnement du réseau d’antennes prévoit une extinction dans les directions des signaux
brouilleurs tout en évitant une dégradation du gain dans la direction du signal utile.
Pour une bonne compréhension de ce mémoire, le contexte et la problématique feront
l’objet du premier chapitre. La revue de la littérature fera l’objet du chapitre 2. Le chapitre 3
sera consacré à une présentation des outils et méthodes permettant d'atteindre nos objectifs à
savoir: l'algorithme génétique, l’algorithme du recuit simulé et les algorithmes de colonies de
fourmis. Le dernier chapitre de ce travail sera consacré aux résultats et discussions. Dans ce
chapitre nous allons interpréter les résultats obtenus par chaque algorithme et en dégager les
avantages et les inconvénients de l’usage de chacun d’eux. Ce mémoire s'achèvera par une
conclusion générale où nous présenterons de manière succincte les résultats obtenus.

CHAPITRE 1 CONTEXTE ET PROBLEMATIQUE
1. Introduction
L’introduction des antennes à réseau d’éléments pour les opérateurs des

télécommunications a été la solution à beaucoup de problèmes. Malgré l’adoption de ce
concept, beaucoup de choses restent encore à parfaire dans le fonctionnement des dispositifs
de télécommunications incorporant des antennes dotées d’une telle fonctionnalité. Ce sont
ces manquements qui attirent aujourd’hui l’attention de plusieurs chercheurs dans le champ
très vaste de l’optimisation. Dans ce chapitre nous présentons en premier le contexte dans
lequel notre stage a été effectué. La problématique et les objectifs à atteindre font l’objet de
la deuxième et dernière partie de ce chapitre.
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:
 La dynamique non linéaire et ses potentielles applications en télécommunications.

 Le traitement de signal et ses potentielles applications en médecine.

UNIVERSITE DE
DSCHANG
FACULTE DES
SCIENCES
DEPARTEMENT
DE PHYSIQUE
L2MSP LETS MMSL
DYNAMIQUE NON TRAITEMENT DU

LINEAIRE SIGNAL
Fig 1: Organigramme simplifié du cadre de recherche.
2.2 Motivation du choix du sujet

Un réseau de radiotéléphonie a pour rôle principal de permettre des communications
entre abonnés mobiles et abonnés du réseau téléphonique commuté. Ce type de réseau peut
être découpé en trois sous ensembles:
 Le sous-système radio (BSS = Base Sub-System) qui assure les transmissions
radioélectriques et gère la ressource radio;
 Le réseau fixe (NSS = Network Sub-System) comprend l’ensemble des fonctions
nécessaires à l’établissement des appels et à la mobilité;
 Le sous-système d’exploitation et de maintenance (OSS = Operation Sub-System)
qui permet à l’exploitant d’administrer son réseau. Cette configuration peut être
schématisée comme il suit :

Fig2: Architecture du réseau GSM [Man, 07].
Les antennes classiquement utilisées sont les antennes omnidirectionnelles et les

antennes tri-sectorielles. Ces dernières permettent d’obtenir une bonne couverture ainsi
qu’un nombre important d’utilisateurs du réseau. En vue de faire croître ce nombre, il est
possible d’utiliser des antennes intelligentes. Ce type d’antennes, constitué d’antennes à
réseau d’éléments (réseau linéaire, circulaire et planaire), permet d’augmenter la capacité du
réseau, d’améliorer le débit et de diminuer la consommation en énergie des BTS. Cette
diminution peut s’expliquer par le fait qu’avec les antennes classiquement utilisées, pour une
fréquence et une puissance donnée, un seul mobile peut être desservi. Alors qu’avec les
antennes intelligentes, pour la même fréquence et la même puissance que précédemment,
plusieurs mobiles peuvent être desservis à la fois.

Dans le LETS la majeure partie des travaux portant sur la dynamique non linéaire
trouvent leurs applications en télécommunications notamment dans la sécurisation des
signaux stochastiques et la génération des bits aléatoires. Le LETS s’intéresse de manière
générale à la sécurisation de l’information par le développement des oscillateurs chaotiques
mis en jeux mais n’intégrant pas jusqu’ici les dispositifs y afférant tels que les antennes et le
canal de transmission pour ne citer que ceux là. Aujourd’hui au vu des avancées
considérables dans le domaine des télécommunications, et surtout avec des informations
selon lesquelles les antennes sont des pièces centrales pour une bonne transmission et
réception de l’information, le LETS oriente petit à petit ses recherches vers l’optimisation des
systèmes en utilisant l’intelligence artificielle. Dans le dernier recrutement au sein de
l’Université de Dschang le LETS s’est vu renforcer par deux spécialistes des
télécommunications ceci dans le but de rehausser le niveau des recherches dans le domaine
des télécommunications au sein de l’Université de Dschang. Le LETS veut être fortement
impliqué dans le développement et la modernisation des télécommunications dans le monde
en général et au Cameroun en particulier. C’est la raison pour laquelle il nous a été demandé
au sein du LETS de travailler sur le thème « Contribution à l’optimisation du lobe de
rayonnement d’un réseau d’antennes intelligentes au moyen de l’algorithme génétique, du
recuit simulé et des algorithmes de colonies de fourmis.»
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

lobes secondaires sans toutefois affecter le lobe principal. Ce problème a amené plusieurs
chercheurs à s’intéresser au problème d’optimisation des antennes intelligentes [Deb, 05;
Gro, 15; Kep, 16; Mer, 04; Ton, 15; Ton 16]. Une technique d’optimisation très prisée
actuellement par les chercheurs, consiste à utiliser les approches heuristiques de
l’intelligence artificielle [Deb, 05]. D’une manière générale le problème de synthèse consiste
à estimer les variations d’amplitude et de phase de l’alimentation et la répartition spatiale des
éléments rayonnants qui permettent de fournir un diagramme de rayonnement aussi proche
que possible d’un diagramme désiré [Mer, 04]. Le but étant donc de rechercher la
combinaison optimale de différents paramètres afin que l’antenne réponde aux besoins selon
un cahier de charges précis des spécifications à atteindre.
Le problème d’optimisation est encore un problème de minimisation d’une fonction

appelée fonction coût (ou fitness en anglais). Le choix de la fonction coût ou fitness doit
s’effectuer d’une manière judicieuse car cette dernière représente le paramètre clé de la
convergence vers une solution optimale. En 2004, se basant sur une fonction coût
quadratique [Mer, 04], et en utilisant comme paramètre d’optimisation l’amplitude de
l’alimentation, L. Merad et al., ont travaillé sur l’optimisation d’un réseau d’antennes
linéaire via les techniques d’optimisation basées sur l’algorithme génétique et sur le recuit
simulé des solides. Ces deux approches leurs ont permis d’obtenir les lois d’amplitudes
optimales de l’alimentation pour que le diagramme de directivité du réseau soit aussi proche
que possible d’un diagramme désiré optimal spécifié à partir d’une fonction ou d’un gabarit.
Les résultats obtenus par L. Merad et al., ont été très proches de ceux obtenus dans la
littérature par K. K. Yan et al [Yan, 97]. En 2005, se basant sur une fonction coût
logarithmique, et en prenant pour paramètre d’optimisation la phase de l’alimentation, F.
Debbat et al., ont travaillé sur l’optimisation d’un réseau d’antennes intelligentes au moyen
de l’algorithme génétique et du recuit simulé. Dans leurs travaux il s’agissait d’adapter
uniquement la phase de l’alimentation et ils sont arrivés au résultat selon lequel, le recuit
simulé optimisait mieux du point de vue rejection d’interférence le réseau par rapport à
l’algorithme génétique [Deb, 05]. Toutefois, ce travail laisse ressortir des limites suite au fait
de l’instabilité de la fonction coût comparée aux divers résultats proposés dans la littérature.
Nous pouvons aussi remarquer dans les résultats de F. Debbat et al., que, le recuit simulé
n’est pas rigoureux dans la réduction des niveaux des lobes secondaires. En 2013 A

Benyamina dans sa thèse de doctorat, en utilisant une fonction coût sous forme quadratique,
à montré que la colonie de fourmis minimisait mieux le coût de production d’énergie
électrique que l’algorithme génétique [Ben, 13]. Les résultats sur l’évolution de la fonction
coût prise sous forme quadratique ont été satisfaisants. De plus à notre connaissance très peu
d’auteurs ont appliqués les algorithmes à colonies de fourmis à un réseau d’antennes
intelligentes.
Il nous vient donc les questions suivantes:
 Quelle serait l’effet d’une fonction coût quadratique sur les travaux de F. Debbat et
al?
 Quels résultats obtiendrons-nous si nous utilisons les algorithmes à colonie de

fourmis?
Ces questions nous permettent de dégager les différents objectifs de ce travail.
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

Dans ce chapitre nous avons fait ressortir tour à tour le contexte dans lequel a été
défini ce sujet ainsi que le cadre de travail dans lequel nous avons mené nos travaux. Nous
avons aussi présenté la problématique et les objectifs à atteindre. Le chapitre suivant sera
réservé à l’état de l’art sur les antennes intelligentes.
CHAPITRE 2 REVUE DE LA LITTÉRATURE
1. Introduction
Le domaine des télécommunications a connu un progrès technologique ces dernières

années grâce à la forte demande de la population et de l'industrie. Parmi les applications de
ce domaine qui ont attiré plus d'attentions, l’on retrouve les antennes intelligentes. De par
leurs définitions, une antenne intelligente est constituée d’antennes réseaux et de plusieurs
autres modules permettant d’assurer son fonctionnement. Dans ce chapitre nous présentons
les éléments permettant de mieux comprendre les antennes intelligentes. Dans un premier
temps nous présenterons l’état de l’art sur les antennes réseaux puis sur leurs avantages.
Dans un deuxième temps nous présenterons la structure d’une antenne intelligente. Enfin
nous présenterons le module permettant d’assurer le traitement du signal dans une antenne
intelligente. Ce chapitre s’achèvera par une brève conclusion.
2. Les antennes réseaux
2.1 Modélisation des antennes-réseaux uniforme

2.1.1 Principe
Une antenne à réseaux d’éléments est un regroupement d’antennes élémentaires,

astucieusement disposées dans l’espace et alimentées par des courants d’excitation dont les
paramètres d’amplitudes et de phases peuvent être commandés par un dispositif
d’alimentation [Fad, 10; Gre, 13].

