Chapitre 3: Technique

d’optimisation par essaims de

particules

Free Powerpoint Templates

Page 1
 Plan

I. INTRODUCTION
II. UN PEU D’HISTOIRE
III.DEFINITIONS
III.1. Optimisation Par Essaims de Particule
III.2. Notion de voisinage
IV. L’ALGORITHME PSO
V. DOMAINES D’APPLICATIONS
VI. COCLUSION

Free Powerpoint Templates

Page 2
 INTRODUCTION

L’homme s’inspire de plus en plus de la nature qui

l’entoure pour mettre en place des algorithmes
simulant le comportement des animaux
Les Méta-heuristiques permettent de trouver
facilement et rapidement la solution la plus
approchée du l’optimum si ce dernier existe.
Nous allons faire la connaissance avec une de ces
méthodes, celle-ci est dite « optimisation par essaims
de particule » dont l’idée directrice est la simulation
du comportement collectif des oiseaux à l’intérieur
d’une nuée.

Free Powerpoint Templates

Page 3
• Pour de nombreux problèmes, il n’existe pas de solution
déterministe qui donne le Pour de nombreux problèmes, il
n’existe pas de solution déterministe qui donne le résultat en un
temps raisonnable, et ceci malgré la création d'ordinateurs de
plus en plus performants. Pour pallier à ce problème, on a
recours à des méthodes dites heuristiques, c’est-à-dire des
méthodes qui fournissent une solution approchée. Toutefois, il
faut reproduire le processus sur plusieurs itérations pour tendre
vers une solution acceptable.
• On retrouve parmi ces heuristiques, certains algorithmes qui
possèdent un principe générique adaptable et qui s’applique
donc à plusieurs problèmes d’optimisation. On les appelle des
métaheuristiques.
• La plus courante est la descente stochastique : on part d’une
solution initiale, on la compare à tous ses voisins en conservant à
chaque fois le meilleur résultat.
L’optimisation par essaim particulaire, qui dérive de la descente
stochastique, entre dans cette famille d'algorithmes. Elle s’inspire
fortement des relations grégaires des oiseaux migrateurs qui doivent
parcourir des longues distances et qui doivent donc optimiser leurs
déplacementsFreeen termes d’énergie dépensée, comme par exemple la
Powerpoint Templates
Page 4
formation en V.
 UN PEU D’HISTOIRE
L'optimisation par Essaim de particule (OEP)
En anglais : PSO (Particle swarm optimization)
Inventée par Russel Eberhart (ingénieur en
électricité) et James Kennedy (socio-psychologue) en
1995.

James Kennedy Russel Eberhart

Free Powerpoint Templates
Page 5
 DEFINITIONS
Optimisation Par Essaims de Particule(PSO) :
✓Technique utilisée pour explorer l'espace de recherche
d'un problème quelconque pour trouver l'ensemble des
paramètres qui maximise/minimise un objectif
particulier.
✓ Elle utilise “une population” de solutions
candidates pour développer une solution optimale au
problème d’optimisation.

✓Le degré d’optimalité est mesuré par une fonction fitness

définie par l’utilisateur.

✓Il s’agit d’une méthode fondée sur la notion de coopérations

des agents, appelés ici ‘‘particules’’.

Free Powerpoint Templates

Page 6
Principe:

on considère un essaim de particules.

➢Chaque particule est en train de bouger et elle dispose
de :
1) une vitesse.
2) une mémoire.
3) son voisinage

➢ une particule doit décider de son prochain

mouvement

Free Powerpoint Templates

Page 7
 Principales caractéristiques
Cette méthode présente quelques propriétés
intéressantes, qui on fait un bon outil pour de nombreux
problèmes d’optimisation, particulièrement les
problèmes fortement non linéaire , continus ou mixtes:
▪Elle est facile à programmer, quelque lignes de code
suffisant dans n’emporte quel langage évalue.
▪Elle est robuste (de mauvais choix de paramètres
dégrades les performances, mais n’empêche pas
d’obtenir une solution).
Information utilisée par une particule pour
déterminer sa prochaine position ?
Pour réaliser son prochain mouvement, chaque
particule combine trois tendances : suivre sa
vitesse propre, revenir vers sa meilleure performance,
aller vers la meilleure performance de ses
voisins.
Free Powerpoint Templates
Page 8
 Schéma de principe du
déplacement d’une particule

Free Powerpoint Templates

Page 9
Présentation informelle

Free Powerpoint Templates

Page 10
Page 10
 Etat et comportement d’une
17
particule
➢ Modèle social simplifié
Mime le comportement d’une nuée d’oiseaux (ou banc de
poissons)
basé sur les règles qui permettent de soudain changement
de direction, dispersion, regroupement, etc

➢ Etat (instantané) d’une particule

position (représente une solution du problème)
vitesse (direction pour un future déplacement)

➢ Comportement :
se déplacer dans l’espace de recherche
dans le but de se positionner sur des solutions optimales

Free Powerpoint Templates

30/04/09
Page 11
Configuration de la méthode
1/Nombre de particules:
La quantité de particules allouées à la résolution du
problème dépend essentiellement de deux paramètres : La
taille de l’espace de recherche et le rapport entre les
capacités de calcul de la machine et le temps maximum de
recherche
Il n’y a pas de règle pour déterminer ce paramètre.
2/Facteur d’inertie:
un paramètre important à prendre en compte est le
coefficient d’inertie appelé w. Il permet de définir la
capacité d’exploration de chaque particule en vue
d’améliorer la convergence de la méthode. ce
paramètre est (0< w < 1). Il représente l’instinct
aventureux de la particule.

