Résumé
Ce mémoire a été réalisé en collaboration avec le centre de recherche Cenaero, qui a développé un logiciel d'optimisation multi-disciplinaire (Minamo), basé principalement sur un algorithme génétique, abrégé par AG et aussi dénommé algorithme évolutionnaire. Un tel algorithme est une méthode heuristique pour résoudre des problèmes d'optimisation, auxquels le monde industriel fait face quotidiennement. Cette méthode est inspirée de l'évolution darwinienne : elle fait évoluer une population de points en les croisant et en les mutant.Au sein de Minamo, cet algorithme peut être intégré dans une boucle principale, qui permet de faire évoluer un méta-modèle approximant la véritable fonction objectif lorsque l'évaluation de celle-ci est coûteuse en temps de calcul. Cette méthodologie est alors appelée optimisation assistée par modèles de substitution. A chaque étape de cette approche, l'AG minimise le méta-modèle.
Le but de ce mémoire est de contrôler la taille de la population de l'AG au cours des itérations.
Actuellement, cette taille est figée pour toutes les itérations à une unique valeur. Bien entendu, un tel contrôle a pour mission, d'une part, de réduire la population pour converger vers un minimum et, d'autre part, de l'augmenter pour parcourir d'avantage l'espace de conception du problème. De plus, le contrôle de la taille de la population a comme objectif de diminuer le nombre d'évaluations de
fonctions afin de gagner du temps d'exécution, sans détériorer les solutions heuristiques par rapport à Minamo. C'est pour cela que le temps d'exécution est utilisé dans ce mémoire pour comparer les méthodes étudiées et Minamo. Le défi pour l'implémentation est que cette réduction d'évaluations de fonctions soit également bénéfique pour les exécutions de l'AG intégré dans la boucle d'optimisation assistée par modèles de substitution. En effet, l'évaluation de fonctions sur les méta-modèles est plus rapide que l'évaluation des véritables fonctions objectifs. Ainsi, la réduction du nombre d'individus doit être rentabilisée pour avoir effectivement une réduction du temps d'exécution sans
détérioration de la recherche d'optima.
Trois méthodes ont été implémentées dans Minamo : Saw-Tooth, GAVaPS (pour l'acronyme Genetic Algorithm with Varying Population Size) et FiScIS-EA (pour Fitness Scaled Individual Survival Evolutionary Algorithm). En plus de celles-ci, nous avons apporté une amélioration pour la dernière. En effet, nous avons modifié la formule originale qui calculait la probabilité de survie.
Ceci est bénéfique par rapport à la méthode originale.
la date de réponse | 24 juin 2019 |
---|---|
langue originale | Français |
L'institution diplômante |
|
Superviseur | Timoteo Carletti (Promoteur) & Charlotte Beauthier (Copromoteur) |