ROYAUME DU MAROC ‫المملكة المغربية‬

Forces Armées Royales ‫القوات المسلحة الملكية‬

Forces Royales Air ‫القوات الملكية الجوية‬
Ecole Royale de l’Air ‫المدرسة الملكية الجوية‬
Marrakech ‫مراكش‬

Direction de Formation Scientifique, Technique et

générale Direction projets et recherche Cycle Ingénieur
d’Etat (CI 2)
Mini-projet Intelligence Artificielle

Identification d’un système de

Deuxième ordre par : Genetic

Algorithm

Réalisé par : Supervisé par :

E/O BOUNOUADAR Aya Mr. M. Mjahed

E/O NAKIL Yassine

Année Universitaire : 2023/2024

 Remerciement

On ne peut pas présenter ce rapport sans adresser nos remerciements aux élèves officiers qui
ont participé à l’aboutissement de ce travail.
On tient donc à remercier :
DIEU le créateur, sans qui rien n’est possible.
Le prof Mr. M MJAHED pour les conseils prodigués et le temps consacré à nous guider.

i|P ag e
 Résumé

Ce mini projet vise à explorer l'application de l'algorithme génétique (AG) dans le domaine de
l'identification de systèmes dynamiques de second ordre. L'identification de systèmes est
cruciale pour la modélisation et la commande de divers systèmes physiques et techniques.
L'AG, basé sur les principes de l'évolution naturelle, offre une approche innovante pour estimer
les paramètres clés de ces systèmes.

Le processus implique la représentation des paramètres du modèle sous forme de gènes, la

définition d'une fonction d'aptitude pour évaluer la précision de la solution, et l'application
d'opérateurs génétiques tels que le crossover et la mutation pour générer de nouvelles
générations de solutions. L'évaluation de la performance est réalisée en comparant les sorties
du modèle identifié avec les données expérimentales.

L'objectif de ce mini projet est d'illustrer les avantages et les limitations de l'utilisation de l'AG
dans l'identification de systèmes de second ordre, en mettant l'accent sur la robustesse et la
précision des résultats obtenus.

Abstract

This mini project aims to explore the application of Genetic Algorithm (GA) in the field of
second-order dynamic system identification. System identification is crucial for modeling and
controlling various physical and technical systems. GA, based on the principles of natural
evolution, offers an innovative approach to estimate key parameters of these systems.

The process involves representing the model parameters as genes, defining a fitness function to
assess solution accuracy, and applying genetic operators such as crossover and mutation to
generate new generations of solutions. Performance evaluation is conducted by comparing the
outputs of the identified model with experimental data.

The objective of this mini project is to illustrate the advantages and limitations of using GA in
second-order system identification, with a focus on the robustness and accuracy of the obtained
results.

ii | P a g e
 Table des Matières

Remerciement .....................................................................................................................................i
Résumé............................................................................................................................................... ii
Abstract .............................................................................................................................................. ii
Table des Matières ............................................................................................................................ iii
Table des Figures ............................................................................................................................... iv
Introduction........................................................................................................................................1
Chapitre 1 : Etat De L’Art.....................................................................................................................2
1-1) Définition : ..........................................................................................................................3
1-2) Réponse Impulsionnelle : .....................................................................................................4
1-2-1) Cas 1 : ξ > 1 ..........................................................................................................................4
1-2-2) Cas 2 : ξ < 1 ..........................................................................................................................4
1-2-3) Cas 2 : ξ = 1 ..........................................................................................................................5
1-3) Réponse Indicielle :..............................................................................................................5
1-3-1) Cas 1 : ξ >1 ...........................................................................................................................5
1-3-2) Cas 2 : ξ =1 ...........................................................................................................................6
1-3-3) Cas 3 : ξ <1 ...........................................................................................................................6
...........................................................................................................................................................9
Chapitre2 : Algorithme Génétique (GA) ............................................................................................. 10
2-1) définition ............................................................................................................................... 11
2-2) principe de l’algorithme ......................................................................................................... 11
2-3) Description Détaillée .............................................................................................................. 12
Chapitre 3 : Identification d’un système à travers l’algorithme génétique ......................................... 16
3-1) Etapes à suivre : ..................................................................................................................... 17
3-2) Code ...................................................................................................................................... 17
3-3) Exécution ............................................................................................................................... 18
3-4) Régime apériodique ............................................................................................................... 26
3-4-1) Définition de la plage de recherche ..................................................................................... 26
3-4-2) Changement des valeurs ..................................................................................................... 27
3-4-3) Résultats :........................................................................................................................... 28
3-4-4) Interprétation : .................................................................................................................... 29
Conclusion ........................................................................................................................................ 31
Références........................................................................................................................................ 32

iii | P a g e
 Table des Figures

Figure 1 : Réponse impulsionnelle d’un système du second ordre – cas où ξ>1......................9

