SETIT 2005

3rd International Conference: Sciences of Electronic,

Technologies of Information and Telecommunications
March 27-31, 2005 – TUNISIA

Les Algorithmes d’Optimisation Globale:

Application Réseaux Intelligents d’Antennes
Debbat.F et *Bendimerad.F.T
Institut d’Informatique – Centre Universitaire Mustafa Stambouli –Mascara – Algérie
e-mail :debbat_fati @yahoo.fr , Fax : 045 8139 98

*Département d’Electronique - Laboratoire de Télécommunication – Université Aboubekr Belkaid

Tlemcen-Algérie
ft_bendimerad@yahoo.fr

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.

proche de l’optimum global. En revanche, les

1 Introduction
Un problème d’optimisation combinatoire est un
problème qui peut s’exprimer par une fonction (dite
coût) avec ou sans contraintes, à minimiser ou
maximiser sur un ensemble de définition fini ou
dénombrable. C’est le cas de nombreux problèmes,
dans des domaines d’applications très variés, qu’ils
soient scientifiques ou techniques.
Tout les problèmes d’optimisation combinatoire
n’ont pas le même degré de difficulté, celui ci étant
surtout lié à la dimension de l’espace de recherche et
au paysage de la fonction à optimiser (nombre de
minima, dérivabilité, etc.) En conséquence, de
multiples algorithmes d’optimisation ont été
développés. Ces 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
algorithmes de la première classe convergent plus
rapidement que ceux de la seconde, tout en ayant un
coût calculatoire moindre. En définitive, il n’existe pas
de meilleur algorithme d’optimisation en termes de
performances, que ce soit au niveau de la qualité des
résultats ou des temps de calcul, et ceci
indépendamment du problème considéré.
Le travail que nous présentons a essentiellement
deux objectifs. D’une part l’étude de quelques
algorithmes d’optimisation globales (les
métaheuristiques), 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.
SETIT2005
2 Problème d’optimisation
Un système est en général composé de plusieurs
éléments qui interagissent et déterminent un
comportement global. Quand les caractéristiques de
fiabilité d’un système peuvent être réduites à une
fonction des fiabilités élémentairement de ses
composants nous parlons d’un système combinatoire.
Un problème d’optimisation combinatoire est un
problème qui peut s’exprimer par une fonction (dite
coût ) avec ou sans contraintes, à minimiser ou
maximiser sur un ensemble de définition fini ou
dénombrable. C’est le cas de nombreux problèmes,
dans des domaines d’applications très variés, qu’ils
soient scientifiques ou techniques.
La résolution satisfaisante d'un problème
d'optimisation difficile", qui comporte un grand
nombre de solutions sous optimales, justifie souvent le
recours à une "métaheuristique" puissante. Ces
méthodes d'optimisation permettent de rechercher les
optimums globaux d'un problème d'optimisation, en
évitant le piégeage dans l'un de ses minimums locaux.
Les principales méthodes sont la méthode : du recuit
simulé, de recherche tabou, les algorithmes génétiques
et les algorithmes des colonies de fourmis, toutes
inspirées d'analogies avec la physique ou la biologie.
3 Principe des métaheuristiques les plus
répandues
3.1 Algorithmes Génétiques
L’algorithme génétique est un algorithme
d'optimisation s'appuyant sur des techniques dérivées
de la génétique et de l'évolution naturelle : croisement,
mutation, sélection, etc. L’algorithme génétique a déjà
une histoire relativement ancienne puisque les
premiers travaux de John Holland sur les systèmes
adaptatifs remontent à 1962(Holland.J.H.75).
L’algorithme génétique recherche le ou les extrema
d'une fonction définie sur un espace de données. Pour
l'utiliser, on doit disposer des cinq éléments suivants
(Holland.J.H.75) (Salomon.M2001)(Barbay.J.98) :
Un principe de codage de l'élément de
population. Cette étape associe à chacun des points de
l'espace d'état une structure de données. Elle se place
généralement après une phase de modélisation
mathématique du problème traité.
Un mécanisme de génération de la population
initiale. Ce mécanisme doit être capable de produire
une population d'individus non homogène qui servira
de base pour les générations futures. Le choix de la
population initiale est important car il peut rendre plus
ou moins rapide la convergence vers l'optimum global.
Une fonction à optimiser. Appelée aussi fitness
ou fonction d'évaluation de l'individu.
