Contribution à l'optimisation par colonies d'abeilles artificielles : application à la conception de systèmes intelligents

Abstract

Il existe un bon nombre de problèmes scientifiques et techniques qui se trouvent formulés sur la base de concepts d’optimalité, nécessitant par conséquent l’emploie d’une ou plusieurs méthodes d’optimisation pour les résoudre. La thématique abordée dans cette thèse est étroitement liée à la problématique d’optimisation avec l’objectif d’apporter quelques contributions à l’optimisation par méthodes approchées dédiées aux problèmes difficiles de grande dimension. L’intérêt est exclusivement porté sur les métaheuristiques de l’intelligence en essaim qui renferment une série d’approches de recherche globale à base de population de solutions. L'algorithme de colonies d’abeilles artificielles (ABC) est l’une des métaheuristiques qui s'est vue développer une panoplie de variantes appliquées avec succès à différents problèmes scientifiques. Cette récente approche de l’intelligence en essaim s’est montrée jusque-là imposante, en raison d'abord de la simplicité de sa structure algorithmique et puis au faible nombre de paramètres de contrôle qu'elle utilise. Cependant, et comme toute autre métaheuristique, le modèle ABC n'échappe pas à certaines insuffisances d'ordre computationnel. Le compromis entre exploitation et exploration représente en fait une des contraintes auxquelles est confrontée toute étude de développement d'approche d'optimisation à recherche stochastique. La contribution de la thèse s’inscrit justement au centre de cette problématique. Ainsi, nous nous sommes fixés l’objectif d’étoffer le concept ABC de base par le développement d’une nouvelle approche d’optimisation par essaims d’abeilles à apprentissage coopératif, désignée par CLABC, qui se fond sur une caractérisation comportementale assez poussée des essaims d’abeilles lors du fourragement. La modélisation des concepts comportementaux introduits est effectuée au sens de l’amélioration des capacités de diversification et d’intensification du processus évolutif de recherche globale. L’approche d’optimisation proposée est validée d’abord sur des problèmes d’optimisation numériques de différentes dimensionnalités, puis sur des problèmes typiques relevant du domaine de la conception des systèmes intelligents et de l’ingénierie des systèmes. Les contributions apportées le long de cette thèse avancent un outil d’optimisation très prometteur qui se rajoute par excellence à la variété de méthodes métaheuristiques déjà existantes