Résoudre des problèmes d'optimisation est un point clé dans l'amélioration constante de la productivité des entreprises. Quand les méthodes traditionnelles échouent, il devient alors naturel de se tourner vers des techniques de résolution approchée. Les métaheuristiques jouent, aujourd'hui, un rôle primordial dans la résolution des problèmes d'optimisation. Ces techniques sont devenues, en quelques années, des outils incoutournables et performants. Dans cette synthèse, nous présentons un panorama des métaheuristiques classiques (méthodes de descente, recuit simulé, recherche tabou, algorithmes génétiques), de certaines moins connues (recherche à voisinages variables, GRASP, iterated local search, guided local search, colonies de fourmis) et de techniques avancées (algorithmes mémétiques, scatter search, GA|PM). Pour toutes ces méthodes, nous analysons les facteurs d'intensification et de diversification présents, les particularités de chacune d'elle et notre retour d'expérience sur les applications que nous avons traités. De cette analyse, nous pouvons proposer ce que sont, selon nous, les caractéristiques indispensables à une bonne métaheuristique.
Identifer | oai:union.ndltd.org:CCSD/oai:tel.archives-ouvertes.fr:tel-00011623 |
Date | 01 July 2004 |
Creators | Sevaux, Marc |
Source Sets | CCSD theses-EN-ligne, France |
Language | fra |
Detected Language | French |
Type | habilitation ࠤiriger des recherches |
Page generated in 0.0016 seconds