La commande de ces paramètres va permettre de contrôler la direction du lobe
principal et éventuellement celles des creux de rayonnement.
Les antennes-réseaux permettent, avec l’utilisation de processeurs dédiés au
traitement du signal numérique, de plus en plus puissants et à coût de plus en plus abordable,
de synthétiser des diagrammes de rayonnement en fonction de nombreux paramètres:
 Direction du signal;
 Puissance et direction des interférences;
 Niveau des lobes secondaires;
L’antenne-réseau synthétise une antenne de dimensions dépendantes de l’espace
occupé par l’ensemble des éléments le constituant. En fait, on obtient une antenne dont la
distribution en courant est discrète plutôt que continue: chaque élément forme un point
d’échantillonnage spatial. Ayant accès directement à chaque antenne, cela revient à choisir la
distribution discrète de courant voulu; sous la forme continue, ne pouvant modifier le courant
sur chaque élément différentiel, la distribution de courant est imposée. La Fig.3 montre une
telle antenne en réception. On remarque les deux organes de contrôle sur chaque élément:
l’atténuateur et le déphaseur qui règlent l’amplitude et l’argument du courant d’alimentation
respectivement.
Fig 3: Antenne réseau en réception [Gre, 13; Ton, 16].
L’antenne-réseau s’adapte bien aux techniques numériques de traitement du signal

qui la rendent versatile et programmable.

Dans la suite nous présenterons les trois types d’antennes réseaux en émission et en
réception et nous déterminerons le facteur réseaux dans chaque cas, en émission comme en
réception.
Pour ce faire on suppose les hypothèses suivantes pour les trois configurations:
 Tous les signaux incidents ne sont constitués que d’ondes planes;
 Nous nous plaçons dans la zone de Fraunhofer;
 Le couplage mutuel entre les divers éléments d’antennes est négligeable.
 La distance inter-éléments est très petite si bien que les amplitudes des signaux reçus
restent constantes.
 Cette distance est fixée à  / 2 mais modifiable sur l’outil de simulation.
 Chaque élément d’antenne possède le même diagramme de rayonnement et la même
polarisation.
2.1.2 Réseau rectiligne

Considérons M antennes uniformément espacés de d sur lesquels arrivent L
signaux (Fig.3). L’origine est en O, premier élément du réseau. Les coordonnées de
 x ,y ,z 
l’antenne de rang m sont m m m .
a) Modélisation en émission
Fig 4: Géométrie d’un réseau linéaire à espacement régulier [Ton, 16].
La Fig.4, matérialise le schéma d’une antenne réseau rectiligne et uniforme et fonctionnant

en émission.

Si N est le nombre d’éléments du réseau, alors, son facteur réseau est:
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)
Où k  2 /  est le nombre d’onde et  l’angle entre la direction des signaux incidents et

l’axe du réseau (OX).

x  ( m  1) d y  z  0 
On a m et m m ; d’autre part, 2 car les éléments sont tous
suivant (Ox). Dès lors:
 m  kd (m  1) cos  . (II-3)
Remarquons que  1  0 , le signal sur le premier élément en provenance d’une source l en

absence de bruit est:
Sl (t )  ml (t )e j 2 f0t , (II-4)
où ml (t ) est la fonction de modulation de la l source et f 0 la fréquence d’utilisation. Ce

ième
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

am  l   e j  m  e
 jkd ( m 1) cos l 
,
(II-6)
bm  t  ième
et , la m composante du bruit aléatoire constitué du bruit de fond et du bruit
électronique généré dans le canal m . Il est supposé blanc, à moyenne nulle et à variance
égale à  n . Dès lors, le vecteur déphasage du signal provenant d’une source l sur les
2
différents éléments du réseau est:
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)
On peut alors définir le vecteur signal du réseau par:
X m  t    X 1  t  , X 2  t  ,  X m  t  ,  X M  t   ,
T
(II-9)
et le vecteur signal incident par:
S  t    S1  t  , S2  t  ,  Sl  t  ,  S L  t   .
T
(II-10)
Le vecteur de bruit est:
b  t   b1  t  , b2  t  ,  bm  t  ,  bM  t   .
T
(II-11)
La matrice déphasage (M*L) du réseau est alors donnée par:
A   a  1  , a  2  ,  a  l  ,  a  L   .
T
(II-12)
On peut donc écrire sous forme matricielle:

X  t   AS  t   b  t  .
(II-13)
En appelant W , le vecteur pondération du réseau, on peut écrire:

W   w1 , w2 ,  wm ,  wM  .
T
(II-14)
La sortie du réseau d’antennes est alors donnée par:

M
Y (t )   wm* xm (t )  W H X (t )  W H AS  W H B,
m 1 (II-15)
avec AF  W AS et B le bruit.
H
On détermine donc le facteur réseau comme suite:

M L
AF   wm*  ml  t  e j (2 f0t kd ( m 1) cos  )
m 1 l 1
 M
 L 
=   wm* e j (  kd ( m1) cos  )    ml  t  e j (2 f0t )  ,
 m1   l 1 
 M * j (  kd ( m1) cos   m )   L 
=   wm e    ml  t  
 m1   l 1 
M  L 
=   wm* e j (  ( m1) )    ml  t  
 m1   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
et l  1,..., L le nombre de signaux incidents.
2.1.3 Réseau circulaire

Considérons un réseau horizontal circulaire de rayon a , comprenant M éléments
uniformément espacés, contenu dans le plan (X, O, Y) et représenté à la Fig.6. Supposons
 x ,y ,z 
que les coordonnées d’un élément de rang m sont m m m .

Fig 5: Géométrie d’un réseau circulaire à espacement régulier [Bal, 05]
Son facteur réseau est donné par:

N N
AF   wn e  j ( ka ˆ ˆ  n )   wn e  j ( ka sin  cos( n )  n ) .
n 1 n 1 (II-17)
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:
 m  ka  cos  m  cos     sin  m  sin     .

(II-20)
ième

L
X m (t )    ml (t )e j (2 f0t  m   bm  t 
l 1
L
=  Sl (t ) al ( ,  m )  bm  t  .
l 1 (II-21)
La sortie du réseau d’antennes est donnée par:
M
Y (t )   wm* xm (t )  W H X (t )  W H AS  W H B.
m 1 (II-22)
avec AF  W AS et B le bruit.
H
Le facteur réseau est donc égale à:

M L
AF   wm*  ml  t  e
j (2 f0t  ka (cos  m  cos    sin  m  sin    ))
m 1 l 1
 M
* j (  ka cos( m ))  
L
j (2 f 0t ) 
=   wm e    ml  t  e 
 m1   l 1 
M  L 
=   wm* e  j ( ka cos( m )  m )    ml  t   .
 m1   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.
2.1.4 Réseau carré

Considérons un réseau horizontal carré, comprenant M  M antennes uniformément
espacés de d   / 2 , supposées ponctuelles, sur lesquels arrivent L signaux en provenance
 x ,y ,z 
de L sources. L’élément de référence est l’un des sommets origine du repère m m m .

Fig 6: Géométrie d’un réseau carré à espacement régulier [Ton, 16].
Le facteur réseau en émission est donné par:

M M
AF  AFx . AFy   am e j ( m1)( kd x sin  cos    x )  bm e
j ( m 1)( kd y sin  sin    y )
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)
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
X mp (t )  Sl (t )e j mp  bmp (t )  Sl (t )amp ( )  bmp (t )

(II-27)
et le facteur réseau pour ce cas de figure est:

 M M * j 2 f0t  jkd   m1 cos   p 1 sin     L 
AF    wmp e e    ml  t  
 m1 p 1   l 1 
 M M *  jkd  m1  cos    x   p 1  sin    y     L 
=   wmp e    ml  t   .
 m1 p 1   l 1  (II-28)
  (2 f 0 t ) / ( p  1).
Avec  x  (2 f 0 t ) / (m  1) , y
2.2 Modélisation des réseaux d’antennes non uniforme: réseau rectiligne.
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].

