Optimisation Swarm Particle (PSO) est basé sur une métaphore de l'interaction sociale […] en ajustant les trajectoires des vecteurs individuels, appelés «particules» conceptualisées comme des points se déplaçant dans un espace multidimensionnel. Le poids aléatoire des paramètres de contrôle est utilisé pour provoquer les particules à aller stochastiquement vers une région ayant plus de succès dans un espace tridimensionnel. Les particules itératives ajustent leur vitesse et leur direction en fonction de leurs personnels et des meilleures positions dans l'essaim. PSO a été appliquée avec succès pour optimiser une large gamme de problèmes. Cependant, les algorithmes standard PSO sont facilement piégés dans les points locaux suboptimaux lorsqu'il est appliqué à des problèmes avec de nombreux extrema locaux ou avec des contraintes. Cette thèse présente plusieurs algorithmes / techniques pour améliorer la capacité de l'OPS recherche mondiale: 1) Deux nouveaux algorithmes chaotiques de particules essaim d'optimisation, d'avoir une chaotiques Hopfield Neural Network (HNN) la structure, sont proposées. L'utilisation d'un système chaotique pour déterminer les poids des particules aide des algorithmes OSP pour échapper à des extrema locaux et de trouver l'optimum global. 2) Pour les algorithmes existants OSP, la relation et l'influence compter que sur les composants correspondants dimensions de l'essaim de particules. Pour montrer la relation intérieure entre les différentes composantes d'une particule, les réseaux de neurones peuvent être utilisés pour modéliser les projections d'ordre du problème d'optimisation, et une optimisation des intérieurs entièrement connecté essaim de particules est proposé à cet effet. 3) En raison de la complexité des contraintes, une solution déterministe générale est souvent difficile à trouver. Par conséquent, une particule détendue contrainte optimisation par essaim algorithme est proposé. Cette méthode améliore la capacité de recherche de l'OSP. 4) Pour améliorer les performances de l'optimisation par essaim de particules, une méthode adaptative de particules essaim d'optimisation basée sur les tests d'hypothèses sont proposées. Cette méthode applique un test d'hypothèse pour déterminer si le piège des particules dans un minimum local ou non. 5) Afin de renforcer la capacité du MPSO de recherche globale, une approche adaptative multi-objectif l'optimisation par essaim de particules (MOPSO) est proposé. Les résultats de simulation et d'analyse confirment l'efficacité des algorithmes proposés / techniques par rapport à l'autre état d'algorithmes / Particle Swarm Optimisation (PSO) is based on a metaphor of social interaction such as birds flocking or fish schooling to search a space by adjusting the trajectories of individual vectors, called “particles” conceptualized as moving points in a multidimensional space. The random weights of the control parameters are used to cause the particles to stochastically move towards a successful region in a higher dimensional space. Particles iteratively adjust their speed and direction based on their personal best positions and the best position in the swarm. PSO has been successfully applied to optimise a wide range of problems. However, the standard PSO algorithms are easily trapped in local suboptimal points when applied to problems with many local extrema or with constraints. This thesis presents several algorithms/techniques to improve the PSO's global search ability: 1) Two new chaotic particle swarm optimisation algorithms, having a chaotic Hopfield Neural Network (HNN) structure, are proposed. Using a chaotic system to determine particle weights helps the PSO algoritms to escape from local extrema and to find the global optimum. 2) For the existing PSO algorithms, the relationship and influence only rely on the corresponding dimensional components of the particle swarm. To show the inner relationship among the different components of one particle, neural networks can be used to model the characteristcs of the optimisation problem, and an inner fully connected particle swarm optimisation is proposed for this purpose. 