Les métaheuristiques, une nouvelle tendance

aux problèmes d’optimisation complexe

Pr Debbat Fatima
Université de Mascara
Plan
Introduction
Les problèmes d’optimisation
Panorama sur les méthodes de résolution

Principes des métaheuristiques

Classification des métaheuristiques
Exemples d’applications
Étude de cas
Conclusions
 3

Introduction
• Importance croissante des problèmes d’optimisation
▫ De nombreux secteurs y sont confrontés
 Conception de systèmes mécaniques
 Traitement d’images
 Électronique
 Conception de réseaux mobiles
 Problèmes de tournées de véhicules
 …
 développement de nombreuses méthodes de
résolution
Introduction
4

Exemple - Le voyageur de commerce

N villes 
N -1 !
circuits possibles
Explosion combinatoire : 2
Si N=20 prend 1 heure de calcul
N=21 prend 20 heures
N=22 prend 17,5 jours

Circuit reliant 15112 villes en Allemagne

 Parallélisation : des mois de calculs
Temps de calcul cumulé et ajusté sur

 1 proc. Alpha EV6 = 22,6 années

Introduction
Exemples
Planification et maintenance des infrastructures urbaines
Problème de planification des prises de
vues du satellite

Durée de l'image,
Contrainte d'angle d'acquisition

Contrainte de temps de transition

Problème d’optimisation

Espace de
recherche Paramètre
Fonction à
d’optimisation
optimiser

ì Min f(x), xK ÎÂn

(P)í
î xK min £ xK £ xKmax k = 1,...., n

Contraintes de domaines
 Problème d’optimisation
Paysage de Fitness et Rugosité
Plat
lisse
Vallée
lisse

Plat
rugueux

Vallée
rugueuse
Problème d’optimisation
Classification des algorithmes d’optimisation
▫ Variable suivant le point de vue considéré
▫ Algorithmes déterministes / algorithmes stochastiques
▫ Algorithmes de recherche locale / algo. de recherche globale
▫ Algorithmes d ’optimisation locale / algo. d’optimisation globale
 Algorithmes d’optimisation locale
▫ Tout algorithme piégé par le premier optimum rencontré;
▫ ne permettant pas d’obtenir une solution proche de l’optimum
global.
 Algorithmes d ’optimisation globale
▫ Tout algorithme qui n’est pas sensible aux minima locaux;
▫ algorithme permettant d ’obtenir une solution proche de
l’optimum global
 Méthodes d’optimisation

Méthodes d’optimisation Méthodes d’optimisation

globale locale
Classification des algorithmes d’optimisation
Principes des métaheuristiques
Principes des métaheuristiques
Heuristiques & Métaheuristiques

 méta, du grec μετά « au-delà » « à un plus haut niveau », heuristique, du

grec heuriskein, qui signifie « trouver ». En effet, ces algorithmes se veulent
des méthodes génériques pouvant optimiser une large gamme de problèmes
différents.

 Une métaheuristique est un algorithme(s) d’optimisation visant à résoudre

des problèmes d’optimisation difficile.

Les métaheuristiques sont généralement des algorithmes stochastiques

itératifs, qui progressent vers un optimum global.
Principes des métaheuristiques
Principes des métaheuristiques

• D’une manière générale, les métaheuristiques

s’articulent autour de plusieurs notions :
Voisinage ;
Diversification/exploration ;
Intensification/exploitation ;
Mémoire et apprentissage.
 17

Principes des métaheuristiques

Intensification et diversification
Intensification
▫ Exploiter le passé de la recherche pour focaliser la recherche sur des
zones prometteuses de l’espace de recherche
▫ Par ex., croisement de deux bonnes solutions en conservant les
parties communes (même affectation des variables) .
Diversification
▫ Explorer de nouvelles zones de l’espace de recherche
▫ Naïf : affectation aléatoire des variables
▫ Intelligent : affectation aléatoire biaisée par la fréquence
d’apparition des valeurs des les solutions visitées.
Intensification et diversification
Principes des métaheuristiques
Classification

Les méthodes par construction

Les méthodes par décomposition
Les méthodes par voisinage ou de recherche locale
Les méthodes évolutives ou de recherche globale
Principes des métaheuristiques
Classification
Les méthodes par construction
• Ensemble de solutions a un nombre fini d’élements.
• Construction d’une solution: sélectionner
séquentiellement des élements, éventuellement en
préjudice d’autres déjà sélectionnés antérieurement,
de façon à ce que à la fin on obtienne une solution
réalisable.
Principes des métaheuristiques
Classification
Méthodes constructives : Exemple
Algorithmes gloutons: Lors de la construction d’une
solution, ce type d’algorithme choisi séquentiellement
toujours l’élément qui minimise l’augmentation du coût
de la solution partielle courante (règle de priorité), de
façon à ce que à la fin on obtienne une solution
réalisable.

L’augmentation dans le coût de la solution partielle est la

fonction gloutonne.
Principes des métaheuristiques
Classification
Méthodes par décomposition
• La division du problème initial en plusieurs
sous-problèmes de taille réduite.
• Plusieurs techniques de décomposition :
 Hiérarchique
 Structurel
 Spatial
 Temporel
 Ou de l’ensemble de solution
Principes des métaheuristiques
Classification
Méthodes à recherche locale
Solution
initiale
Améliorer à chaque itération,
la solution courante par
Espace de
Solution transformations locales
recherche
finale

Exemple :
Le recuit simulé
La recherche taboue
…
Principes des métaheuristiques
Classification
Méthodes à recherche locale : performence
 Théorique

Preuves de convergence dans certains cas (recuit simulé,

tabou).