En supposant que l'excitation d'amplitude est symétrique par rapport à l'origine, la
matrice pour une largeur de bordure d'amplitude non uniforme peut être:
 AF  2 M  a1e  j  1/2 kd cos   a2 e  j  3/2 kd cos   ...

 j  2 M 1 /2  kd cos 
+a M e
+a1e  j  1/2 kd cos   a2 e j  3/2 kd cos   ...
 j  2 M 1 /2  kd cos 
+aM e
M   2n  1 
=2 an cos  kd cos   .
n 1  2  (II-29)
Cette expression après normalisation peut être réduite à:
M   2n  1 
 AF  2 M   an cos  kd cos   ,
n 1  2  (II-30)
où les an sont les coefficients d’excitation des éléments du réseau.
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)
L’amplitude d’excitation de l’élément centrale est: 2a1 .
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)
La prochaine étape consistera à déterminer les valeurs des coefficients d’excitations an

2.2.1 Réseau binomial
Le facteur réseau pour le réseau binomial est représenté par les équations (II-32) où
les an sont les coefficients de l’excitation qui sont à déterminer.

La détermination des coefficients d’excitation du réseau binomial suggère que la
fonction 
1 x
m1
soit écrite en série en utilisant l’expansion binomiale suivante:
 m  1  m  2  x 2
 1 x  1   m  1 x 
m1
2!
+
 m  1  m  2   m  3 x3  ...
3! (II-33)
Les coefficients positifs de cette série pour différentes valeurs de m sont:
m 1 1
m2 1 1
m3 1 2 1
m4 1 3 3 1
m5 1 4 6 4 1
m6 1 5 10 10 5 1
m7 1 6 15 20 15 6 1
m8 1 7 21 35 35 21 7 1
m9 1 8 28 56 70 56 28 8 1
m  10 1 9 36 84 126 126 84 36 9 1 (II-34)
Cette pyramide représente le triangle de pascal. Si les valeurs de m sont utilisées

pour représenter le nombre d’éléments du réseau, alors les coefficients de la série
représentent les amplitudes relatives de chaque élément. Puisque les coefficients sont
déterminés de la série binomiale, le réseau porte le nom de réseau binomial.
Se référant aux équations (II-32), nous donnons les valeurs des coefficients d’excitation
pour les réseaux suivants:
 Deux éléments (2M=2); a1  1
 Trois éléments (2M+1=3); 2a1  2  a1  1 , a2  1 .

a1  3 , a2  1 .
 Quatre éléments (2M=4);

2a1  6  a1  3 , a2  4 , a3  1 .
 Cinq éléments (2M+1=5);
Les coefficients des autres réseaux peuvent être déterminés de la même manière.
2.2.2 Réseau de Dolph-Tschebyscheff

Un autre tableau, avec de nombreuses applications pratiques, est le tableau Dolph-
Tschebyscheff. Basée sur les polynômes de Tchebychev, la méthode développée par Dolph
en 1946, permet de contrôler le niveau des lobes secondaires. Se référant aux équations (II-
32), le facteur réseau des nombres pairs où des nombres impairs d’éléments avec une
amplitude d’excitation symétrique n’est pas meilleure que la sommation de M ou M+1
termes en cosinus.
m  0 cos(mu)=1
m  1 cos(mu)=cosu
m2 cos(mu)=cos(2u)=2cos 2 u-1
m3 cos(mu)=cos(3u)=4cos3 u-3cosu
m4 cos(mu)=cos(4u)= 8cos 4 u-8cos 2 u+1
m5 cos(mu)=cos(5u)= 16cos5 u-20cos3 u+5cosu
m6 cos(mu)=cos(6u)= 32cos 6 u-48cos 4 u+18cos 2 u-1
m7 cos(mu)=cos(7u)= 64cos 7 u-112cos5 u+56cos3 u-7cosu
m8 cos(mu)=cos(8u)= 128cos8 u-256cos 6 u+160cos 4 u -32cos 2 u+1
m9 cos(mu)=cos(9u)= 256cos9 u-576cos 7 u+432cos5 u -120cos3 u+9cosu (II-35)
Ces résultats sont obtenus grâce non seulement à la formule d’Euler’s:
 e ju    cos u  j sin u   e jmu  cos  mu   j sin  mu 

m m
(II-36)
Mais aussi à la relation fondamentale de la trigonométrie:
sin 2 u  1  cos 2 u (II-37)
Si nous posons:
z  cos u (II-38)
(II-35) nous conduit à:

m  0 cos(mu)=1=T0 ( z )
m  1 cos(mu)=z=T1 ( z )
m2 cos(mu)=2 z 2  1  T2 ( z )
m3 cos(mu)=4 z 3  3z  T3 ( z )
m4 cos(mu)=8 z 4  8 z 2  1  T4 ( z )
m5 cos(mu)=16z 5  20 z 3  5 z  T5 ( z )
m6 cos(mu)=32z 6  48 z 4  18 z 2  1  T6 ( z )
m7 cos(mu)=64 z 7  112 z 5  56 z 3  7 z  T7 ( z )
m8 cos(mu)=128 z 8  256 z 6  160 z 4  32 z 2  1  T8 ( z )
m9 cos(mu)=256 z 9 -576z 7 +432z 5 -120z 3 +9z=T9 ( z ) (II-39)
La récurrence entre chaque ordre des polynômes s’établit ainsi:
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)
Les propriétés suivantes des polynômes de Tschebyscheff sont intéressantes:
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.
2.3 Avantages et inconvénients des réseaux d’antennes.
Table 1: Avantages des réseaux d’antennes [Ton, 16].
 Plus facile à miniaturiser

Réseau linéaire  Coût matériel moindre
 Détecte bien les DOA.

 Meilleur en formation de lobes
 Lobes plus fins
 Plus robuste, car ne subit pas
Avantages Réseau carré trop d’influence de la part des

différents paramètres
d’antennes.
 Meilleur en détection des DOA
 Indiqué pour la localisation
Réseau circulaire aérienne.
 Couvre facilement 360° avec
un seul réseau.
Table 2: Limites des réseaux d’antennes [Ton, 16].
 Lobes moins fins que pour le

Réseau linéaire réseau carré.
 Subit un peu plus d’influence
des paramètres d’antennes
 Coût matériel élevé
Limites  Résultats de formation de lobes

Réseau carré parfois laissant à désirer.
 Peut nécessiter plusieurs pour
couvrir 360°
 Coût matériel moyen
Réseau circulaire  Lobes presque identiques à
ceux du réseau linéaire
2.4 Les antennes intelligentes
Les systèmes à antennes adaptatives ou intelligentes (smart antennas) [Fer, 95]

entrent dans un domaine technologique multidisciplinaire dont la croissance a été très
importante dans le courant de ces dernières décennies. Ils bénéficient des interactions

croissantes entre l’électromagnétisme et le traitement de signal. L’intérêt de ces systèmes est
leur capacité à réagir automatiquement, en temps réel, à des modifications du canal de
propagation. Ils permettent de réduire les niveaux des lobes secondaires existants dans la
direction de l’interférence, tout en maintenant le lobe principal en direction utile [Tab, 97].
Habituellement, ces systèmes reposent sur des antennes réseau et sur un processeur récepteur
adaptatif temps réel qui attribue des poids aux éléments de l’antenne réseaux afin d’optimiser
le signal de sortie selon des algorithmes de contrôle prédéfinis. Une antenne réseau
adaptative peut donc être définie comme un réseau capable de modifier son diagramme de
rayonnement, sa réponse fréquentielle et d’autres paramètres grâce à une boucle à retour de
décision interne pendant le fonctionnement de l’antenne. Dans les systèmes d’antennes
traditionnels, chaque émetteur envoie son signal de façon très large principalement à cause
du fait que la position du récepteur est inconnue [Fad, 10]. Ce type de transmission pollue
l’environnement électromagnétique en augmentant le niveau d’interférence global par une
émission de puissance dans des directions inutiles. A contrario, les systèmes à antennes
intelligentes déterminent la localisation du mobile pour se focaliser et émettre l’énergie
uniquement dans les directions souhaitées. Dans [Ton, 15], une antenne intelligente est vu
comme un système constitué d’une série linéaire, planaire, circulaire ou volumique
d’antennes élémentaires et d’un processeur numérique de signaux dans lequel sont
implémentés des algorithmes adaptatifs permettant de piloter en temps réels leurs
diagrammes de rayonnement (Fig. 8).
Fig 8: Structure générale d’une antenne intelligente [Ton, 15]

2.4.1 Avantages des antennes intelligentes
La caractéristique principale des antennes intelligentes est le pouvoir d’élimination

des interférences pour les applications radio- mobiles ce qui donne un meilleur rapport signal
sur bruit, donc une augmentation de la capacité en nombre d’utilisateurs. Nous pouvons citer
entre autres les avantages suivants:
 Augmentation de la capacité,
 Réduction de la taille du motif (RTM),
 Accès Multiple par Répartition Spatiale, AMRS (SDMA).

