République Algérienne Démocratique et Populaire ECOLE NORMALE SUPERIEURE D’ENSEIGNEMENT TECHNIQUE - ORAN - DÉPARTEMENT DU GÉNIE ELECTRIQUE MAGISTER 1 ERE ANNEE OPTION ANALYSE ET COMMANDE DES MACHINES ELECTRIQUES MODULE TECHNIQUE D’OPTIMISATION Sous la direction de : Mr .ABDELMALEK. Réalisé par : Mr. HAMANE Bekhada. Promotion 2008-2009 L’application de la méthode d’essaim particulaire
L’application de la méthode d’essaim particulaire;Optimisation par l’essaim particulaire;Introduction sur optimisation par l'essaim particulaire;Origines;Description Informelle;Principales caractéristiques;Pour en savoir plus sur l’optimisation par essaim particulaire;Nombre de particules;Topologie du voisinage;Coefficients de confiance; Vitesse maximale et coefficient de constriction;Facteur d’inertie;Initialisation de l’essaim;Critères d’arrêt;L’organigramme de principe de la méthode d’essaims particulaires;Exemple d’application de PSO en langage C;Exemple 1 : Recherche du champ minimum entre deux stations;Exemple 2 : Recherche le point minimum d’une fonction.
Welcome message from author
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
République Algérienne Démocratique et Populaire
ECOLE NORMALE SUPERIEURE D’ENSEIGNEMENT TECHNIQUE
- ORAN -
DÉPARTEMENT DU GÉNIE ELECTRIQUE
MAGISTER 1ERE ANNEE
OPTION
ANALYSE ET COMMANDE DES MACHINES ELECTRIQUES
MODULE TECHNIQUE D’OPTIMISATION
Sous la direction de : Mr .ABDELMALEK.
Réalisé par : Mr. HAMANE Bekhada.
Promotion 2008-2009
L’application de la méthoded’essaim particulaire
Sommaire
Introduction générale 01
Chapitre I : Optimisation par l’essaim particulaire
I.1. Introduction sur optimisation par l'essaim particulaireI.2.OriginesI.3.Description InformelleI.4. Principales caractéristiquesI.5. Pour en savoir plus sur l’optimisation par essaim particulaire
0404040607
Chapitre II : Application de la méthode d’essaim particulaire en C
II.1. ApplicationsII.2. Configuration de la méthodeII.2.1. Nombre de particulesII.2.2. Topologie du voisinageII.2.3. Coefficients de confianceII.2.4. Vitesse maximale et coefficient de constrictionII.2.5. Facteur d’inertieII.2.6. Initialisation de l’essaimII.2.7. Critères d’arrêtII.3. L’organigramme de principe de la méthode d’essaims particulairesII.4 .Exemple d’application de PSO en langage CII.4.1. Exemple 1 : Recherche du champ minimum entre deux stationsII.4.2. Exemple 2 : Recherche le point minimum d’une fonction
09101010101111121213141416
Conclusion généraleL’annexe : Code source en C d’une version simple de PSORéférence Biographique
171825
Introduction Générale :
1
L’apparition des algorithmes évolutionnistes à fait l’effet d’une bombe dans les domaines de la
résolution de problèmes complexes, et spécialement dans l’optimisation de fonction avec
contraintes.
Pour cela nous présentons une métaheuristique apparue dernièrement : la méthode d’optimisation
par l’essaim particulaire (OEP).
L'OEP est une technique encore peu connue en France, fondée sur la notion de coopération entre
des agents (Les particules) qui peuvent être vus comme des « animaux » aux capacités assez
limitées.
L'échange d'information entre eux fait que, globalement, ils arrivent néanmoins à résoudre des
problèmes difficiles, comme c'est le cas, par exemple, chez les abeilles vivant en essaim
(exploitation de sources de nourriture, construction de rayons, etc.).
Après une présentation succincte des origines, le travail propose une description informelle de
l’OEP, puis en dégage les principales caractéristiques. Simple à comprendre, à programmer et à
utiliser, la PSO se révèle particulièrement efficace pour les problèmes d'optimisation non
linéaire.
La monographie se termine par configuration et une application de la méthode d’essaim
particulaire en programmation en C.
2
Chapitre I Optimisation par l’essaim particulaire
3
I.1.Introduction sur Optimisation par l’essaim particulaire: [1] [2] [3] [4]
Optimisation de l'essaim de la particule (PSO) est un relativement nouvel algorithme de
l'érudition computation, en premier a introduit par James Kennedy et Russell Eberhart en 1995.
Elle porte quelque ressemblance à computation évolutionnaire.
L'objectif de PSO est trouver l'optimum global de quelque multidimensionnel (habituellement
non linéaire) fonction.
L'algorithme a prouvé efficace dans résoudre beaucoup de problèmes.
Dans PSO, la recherche à travers l'espace du problème peut être pensée de comme le vol d'un
essaim de particules (points dans l'espace). L'objectif est avoir les particules converger sur
l'optimum de la fonction, beaucoup de comme un troupeau d'oiseaux converge sur quelque
destination. Les particules sont distribuées initialement aléatoirement à travers le problème
espacez et donné une vélocité initiale.