 Pratique

 très bons résultats pour de nombreux problèmes difficiles

 adaptation indispensable :
• le codage du problème (configuration et espace de
recherche)
• le voisinage (connaissances spécifiques du problème)
• techniques pour traiter les contraintes
• les structures de données employées
 Principes des métaheuristiques
Classification
Méthodes évolutives
Population
Faire évoluer une population de solution
de solutions à chaque étape du processus de recherche

Exemples:

les algorithmes évolutionnaires (GA, EP, ES)

Les algorithmes de colonies de fourmis ACO

La méthode par essaims particulaires PSO

Les algorithmes de colonies d’abeilles

Algorithmes à estimation des distribution EDA

….
Classification
Il existe un très grand nombre d’autres métaheuristiques, plus ou moins
connues :
 l’algorithme du Kangourou ,
 la méthode de Fletcher et Powell,
 la méthode de bruitage,
 la tunnelisation stochastique,
 la méthode de Fusion & Fission,
 la méthode de l’entropie croisée,
 l’algorithme HBMO
…
Classification
Chronologie des
principales
métaheuristiques
Principes des métaheuristiques
Les groupements naturels sont des sources en or pour le développement de
nouvelles métaheuristiques
Évaluation des MétaHeuristiques
Le problème n’est pas tellement de générer une
solution, mais de connaître sa qualité

•Évaluation en moyenne (et écart-type)

•Évaluation en meilleur solution obtenue
•Évaluation du compromis entre qualité/coût
Évaluation des MétaHeuristiques
Principes des métaheuristiques
• Extensions des métaheuristiques
▫ Adaptation aux problèmes à variables continues
 Définition d’une stratégie de discrétisation des variables

 Idéalement le pas (de disc.) devrait s’adapter au cours de l’opt.

 ( Problème discret résolu avec une méthode « continue » )

▫ Optimisation multi-objectif
 Problèmes nécessitant la considération de plusieurs objectifs

contradictoires « pas d’optimum unique »

 Surface de compromis « arbitrage final de l’utilisateur »
Principes des métaheuristiques
Pour les problèmes multi-objectifs (ou
multi-critères), on recherche un ensemble
de solutions non dominées le «
front de Pareto », solutions parmi
lesquelles on ne peut décider si une
solution est meilleure qu’une autre.
Principes des métaheuristiques
34

• Extensions des métaheuristiques

▫ Méthodes hybrides
 Combiner des métaheuristiques complémentaires

▫ Optimisation multimodale
 Détermination d’un jeu de solutions optimales

▫ Parallélisation
 Traitement de problèmes de grande taille

 Réduction des temps de calcul

• Parallélisations
Sous-Populations
▫ au niveau population
SP1 SP2
Division de la population en sous-populations (« îlots »)
Population Division
 Avec ou sans migration d’individus
SP4 SP3
▫ au niveau individus
Distribution de la population : un individu par processeur
 Importance de la topologie du réseau de communications
Processeurs

A B C
Individus
Distribution
ABCDEF
D E F
Principes des métaheuristiques
• Choix d’une métaheuristique
▫ Étant donné un problème d’optimisation, comment
choisir une méthode efficace ?
 Capable de produire une solution « optimale » ou acceptable;
 avec un temps de calcul raisonnable

▫ Sujet ouvert
 Pas de « recette miracle » : pas de règles
 pour le choix d’une métaheuristique;
 ni pour le réglage optimal des paramètres d’une métaheuristique

 Résultats théoriques inexistants ou inapplicables (hypothèses)

 Exemples d'application
Applications

 positionnement d'antennes pour les réseaux radio-mobiles

(Esprit 4)
 affectation de fréquences dans les réseaux radio-mobiles
(France Telecom)
 planification journalière de prises de vues d'un satellite
(Application CNES)
 évolution d’équipements de réseaux télécoms (Bouygues
Telecom)
 planification de rencontres sportives (Sports League
Scheduling)
 planification de rencontres d'équipage ( Progressive Party
Problem)
 ….
 Exemples d'application
Sac-à-dos multidimensionnel

Méthodes de résolution
• algorithmes exacts
• relaxation
• Tabou (très bon résultats)
• génétiques spécialisés
• algorithme hybride “simplex + tabou”

Résultats
• L’algorithme hybride fournit les meilleurs résultats pour
l’ensemble des benchmarks les plus difficiles.
Exemples d'application
Affectation de fréquences dans les réseaux radio-mobiles

Méthodes de résolution existantes

 recuit simulé
 réseaux de neurones
 algorithmes génétiques
 algorithmes de coloration

Algorithmes Tabou et génétiques récents

• Traitements de contraintes
• Croisement spécialisés
 Pachycondyla apicalis

Résolution du Problème de
Clustering par l’algorithme API
Algorithme de
colonies de
fourmis
Algorithme de
colonies de
fourmis
 Conclusions sur les métaheuristiques
Atouts
 générales et applicables à une très large classe de problèmes
 possibilité de compromis entre le temps de calcul et la qualité de
solution
 possibilité d'intégrer des connaissances spécifiques du problème
 domaines d'application privilégiés : problèmes combinatoires de
grande taille

"Inconvénients"
 optimum global non garanti
 adaptation souvent indispensable
 difficulté de prévoir la performance (qualité et temps)

Performance
 théorique: preuve de convergence dans certains cas, non
utilisable en pratique
 pratique : dépend de l'adaptation au problème (codage du
problème, connaissances spécifiques, traitement de contraintes,
structures de données...)

Perspectives:
 Systèmes de résolution génériques fondés sur les
métaheuristiques
Merci pour votre attention