Optimisation par la méthode des abeilles

Présentation au sujet: "Optimisation par la méthode des abeilles"— Transcription de la présentation:

1 Optimisation par la méthode des abeilles
Présenté par: MOUSSA Hadjer. Option: RFIA. Free Powerpoint Templates

2 Sommaire Introduction. Historique. Comportement des abeilles.
Algorithme. Exemple d’application. Conclusion.

3 Introduction La méthode des abeilles est une méthode d’optimisation inspirée du comportement intelligent de l’abeille lors de la récolte du nectar. Abeille: insecte sociale, très organisée. trois types d’abeilles: ouvrière, faux-bourdons, une seule reine. trois types de butineuses: active, inactives, éclaireuse. But : système multi-agents. Processus de résolution réalisé par l’interaction entre ces agents.

4 Historique 2004, HONEY-BEE : CRAIG A.TOVEY, SUNIL NAKRANI
à GEORGIA TECH , VIRTUAL BEE ALGORITHM : XIN- SHE YANG à CAMBRIDGE 2005, HONEY-BEE MATING OPTIMIZATION : HADDAD, AFSHAR et leurs collègues 2006, ARTIFICIAL BEE COLONY : B.BASTURK, D.JARABOGO en Turquie

5 Comportement des abeilles
Principe de base : coopération entre les abeilles, faite par la communication via une danse, pour transmettre des informations sur les sources de nourriture. Deux types de danse : - Danse en rond -> pollen à faible distance. - Danse frétillante -> à moins de 10 Km.

6 Algorithme Initialiser la population avec n solutions aléatoires.
Evaluer la fitness de la population. Tant que le critère d’arrêt n’est pas satisfait faire Recruter des abeilles -> rechercher de nouvelle source de nourriture. Si un membre de la population ne s’est pas amélioré faire enregistrer la solution et remplacer la par une solution aléatoire. Trouver S solutions aléatoires et remplacer les S membres de la population qui ont la mauvaise fitness. Fin Tant que. Retourner la meilleure solution.

7 Exemple d’application

8 Exemple d’application
y * Génération aléatoire d’une population initiale à n=10 Solutions. Cette étape est faite par les éclaireuses.

9 Exemple d’application
* x y ▫ m ▪ Evaluer la fitness de la population. Construire un tableau. Choisir m=5 sites parmi lesquels e=2 sont meilleurs. 1 2 3 4 5 6 7 8 9 10 80% 78% 75% 72% 69% 66% 65% 60% 59% 58%

10 Exemple d’application
* * * x y ▪ ▫ Recrutement aléatoire des abeilles. n1=4 , n2=2. Evaluer la fitness de chaque site. Choisir la meilleur abeilles de chaque site -> former une nouvelle population.

11 Exemple d’application
y * e La nouvelle population = m meilleurs solutions précédentes + m autres solutions aléatoire.

12 Exemple d’application
Le maximum global x y * À la fin des itération : meilleure solution (solution optimale de la fonction).

13 Conclusion Avantage : Très efficace dans la recherche des solutions optimales. Surmonte le problème de l’optimum local. Facile à implémenter. Inconvénients: L’utilisation de plusieurs paramètres réglables. Sensible à des problèmes extrêmement difficiles. L’algorithme à une robustesse remarquable, produisant des taux de réussite de 100% dans tans les cas qu’il la traité. Un des meilleurs techniques concernant la rapidité dans l’optimisation et la précision des résultats obtenus.

14 Références bibliographiques
[1] www. scholarpedia.org/article/Artificial_bee_colony_algorithm. [2] Dervis Karaboga, Bahriye Basturk, A powerful and efficient algorithm for numerical function optimization: artificial bee colony (ABC) algorithm. Springer Science+Business Media B.V. 2007 [3] R. Fonseca, M. Paluszewski and P. Winter, Protein Structure Prediction Using Bee Colony Optimization Metaheuristic, Dept. of Computer Science, University of Copenhagen • Universitetsparken 1 DK-2100 Copenhagen • Denmark. [4] Dusan Teodorovic, Bee Colony Optimization (BCO), University of Belgrade, Faculty of Transport and Traffic Engineering, Vojvode Stepe Belgrade, Serbia. [5] Xin-She Yang, Nature-Inspired Metaheuristic Algorithms, Luniver Press.