Table des matières

I. Historique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1. Le commencement en dix dates. . . . . . . . . . . . . . . . . . . . . 1
2. MIMO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
II. Présentation de La Technologie MIMO . . . . . . . . . . . . . . . . . . . . 3
1. Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2. Principe de Fonctionnement . . . . . . . . . . . . . . . . . . . . . . 3
3. Formalisation Mathématique : . . . . . . . . . . . . . . . . . . . . . 5
III. Algorithme de La colonie de Fourmis . . . . . . . . . . . . . . . . . . . . . 6
1. Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2. Principe de Fonctionnement . . . . . . . . . . . . . . . . . . . . . . 6
3. Formalisation Mathématique . . . . . . . . . . . . . . . . . . . . . . 8
IV. Optimisation Par l’algorithme des colonies de fourmis . . . . . . . . . . . . 9
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
Bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

i
Liste des figures

1 Système MIMO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2 diversité spatiale MIMO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3 multiplexage spatial MIMO . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
4 multiplexage spatial MIMO . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
5 représentation des fourmis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
6 Exemple système de Fourmis . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
7 Avant application de l’algorithme ACO adapté . . . . . . . . . . . . . . . . . 9
8 Après application de l’algorithme ACO adapté. . . . . . . . . . . . . . . . . . 10

ii
I. Historique
1. Le commencement en dix dates.
1. 3500 BC à 2900 BC - Les Phéniciens développent l’alphabet.
2. 900 BC - Le tout premier service postal, en Chine.
3. 1831 - Joseph Henry invente le premier télégraphe électrique.
4. 1876 - Alexandre Graham Bell demande un brevet sur le téléphone électrique.
5. 1902 - Marconi transmet le premier signal radio transatlantique.
6. 1906 - Deforest invente le triode, ou tube amplificateur.
7. 1944 - Le Mark I de Harvard, un ordinateur mis au service du gouvernement, l’âge
de la science de l’information commence.
8. 1948 - Le transistor est inventé !
9. 1969 - ARPANET, le premier système Internet est mis en place.
10. 1979 - Au Japon, premier système de téléphonie cellulaire. Je suis né !

2. MIMO
[2]Un brevet est déposé pour les communications sans-fil utilisant des antennes mul-
tiples en 1984 par M. Jack Winters du Bell Laboratories. M. Jack Salz publia un article
sur le MIMO basé sur les travaux de M. Winters en 1985. Par la suite, de 86 à 95, plu-
sieurs auteurs ont fait publications dans le domaine. En 1996, Greg Rayleigh et Gérard
J. Foschini ont inventé des nouvelles approches accroissant l’efficacité du MIMO. Aussi, il
a été démontré que la capacité du canal MIMO augmente avec le nombre d’antennes de
façon proportionnelle.

1
Introduction
[2] Dans le domaine des communications mobiles sans fil, la demande de services
multimédias et le nombre d’abonnés sont en forte augmentation. Comme les interfaces
radio actuelles sont incapables de supporter les hauts débits de données et la qualité des
services, les concepteurs se sont penchés sur des techniques qui permettraient d’améliorer
les débits moyens et de pointe, la latence, la couverture du service, l’efficacité spectrale et
la capacité du système.l’efficacité spectrale et la capacité du système. L’une des techniques
les plus prometteuses est l’utilisation d’antennes multiples à la fois du côté émission et du
côté réception du canal radio. côté émission et côté réception du canal radio. L’utilisation
d’antennes multiples permet d’atténuer les effets néfastes des évanouissements. En fait,
le modèle MIMO exploite la présence même de l’environnement de diffusion riche pour
fournir de la diversité et améliorer les performances du canal sans fil. Pour exploiter les
gains potentiels de diversité et de Pour exploiter les gains potentiels de diversité et de
multiplexage du système MIMO, le récepteur et l’émetteur doivent être conçus de manière
optimale. Dans la suite de notre travail, il sera question pour nous d’optimiser les système
MIMO a travers la métode des colonies de Fourmis