3) Due to the complexity of constraints, a general deterministic solution is often hard to find. Therefore, a relaxed constraint particle swarm optimisation algorithm is proposed. This method improves the PSO's search ability. 4) To improve the performance of particle swarm optimisation, an adaptive particle swarm optimisation method based on hypothesis testing is proposed. This method applies a hypothesis test to determine whether the particles trap into a local minimum or not. 5) To enhance the MPSO's global search ability, an adaptive multi-objective particle swarm optimisation (MOPSO) is proposed. Simulation and analytical results confirm the efficiency of the proposed algorithms/techniques when compared to the other state of the art algorithms

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. La majorité des algorithmes utilisés pour résoudre ces problèmes d'optimisation sont les métaheuristiques à population. Parmi celles-ci, nous intéressons à l'Optimisation par Essaim Particulaire (OEP, ou PSO en anglais) qui est apparue en 1995. PSO s'inspire de la dynamique d'animaux se déplaçant en groupes compacts (essaims d'abeilles, vols groupés d'oiseaux, bancs de poissons). Les particules d'un même essaim communiquent entre elles tout au long de la recherche pour construire une solution au problème posé, et ce en s'appuyant sur leur expérience collective. L'algorithme PSO, qui est simple à comprendre, à programmer et à utiliser, se révèle particulièrement efficace pour les problèmes d'optimisation à variables continues. Cependant, comme toutes les métaheuristiques, PSO possède des inconvénients, qui rebutent encore certains utilisateurs. Le problème de convergence prématurée, qui peut conduire les algorithmes de ce type à stagner dans un optimum local, est un de ces inconvénients. L'objectif de cette thèse est de proposer des mécanismes, incorporables à PSO, qui permettent de remédier à cet inconvénient et d'améliorer les performances et l'efficacité de PSO. Nous proposons dans cette thèse deux algorithmes, nommés PSO-2S et DEPSO-2S, pour remédier au problème de la convergence prématurée. Ces algorithmes utilisent des idées innovantes et se caractérisent par de nouvelles stratégies d'initialisation dans plusieurs zones, afin d'assurer une bonne couverture de l'espace de recherche par les particules. Toujours dans le cadre de l'amélioration de PSO, nous avons élaboré une nouvelle topologie de voisinage, nommée Dcluster, qui organise le réseau de communication entre les particules. Les résultats obtenus sur un jeu de fonctions de test montrent l'efficacité des stratégies mises en oeuvre par les différents algorithmes proposés. Enfin, PSO-2S est appliqué à des problèmes pratiques, en segmentation d'images et en électronique

Les travaux présentés dans ce mémoire proposent une nouvelle méthode d'optimisation globale dénommée MPSO-SA. Cette méthode hybride est le résultat d'un couplage d'une variante d'algorithme par Essaim de particules nommé MPSO (Particle Swarm Optimization) avec la méthode du recuit simulé nommé SA (Simulted Annealing). Les méthodes stochastiques ont connu une progression considérable pour la résolution de problèmes d'optimisation. Parmi ces méthodes, il y a la méthode Essaim de particules (PSO° qui est développée par [Eberhart et Kennedy (1995)]. Quant à la méthode recuit simulé (SA), elle provient du processus physique qui consiste à ordonner les atomes d'un cristal afin de former une structure cristalline parfaite. Pour illustrer les performances de la méthode MPSO-SA proposée, une comparaison avec MPSO et SA est effectuée sur des fonctions tests connues dans la littérature. La métode MPSO-SA est utilisée pour la résolution des problèmes réels interopérabilité des systèmes d'information, ainsi qu'aux problèmes d'optimisation et de fiabilité des structures mécaniques.