Des opérateurs permettant de diversifier la
population au cours des générations et d'explorer
l'espace d'état. L'opérateur de croisement recompose
les gènes d'individus existant dans la population,
l'opérateur de mutation a pour but de garantir
l'exploration de l'espace d'états.
Des paramètres de dimensionnement : Taille de
population, nombre total de génération, critère d'arrêt,
probabilité d'application des opérateurs de croisement
et de mutation.
3.2 Recuit simulé
Le recuit simulé est une méthode d’optimisation
apparue en 1982, avec la publication dans la revue
science d’un article de Kirpatrick (Kirpatrick.S &al
93). Elle se fonde sur une analogie entre les problèmes
d’optimisation et ceux de la physique statistique.
L’application principale du recuit simulé est la
recherche opérationnelle c’est-à-dire tous les
problèmes d’optimisation où l’on désire maximiser ou
minimiser une quantité. Le recuit simulé a déjà obtenu
d’excellents résultats dans divers domaines ce qui a
incité les mathématiciens, les physiciens et les
ingénieurs à s’intéresser à cette méthode et à la
développer.
Le recuit simulé fut obtenu par analogie avec le
phénomène thermodynamique de recuit des métaux.
Initialement, le métal est porté à très haute
température, puis il est refroidi progressivement
(Salomon.M2001) (Bosi.H.C 96) :
- à haute température les atomes sont très agités
de telle sorte que toutes les configurations atomiques
sont équiprobables,
- à basse température les atomes s’organisent pour
aboutir à une structure atomique parfaite proche de
l’état d’énergie minimale.
Le refroidissement doit être très lent pour ne pas
rester bloqué dans un minimum local : à chaque
instant le métal doit se trouver dans un état de quasi-
équilibre thermique permettant de sortir du minimum
local en atteignant un autre état d’équilibre associé à la
température courante. Si le refroidissement est trop
rapide, on obtient une étape qui au sens mathématique
est une solution sous optimale.
Les premiers à avoir l’idée d’utiliser cet
algorithme pour résoudre un problème d’optimisation
furent Kirpatrick et al, ils remplacèrent la fonction
d’énergie par la fonction à minimiser, une
configuration atomique par une solution admissible du
problème et introduisent d’autre part un schéma de
température évoluant d’une valeur haute vers une
valeur basse. Bien qu’originellement le recuit simulé
fut introduit pour des problèmes discrets, il peut être
utilisé pour résoudre des problèmes continus en
discrétisant l’espace de recherche. Cependant pour
traiter le cas continu différents algorithmes du recuit
simulé furent développés par la suite :
- les algorithmes classical simulated annealing
(CSA) et le recuit simulé rapide fast simulated
annealing (FSA) qui sont dérivés directement du recuit
discret (Szu.H.H&al 87),
- l’algorithme basé sur l’équation de la diffusion,
proposé par German et al (German.S & al 81)
- le recuit simulé adaptatif (ASA), appelé
initialement le very fast simulated reannealing (VFSR)
introduit par Lester Ingber (Ingber.A.l 89).
SETIT2005
L’intérêt du recuit simulé ou d’autre méthodes
dérivées par rapport à une recherche locale, est dû au
fait que ces algorithmes acceptent de façon
probabiliste des configurations d’énergie plus élevées,
ce qui permet de ne pas rester piéger par un minimum
local.
3. 3 Les algorithmes de colonies de fourmis
L'optimisation par colonies de fourmis est une
technique d'optimisation biomimétique inspiré par un
travail de biologiste (Deuneubourg & al., 1983) repris
par des informaticiens ( Moyon & Manderrick, 1988)
et largement exploité et développé par Marco Dorigo
dans les années 90. L'idée consiste à imiter le
comportement des fourmis réelles qui collaborent, par
exemple pour la recherche de sources de nourriture en
mélangeant comportement d'exploration aléatoire et
suivi des traces chimiques laissées par leur consoeurs.
Ces traces chimiques, les « phéromones », sont
utilisées par les fourmis pour communiquer entre elles
de manière indirecte, par le biais de l'environnement,
une technique générale connue par les entomologistes
sous le nom de stigmergie. C'est cette forme de
communication ainsi que l'idée de faire coopérer une
foule d'agents simples et localisés qui forme la base de
l'heuristique développée par Dorigo. Les techniques
d’optimisation issues des colonies de fourmis (Ant
Colony Optimization ou ACO en anglais) ont été