Cette approche comporte les principaux avantages suivants :
 réutilisation des porteuses et donc de la bande de fréquence dynamiquement
et de façon adaptative à l’intérieur de la zone de couverture (plus d’usagers
peuvent donc être desservis par la même bande de fréquences).
 Les faisceaux étant dirigés vers l’usager, la propagation par multi-trajets est
considérablement réduite et l’interférence entre canaux est également réduite.
 La consommation d’énergie est réduite si on la concentre vers l’usager, avec
une pollution électromagnétique réduite.
 La confidentialité des communications est augmentée par la directivité des
faisceaux. Intercepter une communication ne devient possible que si l’on se
trouve sur le faisceau.
2.4.2 Types d’antennes intelligentes
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

qui permettent d’obtenir des performances substantielles et une flexibilité par rapport à
l’approche plus passive de la commutation de rayon.
a) Les systèmes à faisceaux commutés- SBA
Le concept de commutation de rayon est une extension de la méthode de sectorisation

cellulaire actuelle dans laquelle un site de cellules comprend par exemples trois macro-
secteurs de 120 degrés. L’approche à commutation de rayon divise les macro-secteurs en
plusieurs micro-secteurs [Nkw, 13]. Chaque micro- secteur contient un motif prédéterminé
de rayons fixes ayant une sensitivité maximale localisée au centre de rayon et une sensibilité
moindre ailleurs. Dans ce type de système, des diagrammes de rayonnement déterminés
avant le déploiement sont sélectionnés pendant l’opération. Quand un mobile entre dans un
macro-secteur particulier, le système sélectionne le micro-secteur contenant le signal le plus
puissant. Pendant l’appel, le système écoute la puissance de signal et la commute vers
d’autres micro-secteurs fixes quand c’est nécessaire. Le réseau de système de SBA est
relativement simple à mettre en application, exigeant seulement un réseau d’alimentation de
sources (Network Beamforming), un commutateur RF, et une commande logique pour
choisir un faisceau spécifique. Comparés à des systèmes sectorisés traditionnels, les
systèmes à commutation de rayons permettent d’augmenter la portée d’une station de base de
20 à 200%. La couverture supplémentaire peut ainsi faire économiser à l’opérateur une partie
des coûts d’infrastructure. Dans [Li, 97], deux systèmes à faisceaux fixes (le premier avec 12
0 0
faisceaux de 30 et le second avec 24 faisceaux de 15 d’ouverture) sont comparés à un
système d’antennes sectorisées utilisant de la diversité d’ordre 2. Les tests montrent un gain
de l’ordre de 5dB avec l’antenne à 24 faisceaux. Les limitations de ce type de système
reposent premièrement sur le fait que la commutation du mobile d’un micro-secteur à l’autre
peut ne pas être suffisamment rapide pour empêcher une dégradation de la communication.
L’autre inconvénient important de ces systèmes est dû au fait que le système est incapable de
distinguer un signal utile des signaux interférents. Si le signal brouilleur est
approximativement au centre du rayon désiré, le niveau du signal interférent peut augmenter
de façon beaucoup plus importante que le signal souhaité. Dans ce cas, la qualité de la
communication subira une dégradation.

Pour former les faisceaux multiples, un choix de N éléments d’antenne est relié à N
ports des faisceaux. Cette architecture, est généralement connue sous le nom de réseau
d’alimentation de faisceaux (Beamforming Network). Un résultat simple de réseau est formé
quand des signaux induits sur différents éléments de réseau sont combinés. Cette méthode de
combiner les signaux de plusieurs éléments est appelée Formation De Faisceaux. La
direction dans laquelle le réseau a la réponse maximale serait la direction du pointage de
faisceau. Le faisceau conventionnel se dirigeant où la formation de faisceau peut être réalisée
en ajustant seulement la phase des signaux des différents éléments. En d’autres termes,
dirigeant un faisceau dans la direction désirée. Cependant, le diagramme de rayonnement
d’antenne dans ce cas est fixe, c'est à dire, pour un choix de faisceau dans une direction
désirée, un ajustement de phase doit être accompli.
b) Antennes adaptatives
Les systèmes à antennes adaptatives s’adaptent constamment à l’environnement radio

au fur et à mesure de ses changements. Ils reposent sur des algorithmes de traitement du
signal sophistiqués permettant de distinguer en permanence les signaux utiles des signaux
issus des trajets multiples et des brouilleurs et de calculer leurs directions d’arrivée. Grâce à
la capacité de poursuite précise et de rejet d’interférence, plusieurs utilisateurs peuvent se
partager le même canal à l’intérieur de la même cellule [Nkw, 13]. Cette antenne focalise son
lobe principal dans la direction où une source est détectée. Avec les systèmes des antennes
adaptatives, il est possible de réaliser de plus grandes performances que celles obtenues en
utilisant le système de SBA (Switching Beam Antenna).En commutant les faisceaux d’une
antenne multifaisceaux, il est aisé d’exclure les équipements brouilleurs ou brouillés qui ne
se trouvent pas sur le faisceau principal. Théoriquement, une antenne à M composants peut
supprimer (M-1) brouilleurs en appliquant une pondération adéquate aux éléments [Fad, 10;
Gha, 08]. En pratique, cette capacité de suppression diminue en présence des composantes
multi- trajets. L’amélioration de cette technique peut être obtenue en la combinant avec la
technique CDMA, avec une égalisation adaptative ou avec de la diversité de polarisation.
Avant de présenter les deux techniques de formations de voies et les algorithmes adaptatifs

nous décrivons brièvement les méthodes utilisées pour l'estimation de l'angle d'arri
Fig 9: Structure et principe du système adaptatif en (a) Réception et en (b) Emission [Ton, 16].
Ce processus va se poursuivre en permanence pour accompagner continuellement un

utilisateur mobile en adaptant dynamiquement le diagramme de rayonnement à son
mouvement [Ton, 16].
2.5 Formation de voies et annulation d’interférents

Fig 10: Exemple de traitement au niveau d’une BTS [Kep, 16].
Les diagrammes de rayonnement des éléments pris individuellement sont additionnés,

les phases et les amplitudes dépendent à la fois des coefficients appliqués et de leurs
positions dans l’espace; on obtient ainsi un nouveau diagramme [Kep, 16]. Si les coefficients
varient avec le temps, on obtient un réseau adaptatif et peut être exploité pour améliorer la
performance d’un système de communication mobile: On parle de balayage électronique.
Concrètement, ceci peut être réalisé en estimant les coefficients désirés à l’aide d’un
processeur de signaux numériques (DSP: Digital Signal Processor) et en les appliquant dans
une bande de base complexe aux échantillons de signaux provenant de chacun des éléments
(Fig.10). La même approche peut être réalisée aussi bien en émission qu’en réception du fait
de la réciprocité du canal.
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.

CHAPITRE 3 OUTILS ET METHODES
1. Introduction
Un système est en général composé de plusieurs éléments qui interagissent et

déterminent un comportement global. Quand les caractéristiques de fiabilité d’un système
peuvent être réduites à une fonction des fiabilités élémentairement de ses composants nous
parlons d’un système combinatoire. Un problème d’optimisation combinatoire est un
problème qui peut s’exprimer par une fonction (dite coût) avec ou sans contraintes, à
minimiser ou maximiser sur un ensemble de définition fini ou dénombrable. C’est le cas de
nombreux problèmes, dans des domaines d’applications très variés, qu’ils soient
scientifiques ou techniques. La résolution satisfaisante d'un problème d'optimisation difficile,
qui comporte un grand nombre de solutions sous optimales, justifie souvent le recours à une
"méta-heuristique" puissante. Ces méthodes d'optimisation permettent de rechercher les
optimums globaux d'un problème d'optimisation, en évitant le piégeage dans l'un de ses
minimums locaux. Les principales méthodes sont la méthode: du recuit simulé, de recherche
tabou, les algorithmes génétiques et les algorithmes de colonies de fourmis, toutes inspirées
d'analogies avec la physique ou la biologie. Dans la suite de ce chapitre nous présentons les
méthodes utilisées pour l’optimisation du diagramme de rayonnement. Les organigrammes,
les algorithmes ainsi que les codes sources des trois méthodes d’optimisation sont présentés.

2. Outils
 Les algorithmes génétiques.
 Le recuit simulé.
 Les algorithmes de colonies de fourmis.
 Logiciel Matlab 2015.
 Un ordinateur portable de marque Compaq core duo 32bits.
3 Méthodologie d'optimisation par l’algorithme génétique
Dans le cadre de ce travail nous désirons optimiser le diagramme de rayonnement

d'un réseau d'antennes intelligentes. Soit un réseau rectiligne et uniforme de N éléments à
optimiser via l'algorithme génétique et les algorithmes de colonies de fourmis.
Le champ total de ce réseau est donné par:
N
E     E0     ai exp j  k0  i  1 d sin i cos i  i 
i 1 (III-1)
Où
i et i représentent les angles de direction, ai , les amplitudes des alimentations du
réseau d’antennes, i , les phases des alimentations du réseau d’antennes, d l’espacement
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.
Le principe de l’adaptation du réseau d’antennes est de déterminer la pondération

complexe d’alimentation qui place les zéros dans les directions des interférences, c’est à dire
trouver les valeurs de ai et i . L’approche utilisée à l’aide de l’algorithme génétique et de la

colonie de fourmis pour adapter le réseau d’antennes à son environnement est de fixer
l’amplitude de la pondération et de rechercher uniquement la loi de phase optimale ( i ) qui

minimise les niveaux de rayonnement en directions des interférences.