Chaque particule se tient au courant de son emplacement et aptitude (la valeur de la fonction qui
est optimisée), aussi bien que la meilleure place (et aptitude correspondante) il a rencontré si loin
dans son vol.
Avec le temps, la vélocité de chaque particule est ajustée afin qu'il déplace stochastique vers sa
propre meilleure place et la meilleure place a trouvé par une autre particule dans son voisinage.
Le voisinage d'une particule est le sous-ensemble de particules dans l'essaim avec lequel il a la
communication directe. Ce réseau de rapports entre toutes les particules est connu comme la
sociométrie, ou topologie de l'essaim.
L'algorithme arrête quand quelque critère a rencontré quand PSO est appliqué aux problèmes
vécus, les évaluations de la fonction elles-mêmes sont la partie la plus chère de l'algorithme.
Par conséquent, quand comparer deux variations PSO, c'est utile s’ils les deux ont utilisé le
même nombre d'évaluations de la fonction.
Dans les expériences qui suivent, l'essaim est distribué un certain nombre d'évaluations de la
fonction et termine quand ce nombre est atteint.
Chapitre I Optimisation par l’essaim particulaire
4
I.2.Origines : [1] [2] [3] [4]
L’optimisation par essaim particulaire (OEP) est une méthode née en 1995 aux états unis sous le
nom de L'optimisation de l'essaim de la particule (PSO).
Initialement, ses deux concepteurs, Russel Eberhard James Kennedy, cherchaient à modéliser
des interactions sociales entre des «agents » devant atteindre un objectif donne dans un espace
de recherche commun, chaque agent ayant une certaine capacité de mémorisation et de
traitement de l’information.
La règle des bases étant qu’il ne devait y avoir aucun chef d’orchestre, ni même aucune
connaissance par les agents de l’ensemble des informations. Seulement des connaissances
locales.
Des les premières simulations, le comportement collectif de ces agents évoquait celui d’un
essaim d’être vivants convergeant parfois en plusieurs sous- essaims vers des sites intéressants.
Ce compétemment se retrouve dans bien d’autre modèle, explicitement inspires des systèmes
naturels. Ici, la métaphore la plus pertinente est probablement celle de l’essaim d’abeilles,
particulièrement du fait qu’une abeille ayant trouve un site prometteur sait en informer certaines
de ces consœurs et que celle-ci vent tenir comte de cette information pour leur prochain
déplacement.
Le fonctionnement de l’OEP fait qu’elle peut être rangée dans les méthodes itératives ‘on
approche peut à peut de la solution) et stochastique. Sous ce terme un peu technique, on
retrouve un comportement qui aussi vieux que la vie elle- même : améliorer sa situation en ce
déplaçant partiellement au hasard et partiellement.
I.3. Description Informelle : [1] [2] [3] [4]
La version historique peut facilement être décrite en ce plaçant du point de vue d’une particule.
Au départ de l’algorithme, un essaim est reparti au hasard dirigé dans l’espace de rechercher,
chaque particule ayant également une vitesse aléatoire.
Chapitre I Optimisation par l’essaim particulaire
5
Ensuit, à chaque pas de temps :
Chaque particule est capable d’évaluer la qualité de sa position qu’elle a atteinte
jusqu’ici (qui peut en fait être parfois la position courante) et sa qualité (la valeur en
cette position de la fonction à optimiser).
Chaque particule est capable d’interroger un certain nombre de ses congénères (ses
informatrices, dont elle- même) et d’obtenir de chacune d’entre elles sa propre
meilleure performance (et la qualité afférente).
A chaque pas de temps, chaque particule choisit la meilleure des meilleures
performances dont elle à connaissance, modifie sa vitesse en fonction de cette
information et de ces propres données et se déplace en conséquence.
Le premier point se comprend facilement, mais les deux autres nécessitent quelques précisions.
Les informatrices sont définies une fois pour toutes de la manière suivante (figure I.1).
Figure I.1. Le cercle virtuel pour un essaim de sept particules. [1] [2] [3] [4]
Le groupe d’information de taille trois de la particule 1 est composé des particules 1, 2 et 7.
Une fois la meilleure informatrice détectée, la modification de la vitesse est une simple
combinaison linéaire de trois tendances.
Chapitre I
A l’aide de coefficients de confiance
La tendance «aventureuse
La tendance «conservatrice
trouvée.
La tendance « panurgisme»,
I.4.Principales caractéristiques
Cette méthode présente quelques
nombreux problèmes d’optimisation,
continus ou mixtes (certaines variables
Elle est facile à programmer, quelque lignes de code suffisant dans n’emporte quel
langage évalue.
Elle est robuste (de
n’empêche pas d’obtenir une solution).
Figure I.2.Schéma de principe du déplacement d’une particule.
Optimisation par
6
A l’aide de coefficients de confiance :
a tendance «aventureuse», consistant à continuer selon la vitesse actuelle
La tendance «conservatrice », ramenant plus ou moins vers la meilleure position
panurgisme», orientant approximativement vers la meilleure informatrice.
