‫الجمهورية الجزائرية الديمقراطية الشعبية‬

République Algérienne Démocratique et Populaire

Ministère de l’Enseignement Supérieur ‫وزارة التعليم العالي والبحث العلمي‬
Et de la Recherche Scientifique ‫المدرسة العليا لألساتذة‬
Ecole Normale Supérieure ‫القبة القديمة –الجزائر‬
Master 2 Système d’information et e-learning. ‫قسم اإلعالم اآللي‬
Vieux Kouba – Alger

Département d’informatique

Projet d’optimisation avancée

Thème :
ALGORITHME D’OPTIMISATION
LION DE MER

Dirigé
par :
Réalisé par:
Azizi
Selma.
Mr Maamar
Bougherara.
Sommaire

Année universitaire 2020/2021

Introduction

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.

Les méthodes basées sur la nature sont la troisième classe de techniques

inspirées de la nature qui imitent le comportement social des animaux dans la
nature. La technique la plus courante est l'optimisation des essaims de particules
(PSO) qui imite le comportement social du troupeau d'oiseaux.

Ce projet présent algorithme d'optimisation méta heuristique appelé

algorithme d'optimisation des lions de mer (SLnO) imitant le comportement de
chasse des otaries, qui est proposé en 2019 par Raja Masadeh.

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.

 La caractéristique la plus importante des lions de mer est la

rapidité avec laquelle ils réagissent aux mouvements des poissons
.En d'autres termes, ils ont la capacité de localiser les poissons et
de réagir immédiatement à l'aide de leurs moustaches. Ces
moustaches les aident à sentir exactement les positions des proies.
Lorsque les proies nagent autour d'elles, elles laissent des sillages
ou des vagues derrière elles. Ainsi, les otaries peuvent les suivre à
l'aide de leurs moustaches

 Appeler les autres membres qui ont rejoint leur sous-groupe,

pourchasser et encercler la proie : Habituellement, les lions de mer
pourchassent ensemble en ramassant leurs proies dans des boules
étroites.

 L'autre caractéristique des lions de mer est leur capacité à se

déplacer efficacement et rapidement sur l'eau et ils sont
suffisamment flexibles pour modifier rapidement leurs directions.

 Attaque contre la proie : en attrapant les proies des individus

situées sur les bords.

Les principales phases du comportement de chasse des otaries sont :

Suivi et poursuite des proies à l'aide de leurs moustaches.

Appeler les autres membres qui ont rejoint leur sous-groupe,

pourchasser et encercler la proie.

Attaque contre la proie.

2
Modalisation mathématique

La technique de chasse du lions de mer est modélisée mathématiquement afin de

concevoir un algorithme SLnO et d'effectuer une optimisation.

1) Phase de détection et de suivi :

Le lion de mer peut identifier la position de la proie et appeler
d'autres membres qui se joindront à son sous-groupe pour chasser et
chasser la proie. Ce lion de mer est considéré comme un chef de file
pour ce mécanisme de chasse et les autres membres mettent à jour leurs
positions vis-à-vis de la proie ciblée.

L'algorithme SLnO suppose que la proie cible est la meilleure solution

actuelle ou proche de la solution optimale. Ce comportement est
représenté mathématiquement à l'aide de l’Equation suivante :

DIST =|2B*P(t)-SL(t)|…. (1)

• DIST indique la distance entre la proie cible et le lion de mer.

• P (t) représentent les vecteurs de position de la proie cible

• SL(t) représentent les vecteurs de position du lion de mer.

• T indique l’itération courante

• 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.

À l'itération suivante, l'otarie se déplace vers la proie cible pour être la

plus proche.

SL(t-1)=P(t)-DIST*C …...(2)

Où (t + 1) représente l'itération suivante et est diminué linéairement de 2

à 0 au cours des itérations car cette diminution oblige le chef de l'otarie
à se déplacer vers la proie actuelle et à l'entourer.

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).

SP leader = |V1 (1+v2)/V2 |…..(3)

V1= SIN𝜽 … … . . (𝟒)

V2= SIN ∅ … … … (𝟓)

SP leader : indique la vitesse du son du chef des lions de mer.

V1 représentent la vitesse des sons dans l'eau.

V2 représentent la vitesse des sons dans l'air.

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.

Habituellement, la proie cible est considérée comme la meilleure

solution candidate actuelle. Cependant, un nouvel agent de recherche
peut être défini, détecte de meilleures proies et les encercler.

