Académique Documents
Professionnel Documents
Culture Documents
pour
l’optimisation multiobjectif
Alain Berro
alain.berro@irit.fr
• Définitions et problématiques
• Le processus évolutionnaire
• Les méthodes agrégées
• Les méthodes non agrégées et non Pareto
• Les méthodes basées sur Pareto
• Synthèse
• Discussion
Les problèmes d’optimisation multiobjectifs
• Un producteur de vin
9 Maximiser sa qualité
q
9 Minimiser son coût de production
Coût
C
Qualité
Définitions
x2 f2
F
E
f : (f1,f2)
x1 f1
Problématiques
Détermination
du poids de
Problème chaque
multiobjectif objectif
Préférences Problème
du décideur simple
minimiser f1
objectif
...
minimiser fn
Solveur Solveur
Multiobjectif
? Simple
Objectif
• Minimisation de f1 et f2
9 Si le décideur opte
p pour
p une méthode agrégée
g g avec w1 et w2 les
poids des objectifs
9 Toutes les solutions sur la portion f
2
de courbe entre A et B A
peuvent satisfaire le décideur Espace des
w2 objectifs
réalisables
é li bl
w1
f1
Définition
• Décideur
9 priori (décideur → recherche)
Les méthodes a p
9 Les méthodes a posteriori (recherche → décideur)
9 Les méthodes progressives ou interactives (décideur ↔ recherche)
• Concepteur
9 Les méthodes
L é h d agrégées
é é
9 Les méthodes non agrégées et non Pareto
9 Les méthodes basées sur Pareto
Les méthodes agrégées
• Axiome fondamental
Tout décideur essaye
y inconsciemment de maximiser une fonction
d'utilité.
• Les techniques
9 La somme pondérée
9 Goal programming [Charmes
[Ch 1961]
• Somme pondérée
9 Cette méthode consiste à additionner tous les objectifs
j en affectant
un coefficient de poids. Ce coefficient représente l'importance
relative que le décideur attribue à l'objectif.
• Goal
G l programming
i [Charmes
[Ch 1961]
9 Le décideur fixe un but Ti à atteindre pour chaque objectif fi. Ces
valeurs sont ajoutées
j au problème
p comme des contraintes. La
nouvelle fonction objectif est modifiée de façon à minimiser la
somme des écarts entre les résultats et les buts à atteindre.
• Le
L min-max
i [Coello
ll 1995]
9 Elle minimise le maximum de l'écart relatif entre un objectif et
son but associé p
par le décideur.
Les méthodes agrégées
• Goal attainment
9 Dans cette approche
pp le décideur spécifie
p l'ensemble des buts Ti
qu'il souhaite atteindre et les poids associés wi. La solution
optimale est trouvée en résolvant le problème suivant : minimiser
α tel que Ti + α.wi ≥ fi(x).
(x)
• La méthode e-contrainte
9 Cette méthode est basée sur la minimisation d'un objectif
j fi en
considérant les autres objectifs contraints par une valeur εj.
Les difficultés Les méthodes agrégées
• Principe
Elles p
possèdent un pprocessus de recherche qqui traite séparément
p les
objectifs.
• Techniques
9 Vector Evaluated Genetic Algorithm (VEGA) [Schaffer 1985]
9 Utilisation de genres [Allenson
[All 1992 Li
1992, Lis ett Eiben
Eib 1996]
Sous-
population
sélectionnée
en fonction
de l'objectif
n°1
Population
. Population après
Population après application
initiale de
.
mélange des des
n individus . k sous- opérateurs
populations génétiques
Sous-
population
sélectionnée
en fonction
f ti
de l'objectif
n°k
Les méthodes basées sur Pareto
• La frontière de Pareto 0
Ensemble de tous les points Pareto-optimaux f1 min
Les méthodes basées sur Pareto
• Objectifs
9 Guider le p
processus de recherche vers la frontière de Pareto
Coût Coût
Qualité Qualité
9 Maintenir la diversité des solutions
9 Assurer une bonne répartition des solutions sur la frontière
Les méthodes basées sur Pareto
f2 min
1 Point Dominé par Rang
2 1 aucun 1
2 3 2
4
3 3 aucun 1
4 3 et 5 3
5
5 aucun 1
0
f1 min
NSGA Les méthodes basées sur Pareto – non élitistes
Début
• Le calcul de la fitness s'effectue
en séparant
p la ppopulation
p en pplusieurs Population
initiale;
nbgen = 0;
groupes en fonction du degré de
domination au sens de Pareto Front = 1
d chaque
de h i di id
individu Population Non Recherche des
classée ? individus non
dominés
Oui
• Critiques Croisement
Sharing
9 Complexe Mutation
Front + 1
9 Utilisation du sharing
Oui
9 Non élitiste nbgen < max ?
Non
Stop
Les méthodes basées sur Pareto
Archive réduite
Sélection
Ensemble sélectionné
Croisement et mutation
• Notation
9 Pour chaque
q individu de l'ensemble Pareto-optimal.
p La fitness est
proportionnelle au nombre d'individus de la population qu’il
domine
9 La fitness fi d
d'un
un individu de la 11/8 16/8
population est égale à la somme 19/8
f2 min
des fitness des individus 3/8
P t
Pareto-optimaux
ti quii le
l dominent
d i t+1 13/8
16/8
13/8
5/8
11/8
9 Dépendance par rapport à la taille 3/8
de l’archive
0
f1 min
PAES Les méthodes basées sur Pareto - élitistes
f1 min
PESA II Les méthodes basées sur Pareto - élitistes
f1 min
Synthèse Les méthodes d’optimisation multiobjectifs
Populatio Paramètr
Sharing Restricte Crowdin Clusterin
n Archive es
Méthode Action (d, σshare d mating g g
génétique (taille) suppléme
et α) (σmate) (Grille, l) (minDist)
(N, tc, tm) ntaires