L'utilisation de technologies sans fil ne cesse de s'accroitre depuis quelques annees. Or plusieurs pays souffrent deja d'une « penurie de spectre radio ». Il est urgent de redefinir la politique d'allocation et d'utilisation du spectre radio. Plusieurs campagnes de mesures ont montrees que le spectre alloue n'est pas utilise partout et tout le temps, laissant donc apparaitre des « trous dans le spectre ». Pour permettre une viabilite reelle de nouvelles regles de regulation, de nouveaux algorithmes de partage du spectre entre les utilisateurs et les systemes radios sont necessaires. Dans cette these, nous proposons des algorithmes innovants d'allocation dynamique du spectre. Les scenarios envisages sont constitues de plusieurs utilisateurs (utilisant des radios cognitives) se partageant l'acces a plusieurs canaux radios de façon opportuniste. Nous proposons un nouvel algorithme d'acces radio pour la couche mac, et reservant des ressources radio pour la voie montante. Cet algorithme peut etre utilise pour des systemes bases sur de l'ofdm (ex. : reseaux locaux sans fil). Dans notre algorithme (base sur de l'ofdma), les utilisateurs collaborent pour negocier l'acces a plusieurs ressources radio, en utilisant un mecanisme de contention distribue et collaboratif. Nous utilisons une adaptation de la meta heuristique d' « intelligence en essaim » inspiree des insectes sociaux. Cela confere a notre methode : flexibilite, robustesse et scalabilite, dans l'allocation spectrale. Nos resultats montrent le potentiel de telles methodes collaboratives et distribuees pour resoudre le probleme de l'allocation flexible de spectre pour les prochaines generations de systemes sans fil.

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

Cette thèse se focalise sur la proposition et l’application des approches pour la modélisation de l’éco-fabrication. Ces approches permettent de préparer et simuler une démarche de fabrication des produits en assurant le couplage entre les objectifs écologiques et économiques.Les approches développées dans cette thèse sont basées sur les notions d’aide à la décision ainsi que l’optimisation multi objectifs. L’aide à la décision permet l’intervention en deux différents niveaux : le choix des impacts environnementaux à quantifier ainsi que le choix du scénario final de fabrication. Pour l’optimisation multi objectifs, elle assure le couplage entre les deux piliers principaux de l’éco-fabrication : l’écologie et l’économie. Au niveau de l’aide à la décision multi critères, les méthodes Evamix et Promethee ont été appliqués, tandis que les essaims particulaires ont été développés dans le cadre de l’optimisation multi objectifs.Ces approches ont été appliquées tout d’abord aux quelques opérations d’usinage : tournage et fraisage. Finalement, la chaîne de fabrication de l’acide phosphorique ainsi que celle d’acide sulfurique ont été le sujet de l’application des deux approches développées. / This thesis focuses on the proposal and implementation of approaches for modeling sustainable manufacturing. These approaches are used to prepare and simulate a process of manufacturing products providing coupling between environmental and economic objectives.The approaches developed in this thesis are based on the concepts of decision support as well as multi-objective optimization. The decision support allows intervention in two different levels: the choice of indicator to quantify the environmental impacts and the choice of the final manufacturing scenario. For multi-objective optimization, it provides the coupling between the two main pillars of sustainable manufacturing: ecology and economy. In terms of multi criteria decision aid methods, Evamix and Promethee were applied, while particulate swarms were developed as part of the multi-objective optimization. These approaches have been applied initially to some machining operations: turning and milling. Finally, the production line of phosphoric acid and sulfuric acid were the subject of application of the two approaches developed.