Figure 2: Réponse impulsionnelle d’un système du second ordre – cas où ξ<1 .....................10
Figure 3: Réponse indicielle d’un système du second ordre – cas où ξ>1 .............................11
Figure 4: GA expliquée .......................................................................................................16
Figure 5: Principe général des algorithmes génétiques ..........................................................16
Figure 6: Croisement à 1 point ..............................................................................................18
Figure 7: Croisement à 2 points ...........................................................................................19
Figure 8 :Croisement Barycentrique .....................................................................................19
Figure 9: Principe de l’opérateur de mutation ......................................................................20
Figure 10 : Code Matlab .......................................................................................................23
Figure 11: Réponse Indicielle au système réel G ...................................................................24
Figure 12: Réponse indicielle du modèle d’ordre 2 ...............................................................24
Figure 13: Résultat de l'éxécution de l'algorithm de BAT .......... Error! Bookmark not defined.
Figure 14: allure tridimensionnelle de deux colonnes des données (A gauche), Allure de
nombre des Solutions Optimales en fonction des itérations effectués (A droite). .................19

iv | P a g e
 Introduction

Depuis quelques années, l’intelligence artificielle est bien entrée dans nos vies via les assistants
personnels, les réseaux de neurones, le Depp Learning, etc. Autant d’usages différents qui ont
tous attrait à l’IA et au sein desquels les progrès scientifiques sont époustouflants.
Mais les attaques par dénis de services, virus polymorphes, techniques d'usurpations
diverses…les intrusions informatiques sont devenues de plus en plus courantes, et gagnent en
sophistication.

L'intelligence artificielle (IA) et l'identification de systèmes de second ordre à l'aide de

méthodes telles que l'algorithme génétique représentent deux domaines de recherche et de
développement technologique en constante évolution. Ils trouvent des applications dans une
vaste gamme de domaines, allant de l'automatisation industrielle à la modélisation des
systèmes dynamiques complexes.

L'intelligence artificielle, en tant que discipline, se concentre sur la création de systèmes

capables de réaliser des tâches qui, autrement, nécessiteraient l'intelligence humaine. Grâce à
des algorithmes sophistiqués et à des réseaux neuronaux profonds, l'IA est désormais capable
d'apprendre à partir de données, de prendre des décisions autonomes et même de résoudre des
problèmes complexes dans des domaines variés.

D'autre part, l'identification de systèmes de second ordre par le biais de l'algorithme génétique
est une méthode puissante qui permet de déterminer les paramètres clés d'un système
dynamique. En utilisant des mécanismes inspirés par l'évolution naturelle, cette approche
permet d'optimiser les paramètres du modèle en fonction des données expérimentales,
conduisant ainsi à des modèles plus précis et adaptés.

Dans cette étude, nous explorerons la convergence de ces deux domaines en examinant
comment l'intelligence artificielle peut être utilisée pour améliorer et optimiser le processus
d'identification des systèmes de second ordre. Nous discuterons des avantages potentiels de
cette approche synergique, ainsi que des défis et des opportunités qui en découlent puis une
validation de ce dernier sur Matlab.

1|P ag e
 Chapitre 1 : Etat De L’Art

Présenter des généralités sur l’Identification d’Un Système de 2ème ordre.

2|P ag e
 1-1) Définition :

Un système de 2ème ordre est régi par une équation différentielle de la forme suivante :

H (p ) = =
E (p )

–
–
–

L’amortissement est parfois noté m ou z. Schéma-bloc d’un système du second ordre :

3|P ag e
 1-2) Réponse Impulsionnelle :

La réponse impulsionnelle est donnée par une entrée du type E (p) = 1. On a donc :

Pour trouver les pôles de S(p), calculons le discriminant associé à D(p) :

La réponse impulsionnelle va donc dépendre de Ksi.

