Académique Documents
Professionnel Documents
Culture Documents
Résumé:Les algorithmes d’optimisation peuvent être classés en algorithmes d’optimisation locale et algorithmes
d’optimisation globale. Alors que les algorithmes de la première classe sont piégés par le premier minimum qu’ils
rencontrent ou sont handicapés par la taille de l’espace de recherche, les algorithmes de la seconde classe ne présentent
pas ces inconvénients et permettent de trouver une solution proche de l’optimum global. Le travail que nous présentons
a essentiellement deux objectifs. D’une part l’étude de quelques algorithmes d’optimisation globale, d’autre part
l’évaluation de l’adéquation de certain de ces algorithmes dans le cadre de l’optimisation d’un système réseau
d’antennes intelligent (adaptatif). Ce type de réseaux annule les signaux brouilleurs en pondérant et combinant les
signaux du réseau d’antennes. Ainsi le diagramme de réception du réseau d’antennes prévoit une extinction dans les
directions des signaux brouilleurs tout en évitant une dégradation du gain dans la direction du signal de communication
désiré.
Mots clés : Algorithme génétique, Colonies de fourmis, Recherche tabou, Recuit simulé, Réseaux d'antennes
intelligents.
L’intérêt du recuit simulé ou d’autre méthodes assure une certaine coopération entre les fourmis.
dérivées par rapport à une recherche locale, est dû au Après la construction d’une solution, les traces
fait que ces algorithmes acceptent de façon associées aux choix effectués par la fourmi sont mise à
probabiliste des configurations d’énergie plus élevées, jour. Afin d’éviter les blocages rapides sue des optima
ce qui permet de ne pas rester piéger par un minimum locaux ; en raison du facteur d’amplification que
local. représente la trace, on pourra intégrer un mécanisme
analogue à l’évaporation de la phéromone, faisant
3. 3 Les algorithmes de colonies de fourmis disparaître les traces présentes depuis un grand
L'optimisation par colonies de fourmis est une nombre d’itérations.
technique d'optimisation biomimétique inspiré par un D’une manière générale dans une itération
travail de biologiste (Deuneubourg & al., 1983) repris d’algorithme de colonies de fourmis , f agents
par des informaticiens ( Moyon & Manderrick, 1988) (fourmis) construisent chacun une solution d'après des
et largement exploité et développé par Marco Dorigo décisions basées sur des critères heuristiques et sur des
dans les années 90. L'idée consiste à imiter le traces de phéromone. Les traces sont mises à jour en
comportement des fourmis réelles qui collaborent, par examinant les solutions obtenues. Elles sont
exemple pour la recherche de sources de nourriture en renforcées pour les décisions ayant donné de
mélangeant comportement d'exploration aléatoire et meilleures solutions et diminuées pour les autres. Ce
suivi des traces chimiques laissées par leur consoeurs. mécanisme permet d'améliorer progressivement les
Ces traces chimiques, les « phéromones », sont solutions au cours des itérations. En pratique, on
utilisées par les fourmis pour communiquer entre elles construit f solutions initiales, puis on répète l'itération
de manière indirecte, par le biais de l'environnement, générale suivante jusqu’à la réalisation d’un critère
une technique générale connue par les entomologistes d’arrêt comme un nombre maximum d’itérations ou
sous le nom de stigmergie. C'est cette forme de un écart donné par rapport à une borne inférieure :
communication ainsi que l'idée de faire coopérer une - Mise à jour des traces de phéromone dans le réseau ;
foule d'agents simples et localisés qui forme la base de - Génération de f nouvelles solutions par les fourmis,
l'heuristique développée par Dorigo. Les techniques en exploitant les traces de phéromone;
d’optimisation issues des colonies de fourmis (Ant - Application avec une probabilité donnée d’une
Colony Optimization ou ACO en anglais) ont été recherche locale à ces solutions.
appliquées à divers problèmes d’optimisation comme Les algorithmes à colonies de fourmis fournissent
la coloration de graphes (Costa.D&al, 97) et le de très bons résultats comparables en qualités à ceux
problème du voyageur de commerce (Dorigo &al 97) obtenus avec les autres métaheuristiques. Néanmoins,
(Dorigo &al 99). le principal inconvénient de l'approche réside dans le
Les algorithmes de colonies de fourmis coût relativement élevé de la génération des solutions.
représentent une autre classe des algorithmes Les temps de calcul pour une itération de l'algorithme
évolutives. Ils s’inspirent du comportement collectif à fourmis nous ont conduit à réaliser un très faible
des fourmis. Chaque fourmi est capable de trouver une nombre d'itérations par rapport au nombre d'itérations
solution du problème, bien que probablement de faible réalisées par l'algorithme génétique par exemple. Cette
qualité. Une manière d’implémenter une fourmi dans grande différence dans le nombre d'itérations explique
une métaheuristiques sera par exemple de la définir partiellement la dominance de l'algorithme génétique
comme un algorithme constructif. A chaque étape de par rapport à l'algorithme de fourmis.