Le lien entre l’algorithme génétique et le problème d’adaptation du réseau d’antennes
est réalisé par la fonction fitness. Dans le cadre de ce travail nous avons choisi la fonction
fitness comme étant la somme quadratique des phases de chaque élément du réseau (
N
2
i 1 ). Les variables à optimiser sont représentées par des gènes et l’ensemble
des gènes constituent un individu. Par analogie avec notre problème, les gènes sont les i et
l’individu est l’ensemble de vecteur phase de N éléments. La première étape de

l’algorithme génétique est de générer une population initiale sous forme d’une matrice de L
lignes et de C colonnes, telles que: L est le nombre d’individus et C est le nombre de

gènes dans l’individu. Nous Evaluerons la force des individus de la population, en calculant
la fitness de chaque individu (chaque ligne de la matrice initiale). Pour cela, on décode le
chromosome correspondant à chaque individu. On utilisera la formule de décodage suivante
[Sal, 01]:
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.

3.1 Différentes étapes de la synthèse des phases de l’alimentation au moyen de l’AG
Choix des phases 0 pour le
Début
diagramme non adapté
Génération aléatoire d’une
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 
Minimisation de la fitness par l’algorithme génétique
Obtention des phases adaptées et tracé de la fitness

et du diagramme de rayonnement adapté. FIN
Fig 11: Etapes de la synthèse des phases de l’alimentation au moyen de l’AG.
Cette figure nous montre les différentes étapes à suivre pour résoudre le problème
d’optimisation du diagramme de rayonnement par les algorithmes génétiques.

3.2 Organigramme de l’algorithme génétique
Générer la
population de phase I=1
initiale
Début
Evaluation de la fonction coût:

 max  i   min  i  N 1 i
2
N 
fitness     2 N i  min  i  
i 1  2N  1 i 0 
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
Fig 12: Organigramme de l’AG.
3.3 Codage du chromosome

Les différentes phases à déterminer étant des réels, chaque individu de la population
représentant l’ensemble des phases sera codé en valeur réelle. Chaque chromosome
(individus) sera donc un vecteur de nombres réels de taille égale au nombre d’éléments du
réseau d’antennes intelligentes. La valeur de chacun des éléments (gènes) du vecteur
chromosome va appartenir à l’ensemble des valeurs possibles des phases de l’alimentation
du réseau d’antennes intelligentes.

Fig 13: Un chromosome
3.4 Espace de recherche

L’espace de recherche des différents gènes correspond à l’ensemble des valeurs que peut
prendre une phase. Pour notre réseau linéaire à N éléments, nous choisisons [-30°, 30°]. Les
opérateurs de l’algorithme génétique sont traités de telle sorte que, un gène ne sorte pas de cet
interval.
3.5 Initialisation de la population

Pour essayer de réduire les niveaux des lobes secondaires, l’initialisation de la
population de phases se fera de manière aléatoire. La taille de la population est choisie de
façon à réaliser un compromis entre le temps de calcul et la qualité de la solution.
3.6 Fonction d’évaluation et sélection

L’évaluation est basée sur la fitness de chaque individu. Compte tenu de la nature de la
fonction coût qui est une fonction à minimiser, l’individu le plus apte sera celui dont la valeur de la
fonction coût est la plus faible. Nous utilisons ici la sélection sur la fonction d’évaluation. Seuls les
individus passant l’épreuve de sélection peuvent accéder à la génération intermédiaire et s’y
reproduire.
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

aléatoire. Deux nouveaux chromosomes sont ainsi créés, possédant chacun une partie de leurs
«parents». La méthode de croisement adoptée dans ce mémoire, est le croisement en un point. Le
point de croisement est sélectionné aléatoirement.
Fig 14: Croisement en un point entre les gènes (phases).
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.

Fig 15: Mutation d’un gène (phase).
3.9 Critère d’arrêt

Le processus d’estimation des phases s’arrête si le nombre maximal de générations
est atteint ou si le meilleur individu est resté le même pendant les dernières générations.
3.10 Implémentation de l’algorithme génétique.
Table 3:Etapes de L’AG sur Matlab
Étapes de AG Codes source

Génération de la population initiale for i=1:nPop
% Initialize Position
pop(i).Position=randi([-30 30],VarSize);
% Evaluation
pop(i).Cost=CostFunction(pop(i).Position,x0
);
end
Fitness function z=Sphere(x,x0)

v=0;
for i=1:10
v=v+(2.^(i-1)).*x(10-i+1);
end
b=((max(x)-min(x))/2^10)*(v)+min(x);
z=sum((b-x0).^2);
end
Selection function i=RouletteWheelSelection(P)
r=rand;

c=cumsum(P);
i=find(r<=c,1,'first');
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.

4. Méthodologie d'optimisation par RS
Dans cette partie, nous essayons d'adapter l'algorithme d'optimisation du recuit
simulé au problème d'optimisation du diagramme de rayonnement du réseau d'antennes
intelligentes.
4.1 Différentes étapes de la synthèse des phases de l’alimentation au moyen
de RS
Début Choix d’une solution initiale f  0 

Et une température initiale T0
Application d’une transformation élémentaire grâce

à une fonction g   
f     f  1   f  0 
Minimisation de la fitness par RS en calculant la

probabilité

H  exp   f  1   f  0   / T 
Obtention de la meilleure fitness et tracé des

FIN
diagrammes
Fig 16: Etapes de la synthèse des phases de l’alimentation au moyen du RS

4.2 Organigramme du RS
Début
Choix d’une solution initiale f  0  et une

température initiale
T0
Application d’une transformation élémentaire ( 0 devient 1 )

g   
f 
grâce à une fonction et le calcul de
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
Fig 17: Organigramme des RS.

4.3 Choix de la solution initiale

Les phases initiales 0 étant choisies de manière aléatoire alors la solution initiale sera elle
aussi une solution aléatoire.
4.4 Génération du nouveau point
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.
4.5 Probabilité d’acceptation

La probabilité d’acceptation déterminée par une fonction H , dépend de la
température T et de la différence entre les deux valeurs de la fonction.
  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
Étapes de l’algorithme Codes sources

Programme principal clc;
clear;
close all;
CostFunction=@(x,x0) Sphere(x,x0);
nVar = 5;
x0=[-21 12 0 17 7 5 -9 -14 18 13];
VarSize = [1 nVar];
VarMin = -10;
VarMax = 10;
MaxIt=500;
MaxSubIt=10;
T0=1;
alpha=0.99;
nPop=10;
nMove=5;
mu = 0.05;
sigma = 0.001*(VarMax-VarMin);
empty_individual.Position=[];
empty_individual.Cost=[];
pop=repmat(empty_individual,nPop,1);
BestSol.Cost=inf;
for i=1:nPop
pop(i).Position=unifrnd(VarMin, VarMax, VarSize);
pop(i).Cost=CostFunction(pop(i).Position,x0);
if pop(i).Cost<=BestSol.Cost
BestSol=pop(i);
end
end
BestCost=zeros(MaxIt,1);
T=T0;
for it=1:MaxIt
for subit=1:MaxSubIt
newpop=repmat(empty_individual,nPop,nMove);
for i=1:nPop

for j=1:nMove
newpop(i,j).Position=Mutate(pop(i).Position,mu,sigma,VarMin,VarMax)
;
newpop(i,j).Cost=CostFunction(newpop(i,j).Position, x0);
end
end
newpop=newpop(:);
[~, SortOrder]=sort([newpop.Cost]);
newpop=newpop(SortOrder);
for i=1:nPop
if newpop(i).Cost<=pop(i).Cost
pop(i)=newpop(i);
else
DELTA=(newpop(i).Cost-pop(i).Cost)/pop(i).Cost;
P=exp(-DELTA/T);
if rand<=P
pop(i)=newpop(i);
end
end
if pop(i).Cost<=BestSol.Cost
BestSol=pop(i);
end
end
end
BestCost(it)=BestSol.Cost;
disp(['Iteration ' num2str(it) ': Best Cost = ' num2str(BestCost(it))]);
T=alpha*T;
sigma = 0.98*sigma;
end
figure;
semilogy(BestCost,'LineWidth',2);
xlabel('Iteration');
ylabel('Best Cost');
grid on;

Mutate function y=Mutate(x,mu,sigma,VarMin,VarMax)
A=(rand(size(x))<=mu);
J=find(A==1);
y=x;
y(J)=x(J)+sigma*randn(size(J));
y=max(y,VarMin);
y=min(y,VarMax);
end
Fitness function z=Sphere(x)
z=sum((x-x0).^2);
end
5. Méthodologie d'optimisation par ACO
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.

5.1 Différentes étapes de la synthèse des phases de l’alimentation au moyen
des ACO
Initialisation de la quantité de phéromone, choix du

Début nombre de fourmis, des phases ainsi que des
coefficients tij ,  ,  ,  , i
Choisir une zone de travail selon la probabilité

Pij
N
Lk  t     i f     i   j 
2 2
i 1 i, j
Minimisation de la fitness par l’ACO
Obtention de la meilleure fitness et tracé des

FIN
diagrammes
Fig 18: Etapes de synthèse de phases au moyen des ACO.