1-2-1) Cas 1 : ξ > 1

Figure 1 :

1-2-2) Cas 2 : ξ < 1

4|P ag e
 Figure 2 :

1-2-3) Cas 2 : ξ = 1

1-3) Réponse Indicielle :

Dans ce cas :

1-3-1) Cas 1 : ξ >1

5|P ag e
 Figure 3 :

1-3-2) Cas 2 : ξ =1

1-3-3) Cas 3 : ξ <1

6|P ag e
Résultat du dépassement :

7|P ag e
Résultat sur le temps de réponse à 5% :

8|P ag e
1-3-4) Évolution de la réponse en fonction du coefficient d’amortissement :

9|P ag e
 Chapitre2 : Algorithme Génétique (GA)

Représentation du GA algorithme ; son principe et son organigramme.

10 | P a g e
 2-1) définition

Les algorithmes génétiques appartiennent à la famille des algorithmes évolutionnistes. Leur

but est d'obtenir une solution approchée à un problème d'optimisation, lorsqu'il n'existe pas
de méthode exacte (ou que la solution est inconnue) pour le résoudre en un temps
raisonnable. Les algorithmes génétiques utilisent la notion de sélection naturelle et

Figure 4 : GA expliquée

l'appliquent à une population de solutions potentielles au problème donné. La solution est

approchée par « bonds » successifs, comme dans une procédure de séparation et évaluation
(branch & bound), à ceci près que ce sont des formules qui sont recherchées et non plus
directement des valeurs.

2-2) principe de l’algorithme

Figure 5 : Principe général des algorithmes génétiques

On commence par engendrer une population d’individus de façon aléatoire. Pour passer d’une
génération k à la génération k + 1, les trois opérations suivantes sont répétées pour tous les éléments

11 | P a g e
de la population k. Des couples de parents P1 et P2 sont sélectionnés en fonction de leurs adaptations.

L’opérateur de croisement leur est appliqué avec une probabilité Pc (généralement autour de 0.6) et
engendre des couples d’enfants C1 et C2. D’autres éléments P sont sélectionnés en fonction de leur
adaptation. L’opérateur de mutation leur est appliqué avec la probabilité Pm (Pm est généralement
très inférieur à Pc) et engendre des individus mutés P 0. Les enfants (C1, C2) et les individus mutés
P 0 sont ensuite évalués avant insertion dans la nouvelle population (la figure 1.1 présente le cas où
les enfants et les individus mutés remplacent les parents). Différents critères d’arrêt de l’algorithme
peuvent être choisis :
– Le nombre de générations que l’on souhaite exécuter peut être fixé a priori. C’est ce que l’on
est tenté de faire lorsque l’on doit trouver une solution dans un temps limité.
– L’algorithme peut être arrêté lorsque la population n’évolue plus ou plus suffisamment rapidement.

2-3) Description Détaillée

2-3-1) Codage des données

Historiquement, le codage utilisé par les algorithmes génétiques était représenté sous forme de
chaînes de bits contenant toute l’information nécessaire à la description d’un point dans l’espace
d’état. Ce type de codage a pour intérêt de permettre de créer des opérateurs de croisement et de
mutation simples. C’est également en utilisant ce type de codage que les premiers résultats de
convergence théorique ont été obtenus. Cependant, ce type de codage n’est pas toujours bon :
– deux éléments voisins en terme de distance de Hamming ne codent pas nécessairement deux
éléments proches dans l’espace de recherche. Cet inconvénient peut être évité en utilisant un codage
de Gray.
– Pour des problèmes d’optimisation dans des espaces de grande dimension, le codage binaire
peut rapidement devenir mauvais. Généralement, chaque variable est représentée par une partie
de la chaîne de bits et la structure du problème n’est pas bien reflétée, l’ordre des variables
ayant une importance dans la structure du chromosome, alors qu’il n’en a pas forcément dans
la structure du problème.
Les algorithmes génétiques utilisant des vecteurs réels [Gol91, Wri91] évitent ce problème en
conservant les variables du problème dans le codage de l’élément de population, sans passer par le
codage binaire intermédiaire. Certains les appellent RCGA (Real Coded Genetic Algorithms, d’autres
parlent d’algorithmes évolutionnaires. La structure du problème est conservée dans le codage.

