Académique Documents
Professionnel Documents
Culture Documents
Département d’informatique
Dirigé
par :
Réalisé par:
Azizi
Selma.
Mr Maamar
Bougherara.
Sommaire
Introduction
Des algorithmes d'optimisation méta heuristique sont introduits afin de
résoudre des problèmes d'optimisation en imitant des phénomènes physiques ou
biologiques. Par conséquent, ces algorithmes sont classés en trois classes :
méthodes basées sur l'évolution, la physique et la nature.
Les techniques basées sur l'évolution sont inspirées des lois de l'évolution
naturelle. L'opération de recherche commence par la génération aléatoire de la
population qui est améliorée par descente ultérieure. Habituellement, ces
techniques se caractérisent par la combinaison des meilleurs individus pour
former la prochaine génération d'individus. Cela conduit la population au fil des
générations. Les algorithmes les plus courants inspirés de l'évolution sont les
algorithmes génétiques (GA), Les méthodes basées sur la physique imitent les
principes physiques du monde.
1
Inspiration
Inspiration :
Le lion de mer est considéré comme l'un des animaux les plus
intelligents. Les lions de mer vivent dans d'immenses colonies qui
comptent des milliers de membres.
2
Modalisation mathématique
• B est un vecteur aléatoire dans [0, 1] qui est multiplié par 2 pour
augmenter l'espace de recherche qui aide les agents de recherche à
trouver une solution optimale ou presque optimale.
SL(t-1)=P(t)-DIST*C …...(2)
3
Modalisation mathématique
2) Phase de vocalisation :
Les lions de mer sont considérés comme des amphibiens. En d'autres
termes, les lions de mer vivent dans l'eau et sur terre. Leurs sons se
déplacent quatre fois plus vite dans l'eau que dans l'air .Les lions de mer
communiquent entre eux en utilisant diverses vocalisations, en
particulier lorsqu'ils chassent et chassent en tant que sous-groupe .De
plus, ils utilisent leur son pour appeler d'autres membres qui restent sur
le rivage. Pour cette raison, les lions de mer chassent et confinent leurs
proies pour qu'elles se rapprochent de la surface de l'océan. De plus, ils
ont de petites oreilles capables de détecter les sons sous et au-dessus de
l’eau. Ainsi, lorsqu'un lion de mer identifie une proie, il appelle d'autres
membres à encercler et à attaquer la proie. Ce comportement est
modélisé mathématiquement comme dans les équations. (3), (4) et (5).
4
Modalisation mathématique
3) Phase d’attaque :
Les lions de mer seront capables de reconnaître la position des proies
ciblées et de les encercler. La méthode de chasse est guidée par le chef
(meilleur agent de recherche) qui détecte la proie et en informe les
autres membres.
5
Modalisation mathématique
6
Algorithme SLnO
7
Algorithme SLnO
8
Algorithme SLnO
L’algorithme :
Debut
Initialize population
Select 𝑆𝐿 𝑅𝐴𝑁𝐷(𝑡)
Calculate 𝑆𝐿 𝑅𝐴𝑁𝐷(𝑡)unsin eq 3
Else
Else
Else
Stop
Else
Stop
9
Conclusion
Conclusion
Ce projet a présenté l’algorithme d'optimisation basé sur la
nature qui imite le comportement de chasse des otaries. La
technique suggérée est appelée algorithme d'optimisation des lions
de mer (SLnO) impliquant trois facteurs principaux pour simuler
l'exploration de la balle d'appât à l'aide des moustaches d'otaries,
boule d'appât encerclant et vocalisation des lions de mer .De plus,
ce travail a été testé sur 23 problèmes d'optimisation
mathématique afin d'analyser la phase d'exploration, la phase
d'exploitation et le comportement de convergence de la méthode
proposée. Les résultats d'optimisation ont montré que l'algorithme
SLnO est compétitif par rapport à d'autres algorithmes récemment
méta heuristiques.
10