Free Powerpoint Templates

Page 12
3/Topologie du voisinage:
La topologie du voisinage défini avec qui chacune des
particules va pouvoir communiquer. Il existe de nombreuses
combinaisons dont les suivantes sont les plus utilisées :
ne communiquent qu’avec une seule particule centrale.
a) topologie en anneau : chaque particule est reliée à n
particules (en général, n = 3) c’est la topologie la plus utilisée.
b/ topologie en rayon : les particules ne communiquent
qu’avec une seule particule centrale.
c)topologie en étoile : chaque particule est reliée à toutes les
autres. L’optimum du voisinage est l’optimum global.

Free
(a) anneau Powerpoint
(avec Templates
n = 2), (b) rayon, (c) étoile Page 13
4/Coefficients de confiance

Où r1 et r2 suivent une loi uniforme sur [0..1] et c1 et

c2 sont des constantes positives déterminées de façon
empirique et suivant la relation c1 + c2 <= 4.

Free Powerpoint Templates

Page 14
5/Initialisation de l’essaim : La position des particules
ainsi que leur vitesse initiale doivent être initialisés
aléatoirement .

6/Critères d’arrêt :

L’algorithme doit alors s’exécuter tant que l’un des

critères de convergence suivant n’a pas été atteint :

▪ le nombre d’itérations atteint son maximum (fixé

par l’utilisateur) ;

▪ la variation de la vitesse est proche de 0 ;

▪le fitness de la solution est suffisant.

Free Powerpoint Templates

Page 15
L’organigramme:
Schéma de principe de l’algorithme est donné par
l’organigramme suivant:

Free Powerpoint Templates

Page 16
Algorithme de principe
L’algorithme de base est très simple :
On note g la meilleure position connue de l’essaim et f(x) la
fonction qui calcule le critère de x.
Pour chaque particule :
On initialise sa position
On initialise sa meilleure position p connue comme étant sa
position initiale
Si f(p) < f(g), on met à jour la meilleure position de l’essaim
On initialise la vitesse de la particule.
Tant que l’on n’a pas atteint l’itération maximum ou une
certaine valeur du critère :
Pour chaque particule i :
On tire aléatoire c1 et c2
On met à jour la vitesse de la particule suivant la formule
vue précédemment
On met à jour la position xi
Si f(xi) < f(pi),
On met à jour la meilleure position de la particule
Si f(pi) < f(g), on met à jour la meilleure position de l’essaim
g est l’optimum.
Free Powerpoint Templates
Page 17
L’ALGORITHME PSO

Free Powerpoint Templates

Page 18
L’ALGORITHME PSO

Free Powerpoint Templates

Page 19
 L’ALGORITHME PSO

vi(t) est la vitesse de particule i à l'instant t

xi(t) est la position de particule i à l'instant t
w, c1, et c2 (0 ≤ w ≤ 1.2, 0 ≤ c1 ≤ 2, et 0 ≤ c2 ≤ 2) sont
des coefficients constants fixés par l'utilisateur
r1 et r2 sont des nombres aléatoires tirés à chaque
itération
g(t) est la meilleure solution trouvée jusqu'à l'instant
t et xpi(t) est la meilleure solution trouvée par le
particule i

Free Powerpoint Templates

Page 20
 Equations pour undéplacement
 Mettre à jour la vitesse
v(t+1) = w.v(t) +
C1 .r1.(p-x(t)) +
C2.r2.(g-x(t))
 Mettre à jour la position
x(t+1) = x(t) + v(t+1)

Free Powerpoint Templates

30/04/09
Page 21
DOMAINES D’APPLICATIONS

Efficace dans des domaines variés :

➢ régulation de systèmes électriques

➢ conception d'ailes d'avions

➢ analyse d'images

Free Powerpoint Templates

Page 22
 Avantages et
Inconvénients
❖Résoudre des problèmes d’optimisation;

❖La simplicité d’implémentation;

❖Temps de calcul très court;

❖Gestion du voisinage peu coûteuse;

❖Paramétrage simple.

Free Powerpoint Templates

Page 23
Page 23
 Avantages et
Inconvénients
❖Le mauvais choix des paramètres peut avoir un effet
sur le fonctionnement de l’algorithme tout comme sur
la solution obtenue.

Free Powerpoint Templates

Page 24
Page 24