Algorithmes évolutionnaires multi-objectifs basés sur Pareto pour l'optimisation globale.
Algorithmes évolutionnaires multi-objectifs basés sur Pareto pour l'optimisation globale.
Fichiers
Date
2024-06
Auteurs
BOUMAZA Farid
Nom de la revue
ISSN de la revue
Titre du volume
Éditeur
Résumé
Cette thèse souligne l’importance cruciale de résoudre les problèmes d’optimisation multi-objectifs (MOPs) et propose deux algorithmes évolutifs novateurs pour surmonter les limitations des métaheuristiques axées sur un seul objectif. Le premier, nommé Optimisation Multi-Objectif Guidée par les Faucons de Harris (GMOHHO), intègre une archive externe pour stocker les solutions de Pareto optimaux, favorisant ainsi le concept d’élitisme. De plus, une stratégie de sélection basée sur l’Évolution Bi-Goal (BiGE) équilibre convergence et diversité de l’ensemble de Pareto. Le deuxième algorithme, l’Algorithme d’Optimisation Arithmétique Multi-objectif (MOAOA), utilise également un référentiel d’archive maintenu par la technique d’Epsilon-Dominance (ϵ-dominance). Intégrant une stratégie de sélection des leaders basée sur la distance de crowding, il guide la population vers des régions de recherche intéressantes, établissant ainsi un équilibre entre convergence et diversité au sein de l’ensemble de Pareto. Des tests approfondis sur différents benchmarks multi-objectifs, ainsi que la comparaison avec des méthodes couramment utilisées, mettent en évidence la supériorité de GMOHHO et de MOAOA en matière de convergence et de diversité.
Description
Mots-clés
Optimisation multi-objectifs ; Front de Pareto ; Convergence et diversité ; Population d’archive ; Distance de crowding ; Tri non-dominé.