2
II. Présentation de La Technologie MIMO
1. Définition
Multiple-Input Multiple-Output ou MIMO (« entrées multiples, sorties
multiples » [5]en français) est une technique de multiplexage utilisée dans les ra-
dars, réseaux sans fil et les réseaux mobiles permettant des transferts de données à plus
longue portée et avec un débit plus élevé qu’avec des antennes utilisant les autres tech-
nique tel que SISO (Single-Input Single-Output), SIMO(Single Input Multiple Output)et
MISO(Multiple Input Single Output).
Alors que les anciens réseaux Wi-Fi ou les réseaux GSM standards utilisent une seule
antenne au niveau de l’émetteur et du récepteur, MIMO utilise plusieurs antennes tant
au niveau de l’émetteur (par exemple un routeur) que du récepteur (par exemple un PC
portable ou un smartphone).

Figure 1 – Système MIMO

2. Principe de Fonctionnement
[1]Les technologies MIMO utilisent des réseaux d’antennes à l’émission et/ou à la ré-
ception afin d’améliorer la qualité du rapport signal sur bruit (Signal-to-noise ratio ou
SNR en anglais) et / ou le débit de transmission. Cela permet aussi de pouvoir dimi-
nuer le niveau d’émission des signaux radio afin de réduire la pollution électromagnétique
environnante, mais aussi de prolonger l’autonomie des batteries dans le cas d’un téléphone.

On peut considérer trois catégories principales de MIMO :

• diversité spatiale MIMO : on transmet simultanément un même message sur

différentes antennes à l’émission. Les signaux reçus sur chacune des antennes de
réception sont ensuite remis en phase et sommés de façon cohérente. Une version
simplifiée n’utilise le signal que d’une seule des antennes, celle qui reçoit le meilleur
signal à un instant donné (antennes polarisées). Cela permet d’augmenter le ratio
signal sur bruit (grâce au gain de diversité) de la transmission. Pour que cette
technique soit efficace, il faut que les sous-canaux MIMO soient décorrélés (indé-

3
 pendants) les uns des autres.

Figure 2 – diversité spatiale MIMO

• le multiplexage spatial MIMO : chaque message est découpé en sous-[1]messages.

On transmet simultanément les sous-messages différents sur chacune des antennes
d’émission. Les signaux reçus sur les antennes de réception sont ré-assemblés pour
reconstituer le message d’origine. Comme pour la diversité MIMO, les sous-canaux
de propagation doivent être décorrélés. Le multiplexage MIMO permet d’augmen-
ter les débits de transmission (grâce au gain de multiplexage). Les techniques de
diversité et de multiplexage MIMO peuvent être appliquées conjointement. Par
exemple pour un système MIMO 5 x 5 (c’est-à-dire 5 antennes d’émission et 5
antennes de réception), on peut configurer un sous-système MIMO 2 x 2 pour faire
du multiplexage et un sous-système MIMO 3 x 3 pour faire de la diversité MIMO.

Figure 3 – multiplexage spatial MIMO

• le MIMO - Beamforming : 1 on utilise le réseau d’antenne MIMO pour orienter

1. Le Beamforming aussi appelé filtrage spatial, formation de faisceaux ou formation de voies est une

4
 et contrôler le faisceau d’onde radio (amplitude et phase du faisceau). On peut
ainsi créer des lobes constructifs / destructifs et optimiser une transmission entre
l’émetteur et la cible. Les techniques de beamforming permettent à la fois d’étendre
une couverture radio (d’une station de base ou d’un point d’accès par exemple)
et de limiter les interférences entre utilisateurs et la pollution électromagnétique
environnante (en ciblant le récepteur visé).