Afin de modéliser mathématiquement le comportement de chasse des

otaries, deux phases sont introduites comme suit :

A. Technique d'encerclement décroissante : Ce comportement

dépend de la valeur de C dans l'équation. (2). Plus précisément, C
est diminué linéairement de 2 à 0 au cours des itérations. Ainsi,
cette diminution conduit le chef des lions de mer à se diriger vers
les proies et à les encercler. Ainsi, l'emplacement d'arrivée d'un
lion de mer (agent de recherche) peut être situé n'importe où entre
l'emplacement principal de l'agent et l'emplacement du meilleur
agent actuel.

B. Position de mise à jour du cercle : les lions de mer chassent la

boule d'appât des poissons et les chassent en partant des bords.

Eq. (6) est proposé à cet égard.

𝑆𝐿(𝑡 + 1) = |𝑃(𝑡) − 𝑆(𝑡)| ∗ cos(2πm)P(t) … … … … … (6)

|𝑷(𝒕) − 𝑺(𝒕)| Représente la distance entre la meilleure solution

optimale (proie cible) et l'agent de recherche (lion de mer), | | indique la
valeur absolue et m est un nombre aléatoire dans [-1, 1]. Le lion de mer
nage autour d'une proie (boule d'appât) le long d'un chemin en forme de
cercle afin de commencer à chasser les proies qui se trouvent au bord de
la boule d'appât. Pour cette raison, 𝒄𝒐𝒔⁡(𝟐𝝅𝒎) est utilisé pour
représenter mathématiquement ce comportement

5
Modalisation mathématique

4) Phase de recherche de proies (exploitation) :

Dans la nature, les lions de mer recherchent au hasard en utilisant leurs
moustaches et nagent en zigzag pour trouver des proies. Ainsi, dans
cette étude, C est utilisé avec des valeurs aléatoires. Dans le cas de C
est supérieur à un ou inférieur à moins un, cela oblige les otaries à
s'éloigner de la proie ciblée et du chef des lions de mer. Par conséquent,
cette situation oblige les otaries à rechercher d'autres proies.

En phase d'exploitation, les otaries mettent à jour leurs positions en

fonction du meilleur agent de recherche. Cependant, en phase
d'exploration, les agents de recherche mettent à jour leurs positions en
fonction d'un lion de mer sélectionné au hasard. En d'autres termes,
lorsque C est supérieur à un, cela conduit cet algorithme SLnO à
effectuer un agent de recherche global et à trouver la solution optimale
globale.

𝐷𝐼𝑆𝑇 = |2𝐵. 𝑆𝐿 𝑅𝐴𝑁𝐷 (𝑡) − 𝑆𝐿(𝑡)| … … … … … … (7)

𝑆𝐿(𝑡 + 1) = 𝑆𝐿 𝑅𝐴𝑁𝐷 (𝑡) − DIST … … … … … … … (8)

• 𝑆𝐿 𝑅𝐴𝑁𝐷 (𝑡) indique un lion de mer aléatoire sélectionné dans la

population actuelle.

6
Algorithme SLnO

1- L'algorithme SLnO proposé commence par des solutions aléatoires.

2- Chaque agent de recherche met à jour son emplacement en fonction
de la meilleure solution ou de l'agent de recherche aléatoire.
3- Le paramètre (C) est minimisé de 2 à 0 au cours des itérations pour
alimenter à la fois les phases d'exploration et d'exploitation. Plus
précisément, lorsque la valeur de |C| est supérieur à un, cela signifie
qu'un agent de recherche est choisi au hasard.
4- Alors, quand |C| est inférieur à moins un , cela signifie que les agents
de recherche mettent à jour leurs emplacements. Enfin, par la
satisfaction d'un critère de fin, l'algorithme SLnO est arrêté.

7
Algorithme SLnO

La figure suivante illustre l'organigramme de l'algorithme SLnO.

8
Algorithme SLnO

L’algorithme :
Debut

Initialize population

Select 𝑆𝐿 𝑅𝐴𝑁𝐷(𝑡)

Calculate fitness fuction for each search agent

SL is the best condidate search agent who have best fitness

If ( i < maximum number of iteration ) then

Calculate 𝑆𝐿 𝑅𝐴𝑁𝐷(𝑡)⁡unsin eq 3

If (𝑆𝐿 𝑅𝐴𝑁𝐷(𝑡) < 0.25 ) then

If ( \C\ < 1 ) then

Update the localisation of the courrent agent by .eq(1)

Else

Choose a random search agent 𝑆𝐿 𝑅𝐴𝑁𝐷(𝑡)

Update the localisation of the courrent agent by .eq(8)

Else

Update the localisation of the courrent agent by .eq(6)

If ( search agent doesn’t belong to any 𝑺𝑳 𝑹𝑨𝑵𝑫(𝒕) then

Return to the first condition

Else

Calculate the fitness function for each search agent

Update SL if there any better solution

Return SL ( best solution)

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