Jean-Laurent Hippolyte

Présentation au sujet: "Jean-Laurent Hippolyte"— Transcription de la présentation:

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

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

3 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 d’un agent Les transitions entre états Résultats expérimentaux 17 novembre 2006

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

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

6 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 17 novembre 2006

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

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

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

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

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

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

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

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

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

16 Smag Transitions entre états 17 novembre 2006

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

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

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

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

21 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 17 novembre 2006

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

23 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 2006. [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, 2004. [TB06] El-Ghazali Talbi and Vincent Bachelet. Cosearch: A parallel cooperative metaheuristic. Journal of Mathematical Modelling and Algorithms, 5(1):5–22, April 2006. [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. 17 novembre 2006