appliquées à divers problèmes d’optimisation comme
la coloration de graphes (Costa.D&al, 97) et le
problème du voyageur de commerce (Dorigo &al 97)
(Dorigo &al 99).
Les algorithmes de colonies de fourmis
représentent une autre classe des algorithmes
évolutives. Ils s’inspirent du comportement collectif
des fourmis. Chaque fourmi est capable de trouver une
solution du problème, bien que probablement de faible
qualité. Une manière d’implémenter une fourmi dans
une métaheuristiques sera par exemple de la définir
comme un algorithme constructif. A chaque étape de
la métaheuristiques une fourmi construira une solution
ou une composante d’une solution ; ce faisant, elle
laisse une trace, par analogie à la phéromone que
laisse une fourmi réelle lors de l’accomplissement
d’une tache. La phéromone à pour effet d’inciter ses
congénères à faire le même choix.
Deux facteurs influencent la construction d’une
solution :
L’attrait : chaque fourmi essaye de trouver la
meilleure solution, mais ne possède qu’une
connaissance locale de l’espace de solution. C’est
pourquoi elle aura tendance a effectuer le choix le plus
attrayant à court terme, en l’occurrence celui qui
engendre la meilleure valeur de la fonction objectif.
L’attrait exprime ainsi un facteur d’adaptation
individuelle.
La trace : lors de la construction d’une solution,
une fourmi a tendance à faire le choix présentant la
plus forte trace. Les bons choix effectués
précédemment laissent une trace importante, ce qui
assure une certaine coopération entre les fourmis.
Après la construction d’une solution, les traces
associées aux choix effectués par la fourmi sont mise à
jour. Afin d’éviter les blocages rapides sue des optima
locaux ; en raison du facteur d’amplification que
représente la trace, on pourra intégrer un mécanisme
analogue à l’évaporation de la phéromone, faisant
disparaître les traces présentes depuis un grand
nombre d’itérations.
D’une manière générale dans une itération
d’algorithme de colonies de fourmis , f agents
(fourmis) construisent chacun une solution d'après des
décisions basées sur des critères heuristiques et sur des
traces de phéromone. Les traces sont mises à jour en
examinant les solutions obtenues. Elles sont
renforcées pour les décisions ayant donné de
meilleures solutions et diminuées pour les autres. Ce
mécanisme permet d'améliorer progressivement les
solutions au cours des itérations. En pratique, on
construit f solutions initiales, puis on répète l'itération
générale suivante jusqu’à la réalisation d’un critère
d’arrêt comme un nombre maximum d’itérations ou
un écart donné par rapport à une borne inférieure :
- Mise à jour des traces de phéromone dans le réseau ;
- Génération de f nouvelles solutions par les fourmis,
en exploitant les traces de phéromone;
- Application avec une probabilité donnée d’une
recherche locale à ces solutions.
Les algorithmes à colonies de fourmis fournissent
de très bons résultats comparables en qualités à ceux
obtenus avec les autres métaheuristiques. Néanmoins,
le principal inconvénient de l'approche réside dans le
coût relativement élevé de la génération des solutions.
Les temps de calcul pour une itération de l'algorithme
à fourmis nous ont conduit à réaliser un très faible
nombre d'itérations par rapport au nombre d'itérations
réalisées par l'algorithme génétique par exemple. Cette
grande différence dans le nombre d'itérations explique
partiellement la dominance de l'algorithme génétique
par rapport à l'algorithme de fourmis.
3. 4 La recherche tabou
De même que le recuit simulé, la recherche tabou
(Glove 89) figure au moins dans sa version de base,
comme une variante de la recherche locale. Le
principe de cette recherche est très simple. Dans une
recherche stochastique basique il faut générer des
solutions initiales, puis on les modifie aléatoirement à
l’aide d’opérateurs de modification appelés aussi
opérateurs de perturbation. Les nouvelles solutions
générées sont appelées voisins (Alain.H&al 97).
Supposons que nous cherchons à minimiser une
fonction f(x) les caractéristiques essentielles d’une
recherche tabou sont résumées dans l’algorithme
suivant :
Partant d’une solution s à l’itération K, nous
définissons un sous voisinage v* dans le voisinage
N(s), en fonction de l’historique déjà mené. Le choix
de sous voisinage vise à éviter une exploration d’une
zone trop grande, impraticable ou trop coûteuse en
SETIT2005