Dans le cadre de l'optimisation multiobjectif, les métaheuristiques sont reconnues pour être des méthodes performantes mais elles ne rencontrent qu'un succès modéré dans le monde de l'industrie. Dans un milieu où seule la performance compte, l'aspect stochastique des métaheuristiques semble encore être un obstacle difficile à franchir pour les décisionnaires. Il est donc important que les chercheurs de la communauté portent un effort tout particulier sur la facilité de prise en main des algorithmes. Plus les algorithmes seront faciles d'accès pour les utilisateurs novices, plus l'utilisation de ceux-ci pourra se répandre. Parmi les améliorations possibles, la réduction du nombre de paramètres des algorithmes apparaît comme un enjeu majeur. En effet, les métaheuristiques sont fortement dépendantes de leur jeu de paramètres. Dans ce cadre se situe l'apport majeur de TRIBES, un algorithme mono-objectif d'Optimisation par Essaim Particulaire (OEP) qui fonctionne automatiquement,sans paramètres. Il a été mis au point par Maurice Clerc. En fait, le fonctionnement de l'OEP nécessite la manipulation de plusieurs paramètres. De ce fait, TRIBES évite l'effort de les régler (taille de l'essaim, vitesse maximale, facteur d'inertie, etc.).Nous proposons dans cette thèse une adaptation de TRIBES à l'optimisation multiobjectif. L'objectif est d'obtenir un algorithme d'optimisation par essaim particulaire multiobjectif sans paramètres de contrôle. Nous reprenons les principaux mécanismes de TRIBES auxquels sont ajoutés de nouveaux mécanismes destinés à traiter des problèmes multiobjectif. Après les expérimentations, nous avons constaté, que TRIBES-Multiobjectif est moins compétitif par rapport aux algorithmes de référence dans la littérature. Ceci peut être expliqué par la stagnation prématurée de l'essaim. Pour remédier à ces problèmes, nous avons proposé l'hybridation entre TRIBES-Multiobjectif et un algorithme de recherche locale, à savoir le recuit simulé et la recherche tabou. L'idée était d'améliorer la capacité d'exploitation deTRIBES-Multiobjectif. Nos algorithmes ont été finalement appliqués sur des problèmes de dimensionnement des transistors dans les circuits analogiques

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. La majorité des algorithmes utilisés pour résoudre ces problèmes d'optimisation sont les métaheuristiques à population. Parmi celles-ci, nous intéressons à l'Optimisation par Essaim Particulaire (OEP, ou PSO en anglais) qui est apparue en 1995. PSO s'inspire de la dynamique d'animaux se déplaçant en groupes compacts (essaims d'abeilles, vols groupés d'oiseaux, bancs de poissons). Les particules d'un même essaim communiquent entre elles tout au long de la recherche pour construire une solution au problème posé, et ce en s'appuyant sur leur expérience collective. L'algorithme PSO, qui est simple à comprendre, à programmer et à utiliser, se révèle particulièrement efficace pour les problèmes d'optimisation à variables continues. Cependant, comme toutes les métaheuristiques, PSO possède des inconvénients, qui rebutent encore certains utilisateurs. Le problème de convergence prématurée, qui peut conduire les algorithmes de ce type à stagner dans un optimum local, est un de ces inconvénients. L'objectif de cette thèse est de proposer des mécanismes, incorporables à PSO, qui permettent de remédier à cet inconvénient et d'améliorer les performances et l'efficacité de PSO. Nous proposons dans cette thèse deux algorithmes, nommés PSO-2S et DEPSO-2S, pour remédier au problème de la convergence prématurée. Ces algorithmes utilisent des idées innovantes et se caractérisent par de nouvelles stratégies d'initialisation dans plusieurs zones, afin d'assurer une bonne couverture de l'espace de recherche par les particules. Toujours dans le cadre de l'amélioration de PSO, nous avons élaboré une nouvelle topologie de voisinage, nommée Dcluster, qui organise le réseau de communication entre les particules. Les résultats obtenus sur un jeu de fonctions de test montrent l'efficacité des stratégies mises en oeuvre par les différents algorithmes proposés. Enfin, PSO-2S est appliqué à des problèmes pratiques, en segmentation d'images et en électronique / The successful resolution of a difficult optimization problem, comprising a large number of sub optimal solutions, often justifies the use of powerful metaheuristics. A wide range of algorithms used to solve these combinatorial problems belong to the class of population metaheuristics. Among them, Particle Swarm Optimization (PSO), appeared in 1995, is inspired by the movement of individuals in a swarm, like a bee swarm, a bird flock or a fish school. The particles of the same swarm communicate with each other to build a solution to the given problem. This is done by relying on their collective experience. This algorithm, which is easy to understand and implement, is particularly effective for optimization problems with continuous variables. However, like several metaheuristics, PSO shows some drawbacks that make some users avoid it. The premature convergence problem, where the algorithm converges to some local optima and does not progress anymore in order to find better solutions, is one of them. This thesis aims at proposing alternative methods, that can be incorporated in PSO to overcome these problems, and to improve the performance and the efficiency of PSO. We propose two algorithms, called PSO-2S and DEPSO-2S, to cope with the premature convergence problem. Both algorithms use innovative ideas and are characterized by new initialization strategies in several areas to ensure good coverage of the search space by particles. To improve the PSO algorithm, we have also developed a new neighborhood topology, called Dcluster, which can be seen as the communication network between the particles. The obtained experimental results for some benchmark cases show the effectiveness of the strategies implemented in the proposed algorithms. Finally, PSO-2S is applied to real world problems in both image segmentation and electronics fields