2-3-2) Gestion des contraintes

Le croisement a pour but d’enrichir la diversité de la population en manipulant la structure des

chromosomes. Classiquement, les croisements sont envisagés avec deux parents et génèrent deux
enfants. Initialement, le croisement associé au codage par chaînes de bits est le croisement à
découpage de chromosomes (slicing crossover). Pour effectuer ce type de croisement sur des
12 | P a g e
chromosomes constitués de M gènes, on tire aléatoirement une position dans chacun des parents. On
échange ensuite les deux sous-chaînes terminales de chacun des deux chromosomes, ce qui produit
deux enfants C1 et C2.

Figure 6 : Croisement à 1 point

Ce type de croisement à découpage de chromosomes est très efficace pour les problèmes discrets.
Pour les problèmes continus, un croisement “barycentrique” est souvent utilisé : deux gènes P1(i)
et P2(i) sont sélectionnés dans chacun des parents à la même position i. Ils définissent deux
nouveaux gènes C1(i) et C2(i) par combinaison linéaire :

Où α est un coefficient de pondération aléatoire adapté au domaine d’extension des gènes (il n’est
pas nécessairement compris entre 0 et 1, il peut par exemple prendre des valeurs dans l’intervalle
[-0.5, 1.5], ce qui permet d’engendrer des points entre, ou à l’extérieur des deux gènes considérés).
Dans le cas particulier d’un chromosome matriciel constitué par la concaténation de vecteurs, on
peut étendre ce principe de croisement aux vecteurs constituant les gènes.

2-3-3) Opérateur de mutation

13 | P a g e
L’opérateur de mutation apporte aux algorithmes génétiques la propriété d’ergodicité de parcours
d’espace. Cette propriété indique que l’algorithme génétique sera susceptible d’atteindre tous les points
de l’espace d’état, sans pour autant les parcourir tous dans le processus de résolution. Ainsi
en toute rigueur, l’algorithme génétique peut converger sans croisement, et certaines implémentations
fonctionnent de cette manière. Les propriétés de convergence des algorithmes génétiques
sont donc fortement dépendantes de cet opérateur sur le plan théorique.
Pour les problèmes discrets, l’opérateur de mutation consiste généralement à tirer aléatoirement
un gène dans le chromosome et à le remplacer par une valeur aléatoire (voir figure 1.5). Si la notion
de distance existe, cette valeur peut être choisie dans le voisinage de la valeur initiale.
Dans les problèmes continus, on procède un peu de la même manière en tirant aléatoirement un gène
dans le chromosome, auquel on ajoute un bruit généralement gaussien. L’écart-type de ce bruit
est difficile à choisir a priori.

Figure 7 : Croisement à 2 points

Figure 8 : Croisement Barycentrique

14 | P a g e
 Figure 9 : Principe de l’opérateur de mutation

2-3-4) Principe de sélection

A l’inverse d’autres techniques d’optimisation, les algorithmes génétiques ne requièrent

pas d’hypothèse particulière sur la régularité de la fonction objective. L’algorithme
génétique n’utilise notamment pas ses dérivées successives, ce qui rend très vaste son
domaine d’application. Aucune hypothèse sur la continuité n’est non plus requise.
Néanmoins, dans la pratique, les algorithmes génétiques sont sensibles à la régularité des
fonctions qu’ils optimisent.
Le peu d’hypothèses requises permet de traiter des problèmes très complexes. La
fonction à optimiser peut ainsi être le résultat d’une simulation.
La sélection permet d’identifier statistiquement les meilleurs individus d’une population
et d’éliminer les mauvais.

15 | P a g e
 Chapitre 3 : Identification d’un système à travers l’algorithme
génétique (TRAVAIL À FAIRE)

Identification du système en suivant le principe de l’algorithme génétique

16 | P a g e
 3-1) Etapes à suivre :

 Vous définissez les paramètres du système réel G (Kreel, Wnreel, psi réel) et créez la
fonction de transfert G.
 Vous définissez les bornes inférieures (lb) et supérieures (ub) des paramètres à
optimiser (K, Wn, psi).
 Vous configurez les options de l'optimisation génétique en spécifiant une taille de
population de 100 et un nombre maximal de générations de 100.
 Vous appelez la fonction d'optimisation génétique (Ga) en spécifiant la fonction de
coût à minimiser (costfunction) et le nombre de paramètres à optimiser (3 dans ce cas).
 Vous récupérez les paramètres optimaux (Koptimal, Wnoptimal, psi optimal).
 Vous affichez les valeurs optimales des paramètres.
 Vous créez un modèle d'ordre 2 optimisé (Optimal) en utilisant les paramètres
optimaux.
 Vous affichez la réponse indicielle du modèle d'ordre 2 optimisé.
 Vous affichez également la réponse indicielle du système réel G