temps. La meilleure solution s* est calculée dans v*, et Application

devient la nouvelle solution courante. Lorsque aucun
mouvement améliorant la solution actuelle n’est pas
possible, le risque de visiter la solution précédente et
plus généralement créer des cycles est présent. Il
importe donc d’interdire les mouvements conduisant
vers des solutions récemment visitées ce qui peut se
faire en retirant ces solutions de voisinage de s. Plus
généralement, le voisinage de s dépendra de
l’itinéraire suivi, ce que nous noterons N(s, K).
L’exclusion de solutions peut se faire grâce à une ou
plusieurs listes tabou qui tiennent en mémoire les
dernières solutions rencontrées ou des caractéristiques
communes à celles ci.
4 Application : Optimisation d’un réseau
intelligent d’antennes
Dans cette partie nous allons effectuer l’étude et le
développement d’une approche de réjection
d’interférences, basée sur les métaheuristiques : recuit
simulé et l’algorithme génétique. Cette approche
permet une exploration statistique et une recherche
optimale de l’alimentation du réseau adaptatif
d’antennes imprimées.
4.1 Principe d’un réseau intelligent d’antennes
Un réseau d'antennes est un ensemble d'antennes
élémentaires, disposées selon une géométrie
particulière, et destinées à émettre ou à recevoir la
même fréquence. En agissant sur la pondération en
amplitude et en phase du signal appliqué ou reçu par
chaque élément, on peut obtenir un diagramme de
rayonnement particulier : par exemple très directif, ou
sur un angle solide donné, ou encore présentant une
réjection de directions particulières. La commande
électronique de la pondération permet d'obtenir un
"balayage électronique" dans l'espace, ce qui évite le
recours à des antennes à orientation mécanique.
Le processus de sélection des poids est effectué par
des algorithmes d’adaptation qui construisent des
signaux de référence à partir d'une connaissance
préétablie de la structure des signaux de
communication ou d'une portion des données
transmises. Ainsi, à tout instant, le rayonnement du
réseau d’antennes peut être adapté aux exigences de
l’utilisateur grâce à un choix approprié de la loi
d’alimentation des sources (Farina.A 92) (Rong.Z 96)
(Quiniou.T 99) (Lehne.P.H &al 99).
En présence de sources d’interférences, le
diagramme de rayonnement du réseau d’antennes est
adapté pour que le niveau des signaux reçus, dans
chacune des directions de brouillage, soit faible ou
nul.
X1(t) w1
X2(t)
w2
y(t)
Σ
wn
Xn(t)
Control
Algorithme de
détermination des
coefficients de
pondération
Figure 1.Principe de base d’un réseau intelligent
d’antennes
4.2 Optimisation par l’algorithme génétique
Le lien entre l’algorithme génétique et le problème
d’adaptation du réseau d’antennes est réalisé par la
fonction fitness suivante:
Soit un réseau rectiligne et uniforme de N
éléments. Le champ total est donné par :
N −1
F (θ ) = f (θ )∑ a i exp ( jk 0 id sin θ cos ϕ + bi )
i=0
(1)
θ et ϕ : angles de direction, a i: amplitude de
l’alimentation du réseau d’antennes, b i : phase de
l’alimentation du réseau d’antennes, d : représente
l’espacement entre les éléments du réseau, f θ ( )
champ d’un élément du réseau d’antennes (il est
identique pour l’ensemble des antennes du réseau) et
k 0 est le nombre d’onde.
Le principe de l’adaptation du réseau d’antennes
est de déterminer la pondération complexe
d’alimentation qui place des zéros dans les directions
des interférences, c'est-à-dire trouver les valeurs de
a i et b i . L’approche utilisée à l’aide de l’algorithme
génétique pour adapter le réseau d’antennes à son
environnement est de fixer l’amplitude de la
pondération et de rechercher uniquement la loi de
phase optimale qui minimise les niveaux de
rayonnement en directions des interférences.
Le lien entre l’algorithme génétique et le problème
d’adaptation du réseau d’antennes est réalisé par la
fonction fitness suivante:
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
gènes et l’ensemble des gènes constitue un individu. Par
analogie avec notre problème, les gènes sont les bn et
l’individu est l’ensemble du vecteur phase de n éléments.
Nous utiliserons un codage binaire de 16 bits afin
d’augmenter la précision de calcul de la loi
d’alimentation.
La première étape de l’algorithme génétique est de
générer une population initiale sous forme d’une matrice
binaire de L lignes et de C colonnes, telles que : L est le
nombre d’individus et C est le nombre de gènes dans
l’individu et est égal au nombre d’éléments, c'est-à-dire
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 :
• Nombre de génération : 40,
• Probabilité de croisement : 0.7,
• Probabilité de mutation : 0.033.
En présence d’une interférence localisée à la direction
50°, Le diagramme de rayonnement adapté par
l’algorithme génétique est présenté par la figure 3.
Dans cette figure, nous remarquons que le diagramme
de rayonnement ne subit aucune dégradation et la
réjection est systématiquement dans la direction de
l’interférence avec un niveau de réjection très bas de
l’ordre de -64 dB.