Dans l'état actuel des connaissances, il est impossible de poser correctement toute la physique permettant de modéliser les hydrosystèmes dans leur ensemble, notamment à cause de la dynamique très contrastée des différents compartiments. Les modèles systémiques simplifient la représentation des hydrosystèmes en ne considérant que leurs flux d’échange. L’objet de ce travail est de proposer un outil de modélisation systémique fournissant des informations sur le fonctionnement physique des hydrosystèmes, tout en étant simple et parcimonieux. Ce modèle nommé MASH (pour Modélisation des Hydrosystèmes par Approche Systémique) est basé sur l’utilisation de fonctions de transfert paramétriques choisies en fonction de leur faible paramétrisation, leur caractère général et leur interprétation physique. Il est versatile, dans le sens que son architecture est modulable et que le nombre d’entrées, le nombre de fonctions de transfert en série et le type de fonctions de transfert utilisé est laissée à la discrétion de l’utilisateur. Ce modèle est inversé en utilisant de récentes avancées en apprentissage automatique grâce à une famille d’heuristiques basée sur l’intelligence en essaim nommé « optimisation par essaim de particule » (ou PSO pour « Particle Swarm Optimization »). Le modèle et ses algorithmes d’inversion sont testés sur un cas d’école synthétique, puis sur un cas d’application réel. / In the light of current knowledge, hydrosystems cannot be modelled as a whole since underlying physical principles are not totally understood. Systemic models simplify hydrosystem representation by considering only water flows. The aim of this work is to provide a systemic modelling tool giving information about hydrosystem physical behavior while being simple and parsimonious. This model, called HMSA (for Hydrosystem Modelling with a Systemic Approach) is based on parametric transfer functions chose for their low parametrization, their general nature and their physical interpretation. It is versatile, since its architecture is modular, and the user can choose the number of inputs, outputs and transfer functions. Inversion is done with recent machine learning heuristic family, based on swarm intelligence called PSO (Particle Swarm Optimization). The model and its inversion algorithms are tested first with a textbook case, and then with a real-world case.

Les travaux présentés dans ce mémoire proposent une nouvelle méthode d'optimisation globale dénommée MPSO-SA. Cette méthode hybride est le résultat d'un couplage d'une variante d'algorithme par Essaim de particules nommé MPSO (Particle Swarm Optimization) avec la méthode du recuit simulé nommé SA (Simulted Annealing). Les méthodes stochastiques ont connu une progression considérable pour la résolution de problèmes d'optimisation. Parmi ces méthodes, il y a la méthode Essaim de particules (PSO° qui est développée par [Eberhart et Kennedy (1995)]. Quant à la méthode recuit simulé (SA), elle provient du processus physique qui consiste à ordonner les atomes d'un cristal afin de former une structure cristalline parfaite. Pour illustrer les performances de la méthode MPSO-SA proposée, une comparaison avec MPSO et SA est effectuée sur des fonctions tests connues dans la littérature. La métode MPSO-SA est utilisée pour la résolution des problèmes réels interopérabilité des systèmes d'information, ainsi qu'aux problèmes d'optimisation et de fiabilité des structures mécaniques. / The work presented in this PhD thesis contibutes to a new method for a modified particle swarm optimization algorith (MPSO) combined with a simulating annealing algorithm (SA). MPSO is known as an efficient approach with a high performance of solving optimization problems in many research fields. It is a population intelligence algorithm [Eberhart et Kennedy (1995)] inspired by social behavior simulations of bird flocking. Considerable research work on classical method PSO (Particle Swarm Optimization) has been done to improve the performance of this method. Therefore, the propose hybrid optimization algorithms MPSOSA use the combination of MPSO and simulating annealing SA. This method has the avantage to provide best results comparing with all heuristics methods PSO and SA. In this matter, a benchmark of eighteen well-known functions is given. These functions present different situations of finding the global minimum with gradual difficulties. Numerical results presented, in this paper, show the robustness of the MPSOSA algorithm. Numerical comparisons with three algorithms namely, Simulating Annealing, Modified Particle swarm optimization and MPSO-SA show that hybrid algorithm offers better results. This method (MPSO-SA) treats a wide range of optimization problems, in information systems interoperability and in structural optimization field.

