M2 (IE, EN), (18-19) M.

AIT CHIKH

TP Optimisation (algorithmes constant de pénalité satisfait au problème

stochastiques) d’optimisation.

1. But de TP : m
fitness  F   Ci i
i 1
Le but de ce TP est de mettre en œuvre des

codes d’optimisation en utilisant la méthode  i  1,if constraint i is violated
where 
PSO et les algorithmes génétiques standard  i  0,if constraint i is satisfied
avec un codage binaire et réel, ainsi que la 
résolution des problèmes d’optimisation
Avec m est le nombre des contraintes, C est le
mécaniques et mathématiques en illustrant
constant de pénalité dépond de la fonction
l'importance de quelques paramètres de ces
objectif.
algorithmes (codage, taille de la population,
probabilité de mutation, nombre d'évaluations
de la fonction objectif ……. etc.).

2. L’Optimisation

Dans la mathématique et le calcul scientifique,

l’optimisation consiste à trouver la meilleure
solution parmi toutes les solutions faisables
pour minimiser ou maximiser une fonction
qui s’appelle généralement fonction-objectif.
2.1. Problème d’optimisation
La formulation classique d’un problème
d’optimisation est comme suit :
Minimiser ou maximiser f(x)
Sachant que : gi (x)≤0
hi (x)=0
3. Problème mécanique
3.1. Design d’un ressort
Cet exemple consiste à minimiser le volume
d’un ressort « V » sous une force de
compression constante [6] ; fonction objectif
f(x) contient 3 variables nombre, les cols
active du ressort (x1=N), le diamètre
d’enroulement (x2 =D), le diamètre du fil (x3=
d).

x j,min  x j  x j,max V  f ( x )  ( x1  2) x2 x32

i=1, 2, 3,…, m. Avec

f(x) : c’est la fonction objectif ou la fonction x 1 x32

coût (ou la fonction fitness). g1 ( x )=1− ≤0
71785 x34
gi(x) : c’est une contrainte d’inégalité. 4 x 22 −x 2 x3 1
g2 ( x )= + ≤0
hi (x) : c’est une contrainte d’égalité. 12566( x 2 x33 −x 43 ) 5108 x 23
140 . 45 x 3 1
2.2 Traitement des contraintes g3 ( x )=1− + ≤0
x 1 x 22 5108 x 23
On s’intéresse à une technique proposée par
Alice E. Smith and David W. Coit (1996)[5] x +x
g4 ( x )= 3 2 −1≤0
Cette technique consiste à pénaliser la solution 1 .5
située dans la région infaisable avec un
Et

1
M2 (IE, EN), (18-19) M. AIT CHIKH

2≤x 1 ≤15
0 .25≤x 2≤1. 3 Présenter brièvement le but de TP ainsi que
les méthodes employées (GA et PSO).
0 . 05≤x 3 ≤2 4.2. Partie calcul numérique
1- Pour chaque problème d’optimisation et
3.2. Rendement hydraulique local d’un
pour chaque méthode, exécuter le code 10 fois
profil d’aube
et remplir le tableau 1.
tg( β m−ε 1 )+ tg( α m−ε 2 ) « std » : fonction matlab qui permet de
ηH= calculer l’écart type d’un vecteur.
tg ( βm )+ tg( α m ) « mean » : fonction matlab permet de calculer
la moyenne d’un vecteur.
16.45   m  70 N.B., dim=3, taille de population=100,
16.12   m  53.91 itération=300.
1   2  1.5 2- Pour les mêmes paramètres précédents (dim,
taille population et itération), remplir le tableau
Βm : angle moyen du rotor 2.

αm : angle moyen du stator 3-Tracer l’évolution de best fitness en

fonction d’itération (pour PSO et GA) sur le
Tableau 1 Fonction Rosenbrock (-10<=xi<=10) Fonction sphère ( -10<=xi<=10)
Méthode min max moy std min max moy std
PSO 0 0 0 0 0 0 0 0
GA reél 0 3.254e- 5.248e- 4.245e- 0 7.254e- 5.256e- 3.298e-27
11 11 11 27 27

GA Toolbox 0.012 0.1514 0.2451 0.3547 8.235e- 1.2548e- 7.2584e- 8.3254e-7

Matlab 5 7 7 7

1 ,  2 : angles de perte de rotor et stator

respectivement.

3.2. Problème mathématique (fonction test)

Consulter le CD donné à la séance de TP ou

parcourir le lien suivant :
https://en.wikipedia.org/wiki/Test_functions_f
or_optimization.
même graph, chaque fonction dans une figure.
4. Travail demandé 4- Pour le problème de Rosenbrock et avec
PSO et GA, tracer l’évolution de best fitness
4.1. Partie théorique en fonction de taille de population de 10 à 100

Tableau ressort rendement Schwefel Rastrigin

2
Solution x F(x) Solution x F(x) Solution x F(x) Solution x F(x)
PSO 0.3365 0.5412 -0.6580 43.28 4.8521 530.876 0 0
0
GA 0.6241 0.5382 0.54012 46.38 6.1268 450.000 0 0
2
2
M2 (IE, EN), (18-19) M. AIT CHIKH

avec un pas de 10, et de 100 à 500 avec un pas 2007. CEC 2007. IEEE Congress on (pp. 646-
de 50. (itération=300). 653). IEEE.
5- En utilisant le code GA binaire, résoudre le
problème de sac à dos suivant : [7] R. Noguera et R. Rey : Unité
v=[391 444 250 330 246 400 150 266 268 293 d’enseignement aero-hydrodynamique interne
471 388 364 493 202 161 410 270 384 486]; des machines. Tome II. Profils, grilles d’aubes
et machines axiales. Cours de Master -Arts et
Métiers ParisTech - Paris, 2008
w=[55 52 59 24 52 46 45 34 34 59 59 28 57 21
47 66 64 42 22 23];
n
max f ( x)   vi .xi
i 1
n
sachant que ( g ( x)   wi .xi )  500
i 1

Avec xi  {0,1}
Répéter le calcul pour Pm=0.1 , 0.3, 0.5 et 0.8.
6-Discuter les résultats obtenus dans le tableau
1 et le graph de qst 4.
4.3. Conclusion :
Dégager au moins 5 points déductifs.

Référence Bibliographie
[1] Vincent Baudoui , Optimisation robuste
multiobjectifs par modèles de substitution ,
thèse du doctorat, (2012).

[2] Amira Gherboudj ,Méthodes de résolution

de problèmes difficiles académiques thèse du
doctorat (2013)

[3] Thomas Vallée,Murat Yıldızoğlu

Présentation des algorithmes génétiques et de
leurs applications en économie (2003).

[4] Guo, C., & Yang, X. (2011). A

Programming of Genetic Algorithm in
Matlab7. 0. Modern Applied Science, 5(1),
p230.

[5] Smith, A., Smith, A. E., Coit, D. W.,

Baeck, T., Fogel, D., & Michalewicz, Z.
(1997). Penalty functions.

[6] Bernardino, H. S., Barbosa, I. J. C., &

Lemonge, A. C. D. C. (2007, September). A
hybrid genetic algorithm for constrained
optimization problems in mechanical
engineering. In Evolutionary Computation,