la métaheuristiques une fourmi construira une solution
ou une composante d’une solution ; ce faisant, elle 3. 4 La recherche tabou
laisse une trace, par analogie à la phéromone que De même que le recuit simulé, la recherche tabou
laisse une fourmi réelle lors de l’accomplissement (Glove 89) figure au moins dans sa version de base,
d’une tache. La phéromone à pour effet d’inciter ses comme une variante de la recherche locale. Le
congénères à faire le même choix. principe de cette recherche est très simple. Dans une
Deux facteurs influencent la construction d’une recherche stochastique basique il faut générer des
solution : solutions initiales, puis on les modifie aléatoirement à
L’attrait : chaque fourmi essaye de trouver la l’aide d’opérateurs de modification appelés aussi
meilleure solution, mais ne possède qu’une opérateurs de perturbation. Les nouvelles solutions
connaissance locale de l’espace de solution. C’est générées sont appelées voisins (Alain.H&al 97).
pourquoi elle aura tendance a effectuer le choix le plus Supposons que nous cherchons à minimiser une
attrayant à court terme, en l’occurrence celui qui fonction f(x) les caractéristiques essentielles d’une
engendre la meilleure valeur de la fonction objectif. recherche tabou sont résumées dans l’algorithme
L’attrait exprime ainsi un facteur d’adaptation suivant :
individuelle. Partant d’une solution s à l’itération K, nous
La trace : lors de la construction d’une solution, définissons un sous voisinage v* dans le voisinage
une fourmi a tendance à faire le choix présentant la N(s), en fonction de l’historique déjà mené. Le choix
plus forte trace. Les bons choix effectués de sous voisinage vise à éviter une exploration d’une
précédemment laissent une trace importante, ce qui zone trop grande, impraticable ou trop coûteuse en
SETIT2005
⎛ M +1
)⎞⎟
N
fitness = 20 log 10 ⎜ ∑ s i f( θ i ∑ a n exp ( jk 0 ndsin θ n cos φ n + b n(2)
)
⎝ i =1 n =1 ⎠
• Bornes de variation de la phase : (-30°, 30°),
s
M : le nombre d’interférence, i : vecteur d’espace des
sources. • Nombre de population : 80
Les variables à optimiser sont représentées par des • Nombre de génération : 40,
gènes et l’ensemble des gènes constitue un individu. Par • Probabilité de croisement : 0.7,
analogie avec notre problème, les gènes sont les bn et
l’individu est l’ensemble du vecteur phase de n éléments. • Probabilité de mutation : 0.033.
Nous utiliserons un codage binaire de 16 bits afin En présence d’une interférence localisée à la direction
d’augmenter la précision de calcul de la loi 50°, Le diagramme de rayonnement adapté par
d’alimentation. l’algorithme génétique est présenté par la figure 3.
La première étape de l’algorithme génétique est de Dans cette figure, nous remarquons que le diagramme
générer une population initiale sous forme d’une matrice de rayonnement ne subit aucune dégradation et la
binaire de L lignes et de C colonnes, telles que : L est le réjection est systématiquement dans la direction de
nombre d’individus et C est le nombre de gènes dans l’interférence avec un niveau de réjection très bas de
l’individu et est égal au nombre d’éléments, c'est-à-dire l’ordre de -64 dB.
N fois le nombre de bits du codage binaire utilisé. Nous
évaluerons la force des individus de la population, en
calculant la fitness de chaque individu (chaque ligne de
la matrice initiale). Pour cela, on décode le chromosome
correspondant à chaque individu. On utilisera la formule
de décodage suivante :
pmax− pmin N −1 i
b=
2N
∑
i =0
2 pi + pmin
(3)
p min et p max sont les bornes supérieure et
inférieure de l’intervalle de variation des phases. Le
vecteur b obtenu servira ensuite à calculer la fonction
fitness de cet individu. A partir de cette étape, les
opérateurs de l’algorithme génétique vont intervenir
dans la reproduction de populations par : la sélection,
Figure2.Diagramme de rayonnement non adapté d’un
le croisement et la mutation. Notons que ces réseau rectiligne à 10 éléments.
opérations sont réalisées sur la population codée en
binaire. L’AG effectue la sélection et le classement des
meilleurs individus en se basant sur le principe de la
sélection proportionnelle. Les dimensions de la
matrice initiale doivent être maintenues après chaque
opérateur. Après le classement de la population, on
effectue le croisement et la mutation séparément, on
génère une nouvelle population dite population
enfants.
On répète les quatre opérations tant qu’un nombre
de générations déterminé à l’avance n’est pas atteint.
Implémentation et résultats
Dans le cas de réjection suivant, nous utilisons un l’optimisation d’un réseau d’antennes imprimées par
réseau rectiligne à 100 éléments, en présence de deux la méthode du recuit simulé, nous avons développé
interférences localisées à 44° et 52°. Le diagramme de l’algorithme suivant :
rayonnement adapté est présenté dans la figure 4. ( )
Soit un vecteur phase X x1 , x 2 ,...., x h ,...., x n à n
L’augmentation du nombre d’éléments implique une inconnus (n correspond au nombre d’éléments du
amélioration de la réjection (le niveau de réjection de réseau d’antennes) dont chaque composante de ce
l’ordre de -55dB). Nous remarquons aussi une vecteur est comprise dans un intervalle [a, b] (bornes
diminution des niveaux de lobes secondaires et aucune inférieure et supérieure de variation de la phase).
dégradation du gain en direction du signal utile. Soit f(X) la fonction coût que l’on doit minimiser
qui n’est pas obligatoirement continue mais qui doit
être bornée ( f(X) = coût de l’équation 2).