Figure 4 – multiplexage spatial MIMO

• Le SU-MIMO (Single User), le plus courant, permet d’envoyer des données

via les différentes antennes vers un seul utilisateur à un instant donné ; il impose
d’avoir plusieurs antennes dans chaque récepteur. Ce mode permet d’atteindre un
débit unitaire crête plus élevé.

• Le MU-MIMO (Multi User), permet de partager le débit radio et d’émettre

des flux de données vers 2 (ou plusieurs) utilisateurs, avec par exemple 4 antennes
en émission et 2 antennes dans chaque récepteur. Il utilise le mode « multiplexage
spatial » et permet d’augmenter l’efficacité spectrale de la cellule radio (le débit
global) sans imposer un nombre élevé d’antennes dans chaque terminal.[10]

3. Formalisation Mathématique :
On distingue aussi 2 variantes de MIMO selon le nombre d’utilisateurs rece-
vant simultanément des données sur les mêmes porteuses1 : On considère un
système MIMO composé de mt antennes à l’émission et de mr antennes à la réception.
On note x le vecteur de taille mt contenant les symboles envoyés et y le vecteur contenant
les mr symboles reçus 2. La relation qui relie x et y s’écrit alors :

y = Hx + n
Où H est la matrice du canal de taille mr × mt et n est le vecteur de bruit. La capacité
du canal MIMO s’écrit alors :

technique de traitement du signal utilisée dans les réseaux d’antennes et de capteurs pour l’émission ou
la réception directionnelle de signaux

5
 C = log2 (det(Imr + ρHQH ∗ ))
Dans cette formule Imr est la matrice identité,ρ est le rapport signal sur bruit et Q est
la matrice de corrélation des symboles émis. Lorsque l’émetteur n’a aucune connaissance
du canal, la capacité maximale atteignable a pour expression :
mt
ρ
X  
C= log2 1+ λi
i=1 mt

λi sont les valeurs propres de la matrice H ∗ H

Lorsque l’émetteur connaît le canal, la capacité maximale possible est donnée par
l’algorithme de water-filling.

III. Algorithme de La colonie de Fourmis

1. Définition
Les algorithmes de colonies de fourmis (ant colony optimization - ACO)
sont des algorithmes inspirés du comportement des fourmis, ou d’autres espèces formant
un superorganisme, et qui constituent une famille de métaheuristiques d’optimisation.
Initialement proposé par Marco Dorigo dans les années 1990 pour la recherche de chemins
optimaux dans un graphe, le premier algorithme s’inspire du comportement des fourmis
recherchant un chemin entre leur colonie et une source de nourriture. L’idée originale s’est
depuis diversifiée pour résoudre une classe plus large de problèmes et plusieurs algorithmes
ont vu le jour, s’inspirant de divers aspects du comportement des fourmis.

Figure 5 – représentation des fourmis

2. Principe de Fonctionnement
L’idée de base de la AS (Ant Système) 2 ou ACO 3 est de maintenir une population
de fourmis qui construit itérativement une solution en appliquant continuellement une
décision probabiliste jusqu’à ce qu’une solution soit trouvée. Les fourmis qui trouvent la
meilleure solution marquent leur chemin en mettant une certaine quantité de phéromone
sur le bord du chemin. Les fourmis de l’itération suivante sont attirées pour suivre les
2. textbfASest un algorithme à usage général inspiré de l’étude du comportement des colonies de
fourmis.
3. ACO :Ant Colony Optimization

6
bons chemins traversés qui contiennent des phéromones, ce qui entraîne une probabilité
plus élevée. Les fourmis AS ont une mémoire (liste tabou) qui accumule les composants
visités de leur chemin actuel.
L’algorithme général est relativement simple, et repose sur un ensemble de fourmis,
chacune parcourant un trajet parmi ceux possibles. À chaque étape, la fourmi choisit de
passer d’une ville à une autre en fonction de quelques règles :
1. elle ne peut visiter qu’une fois chaque ville ;
2. plus une ville est loin, moins elle a de chance d’être choisie (c’est la « visibilité ») ;
3. plus l’intensité de la piste de phéromone disposée sur l’arête entre deux villes est
grande, plus le trajet aura de chance d’être choisi ;
4. une fois son trajet terminé, la fourmi dépose, sur l’ensemble des arêtes parcourues,
plus de phéromones si le trajet est court ;
5. les pistes de phéromones s’évaporent à chaque itération.