Dans le cadre de l'optimisation multiobjectif, les métaheuristiques sont reconnues pour être des méthodes performantes mais elles ne rencontrent qu'un succès modéré dans le monde de l'industrie. Dans un milieu où seule la performance compte, l'aspect stochastique des métaheuristiques semble encore être un obstacle difficile à franchir pour les décisionnaires. Il est donc important que les chercheurs de la communauté portent un effort tout particulier sur la facilité de prise en main des algorithmes. Plus les algorithmes seront faciles d'accès pour les utilisateurs novices, plus l'utilisation de ceux-ci pourra se répandre. Parmi les améliorations possibles, la réduction du nombre de paramètres des algorithmes apparaît comme un enjeu majeur. En effet, les métaheuristiques sont fortement dépendantes de leur jeu de paramètres. Dans ce cadre se situe l'apport majeur de TRIBES, un algorithme mono-objectif d'Optimisation par Essaim Particulaire (OEP) qui fonctionne automatiquement,sans paramètres. Il a été mis au point par Maurice Clerc. En fait, le fonctionnement de l'OEP nécessite la manipulation de plusieurs paramètres. De ce fait, TRIBES évite l'effort de les régler (taille de l'essaim, vitesse maximale, facteur d'inertie, etc.).Nous proposons dans cette thèse une adaptation de TRIBES à l'optimisation multiobjectif. L'objectif est d'obtenir un algorithme d'optimisation par essaim particulaire multiobjectif sans paramètres de contrôle. Nous reprenons les principaux mécanismes de TRIBES auxquels sont ajoutés de nouveaux mécanismes destinés à traiter des problèmes multiobjectif. Après les expérimentations, nous avons constaté, que TRIBES-Multiobjectif est moins compétitif par rapport aux algorithmes de référence dans la littérature. Ceci peut être expliqué par la stagnation prématurée de l'essaim. Pour remédier à ces problèmes, nous avons proposé l'hybridation entre TRIBES-Multiobjectif et un algorithme de recherche locale, à savoir le recuit simulé et la recherche tabou. L'idée était d'améliorer la capacité d'exploitation deTRIBES-Multiobjectif. Nos algorithmes ont été finalement appliqués sur des problèmes de dimensionnement des transistors dans les circuits analogiques / Meta-heuristics are recognized to be successful to deal with multiobjective optimization problems but still with limited success in engineering fields. In an environment where only the performance counts, the stochastic aspect of meta-heuristics again seems to be a difficult obstacle to cross for the decision-makers. It is, thus, important that the researchers of the community concern a quite particular effort to ease the handling of those algorithms. The more the algorithms will be easily accessible for the novices, the more the use of these algorithms can spread. Among the possible improvements, reducing the number of parameters is considered as the most challenging one. In fact, the performance of meta-heuristics is strongly dependent on their parameters values. TRIBES presents an attempt to remedy this problem. In fact, it is a particle swarm optimization (PSO) algorithm that works in an autonomous way. It was proposed by Maurice Clerc. Indeed, like every other meta-heuristic, PSO requires many parameters to be fitted every time a new problem is considered. The major contribution of TRIBES is to avoid the effort of fitting them. We propose, in this thesis, an adaptation of TRIBES to the multiobjective optimization. Our aim is to conceive a competitive PSO algorithm free of parameters. We consider the main mechanisms of TRIBES to which are added new mechanisms intended to handle multiobjective problems. After the experimentations, we noticed that Multiobjective-TRIBESis not competitive compared to other multiobjective algorithms representative of the state of art. It can be explained by the premature stagnation of the swarm. To remedy these problems, we proposed the hybridization between Multiobjective-TRIBES and local search algorithms such as simulated annealing and tabu search. The idea behind the hybridization was to improve the capacity of exploitation of Multiobjective-TRIBES. Our algorithms were finally applied to sizing analogical circuits' problems