Les essaims de robots sont des systèmes composés d’un grand nombre de robots relativement simples. Du fait du grand nombre d’unités, ces systèmes ont de bonnes propriétés de robustesse et de passage à l’échelle. Néanmoins, il reste en général difficile de concevoir manuellement des contrôleurs pour les essaims de robots, à cause de la grande complexité des interactions inter-robot. Par conséquent, les approches automatisées pour l’apprentissage de comportements d’essaims de robots constituent une alternative attrayante. Dans cette thèse, nous étudions l’adaptation de comportements d’essaim de robots avec des méthodes de Embodied Evolutionary Robotics (EER) distribuée. Ainsi, nous fournissons trois contributions principales : (1) Nous étudions l’influence de la pression à la sélection dirigée vers une tâche dans un essaim d’agents robotiques qui utilisent une approche d’EER distribuée. Nous évaluons l’impact de différents opérateurs de sélection dans un algorithme d’EER distribuée pour un essaim de robots. Nos résultats montrent que le plus forte la pression à la sélection est, les meilleures performances sont atteintes lorsque les robots doivent s’adapter à des tâches particulières. (2) Nous étudions l’évolution de comportements collaboratifs pour une tâche de récolte d’objets dans un essaim d’agents robotiques qui utilisent une approche d’EER distribuée. Nous réalisons un ensemble d’expériences où un essaim de robots s’adapte à une tâche collaborative avec un algorithme d’EER distribuée. Nos résultats montrent que l’essaim s’adapte à résoudre la tâche, et nous identifions des limitations concernant le choix d’action. (3) Nous proposons et validons expérimentalement un mécanisme complètement distribué pour adapter la structure des neurocontrôleurs des robots dans un essaim qui utilise une approche d’EER distribuée, ce qui permettrait aux neurocontrôleurs d’augmenter leur expressivité. Nos expériences montrent que notre mécanisme, qui est complètement décentralisé, fournit des résultats similaires à un mécanisme qui dépend d’une information globale / Robot swarms are systems composed of a large number of rather simple robots. Due to the large number of units, these systems, have good properties concerning robustness and scalability, among others. However, it remains generally difficult to design controllers for such robotic systems, particularly due to the complexity of inter-robot interactions. Consequently, automatic approaches to synthesize behavior in robot swarms are a compelling alternative. In this thesis, we focus on online behavior adaptation in a swarm of robots using distributed Embodied Evolutionary Robotics (EER) methods. To this end, we provide three main contributions: (1) We investigate the influence of task-driven selection pressure in a swarm of robotic agents using a distributed EER approach. We evaluate the impact of a range of selection pressure strength on the performance of a distributed EER algorithm. The results show that the stronger the task-driven selection pressure, the better the performances obtained when addressing given tasks. (2) We investigate the evolution of collaborative behaviors in a swarm of robotic agents using a distributed EER approach. We perform a set of experiments for a swarm of robots to adapt to a collaborative item collection task that cannot be solved by a single robot. Our results show that the swarm learns to collaborate to solve the task using a distributed approach, and we identify some inefficiencies regarding learning to choose actions. (3) We propose and experimentally validate a completely distributed mechanism that allows to learn the structure and parameters of the robot neurocontrollers in a swarm using a distributed EER approach, which allows for the robot controllers to augment their expressivity. Our experiments show that our fully-decentralized mechanism leads to similar results as a mechanism that depends on global information

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

Le domaine de la traction électrique a suscité un très grand intérêt dans les dernières années. La conception optimale de l'ensemble moteur électrique de traction - onduleur doit prendre en compte une variété de critères et contraintes. Étant donnée la liaison entre la géométrie du moteur et la stratégie de commande de l'onduleur, l'optimisation de l'ensemble de traction doit prendre en considération, en même temps, les deux composants.L'objectif de la thèse est la conception d'un outil d'optimisation appliqué à un système de traction électrique légère qu'emploie un moteur à réluctance variable alimenté (MRVCE) par un onduleur triphasé en pont complet. Le MRVCE est modélisé en utilisant la technique par réseau de perméances. En même temps, la technique de commande électronique peut être facilement intégrée dans le modèle pour effectuer l'analyse dynamique du fonctionnement du moteur. L'outil d'optimisation réalisé utilise l'algorithme par essaim de particules, modifié pour résoudre des problèmes multi-objectif. Les objectifs sont liés à la qualité des caractéristiques de fonctionnement du moteur, en temps que les variables d'optimisation concernent la géométrie du moteur aussi que la technique de commande. Les performances de l'algorithme sont comparées avec ceux de l'algorithme génétique (NSGA-II) et d'une implémentation classique de l'algorithme par essaim de particules multi-objectif.Finalement, un prototype de moteur à réluctance variable est construit et le fonctionnement du MRVCE alimenté depuis l'onduleur triphasé en pont complet est implémenté et les outils de modélisation et d'optimisation sont validés