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

La méthode de l’adaptation d’un réseau d’antennes

a été programmée sous Matlab. Comme premier essai,
nous avons considéré un réseau d’antennes rectiligne à
10 éléments espacés uniformément de λ/2. Figure3. Réjection d’une interférence à 50° pour un
Le réseau d’antennes est d’abord alimenté réseau rectiligne à 10 éléments.
uniformément en phase et en amplitude, son
diagramme de rayonnement est représenté par la
figure 2.
Les paramètres de l’algorithme génétique sont :
SETIT2005
Dans le cas de réjection suivant, nous utilisons un
réseau rectiligne à 100 éléments, en présence de deux
interférences localisées à 44° et 52°. Le diagramme de
rayonnement adapté est présenté dans la figure 4.
L’augmentation du nombre d’éléments implique une
amélioration de la réjection (le niveau de réjection de
l’ordre de -55dB). Nous remarquons aussi une
diminution des niveaux de lobes secondaires et aucune
dégradation du gain en direction du signal utile.
Figure4. Diagramme adapté en présence
d’interférences à 44° et 52° pour un réseau de 100
éléments.
L’optimisation d’un réseau d’antennes par
l’algorithme génétique procure des résultats de
réjection assez intéressants, puisque le taux de
réjection est très comparable avec les méthodes
analytiques sans aucune dégradation en direction du
signal utile, ce qui peut être considérer comme une
importante amélioration apportée par cette méthode.
Notons que ces réjections ont été obtenues, en
n’optimisant qu’un seul paramètre de l’alimentation
du réseau, à savoir la phase. Ceci a pour effet direct de
réduire le coût de réalisation du réseau et son
encombrement. Cependant, cette méthode de réjection
présente un inconvénient majeur représenté par le
temps de calcul machine. Ce dernier dépend de la
taille de la matrice de la population à explorer (il faut
un nombre élevé d’individus dans la matrice pour une
meilleur recherche de la solution optimale), et surtout
du choix de la fonction fitness. Cette dernière reste le
paramètre clé de la convergence vers l’alimentation
optimale.
4. 3 Optimisation par le recuit simulé
L’approche utilisée à l’aide du recuit simulé pour
adapter le réseau d’antennes imprimées à son
environnement est similaire à celle adopté dans le cas
de l’algorithme génétique c’est à dire fixer
l’amplitude de la pondération et rechercher
uniquement la loi de phase optimale qui minimise les
niveaux de rayonnement en direction des
interférences. On garde la même fonction objectif
(fitness) utilisée dans l’algorithme génétique. Pour
l’optimisation d’un réseau d’antennes imprimées par
la méthode du recuit simulé, nous avons développé
l’algorithme suivant :
( )
Soit un vecteur phase X x1 , x 2 ,...., x h ,...., x n à n
inconnus (n correspond au nombre d’éléments du
réseau d’antennes) dont chaque composante de ce
vecteur est comprise dans un intervalle [a, b] (bornes
inférieure et supérieure de variation de la phase).
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
alors la modification aléatoire suivante :
r +1
X / = a + (b - a )
2 (5)
r est une variable aléatoire comprise dans
l’intervalle [-1,1].
Si le vecteur phase X’ obtenu est meilleur que Xi, il
est alors accepté et devient Xi+1. Il est en plus
enregistré dans Xopt (meilleur vecteur phase obtenu) et
la solution correspondante dans fopt (fonction coût
minimal).
Dans le cas contraire, on utilise la probabilité
d’acceptation du processus du recuit simulé, pour
savoir si nous gardons ou si nous rejetons le vecteur
phase déterminé. Si le vecteur est accepté, nous
générons alors le vecteur Xi+1 qui est égale à X’.
L’algorithme démarre à haute température T0