5.2 Organigramme de l’ACO

Début
Initialisation du phéromone, des

coefficients et des phases:
tij ,  ,  ,  , i
i, j  1,..., n
k=1
Choisir une zone selon la probabilité:

Roulette: Choisir un chemin selon la probabilité
 
tij  t    hij 
Pij  t   n
 
 t  t  
j 1
ij
 hij 
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
Enregistrement du meilleur chemin
t=t+1
Mise à jour de Non

T=Tmax
phéromone
Oui
Meilleur coût
final
FIN
Fig 19: Organigramme des ACO.
5.3 Phase d’initialisation de ACO

Les éléments s'agencent de la manière suivante au début de l'algorithme:
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.
5.4 Choix d’une zone selon la probabilité
La probabilité de transition de la ville i à la ville j est définie par [Sou, 07]:
 
tij  t    hij 
Pij  t   n
 
 tij  t   hij 
j 1
(III-5)
Où  et  Sont des paramètres de contrôle. Ils apportent un équilibre entre la visibilité
et l'intensité. A l'instant t , les fourmis font un compromis entre la visibilité et l'intensité

de la trace des phéromones présentes sur tous les chemins pour choisir la prochaine
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
.

5.5 Fonction d’évaluation
Apres n itérations, nous sommes à l'instant t , toutes les fourmis ont terminé leur tour,
chacune a une liste mémoire pleine et est revenue à sa propre position initiale (antenne de
départ). A ce moment:
Lk  t  Lk  t 
Chaque fourmi calcule sa valeur . notons que représente ici la fonction à
minimiser c'est à dire le fitness. Pour notre problème, cette fonction sera égale au carré
de la différence entre la phase de l'antenne i où se trouve une fourmi et la phase de
l'antenne j que la fourmi souhaite visiter, c'est-à-dire:
N
Lk  t     i f      
2 2
i j
i 1 i, j
(III-7)
5.6 Meilleur chemin

Lk  t 
Ici, on observe quelle fourmi a mieux minimisé le fitness en s’appuyant sur les
tours de chaque fourmis. Si ce tour est meilleur que le meilleur tour jusqu' ici on le
mémorise.
5.7 Mise à niveau de la quantité de phéromones

t  t  1
Les variables de phéromone ij sont mises à jour suivant la formule [Sou, 07]:
tijk  t  1   1    tij  t   Dtij  t , t  1

. (III-8)
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.

5.8 Critère d’arrêt
Le processus de détermination du meilleur chemin s’arrête lorsque le nombre
d’itération maximal est atteint et toutes les villes ont été visitées par les fourmis. A ce
moment les mémoires des fourmis sont effacées et les fourmis recommencent un
nouveau tour, toujours au départ de l’antenne sur laquelle elles avaient été placées au
début de l’algorithme.
5.9 Implémentation de l’algorithme ACO

Table 5: Implémentation des ACO sur Matlab.
Étapes de l’algorithme Codes sources

Choix de la zone selon la probabilité for l=2:nVar
i=ant(k).Tour(end);
P=tau(i,:).^alpha.*eta(i,:).^bet
a;
P(ant(k).Tour)=0;
P=P/sum(P);
j=RouletteWheelSelection(P);
ant(k).Tour=[ant(k).Tour j];
end
Sélection function j=RouletteWheelSelection(P)
r=rand;
C=cumsum(P);
j=find(r<=C,1,'first');
end
L’inverse de la visibilité function model=CreateModel()
x=randi([-30 30],1,40)
y=[1e-3 2e-3 3e-3 4e-3 5e-3 6e-3 7e-3 8e-3
9e-3 1e-2 1e-3 2e-3 3e-3 4e-3 5e-3 6e-3 7e-3
8e-3 9e-3 1e-2 1e-3 2e-3 3e-3 4e-3 5e-3 6e-3
7e-3 8e-3 9e-3 1e-2 1e-3 2e-3 3e-3 4e-3 5e-3
6e-3 7e-3 8e-3 9e-3 1e-2];
n=numel(x);

D=zeros(n,n);
for i=1:n-1
for j=i+1:n
D(i,j)=((x(i)-x(j))^2+(y(i)-y(j))^2);
D(j,i)=D(i,j);
end
end
model.n=n;
model.x=x;
model.y=y;
model.D=D;
end
La fitness function L=TourLength(tour,model)
n=numel(tour);
tour=[tour tour(1)];
L=0;
for i=1:n
L=L+model.D(tour(i),tour(i+1));
end
end
Mise à jour des phéromones for k=1:nAnt
tour=ant(k).Tour;
tour=[tour tour(1)]; %#ok
for l=1:nVar
i=tour(l);
j=tour(l+1);
tau(i,j)=tau(i,j)
+Q/ant(k).Cost;
end
end
% Evaporation
tau=(1-rho)*tau;

Résultats: obtention du meilleur tour et tracé
des Courbes.
Remarque: Dans chaque technique d'optimisation que nous proposons, la population de

phases sélectionnées pour l'optimisation sera celle qui minimisera au mieux la fonction coût
(fitness).
Le tableau ci-dessous nous permet de tracer le diagramme de rayonnement du réseau

adapté et celui du réseau non adapté.
Table 6: Implémentation du tracé des diagrammes de rayonnement dans Matlab.
Début du code Suite du code

clear all
close all; clc; F = abs ( H ) ;
d=1; FK = abs ( H ) ;
N = input ('The Number Of Array Elements: Fp = abs ( H ) ;
') ; FFp=Fp.^2;
K = input ('The Spacing Between Elements %figure ( 1 ) , polar ( u , F ) ;
in Wavelength : ') ; % K=d F = 20*log10 ( F /max(F)) ;
msgbox ('Enter The Currents flowing u = u * 180 / pi ;
through the Elements Respectively') ; figure ( 2 ) , plot ( u , F ,'-k') , xlabel
pause ('\bf{\theta}(Degrees)') , ylabel
for I = 1 : N
Current = I ('\bf{E}(dB)') , axis ([ -100 100 -100 0 ]) ,
Cm(I) = input ('Enter the Magnitude of grid on ;
the Current in Amperes : ') ;
Cp(I) = input ('Enter the Phase of the up =-pi:0.01:pi;
Current in degre : ') ;
Vp(I)=pi*Cp(I)/180; FF=10.^(F/20);
%Vp(I)=180*Cp(I)/pi; psi = pi*d*sin(up);
C(I) = Cm(I) * exp(i*Vp(I)) * 1; figure(3)
end
%Plot of The Output Polar And Space plot(psi/pi,20*log10( FF(length(up):length(

Radiation Pattern u))));
u = -2*pi:0.01:2*pi ; xlabel ('\bf{sin(\theta)}') , ylabel ('\bf{E}
H=0; (dB)') , grid on ;
for I = 1 : N
H = H + ( C(I) .* exp ( i * ( I-1 ) * K

*sin(u)) ) ;
end
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.
CHAPITRE 4 IMPLEMENTATION ET RESULTATS
1 Introduction

Ce chapitre est réservé à la mise en œuvre des différents algorithmes présentés dans
le chapitre précédent. Le processus de sélection des poids est effectué par ces algorithmes
d’adaptation qui, construisent des signaux de référence à partir d'une connaissance préétablie
de la structure des signaux de communication ou d'une portion des données transmises.
Ainsi, à tout instant, le rayonnement du réseau d’antennes peut être adapté aux exigences de
l’utilisateur grâce à un choix approprié de la loi d’alimentation des sources. En présence de
sources d’interférences, le diagramme de rayonnement du réseau d’antennes est adapté pour
que le niveau des signaux reçus, dans chacune des directions de brouillage, soit faible ou nul.
Il s’agira donc pour nous d’optimiser les pondérations d’un réseau d’antennes intelligentes
que nous aurons choisis par l’algorithme génétique, ceci dit en déterminant les nouvelles
valeurs des pondérations adaptées par ledit algorithme. Nous ferons le même travail dans la
seconde partie de ce chapitre en utilisant cette fois ci le recuit simulé et en troisième partie
nous utiliserons les algorithmes de colonies de fourmis. Pour tester l'effet du nombre
d'éléments du réseau d'antennes intelligentes, sur les techniques d'optimisation nous
travaillerons avec 10 éléments puis 40 éléments. Dans la dernière partie de ce chapitre nous
procèderons à une comparaison entre les résultats obtenus par les deux algorithmes d’une
part, puis à une comparaison de nos résultats avec ceux existant dans la littérature d’autre
part. Notons que dans chaqu’un des cas, les diagrammes de rayonnement sans adaptation
puis ceux ayant subis une adaptation nous permettrons de ressortir l’impact des algorithmes
sur le réseau d’antennes.
2 Optimisation au moyen de l’algorithme génétique

2.1 Cas d’un réseau rectiligne à 10 éléments.
Le réseau d’antennes est alimenté uniformément en phase et en amplitude, le
diagramme de rayonnement a été obtenu par simulation de l’équation (II-1) dans Malab
2 
k0  d
2015. Nous avons sélectionné les paramètres comme suit:  , 2,
i   1800 , 1800  i  0 i   300 , 300 

, , .
Les paramètres de l’algorithme génétique pour l’adaptation de ce réseau à 10 éléments sont:

10
2
 La fonction fitness est: i 1 .
   
i  deg rée    , 
 Borne de variation de la phase en radian:  6 6
 Nombre de population initiale: 100
 Nombre de génération: 100
 Probabilité de croisement: 0.7
 Probabilité de mutation: 0.1
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.