Figure 6 – Exemple système de Fourmis

[2] L’algorithme «système formique» optimisant le problème du voyageur de commerce

1) une fourmi choisit un trajet, et trace une piste de phéromone.2)l’ensemble des fourmis
parcourt un certain nombre de trajets, chaque fourmi déposant une quantité de phéromone
proportionnelle à la qualité du parcours.3) chaque arête du meilleur chemin est plus
renforcée que les autres.4)l’évaporation fait disparaître les mauvaises solutions.

Algorithme
Une méthode de type ACO suit le schéma algorithmique suivant, paramétré par :
un critère d’arrêt de l’algorithmew un temps de calcul ou un nombre d’itéra-
tions alloué dépassé, un seuil d’amélioration des solutions qui n’est plus satisfaisant, ou
une combinaison de critères
des heuristiques (éventuellement) un critère de choix des pistes à explorer ou à élimi-
ner, ...[réf. souhaitée]
une construction des solutions et des pistes de phéromones
dépendant du problème à résoudre et de sa structure Initialisation des pistes de phéro-
mone ;

7
 Algorithme des colonies de Fourmis

Initialisation des pistes de phéromone ;

Boucler tant que critère d’arrêt non atteint :

Construire les solutions composant par composant,

utilisation (facultative) d’une heuristique

mise à jour des pistes de phéromone ;

Fin de la boucle

3. Formalisation Mathématique
La [1] règle de déplacement, appelée « règle aléatoire de transition proportionnelle »,
est écrite mathématiquement sous la forme suivante :

α β

 P τij (t) ·ηij

β si j ∈ Jik
α
pkij (t) =  τ (t)
l∈J k il
i
·ηil

0 / Jik
si j ∈

où Jik est la liste des déplacements possibles pour une fourmi k lorsqu’elle se trouve
sur une ville i, ηij la visibilité, qui est égale à l’inverse de la distance de deux villes i
et j(1/dij ) et τij (t) l’intensité de la piste à une itération donnée t. Les deux principaux
paramètres contrôlant l’algorithme sont α et β , qui contrôlent l’importance relative de
l’intensité et de la visibilité d’une arête. En pratique, pour que les fourmis explorent des
pistes non découvertes, on attribue une probabilité non nulle d’exploration de ces villes «
inconnues », contrôlée par le paramètre γ . De cette façon, la probabilité de déplacement
s’écrit :

α β

 P γ+τij (t) ·ηij

β si j ∈ Jik
pkij (t) = (γ+τil (t)α ·ηil )
l∈J k
i
/ Jik
si j ∈


0

Une fois la tournée des villes effectuée, une fourmi k dépose une quantité ∆τijk de
phéromone sur chaque arête de son parcours :

( Q
si (i, j) ∈ T k (t)
∆τijk (t) = Lk (t)
0 / T k (t)
si (i, j) ∈

où T k (t) est la tournée faite par la fourmi k à l’itération t, Lk (t) la longueur du trajet
et Q un paramètre de réglage. À la fin de chaque itération de l’algorithme, les phéromones
déposées aux itérations précédentes par les fourmis s’évaporent de : ρτij (t) Et à la fin de
l’itération, on a la somme des phéromones qui ne se sont pas évaporées et de celles qui
viennent d’être déposées :

8
 m
∆τijk (t)
X
τij (t + 1) = (1 − ρ)τij (t) +
k=1

où m est le nombre de fourmis utilisées pour l’itération t et ρ un paramètre de réglage.