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

Ce travail de thèse a pour but d'analyser les variations de vitesses sur des grandes failles décrochantes en contexte intracontinental, capables de produire des séismes de très fortes magnitudes (M > 7.5). Afin d'illustrer c es variations d'activités, cette analyse a été effectuée sur deux zones d'études situées en domaine continental et sismiquement actives: la région ouest de la Mongolie (failles de Bogd et Bolnay) et le nord de l'Iran (failles d'Astaneh et de Tabriz). À partir d'une approche morphotectonique et paléosismologique, les cinématiques, les vitesses de failles et les intervalles de récurrence entre les séismes majeurs ont été estimés, permettant d'analyser les caractéristiques du cycle sismique sur chacune des failles. En Mongolie, les failles de Bogd et Bolnay présentent respectivement des vitesses de ~ 1,2 et 2,6 mm/an, qui semblent être constantes sur la période Pleistocène supérieur-Holocène. Ces deux failles présentent également des glissements caractéristiques et des intervalles de temps similaires entre les séismes majeurs. Les analyses paléosismologiques suggèrent qu'un essaim sismique comparable à celui enregistré au XXème siècle a eu lieu il y a environ 3000 ans.En Iran, une vitesse géologique de 2 mm/an a été estimée sur la faille d'Astaneh et les données paléosismologiques suggèrent des intervalles de récurrence qui varient entre 1600 et 2200 ans, associés à des déplacements en surface compris entre 3 et 4,5 m. Nous avons également estimé une vitesse de 7 mm/an sur la faille de Tabriz, en accord avec les données GPS, suggérant que la vitesse sur cette faille est constante depuis 45 ka. / The aim of this thesis is to analyze if variations in slip rates occur along strike-slip faults, in intracontinental domain, these faults producing large earthquakes (M> 7.5). To illustrate these variations, this work has focused in two area located in the most tectonically active continental domains in the world: in the western part of Mongolia (Bogd and Bulnay faults) and in the northern part of Iran (Astaneh and Tabriz faults). Using morphotectonic and paleoseismological analyses, the kinematics, the slip rates and the recurrence times have been estimated and allow us to describe the characteristics of seismic cycle along these faults. In Mongolia, the slip rates are estimated at ~1.2 and ~2.6 mm/yr along the Bogd and the Bulnay faults, respectively, with no variations of geological slip rates over the Pleistocene-Holocene period. These two faults present characteristic slips and similar recurrence times between large earthquakes. The paleoseismological investigations suggest that a cluster occurred 3000 years ago, similar to the seismic cluster recorded in Mongolia during the XX century. In Iran, the slip rate was estimated to 2 mm/yr along the Astaneh fault and the recurrence times are ranging from 1600 to 2200 years, associated with offsets comprised between 3 and 4.5 m. We have also estimated a slip rate of ~7 mm/yr along the Tabriz fault, in agreement with the present day rate estimated by GPS, suggesting no variations in the slip rate over the past 45 ka.

Les travaux présentés dans cette thèse effectuée au LaBRI portent sur la mise en place d’une flotte de drones et le portage sur celle-ci d’applications collaboratives distribuées utilisant des communications asynchrones non sûres. Ces applications sont formalisées grâce au modèle de réétiquetage de graphes Asynchronous Dynamicity Aware Graph Relabeling System (ADAGRS) que nous proposons. Au delà des contributions théoriques, ces travaux ont débouché sur la mise en place du démonstrateur CARUS dans lequel cinq drones se partagent la surveillance d'une grille de 15 points d’incidents potentiels (au sol).Lorsqu’un drone détecte un incident, il s'en rapproche pour le traiter. Le reste de la flotte doit alors prendre en charge les points que ce drone ne traite plus.Les réorganisations nécessaires de la flotte se font en totale autonomie vis-à-vis du sol et sous hypothèse de perte éventuelle de drones et de messages. / The work presented in this thesis, carried out at LaBRI, deals with the set up of a fleet of UAVs and the porting on it of distributed collaborative applications that use unsafe asynchronous communications. These applications are modeled with Asynchronous Dynamicity Aware Graph Relabeling System (ADAGRS), the formal model based on graph relabellings that we propose.Beyond the theoretical contributions, this work led to the development of the CARUS demonstrator in which five UAVs share the supervision of a grid of 15 points of potential ground incidents.When a UAV detects an incident, it comes close to it in order to deal with it. The rest of the fleet must then take care of the points that this UAV no longer visits.The necessary reorganizations of the fleet are done in total autonomy with respect to the ground and under the hypothesis of possible loss of UAVs and messages.