Principales caractéristiques : [1] [2] [3] [4]
quelques propriétés intéressantes, qui on fait
d’optimisation, particulièrement les problèmes fortement non
continus ou mixtes (certaines variables étant réelles et d’autres entières) :
est facile à programmer, quelque lignes de code suffisant dans n’emporte quel
est robuste (de mauvais choix de paramètres dégrades les performances, mais
pas d’obtenir une solution).
Figure I.2.Schéma de principe du déplacement d’une particule.
Optimisation par l’essaim particulaire
actuelle.
vers la meilleure position déjà
vers la meilleure informatrice.
un bon outil pour de
fortement non linéaire,
est facile à programmer, quelque lignes de code suffisant dans n’emporte quel
dégrades les performances, mais
Figure I.2.Schéma de principe du déplacement d’une particule. [5]
Chapitre I Optimisation par l’essaim particulaire
7
Pour réaliser son prochain mouvement, chaque particule combine trois tendances : suivre sa
vitesse propre, revenir vers sa meilleure performance, aller vers la meilleure performance de ses
informatrices.
I.5.Pour en savoir plus sur l’optimisation par essaim particulaire : [1] [2] [3] [4]
A ce jour, environ 250 articles sur le sujet ont été publiés, mais très peu en français. Un excellent
point d’entrée est le site Particle Swarm Central, avec une bibliographie très complète, des liens
vers des documents et des programmes à télécharger, ainsi qu’une liste de chercheurs travaillant
dans ce domaine.
Le livre Swarm Intelligence, écrit par les deux concepteurs de la méthode, y consacre quelques
chapitres et donne des aperçus plus généraux sur les questions d’intelligence collective.
8
Chapitre II Application de la méthode d’essaim particulaire en C
9
II.1. Applications : [6]
Un essaim de particule est caractérisé par :
a) le nombre de particules de l’essaim (nb).
b) la vitesse maximale d’une particule (vmax).
c) la topologie et la taille du voisinage d’une particule qui définissent son réseau social.
d) l’inertie d’une particule(Y).
e) les coefficients de confiance 1 et ,2 qui pondèrent le comportement conservateur (la
tendance à retourner vers la meilleure solution visitée) et le panurgisme (la tendance à suivre le
voisinage).
Une particule est caractérisée, à l’instant t, par
sa position dans l’espace de recherche ଓ(ݐ)ሬሬሬሬሬሬሬሬሬሬ.
sa vitesse : ଓ(ݐ)ሬሬሬሬሬሬሬሬሬሬ .
la position de la meilleure solution par laquelle elle est passée : ଓሬሬሬሬሬሬሬሬሬሬሬሬሬሬሬሬݐݏ .
la position de la meilleure solution connue de son voisinage : ݒ ଓሬሬሬሬሬሬሬሬሬሬሬሬሬሬሬሬݐݏ .
la valeur de fitness de sa meilleure solution : pbesti .
la valeur de fitness de la meilleure solution connu du voisinage :vbesti .
Algorithme 1 : Version simplifié sans voisinage : [6]
Chapitre II
II.2. Configuration de la méthode
II.2.1. Nombre de particules
La quantité de particules allouées à la résolution du problème dépend essentiellement de deux
paramètres :
La taille de l’espace de recherche et le rapport entre les capacités de calcul de la machine et le
temps maximum de recherche.
Il n’y a pas de règle pour déterminer ce paramètre, faire de nombreux essais permet de se doter
de l’expérience nécessaire à l’a
II.2.2. Topologie du voisinage
La topologie du voisinage défini avec qui chacune des particules va pouvoir communiquer.
Il existe de nombreuses combinaisons dont les suivantes sont les plus utilisées :
a) topologie en étoile : chaque particule est reliée à toutes les autres. L’optimum du voisinage est
l’optimum global.
b) topologie en anneau : chaque particule est reliée à n particules (en général, n = 3) c’est la
topologie la plus utilisée.
c) topologie en rayon : les particules ne communiquent qu’avec une seule particule centrale.
FIGURE.II. 1
II.2.3. Coefficients de confiance
Les variables de confiance pondèrent les tendances de la particule à vouloir suivre son
conservation ou son panurgisme. Les variables aléatoires p
suivante :
Chapitre II Application de la méthode d’essaim particulaire
10
.2. Configuration de la méthode : [6]
:
La quantité de particules allouées à la résolution du problème dépend essentiellement de deux
La taille de l’espace de recherche et le rapport entre les capacités de calcul de la machine et le
temps maximum de recherche.
Il n’y a pas de règle pour déterminer ce paramètre, faire de nombreux essais permet de se doter
de l’expérience nécessaire à l’appréhension de ce paramètre.
.2.2. Topologie du voisinage :
La topologie du voisinage défini avec qui chacune des particules va pouvoir communiquer.
Il existe de nombreuses combinaisons dont les suivantes sont les plus utilisées :
étoile : chaque particule est reliée à toutes les autres. L’optimum du voisinage est
b) topologie en anneau : chaque particule est reliée à n particules (en général, n = 3) c’est la
particules ne communiquent qu’avec une seule particule centrale.