104
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
2
Fig 20:Variation du fitness ( i 1 ) en fonction du nombre de génération pour un

réseau de 10 éléments (Algorithme génétique).
Table 7: Le coût et les phases optimales générées par l'algorithme génétique.
Phases optimales générées par l'algorithme génétique

i  dégrée  -4.4 -2.8 30 -19.5 20.8 2.5 -8.4 30 -7.3 30
10 3670.19
fitness   i2
i 1

0
-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.

Les Fig. 21 et 22 nous montrent respectivement le diagramme de rayonnement ainsi
que l’espace polaire d’un réseau d’antennes à 10 éléments non adaptés (en noir), ainsi que
ceux adaptés au moyen de l'algorithme génétique (en bleu). Nous pouvons constater un
éclatement des lobes arrières ainsi que la diminution de leurs gains sans entrainer une
dégradation du lobe principal, ce qui sera à l'origine de la diminution des interférences.
2.2 Cas d’un réseau rectiligne à 40 éléments
Les paramètres de l’algorithme génétique pour l’adaptation de ce réseau à 40 éléments sont:
40
2
 La fonction fitness est: i 1 .
   
i  deg rée    , 
 Borne de variation de la phase en radian:  6 6
 Nombre de population initiale: 100
 Nombre de génération: 100
 Probabilité de croisement: 0.7

 0.1
Probabilité de mutation:
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).
La fonction coût diminue assez rapidement dans les premières générations.

L'algorithme converge vers la meilleure solution dès la 80 e génération. Par comparaison au
résultat précédent, nous dirons que, lorsque le nombre d'individus d'une population augmente
la fonction coût n'arrive pas très rapidement à sa valeur minimale. La Fig. 24 présente un
même comportement que la Fig 21 c'est à dire une forme de distribution ressemblante sur les
premiers lobes secondaires puis une explosion des lobes arrières. Nous remarquons aussi une

diminution des niveaux des lobes arrière et aucune dégradation du gain en direction du signal
utile. Nous pouvons ajouter au vue des Fig 21 et 24 que plus le nombre d’éléments est
important dans un réseau et mieux les niveaux de réjections sont améliorés. En conclusion
nous dirons que l'augmentation du nombre d'élément dans un réseau ne détruit pas
l'optimisation du réseau mais permet plutôt une meilleure optimisation.
Table 8: Le coût et les phases optimales générées par l'algorithme génétique pour un réseau de 40
éléments.
Phases optimales générées par l'algorithme génétique
-15 29 3 2 0 21 -22.8 28 6 -22
24.1 22.1 26.1 -29.7 -6.5 -30 22.4 -6.5 30 -23.6

i  dégrée 
17.7 10.7 -30 17.7 2.03 -17.8 28 6.9 -24 28.5
30 -29.3 10.2 21.4 -30 24.3 -30 18.3 -3.9 28.3
40
i 1 18963.44

0
-10
-20
-30
-40
E(dB)
-50
-60
-70
-80
-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.
3 Optimisation au moyen du Recuit Simulé

Dans cette partie nous présentons les résultats obtenus par optimisation d’un réseau
d’antennes intelligentes via l’algorithme du recuit simulé.
Les paramètres du recuit simulé sont fixés comme ci-dessous:
 Nombre d’itérations maximales: 500

 Nombre de sous itérations: 10
 Température initiale: 1
 Taux de réduction de la température: 0.99
 Nombre de populations: 10
 Nombre de voisins: 5
 Taux de mutation: 0.05

2200
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).
La Fig 25 montre l’évolution du meilleur coup en fonction du nombre d’états

acceptés, c’est-à-dire le nombre de minimums engendrés durant tout le déroulement de
l’algorithme parmi toutes les configurations testées. Nous remarquons bien une décroissance
du coût jusqu'à stabilisation à une valeur bien précise. Cette stabilisation commence lorsque
le nombre d’itération est égal à 300. Ce résultat se répercute sur la Fig 26 avec une bonne
réduction des niveaux des lobes secondaires.
Table 9: Le coût et les phases optimales générées par RS
Phases optimales générées par RS

i  dégrée  -21 12 0 17 7 5 -9 -14 18 13
10
i 1 1718

0
-20
-40
E(dB)
-60 Diagramme de rayonnement non adapté

Diagramme de rayonnement adapté par le RS
-80
-100
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
Sin
vert) adapté au moyen du RS.
4. Optimisation au moyen de la colonie de fourmis

Après avoir défini les données du réseau plus haut, on passe directement à
l’application de l'algorithme ACO qui est adapté à ce type de problème. La difficulté à
appliquer l'ACO réside dans le choix des paramètres. Nous avons généré aléatoirement des
tableaux contenant seulement les résultats optimaux de chaque expérience.
On fixe  ,  et le nombre de fourmis et on fait varier le paramètre d'évaporation 

de 0.1 à 0.9 avec un pas de 0.1. Nous effectuons trois simulations par paramètre et nous
choisissons la valeur du paramètre qui a le coût le plus faible afin de générer la population
optimale.
  1,  1
 nombre de fourmis: 10
 nombre de cycles ou nombre d'itérations: 100
Table 10: Expériences d'évaluation des coûts
Pour chaque  on extrait les trois premières valeurs de la fonction coût

  0.1   0.2   0.3   0.4   0.5
1425 2010 1420 698 1865

10 1180 1425 1460 1610 1575
fitness   i2 1020 1456 1280 1680 1710
i 1
Table 10: (suite)

  0.6   0.7   0.8   0.9
1565 1730 1875 1025
10
fitness   i2 770 1410 1790 1455
i 1 1410 1030 1472 1900
La table 10 montre l'evolution du coût en fonction du parametre d' evaporation. Il
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
2
Fig 27:Variation du fitness ( i 1 ) en fonction du nombre de génération pour un

réseau de 10 éléments (ACO).
Table 11: Le coût et les phases optimales générées par ACO.
Phases optimales générées par ACO

i  dégrée  -19 5 4 14 9 0 -7 -11 17 11
10
i 1 1259

0
-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.
Les paramètres de l ACO sont:
   1 ,   1 ,   0.1
 nombre de fourmis: 40
 nombre de cycles ou nombre d'itérations: 100
Table 12: Le coût et les phases optimales générées par l'ACO pour un réseau de 40 éléments.

Phases optimales générées par l'ACO
-23 5 -3 7 -27 -3 -3 10 -17 -14
19 14 13 -23 -24 26 15 -28 8 13
i  dégrée  -21 -2 -17 -9 -7 23 24 21 22 1
-2 -10 30 19 28 -22 -20 -26 17 5
40
i 1 12611
-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.
Les Fig.28 et 29 nous montrent respectivement les daigrammes de rayonnement

d'un réseau de 10 éléments puis celui de 40 éléments adapté par ACO. Sur ces deux figures
nous pouvons mieux apprécier la diminution des niveaux des lobes arrieres. Nous
remarquons aussi aucune dégradation du gain en direction du signal utile. Notons aussi que
même dans ce cas d'optimisation par ACO, le nombre d'élément du réseau ne détruit pas le
diagramme de rayonnement mais l'améliore plustôt de manière à mieux éliminer les
interférences.

5. Comparaison des trois algorithmes: AG, RS et 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
i 1

0
-20
-40
E(dB)
-60
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
bleu) adapté par l'AG, (en rouge) adapté par l'ACO et en vert adapté par RS.
La table 13 montre les valeurs des phases optimales, et le coût optimale. On

remarque que tous les résultats ne sont pas similaires et aussi que le coût optimale le plus
faible est celui obtenu par l'ACO. Ce coût est trois fois moins que celui obtenu par l' AG.
Cette valeur du coût a un très grand impact sur le résultat de l'optimisation. Sur la Fig.30
nous voyons clairement que le diagramme de rayonnement adapté par l'algorithme génétique
comporte des niveaux de lobes plus important que celle adapté par la colonie de fourmis
(ACO). Cela nous permet de conclure que le diagramme de rayonnement du réseau adapté
par l'algorithme génétique présente un niveau d'interférence plus élévé que celui adapté par
l'ACO. De plus nous observons la rejection d’une interférence de gain -51dB par l’ACO,
48.9dB pour le recuit simulé et la rejection d’une interférence de gain -41dB par l’AG. Le
gain de cette interférence est grand par l’AG par rapport à ses valeurs obtenues par le RS et
l’ACO. En fin les moyennes des niveaux des lobes secondaires obtenus sont respectivement
-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

dans ce mémoire, la méthode d'optimisation par colonie de fourmis (ACO) est meilleure que
les deux autres techniques à savoir l’AG et le RS.
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.
6. Comparaison des résultats avec ceux de la littérature.
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.
F. Debbat et al Nos résultats