(température initiale). Après chaque M × n itérations
(M le nombre de transformation à température
constante), la température est réduite grâce à un
coefficient rT et une nouvelle séquence de mouvement
est produite. Le processus est arrêté à une température
assez basse (température finale) pour laquelle aucune
amélioration utile ne doit être obtenue.
Simulation et Résultats
La méthode de l’adaptation du réseau par le recuit
simulé a été programmée sous Matlab. Nous avons
utilisé un réseau rectiligne à 10 éléments imprimés
rectangulaires et espacés uniformément de λ/2. Nous
supposons la présence d’une interférence localisée à la
direction 40°. Le diagramme adapté par le recuit
SETIT2005
simulé est présenté par la figure5:
Figure5. Réjection d’une interférence à 40° par le
recuit simulé.
D’après la figure 5, nous constatons que la
réjection se fait systématiquement dans la direction de
l’interférence et Le niveau de réjection de
l’interférence est remarquablement très bas de l’ordre
de -82dB.
Figure6. La décroissance de la fonction coût du
recuit simulé.
La figure 6 montre la décroissance de la fonction
coût (fonction à minimiser) lors de l’exécution du
recuit simulé en fonction du nombre d’états acceptés,
c'est-à-dire le nombre de minimums engendrés durant
tout le déroulement de l’algorithme parmi toutes les
configurations testées.
Dans la simulation suivante, nous allons étudier le
comportement du processus du recuit simulé en
présence de plusieurs interférences (3). Nous utilisons
le même réseau rectiligne d’antennes avec les mêmes
paramètres d’entrés du recuit simulé.
Figure 7. Réjection de 3 interférences à -65°, 10° et
50°.
Nous remarquons que le taux de réjection reste très
amélioré. Le niveau de réjection est de l’ordre de -
60dB. Aucune dégradation du gain dans la direction
du signal utile même pour les interférences très
proches du faisceau principal et la réjection se fait
systématiquement dans la direction de l’interférence.
Nous avons développé un algorithme
d’optimisation itératif basé sur le principe du recuit
simulé. Ce dernier est connu pour son efficacité à
résoudre des problèmes d’optimisation combinatoires.
Il peut cependant présenter l’inconvénient de ne pas
garantir une solution globalement optimale. Ceci est
dû à une des propriétés du recuit simulé qui peut faire
prendre à l’algorithme le minimum global durant son
déroulement. Pour remédier à cet inconvénient, nous
avons introduit une variante qui consiste à retenir
l’optimum absolu parmi les minimums engendrés
durant tout le déroulement de l’algorithme. Une
amélioration significative en termes de taux de
réjection d’interférences et de gain du signal utile a été
apportée par cette technique avec un temps
d’exécution très raisonnable. Des niveaux de réjection
très bas ont été obtenus, en n’optimisant que la phase
de l’alimentation du réseau d’antennes, ce qui réduit
énormément le coût et l’encombrement de la
réalisation.
4.4 Comparaison entre le recuit simulé et
l’algorithme génétique
Le recuit simulé est une recherche aléatoire
informée, mais si le nombre de minima locaux est
élevé (ou peu élevé mais inconnu), le nombre
d’itérations devient prohibitif. Cependant, cet
algorithme a la propriété d’exploration aléatoire
locale, au voisinage d’un point donné. Il est utile pour
une recherche locale rapide.
L’algorithme génétique est une recherche aléatoire
distribuée. Il a la propriété de scruter un large espace
de solution mais il a des difficultés de focaliser la
recherche sur une région particulière. Il est utile pour
détecter les régions potentielles de cet espace de
solutions. Il faut noter que le temps de calcul d’un AG
 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.