L’algorithme de recuit simulé procède de manière
itérative lorsqu’il génère successivement, à partir d’un
vecteur phase initial X 0 , les nouveaux
vecteurs X 1 ,..., X i , jusqu’à obtention du minimum
global de la fonction coût f(X) .
'
Pour cela, on génère un nouveau vecteur X , à partir
ième
du vecteur courant X i ( X i représente la i valeur
de X acceptée par le recuit simulé) avec la formule
donnée ci-dessous :
X / = X i + g (∆ X ) (4)
Où : ( )
g ∆X transformateur suivant lequel
évolue la variable du problème
/
Si le vecteur X généré de cette manière n’est pas
compris dans le domaine du vecteur X, nous utilisons
Figure4. Diagramme adapté en présence alors la modification aléatoire suivante :
d’interférences à 44° et 52° pour un réseau de 100
éléments. r +1
X / = a + (b - a )
L’optimisation d’un réseau d’antennes par 2 (5)
l’algorithme génétique procure des résultats de
réjection assez intéressants, puisque le taux de r est une variable aléatoire comprise dans
réjection est très comparable avec les méthodes l’intervalle [-1,1].
analytiques sans aucune dégradation en direction du Si le vecteur phase X’ obtenu est meilleur que Xi, il
signal utile, ce qui peut être considérer comme une est alors accepté et devient Xi+1. Il est en plus
importante amélioration apportée par cette méthode. enregistré dans Xopt (meilleur vecteur phase obtenu) et
Notons que ces réjections ont été obtenues, en la solution correspondante dans fopt (fonction coût
n’optimisant qu’un seul paramètre de l’alimentation minimal).
du réseau, à savoir la phase. Ceci a pour effet direct de Dans le cas contraire, on utilise la probabilité
réduire le coût de réalisation du réseau et son d’acceptation du processus du recuit simulé, pour
encombrement. Cependant, cette méthode de réjection savoir si nous gardons ou si nous rejetons le vecteur
présente un inconvénient majeur représenté par le phase déterminé. Si le vecteur est accepté, nous
temps de calcul machine. Ce dernier dépend de la générons alors le vecteur Xi+1 qui est égale à X’.
taille de la matrice de la population à explorer (il faut L’algorithme démarre à haute température T0
un nombre élevé d’individus dans la matrice pour une (température initiale). Après chaque M × n itérations
meilleur recherche de la solution optimale), et surtout (M le nombre de transformation à température
du choix de la fonction fitness. Cette dernière reste le constante), la température est réduite grâce à un
paramètre clé de la convergence vers l’alimentation coefficient rT et une nouvelle séquence de mouvement
optimale. est produite. Le processus est arrêté à une température
assez basse (température finale) pour laquelle aucune
4. 3 Optimisation par le recuit simulé
amélioration utile ne doit être obtenue.
L’approche utilisée à l’aide du recuit simulé pour
adapter le réseau d’antennes imprimées à son Simulation et Résultats
environnement est similaire à celle adopté dans le cas La méthode de l’adaptation du réseau par le recuit
de l’algorithme génétique c’est à dire fixer simulé a été programmée sous Matlab. Nous avons
l’amplitude de la pondération et rechercher utilisé un réseau rectiligne à 10 éléments imprimés
uniquement la loi de phase optimale qui minimise les rectangulaires et espacés uniformément de λ/2. Nous
niveaux de rayonnement en direction des supposons la présence d’une interférence localisée à la
interférences. On garde la même fonction objectif
direction 40°. Le diagramme adapté par le recuit
(fitness) utilisée dans l’algorithme génétique. Pour
SETIT2005
est proportionnel à la taille de la population (il faut nombre de paramètres qui interviennent dans
évaluer chaque individu à chaque génération). l’implémentation de ces approches de réjection et de
En fait, ces méthodes, bien que la terminologie la forte influence de ces paramètres utilisés. Notons
utilisée soit différente, partagent certaines que ces réjections d’interférences par l’algorithme
caractéristiques communes (tableau 1). génétique et le recuit simulé ont été obtenues, en
n’optimisant qu’un seul paramètre de l’alimentation
Algorithme génétique Recuit simulé du réseau, à savoir la phase en gardant l’amplitude
fixe. Ceci a pour effet direct de réduire le coût de
Individu Configuration
réalisation du réseau et son encombrement.
Population -
Fitness Niveau Références
d’énergie/coût
Alain.H, & al 97 Alain.H et Eric.T : A tutorial on tabou
chromosome configuration search. local search in combinatorial optimization, pages
Gène - 121-136 J.Wiley&Sons Ltd 1997.