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

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

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.

Historique 2004, HONEY-BEE : CRAIG A.TOVEY, SUNIL NAKRANI à GEORGIA TECH 2004-2005, 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

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.

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.

Exemple d’application

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

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%

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.

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

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

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.

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 305 11000 Belgrade, Serbia. [5] Xin-She Yang, Nature-Inspired Metaheuristic Algorithms, Luniver Press.