Croisement /Mutation Opérateurs de Barbay.J,98 Barbay.J, "capacités d’adaptation des

transformation
sélection Critère de
Metropolis
Tableau 1. Correspondances entre AG et RS.
Après avoir appliqué ces deux algorithmes aux
problèmes de réjection d’interférences par un réseau
linéaire de 10 éléments d’antennes, nous avons
observé qu’ils fournissent des performances à peu prés
équivalentes. Mais la stratégie de recuit simulé est
plus efficace que celle de l’algorithme génétique avec
un temps d’exécution plus rapide. Le tableau 2 donne
la conclusion de cette comparaison.
algorithmes génétiquesde dea, aout.1998.
Bosi H.c, 96 Bosi H.C, "évaluation de la sûreté de
fonctionnement modèles combinatoires et markoviens",
thèse de doctorat, irisa. décembre.1996.
Costa D,&al 97 Costa D. et A. Hertz. 1997. Ants can
colour graphs, JORS, 48(3), pp. 295-305.
Dorigo M.& al 97 Dorigo M. et L.M. Gambardella. 1997.
Ant Colony System: a cooperative leaning approach to the
Travelling Salesman Problem, IEEE Transactions on
Evolutionary Computation, 1(1), pp. 53-66.
Dorigo M.& al 99 Dorigo M. et L.M. Gambardella. . Ant
Algorithms for discrete optimization. Artificial life 5(3);137-
172 .1999

Niveaux de réjection Farina. A, 92 Farina. A "antenna-based signal processing

Méthodes Une seule Deux Quatre techniques for radar systems", artech house,inc. 1992.
interférence interférences interférences Geman.s,& al 81 Geman.S and D.Geman, "stochastic
relaxation, gibbs distribution and the bayesian restoration of
Recuit -80 dB -70 dB -55 dB images", ieee transactions on pattern analysis and machine
Simulé intelligence pami, no.6, pp.711-721, 1981.
Algorithme -65 dB -45 dB -35 dB
génétique Holland J.H, 75 Holland J.H., "adaptation in naturel and
Tableau 2. Résultats de réjection obtenus par l’AG et artificial systems", mit press, 1975.
le RS. Ingber.A.L, 89 ingber.a.l, "very fast simulated re-
annealing", math1.comput.modelling, vol.12, pp.967-973,
Conclusion 1989.

Les problèmes d’optimisation requièrent des Kirpatrick.S,& al 83 Kirpatrick. S, C.D.Gelatt and

méthodes robustes, efficaces et flexibles. Afin de
s’affranchir de la complexité du problème
d’adaptation, de réduire le coût de réalisation et de
simplifier le modèle étudié et son système
d’alimentation, nous avons proposé l’utilisation de
deux méthodes stochastiques originales d’optimisation
qui sont : l’algorithme génétique et le recuit simulé.
L’optimisation d’un réseau d’antennes par ces
deux méthodes a donné des résultats de réjection très
intéressants, surtout pour le cas du recuit simulé,
puisque le taux de réjection est très comparable avec
les méthodes analytiques sans aucune dégradation en
direction du signal utile. Ce qui peut être considéré
comme une importante amélioration apportée par cette
méthode. Cependant, il faut se rendre compte du
M.P.Vecchi, "optimization by simulated annealing",
science,220(4598),pp 671-680,june 1983.
Lehne.P.H,& al 99 Lehne.P.H and M.Pettersen " an
overview of smart antenna technology for mobile
communications systems", ieee communications survys vol.2
no.4,1999.
Rong.z, 96 Rong.z, " simulation of adaptive array
algorithms for cdma systems", master thesis, verginia
polytechnic and state university, blasksburg, verginia,
september.1996.
Salomon.M, 2001 Salomon.M, "etude de la parallésation
de méthodes heuristiques d’optimisation combinatoire",
thèse de doctorat, université louis pasteur strasbourg 1,
décembre.2001.
SETIT2005

Szu.H.H,& al 87 Szu.H.H and R.L.Hartley, "fast simulated

annealing", physics letters a, pp.157-162,1987.
Quiniou T, 99 Quiniou T, " les antennes intelligentes dans
le domaine des radiocommunication fixes et mobiles :
caractérisation et modélisation spatio-temporelle du canal de
propagation", thèse de doctorat, université de renne1, juin
1999.