Une antenne à réflecteur est un dispositif largement utilisé pour la communication satellite. La durée de vie d'un tel dispositif est étroitement liée à la fatigue due à la consommation d'énergie pour émettre le signal. Un des enjeux de la conception optimale d'une antenne revient donc à produire des systèmes dont le rendement est le meilleur possible par rapport à une tâche donnée. La particularité d'une antenne à réflecteur se traduit par la présence de surfaces rayonnantes dont la géométrie constitue le paramètre principal pour assumer cette tâche. Sur la base de la simulation de la propagation d'une onde électromagnétique en espace libre et en régime harmonique, on est capable de développer des méthodes d'optimisation numérique de la forme de surfaces rayonnantes. On cherche à minimiser un critère qui traduit en terme mathématique la tâche à effectuer d'un point de vue énergétique. Cependant, les méthodes utilisées sont souvent soumis à des difficultés liées au fait que ces problèmes sont mal posés et numériquement raides. Le contrôle étant géométrique, on a examiné dans cette thèse les contributions potentielles de représentations hiérarchiques afin d'étendre les performances d'algorithmes classiques d'optimisation. Ces extensions empruntent ses fondements aux méthodes multigrilles pour la résolution d'EDP. Un exemple théorique d'optimisation de forme permet d'assoir les stratégies appliquées à l'optimisation d'antennes. Puis des expériences numériques d'optimisation montrent que les algorithmes de bases sont améliorés en terme de robustesse comme en terme de vitesse de convergence.

La conception de systèmes complexes, et plus particulièrement de micro-systèmes complexes embarqués, posent des problèmes tels que l'intégration des composants, la consommation d'énergie, la fiabilité, les délais de mise sur marché, ...La conception mécatronique apparait comme étant particulièrement adaptée à ces systèmes car elle intègre intimement simulations, expérimentations, interactions entre sous-systèmes et cycles de reconception à tous les niveaux. Le produit obtenu est plus optimisé, plus performant et les délais de mise sur le marché sont réduits.Cette thèse a permis de trouver des méthodes de caractérisation, d'identification de paramètres ainsi que d'optimisation de systèmes mécatroniques actifs par la constitution de modèles numériques, de bancs d'expériences numériques, physiques et hybrides. Le cadre est bien précis : c'est celui d'un actionneur piézoélectrique amplifié, de sa commande ainsi que de la constitution générale de la boucle fermée d'un système mécatronique l'intégrant, les conclusions étant généralisables.Au cours de cette thèse, ont été introduits, avec succès, différents concepts :- Le " Signal Libre ". Un nouveau signal de commande des actionneurs piézoélectriques, basé sur les splines, maximise la vitesse de déplacement de l'actionneur et minimise sa consommation énergétique.- Deux améliorations de l'algorithme d'optimisation par essais de particules. La première introduit un arrêt de l'algorithme par la mesure du rayon de l'essaim ; le rayon limite est défini par la limite de mesurabilité des paramètres à optimiser ("Radius") ; la seconde ajoute la possibilité pour l'essaim de se transférer à une meilleure position tout en gardant sa géométrie. Ceci permet d' accélérer la convergence ("BSG-Starcraft")- L'optimisation expérimentale. Le modèle numérique étant très incertain, il est remplacé directement par le système réel dans le processus d'optimisation. Les résultats sont de qualité supérieure à ceux obtenus à partir de la simulation numérique.