RS AG ACO RS AG
-80dB -65dB -51dB -48.95dB -41dB
7. Conclusion
Dans ce chapitre il était question pour nous d'implémenter les méthodes

d'optimisation (algorithme génétique, recuit simulé et algorithme par colonie de fourmis)

developpées au chapitre précédent sur un réseau d'antennes intelligentes. ces trois
algorithmes nous ont permis de trouver des résultats satisfaisants. De plus nous avons
constaté que l'algorithme par colonie de fourmis est beaucoup plus efficace et performant
dans ce type de problème que les deux autres algorithmes. Le développement rapide de la
technique du calcul numérique a permis de maitriser ce problème en élaborant plusieurs
algorithmes de calcul permettant de retrouver la valeur de la fonction coût (fitness) utilisée
par les antennes du réseau. Ces algorithmes méta-heuristiques utilisent une recherche
stochastique aléatoire. Nos résultats montrent l'éfficacité de ces algorithmes dans
l'optimisation d'un tel réseau.
CONCLUSION GENERALE
Les réseaux d’antennes connaissent un grand essor en télécommunication, car ils

permettent de produire des diagrammes de rayonnement complexes et modifiables
électriquement. On parle alors de beamforming. Associés à un traitement de signal
complexe, ces réseaux d’antennes forment des antennes intelligentes, capables de modifier
leurs caractéristiques pour optimiser les performances du système qui les emploient. Notre
travail a porté sur l’optimisation du diagramme de rayonnement d’un réseau d’antennes
intelligentes au moyen de l’algorithme génétique, du recuit simulé et des algorithmes à
colonie de fourmis. Notre but était de réduire les lobes secondaires du diagramme de
rayonnement d’un réseau d’antennes intelligentes au moyen de l’algorithme génétique, du
recuit simulé et des algorithmes de colonies de fourmis.
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

l’algorithme génétique puis le recuit simulé, et enfin les algorithmes de colonies de fourmis
pour minimiser la fonction coût. Dans les trois cas, la minimisation de la fonction coût nous
a permis de générer les phases adaptées. Les phases obtenues nous ont permis de tracer les
diagrammes de rayonnement.
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:
 Réaliser un réseau d'antennes intelligentes proprement dite afin de comparer les

diagrammes mesurés et ceux calculés.
 Optimiser un réseau d'antennes intelligentes en n'utilisant plus seulement la phase

comme paramètre d'optimisation mais aussi l'amplitude d'alimentation du réseau
d'antennes intelligentes.
 Comparer nos résultats à ceux obtenus par optimisation au moyen des réseaux de
neurones.

BIBLIOGRAPHIE
[Bal, 05] C. A. Balanis, Antenna theory: analysis and design, John Wiley & Sons third
edition, 2005.
[Ben, 13] A. Benyamina, ‘’Application des algorithmes de colonies de fourmis pour

l'optimisation et la classification des images‘’, Thèse de Doctorat, Université
d'Oran Mohamed Boudiaf, 2013.
[Deb, 05] F. Debbat et F. Bendimerad, (2005), ’’Les algorithmes d’optimisation

globale: application réseaux intelligents d’antennes’’, 3rd Conférence
international SETIT, Tunis.
[Fad, 10] N. Fadlallah, ’’Contribution à l’optimisation de la synthèse du lobe de

rayonnement pour une antenne intelligente’’, Thèse Doctorat, Université de
Limoge, 2005.

[Fer, 95] J. Fernandes, O. Sousa et J. Neves, (1995), ‘’Impact of the AntennaSet-up
and arrays on mobile radio Systems’’, Conférence internationale sur les
communications privée et universelle, Tokyo.
[Ger, 13] D. Grenier, Antennes et propagation radio, cours Université Laval, 2013.
[Gha, 08] R. Ghayoula, ’’Contribution à l’optimisation de la synthèse des antennes

intelligentes par les réseaux de neurones’’, Thèse Doctorat, Université de
Tunis, 2008.
[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.
[Mer, 04] L. Merad, F. T. Bendimerad, S. M. Meriah (2004) ‘’Performance analysis

of analytical approaches to smart antennas modeling’’, Traitement du signal,
vol. 21, issue 4, 249-259.
[Nkw, 13] H. Nkwawo, Cours Radiocommunication mobile, école nationale supérieure

polytechnique, Université Yaoundé I, 2013.
[Sal, 01] M. Salomon, ‘’Étude de la parallélisation de méthodes heuristiques

d’optimisation combinatoire: Application au recalage d’images médicales’’,
Thèse de Doctorat, Université Louis Pasteur, 2001.

[Sou, 07] H. Soumeya, et B. Khaled, ‘’Deux stratégies parallèles de l’optimisation par
colonie de fourmis’’, 4rd Conférence international SETIT, Tunis, 2007.
[Tab, 97] S. Tabbane, “Réseaux Mobiles”, Editions HERMES, Paris, 1997
[Ton, 10] E. Tonye, Antenne intelligente en télécommunication mobile, Cours école

nationale supérieure polytechnique, Université Yaoundé I, 2010.
[Ton, 13] E. Tonye, Antennes Adaptative et antennes Intelligentes, Cours école

nationale supérieure polytechnique, Université Yaoundé I, 2013.
[Ton, 15] E. Tonye, S. Kepchabe, (2015) ‘’Performance analysis of analytical

approaches to smart antennas modeling’’, International Journal of Engineering
and Management Research, vol. 5, issue 4, 320-331.
[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.

Mémoire Romanic 15012017

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Mémoire Romanic 15012017

Transféré par

Droits d'auteur :

Formats disponibles

DEDICACE

Mr KAPTUE SOUPGUI ANSELME

Mémoire de Master Pro en télécom rédigé par Kengne Romanic Page i

L’Eternel Dieu qui est mon rocher et mon salut.

Le président de Jury de ma soutenance le Pr. TIEDEU Bertin Alain ainsi que

Le Pr. TONYE Emmanuel, pour sa contribution dans le bon déroulement du Master

Le Dr. FOTSING Janvier, encadreur académique de ce travail, que je tiens à remercier

Tous les enseignants du MASTEL de l’Ecole Nationale Supérieure Polytechnique qui

Les enseignants du département de Physique de l’Université de Dschang pour les

FONO Vincent, TCHAGNA Aurelle, FOZIN Theophile, HEUGANG Steven et

Mémoire de Master Pro en télécom rédigé par Kengne Romanic Page ii

L’augmentation des débits de télécommunications a poussé les industries des

Dans le présent travail, nous faisons part de trois méthodes d’optimisation du

Mots-clés: antennes réseau, optimisation, diagramme de rayonnement, algorithme

Mémoire de Master Pro en télécom rédigé par Kengne Romanic Page iv

Growing telecommunication throughput has pushed the telecommunications companies

Keywords: Smart antennas array, optimization, radiation patterns, genetic algorithm,

Mémoire de Master Pro en télécom rédigé par Kengne Romanic Page v

Mémoire de Master Pro en télécom rédigé par Kengne Romanic Page vi

Fig.1: Organigramme simplifié du cadre de recherche.........................................................................4

Fig.20:Variation du fitness ( i 1 ) en fonction du nombre de génération pour un

Mémoire de Master Pro en télécom rédigé par Kengne Romanic Page ix

Fig.27:Variation du fitness ( i 1 ) en fonction du nombre de génération pour un

Mémoire de Master Pro en télécom rédigé par Kengne Romanic Page x

Table 1: Avantages des réseaux d’antennes [Ton, 16].......................................................................22

Mémoire de Master Pro en télécom rédigé par Kengne Romanic Page xi

RCS: Reduced Cluster Size

AMRS: Accès Multiple par Répartition Spatiale

SDMA: Spatial Division Multiple Access

DSP: Digital Signal Processor

SBA: Switching Beam Antenna.

MUSIC: Multiple SIgnal Classification

ESPRIT: Estimation of Signal Parameters via Rotationnal Invariance

CSA: Classical Simulated Annealing

FSA: Fast Simulated Annealing

VFSR: Very Fast Simulated Reannealing

ACO: Ant Colony Optimization

AG: Algorithme Génétique

RS: Recuit Simulé

OCF: Optimisation par Colonies de Fourmis

BSC: Base Station Controller

BSS: Base Sub-System

BTS: Base Transceiver Station

FDMA: Frequency Division Multiple Access

MS: Mobile Station

RF: Radio Frequency

TDMA: Time Division Multiple Access

Mémoire de Master Pro en télécom rédigé par Kengne Romanic Page 1

Mémoire de Master Pro en télécom rédigé par Kengne Romanic Page 2

L’introduction des antennes à réseau d’éléments pour les opérateurs des

 La dynamique non linéaire et ses potentielles applications en télécommunications.

Mémoire de Master Pro en télécom rédigé par Kengne Romanic Page 3

L2MSP LETS MMSL

DYNAMIQUE NON TRAITEMENT DU

Fig 1: Organigramme simplifié du cadre de recherche.

2.2 Motivation du choix du sujet

Mémoire de Master Pro en télécom rédigé par Kengne Romanic Page 4

Les antennes classiquement utilisées sont les antennes omnidirectionnelles et les

Mémoire de Master Pro en télécom rédigé par Kengne Romanic Page 5

Mémoire de Master Pro en télécom rédigé par Kengne Romanic Page 6

Le problème d’optimisation est encore un problème de minimisation d’une fonction

Mémoire de Master Pro en télécom rédigé par Kengne Romanic Page 7

 Quels résultats obtiendrons-nous si nous utilisons les algorithmes à colonie de