Modèle et Approches pour l’Optimisation Multi-Populations et Multi-Régions dans les Environnements Dynamiques : Application à la sélection d’attributs en ligne

Résumé

Cette thèse traite les problèmes inhérents à l’optimisation dans les environnements dynamiques où il ne s’agit pas uniquement d’identifier les optima dans le paysage de la fonction objectif mais aussi de pouvoir les suivre à chaque changement du paysage au cours du temps. Beaucoup de problèmes réels sont de cette nature et imposent le développement d’approches efficaces pour les résoudre. La contribution de cette thèse couvre plusieurs aspects dont notamment le développement d’un modèle duquel des approches ont été dérivées et une application a été envisagée. Dans un premier temps, une variante améliorant les performances de la métaheuristique Wind Driven optimization (WDO) a été développée donnant lieu à l’algorithme Modified Wind Driven Optimization (MWDO) pour l’optimisation statique et qui surpasse l’algorithme de base WDO appliquée à l’optimisation numérique. Un tel développement a constitué un cadre pour la formulation d’un modèle pour l’optimisation dynamique en s’inspirant de l’impact des phénomènes terrestres sur le mouvement des particules d’air. En introduisant les concepts de multi-populations et multi-régions, une nouvelle approche pour l’optimisation dynamique a été développée appelée Wind Driven Dynamic Optimization (WD2O) dotée des capacités suivantes : maintien de la diversité, détection économique des changements et prévention des collisions. Son idée de base consiste à associer les régions prometteuses et non prometteuses dans le paysage dynamique de la fonction objectif aux régions haute pression et basse pression dans la métaphore naturelle. Testée sur le problème Moving Peak Benchmark (MPB), WD2O s’est montrée très compétitive voir meilleure que les approches d’état de l’art et notamment sur des instances de grandes de dimension. Dans un second temps, une deuxième nouvelle approche a été développée pour résoudre le problème de la mémoire obsolète induit par les informations accumulées au cours du processus d’optimisation et sans utilité après un changement tout en s’affranchissant du problème de la détection de changements. Nous avons appelé le nouveau mécanisme ainsi développé : le mécanisme de pression qui a permis de résoudre le problème de la mémoire obsolète de manière efficace. Cette approche a été validée et comparée aux approches de la littérature où l’on peut constater des résultats très prometteurs. Enfin, l’application des concepts développés au problème dela sélection d’attributs en ligne ou en streaming a été abordée montrant le potentiel de l’algorithme développé à résoudre les problèmes d’optimisation dynamiques dans les cas réels.

Citer ce document

Accès au document

Ce document est hébergé sur son dépôt institutionnel d'origine.

Auteur(s)

Statistiques

Consultations : 2

Téléchargements : 0