3-2) Code

17 | P a g e
 Figure 10 : Code Matlab

3-3) Exécution
Et puis on aperçoit les résultats :

18 | P a g e
 Figure 11 : Réponse Indicielle au système réel G

Figure 12 : Réponse indicielle du modèle d’ordre 2

Pour y afficher la différence on ajoute un script, dans ce code, le modèle identifié G_identified
est créé en utilisant les valeurs optimales des paramètres. Ensuite, la réponse indicielle de ce
modèle identifié est affichée, et une comparaison est faite avec la réponse indicielle du système
réel G.

19 | P a g e
En résumé, le code que nous avons fourni utilise déjà l'algorithme génétique pour identifier les
paramètres du modèle qui minimisent l'erreur entre le modèle et le système réel. Après
l'optimisation, les paramètres optimaux sont extraits et utilisés pour créer le modèle identifié,
et les résultats sont affichés.

PARAMETRES A CALCULER :

DOMAINE TEMPOREL :

20 | P a g e
 Pour un système oscillant du deuxième ordre non amorti, la relation entre la pulsation
propre non amortie ω0 (aussi appelée fréquence naturelle) et les paramètres de la fonction

de transfert est la suivante :

Et donc ω0≈0.9798.

On a la réponse impulsionnelle s(t) d'un système du deuxième ordre non amorti peut en
effet être exprimée de la manière suivante :

 K est le gain du système,

 ω0 est la pulsation propre non amortie (ω0≈0.9798 dans notre cas),
 ζ est le coefficient d'amortissement (ζ=0.2 dans notre cas),
 u(t) est la fonction échelon unitaire.

D’où par remplacement numérique :

Si t=1 on aura comme résultat

Calcul de la pseudo-période des oscillations :

21 | P a g e
 DOMAINE INDICIEL

Dans ce cas on parle de système sous amorti. H (p) admet deux pôles
complexes :

Pour décomposer H(p) en éléments simples, nous devons d'abord factoriser le

dénominateur quadratique en utilisant les pôles complexes conjugués que nous avons
calculés précédemment. Les pôles complexes conjugués sont de la forme
p1, 2=−ζω0±jω0 racine (1−ζ^2).
Donc la factorisation est donnée par :

22 | P a g e
 Ensuite la décomposition en éléments simples :

Calculons la transformée inverse de Laplace de chaque terme :

Pour s1(t) :

Pour s2(t) :

Et donc la réponse impulsionnelle totale est la somme de s1(t) et s2(t) :

Pour un système du deuxième ordre, la forme générale des courbes d'enveloppe de la

réponse indicielle est effectivement donnée par :

Et donc courbe d’enveloppe pour l’augmentation :

Et pour la diminution :

Calcul de ωp :

23 | P a g e
 Calcul de Tp :

On étudie le cas où ζ<1 : donc il faut calculer le premier dépassement :

D1% : = = et donc
D1%= 0.817 Ainsi, le premier dépassement pour le système du deuxième ordre avec
ζreel=0.2 est d'environ 0.817.
Pour le kème dépassement :

Si k=2 :

 Interprétation des paramètres optimaux :

 Koptimal : Gain proportionnel. Il indique l'amplitude de la réponse du système à une

perturbation.
 Wnoptimal : Fréquence naturelle non amortie. C'est la fréquence à laquelle le système
oscillerait s'il n'y avait pas d'amortissement.

24 | P a g e
  Psioptimal : Rapport d'amortissement. Il mesure la décroissance exponentielle de
l'amplitude des oscillations.

 Différence entre les valeurs optimales et celles réelles :

Comparons les valeurs optimales obtenues avec les valeurs réelles du système:
1. Comparaison du gain
- Valeur Optimale Koptimal = 1.0000
- Valeur Réelle Kréelle=10
- Interprétation : Il y a une différence significative entre la valeur optimale et la valeur
réelle du gain. Cela peut indiquer un écart dans la sensibilité du modèle par rapport au
système réel.

