La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

Laboratoire dInformatique de lUniversité de Franche-Comté Un algorithme évolutionniste multiagent asynchrone et auto-adaptatif. Application à l'optimisation.

Présentations similaires


Présentation au sujet: "Laboratoire dInformatique de lUniversité de Franche-Comté Un algorithme évolutionniste multiagent asynchrone et auto-adaptatif. Application à l'optimisation."— Transcription de la présentation:

1 Laboratoire dInformatique de lUniversité de Franche-Comté Un algorithme évolutionniste multiagent asynchrone et auto-adaptatif. Application à l'optimisation de moteur électrique. Jean-Laurent Hippolyte

2 2 17 novembre 2006 Un algorithme évolutionniste déployable sur un réseau pair-à-pair Efficacité des méthodes heuristiques Puissance des réseaux pair-à-pair

3 3 17 novembre 2006 Plan Objectifs Un algorithme évolutionniste déployable sur un réseau pair-à- pair Qualités requises Parallélisme, multiagent, auto-adaptabilité et réinitialisation Optimisation de moteurs électriques Optimisation par algorithme évolutionnaire Méthode utilisée Smag Principes Les états dun agent Les transitions entre états Résultats expérimentaux

4 4 17 novembre 2006 Qualités requises Déployabilité Adaptation à la charge Adaptation à la mémoire Adaptation à la migration Persistence

5 5 17 novembre 2006 Parallélisme, multiagent, auto- adaptabilité et réinitialisation MAGMA (Multi-Agent Meta-heuristic Architecture) [MR04] Un agent = une méta-heuristique Définit une hiérarchie dagents Basé sur la combinaison de méta-heuristiques

6 6 17 novembre 2006 Parallélisme, multiagent, auto- adaptabilité et réinitialisation MAGA (Multi-Agent Genetic Algorithm) [ZLXJ04] Un agent = une solution Agents évoluent sur un treillis Basé sur 4 opérateurs génétiques Compétition Coopération Mutation Apprentissage

7 7 17 novembre 2006 Parallélisme, multiagent, auto- adaptabilité et réinitialisation CoSearch [TB06] Utilise 3 agents ayant des rôles définis Un agent principal, un diversificateur, un intensificateur Échange dinformations par une mémoire adaptative commune

8 8 17 novembre 2006 Parallélisme, multiagent, auto- adaptabilité et réinitialisation Saw-tooth GA [KK06] Taille de population varie périodiquement Similarités avec Smag

9 9 17 novembre 2006 Optimisation de moteurs électriques Limites de SQP (Sequential Quadratic Programming) Algorithmes évolutionnaires appliqués à la conception de machines électriques

10 10 17 novembre 2006 Optimisation de moteurs électriques Initialization Evaluation Selection Reproduction Stopping criterium Parameters to be dimensioned Geometrical sizes Magnetic quantities Electrical quantities Power Balance WeightEfficiency

11 11 17 novembre 2006 Optimisation de moteurs électriques Initialization Evaluation Selection Reproduction Stopping criterium Aggregation Temporary fitness Weight Efficiency

12 12 17 novembre 2006 Optimisation de moteurs électriques Aggregation based evaluation Initialization Evaluation Selection Reproduction Stopping criterium Aggregation Temporary fitness Weight Efficiency

13 13 17 novembre 2006 Optimisation de moteurs électriques The evaluation of an unfeasible solution is penalized Initialization Evaluation Selection Reproduction Stopping criterium Temporary fitness Final fitness Penalization Constraints Verification

14 14 17 novembre 2006 Smag Smag = Système MultiAgent Génétique 5 états : Reproduction Prédation Discussion Négociation Déplacement

15 15 17 novembre 2006 Smag Les critères de décision de lagent : Position dans la grille 2D Champ de vision / voisinage Niveau de stress

16 16 17 novembre 2006 Smag Transitions entre états

17 17 17 novembre 2006 Smag Mécanisme de diversification pour prévenir une convergence prématurée Ajout ou suppression dagents en fonction de la taille de population

18 18 17 novembre 2006 Résultats expérimentaux Comparaison avec Sawtooth GA sur 4 fonctions classiques

19 19 17 novembre 2006 Résultats expérimentaux Exemple de résultats pour une exécution

20 20 17 novembre 2006 Résultats expérimentaux Exemple de résultats pour 50 exécutions

21 21 17 novembre 2006 Conclusions Smag est un algorithme évolutionniste sans sélection globale et avec une taille de population auto-régulée Il répond à la plupart des requis pour le déploiement sur réseau P2P Il fait aussi bien que SQP avec moins de contraintes sur le problème du moteur électrique et mieux que Sawtooth GA sur des fonctions classiques

22 22 17 novembre 2006 Perspectives Faire un Smag multiobjectif Effectuer le déploiement sur réseau P2P

23 23 17 novembre 2006 Références [KK06]V. K. Koumousis and C. P. Katsaras. A saw-tooth genetic algorithm combining the effects of variable population size and reinitialization to enhance performance. IEEE Transactions on Evolutionary Computation, 10(1):19–28, February [MR04]Michela Milano and Andrea Roli. Magma: a multiagent architecture for metaheuristics. IEEE Transactions on Systems, Man, and Cybernetics, Part B, 34(2):925–941, [TB06]El-Ghazali Talbi and Vincent Bachelet. Cosearch: A parallel cooperative metaheuristic. Journal of Mathematical Modelling and Algorithms, 5(1):5–22, April [ZLXJ04]Weicai Zhong, Jing Liu, Mingzhi Xue, and Licheng Jiao. A multiagent genetic algorithm for global numerical optimization. IEEE Transactions on Systems, Man and Cybernetics, 34(2):1128–1141, April 2004.


Télécharger ppt "Laboratoire dInformatique de lUniversité de Franche-Comté Un algorithme évolutionniste multiagent asynchrone et auto-adaptatif. Application à l'optimisation."

Présentations similaires


Annonces Google