Résumé
Ce mémoire se fait en coopération avec le centre de recherche Cenaero et portera sur son logiciel d’optimisation Minamo. En particulier, ce dernier utilise un algorithme génétique, que nous appellerons GA, qui, en simulant une sélection Darwinienne, permet de résoudre différents problèmes d’optimisation avec et sans contraintes. C’est sur ce GA, et plus particulièrement sur la gestion de la taille de sa population que nous travaillerons dans ce mémoire.Initialement, cette dernière reste constante et notre objectif sera de mettre en place une modification dynamique de sa valeur lors de l’exécution du GA. Pour cela, nous nous inspirerons d’une méthode nommée "One Fifth Success Rule" qui sera adaptée pour l’algorithme génétique de Minamo. Avec cette nouvelle implémentation, nous espérons améliorer la qualité des solutions proposées par le GA de Minamo tout en améliorant la vitesse à laquelle ces solutions sont obtenues.
Pour la suite, nous testerons les versions modifiées de l’algorithme génétique de Minamo sur un ensemble de cas-tests afin de comparer leur performance par rapport à la version par défaut de ce GA. De cette manière, nous serons capables de voir en quoi la gestion dynamique de la taille de la population de cet algorithme modifie les résultats obtenus. Lors de nos analyses, nous chercherons également à déterminer les raisons qui expliqueraient les différences observées au niveau de ces résultats.
Grâce au travail réalisé dans ce mémoire, nous avons pu mettre en évidence l’intérêt d’utiliser une taille de population adaptative au sein de l’algorithme génétique de Minamo.
la date de réponse | 22 juin 2021 |
---|---|
langue originale | Français |
L'institution diplômante |
|
Superviseur | Timoteo Carletti (Promoteur) & Charlotte BEAUTHIER (Copromoteur) |
mots-clés
- Optimisation
- Algorithme génétique
- "One Fifth Success Rule"