2. Comparaison de la Fréquence Naturelle Wn :

- Valeur Optimale Wnoptimal = 1.0000
- Valeur Réelle Wnréelle = 1
- Interprétation : Les valeurs sont relativement proches, indiquant une correspondance
raisonnable entre la fréquence naturelle optimale et la fréquence réelle du système.

3. Comparaison du Coefficient d'Amortissement psi :

- Valeur Optimale Psi optimal= 0.0100
- Valeur Réelle Psi réelle = 0.2
- Interprétation : Il y a une différence significative entre la valeur optimale et la valeur
réelle du coefficient d'amortissement. Cela peut indiquer une divergence dans la
capacité du modèle à représenter le comportement d'amortissement du système réel.

Conclusion Partielle :

Les méthodes d'algorithmes génétiques pour identifier les systèmes présentent plusieurs
avantages.

Premièrement, il permet une exploration efficace de grands espaces de recherche.

Ceci est particulièrement avantageux lors de l’optimisation de paramètres complexes de
systèmes dynamiques.

25 | P a g e
De plus, les algorithmes génétiques sont robustes aux espaces de recherche non linéaires, ce
qui les rend adaptés aux problèmes qui identifient des systèmes au comportement complexe
et non trivial. De plus, cette méthode est relativement facile à mettre en œuvre et ne nécessite
pas de connaissance approfondie du modèle du système, elle peut donc être utilisée même
lorsque la compréhension détaillée du système est limitée.

Malgré leurs avantages, les techniques d'algorithmes génétiques présentent certaines

limites.

Premièrement, le choix des paramètres de l’algorithme, tels que la taille de la population et

le nombre maximal de générations, peut avoir un impact significatif sur les résultats et
nécessite souvent des ajustements empiriques.
De plus, selon le type de fonction de coût et la configuration des paramètres, les algorithmes
génétiques peuvent converger vers un optimal local plutôt que vers un optimal global.

Enfin, les algorithmes génétiques peuvent nécessiter beaucoup de calculs, en particulier

pour les espaces de recherche complexes, ce qui peut limiter leur applicabilité dans les
situations où le temps de calcul est important.

En résumé, les algorithmes génétiques constituent une approche puissante pour

l'identification des systèmes, mais il est important de prendre en compte ces limites lors de
leur application.
Pour garantir la robustesse et la fiabilité de l’identification du système, les paramètres de
l’algorithme doivent être soigneusement ajustés et les résultats doivent être soigneusement
évalués.

3-4) Régime apériodique

3-4-1) Définition de la plage de recherche

La "zone de recherche" fait référence à la gamme de valeurs dans laquelle vous recherchez les
paramètres optimaux lors de l'optimisation d'un modèle. Dans le contexte de votre utilisation
de l'algorithme génétique pour ajuster les paramètres d'un modèle d'ordre 2, la zone de
recherche est définie par les bornes inférieures (lb) et supérieures (ub) que vous avez spécifiées.

26 | P a g e
Dans votre code, vous avez défini les bornes des paramètres à optimiser (K, Wn, Ksi) comme
suit :

Cela signifie que lors de l'optimisation, l'algorithme génétique cherchera les valeurs optimales
pour K, Wn, Ksi dans les plages définies par ces bornes. Par exemple, KK sera recherché dans
la plage de 1 à 10, Wn dans la plage de 1 à 10, et Ksi dans la plage de 0.01 à 1.

La définition appropriée de la zone de recherche est importante car elle guide l'algorithme
génétique pour explorer les valeurs possibles des paramètres. Si la zone de recherche est trop
restreinte, l'algorithme peut ne pas trouver les paramètres optimaux. Si elle est trop large, cela
peut augmenter le temps de calcul.