IV. Optimisation Par l’algorithme des colonies de

fourmis
a
Le problème que nous cherchons
à résoudre ici est celui qui consiste
à établir des canaux de communica-
tion entre les stations de Base et les
UE(s).
a. La méthode d’optimisation par les
colonies de fournie est appele Ant Colony
Optimisation (ACO) Dans la littérature
scientifique

représentation du Problème :
Pour plus de détaille sur voir [2]

Figure 7 – Avant application de l’algorithme ACO adapté

9
 Figure 8 – Après application de l’algorithme ACO adapté.

Note :[3] Dans les figures 7 et 8 les triangles noirs et les cercles jaunes représentent,
respectivement, la position géographique des stations de base et des utilisateurs à l’in-
térieur des cellules hexagonales. A ce niveau, chaque UE est connecté à son UE le plus
concurrent ; sinon, chaque UE connecté doit se voir attribuer des séquences pilotes ortho-
gonales, sinon ils sont soumis à la plus forte influence destructrice du PC. En conséquence,
notre stratégie consiste à placer un UE dans une cellule choisie au hasard. Par conséquent,
les UEs sont assignés, successivement, avec les séquences pilotes orthogonales disponibles.
Plus précisément, considérons le scénario de la section. 3, et que nous sommes autorisés
à utiliser K séquences pilotes orthogonales. Ainsi, l’ACO décontaminant attribue K OPS
aux K premiers UE du graphe construit (c’est-à-dire la ligne qui relie les UE sur la figure
2).), les K UE suivants sont donc à nouveau attribués avec le même ensemble de K OPS,
et ainsi de suite pour l’ensemble des KL UE.

10
Conclusion
Parvenu au termede notre travail, ou il a été question pour nous d’optimisé le fonc-
tionnement de MIMO à travers l’alocation des canaux par la méthode des colonies de
fourmis, il en ressort que la méhode d’optimisation par la méthode des colonie de fourmie
est très efficace car celle ci permet en effet au système intégrand la technologies MIMO,
demieu géré les ressource en terme de puissance de débit etc. ..

11
Bibliographie

[1] Melle BENOSMAN Radia, Melle SIDHOUM Amel Etudes et simulation des
performances des systèmes MIMO en configurations STBC et V-BLAST
[2] Abdelfettah BELHABIB,*, Jamal AMADID , Asma KHABBA , and Ab-
delouhab ZEROUAL Ant Colony-based Optimization algorithm to overcome the
pilot contamination issue within multi-cell Massive MIMO systems
[3] NotbonbonAlgorithme de colonies de fourmis
[4] Notbonbon, Travail personnel, 27 septembre 2007 (date de téléversement origi-
nale)
[5] Downlink MIMO in LTE-advanced : SU-MIMO vs. MU-MIMO [archive] ieeex-
plore.ieee.org, le 9 février 2012 E. Telatar. Capacity of multi-antenna Gaussian chan-
nels, in European Transactions on Telecommunications, vol. 10, num. 6, p.585-596,
1999Orange présente sa nouvelle Livebox : le modem et le décodeur TV communiquent
en WiFi [archive] tomshardware.fr, le 16 mars 2016
[6] https : //dataf ranca.org/wiki/Algorithmed ec oloniesd ef ourmis
[7] https : //f r.wikipedia.org/wiki/Algorithmed ec oloniesd ef ourmis
[8] Munirah Mazlan*,Ant colony optimisation for solving university course timetabling
problems Faculty of Informatics and Computing,
[9] COSTANZO Andrea LUONG Thé Van MARILL Guillaume Optimisation
par colonies de fourmis, 19 mai 2006
[10] https : //www.slideshare.net/kamarmeddah/algorithme−colonie−de−f ourmis−
200563795
[11] https : //www.e3s − conf erences.org/articles/e3sconf /abs/2022/18/

12