En ajustant les bornes dans la zone de recherche, on peut influencer la recherche des paramètres
optimaux en fonction de notre connaissance préalable du système et des valeurs plausibles des
paramètres

3-4-2) Changement des valeurs

Afin de changer le résultat pour avoir une réponse indicielle du système du 2ème
ordre au régime apériodique, il faut changer la plage de recherche du paramètre
Ksi, tout en gardant les valeurs des paramètres donnés K=10, Wn=1 et Ksi=0.2
Alors pour avoir un régime apériodique comme il est demandé il faut que la borne
inférieure soit supérieure à 1 et donc les bornes vont être comme suites :

% Définissez les bornes des paramètres à optimiser [K, Wn, psi] (Régime
pseudopériodique)

Lb = [1, 1, 0.01] ; % Borne inférieure

Ub = [10, 10, 1] ; % Borne supérieure

% Définissez les bornes des paramètres à optimiser [K, Wn, psi] (régime apériodique)

27 | P a g e
Lb = [1, 1, 1] ; % Borne inférieure

Ub = [10, 10, 1] ; % Borne supérieure

3-4-3) Résultats :

28 | P a g e
 3-4-4) Interprétation :

On observe que la réponse du système ne présente pas de fluctuations régulières ou de cycles,

mais tend plutôt vers une valeur constante au fil du temps.

Lorsqu’on augmente le coefficient d'amortissement Ksi à 1, on pousse le système vers une

réponse indicielle apériodique. Cela est cohérent avec la théorie des systèmes dynamiques
d'ordre 2.

Rappelons que le coefficient d'amortissement Ksi dans un système du deuxième ordre influence
la nature du mouvement du système. Lorsque Ksi est proche de 1, le système devient fortement
amorti, et la réponse indicielle tend à une exponentielle décroissante sans oscillations
significatives, caractéristique d'un système apériodique. Comme suit si on règle Ksi=1 on aura :

29 | P a g e
REMARQUE : Le coefficient d'amortissement élevé (Ksi) indique que le système atteint
rapidement son état final sans effectuer d'oscillations significatives.

Cette modification de la zone de recherche reflète bien le comportement attendu du système.

L'ajustement des bornes de recherche est une partie cruciale de l'optimisation, et notre
observation souligne l'importance de comprendre comment les variations des paramètres
affectent le comportement du système.

30 | P a g e
 Conclusion

En conclusion, la méthode d'identification de système à l'aide d'algorithmes génétiques offre

une approche robuste et efficace pour ajuster les paramètres d'un modèle mathématique en vue
de reproduire au mieux le comportement d'un système réel. En utilisant cette approche, nous
avons pu optimiser les paramètres d'un modèle d'ordre 2 afin de minimiser l'écart entre sa
réponse indicielle et celle du système réel. L'optimisation génétique, avec ses capacités de
recherche globale et sa capacité à explorer un espace de solutions vaste, s'est révélée
particulièrement adaptée pour la tâche d'ajustement de paramètres.

Cette méthodologie offre une flexibilité importante, permettant la modélisation et l'optimisation

de systèmes complexes dans divers domaines tels que l'ingénierie, la biologie ou la finance.
Cependant, il est essentiel de noter que le succès de cette approche dépend de la définition
adéquate de la fonction de coût et des paramètres à optimiser. De plus, la sélection de bornes
appropriées pour les paramètres est cruciale pour garantir des résultats physiquement
significatifs.

En adoptant cette méthode, nous avons pu obtenir des paramètres optimisés qui permettent à
notre modèle d'ordre 2 de reproduire de manière précise la dynamique du système réel. Cela
démontre la puissance des algorithmes génétiques dans le domaine de l'identification des
systèmes, offrant une solution robuste pour la modélisation et la simulation de systèmes
dynamiques complexes. Ce processus d'optimisation ouvre la voie à une meilleure
compréhension des systèmes réels, facilitant ainsi la conception, le contrôle et l'analyse de
divers systèmes dans des contextes pratiques.

31 | P a g e
 Références

[1] Mr. M MJAHED, Intelligence Artificielle, Notes de cours, Ecole Royale de l’Air, 2022

[2] TP cours 2022

[3] Mr. M MJAHED, Identification des Systèmes Linéaires, Notes de

Cours, EcoleRoyale de l’Air, 2020

[4] http://xpessoles.ptsi.free.fr/fichiers/PDF_VRAC/S6_SLCI_Emericc.pdf

[5] http://w3.cran.univ-lorraine.fr/perso/benoit.marx/IS2_ENSGSI_POLY.pdf

[6] https://www.emse.fr/~dutertre/documents/cours_automatique_1A_jmd_2016.pdf

[7] https://fr.wikipedia.org/wiki/Algorithme_g%C3%A9n%C3%A9tique

32 | P a g e