Optimisation en sciences de l'ingénieur : métaheuristiques, méthodes stochastiques et aide à la décision

Résumé

Présentation des méthodes d'optimisation utilisées dans les domaines de la programmation évolutionnaire, des problèmes à critères stochastiques et de la décision assistée par ordinateur. Il s'agit des métaheuristiques, des approches stochastiques et de l'optimisation multicritère. Avec des exemples et des algorithmes. En complément d'Optimisation en sciences de l'ingénieur : méthodes exactes.

Éditeur(s)
- Hermès science publications-Lavoisier
Date
- DL 2014
Notes
- Bibliogr. Index
Langues
- Français
Description matérielle
- 1 vol. (396 p.) : ill. ; 24 cm
Collections
- Systèmes automatisés. Recherche, technologie, applications
Sujet(s)
ISBN
- 978-2-7462-3927-2
Indice
- 519 Probabilités et statistiques mathématiques
Quatrième de couverture
- Systèmes Automatisés
  Optimisation en sciences de l'ingénieur présente les méthodes d'optimisation utilisées dans les domaines de la programmation évolutionnaire, des problèmes à critère stochastique et de la décision assistée par ordinateur.
  Dans le cas des problèmes incertains ou mal définis, éventuellement soumis à des perturbations aléatoires ou pour lesquels la recherche de solution risque de tomber sur l'explosion combinatoire, les méthodes exactes s'avèrent le plus souvent inexploitables dans un temps raisonnable. Les algorithmes décrits dans ce volume permettent de résoudre les problèmes rapidement. Illustré d'exemples sur les méthodes proposées, cet ouvrage précise également les champs d'applications possibles des algorithmes concernés.
Tables des matières
- - Optimisation en sciences de l'ingénieur
  - métaheuristiques, méthodes stochastiques et aide à la décision
  - Dan Stefanoiu
  - Pierre Borne
  - Dumitru Popescu
  - Florin-Gheorghe Filip
  - Abdelkader El Kamel
  - hermes science
  - Lavoisier
  - Avant-propos11
  - Chapitre 1. Métaheuristiques - Méthodes locales13
  - 1.1. Contexte général13
  - 1.2. Principe de Monte-Carlo17
  - 1.3. Ascension de la montagne23
  - 1.4. Recherche Tabou30
  - 1.4.1. Principe30
  - 1.4.2. Algorithme glouton31
  - 1.4.3. Méthode de recherche Tabou33
  - 1.4.4. Liste Tabou35
  - 1.4.5. Algorithme de la recherche Tabou36
  - 1.4.6. Intensification et diversification40
  - 1.4.7. Exemples d'application41
  - 1.4.7.1. Recherche de la valeur la plus faible d'un tableau41
  - 1.4.7.2. Problème des N reines44
  - 1.5. Recuit simulé48
  - 1.5.1. Principe du recuit thermique48
  - 1.5.2. Modèle de Kirkpatrick du recuit thermique49
  - 1.5.3. Algorithme du recuit simulé51
  - 1.6. Tunneling54
  - 1.6.1. Principe du Tunneling54
  - 1.6.2. Types de Tunneling55
  - 1.6.2.1. Tunneling stochastique55
  - 1.6.2.2. Tunneling par ajout des pénalités56
  - 1.6.3. Algorithme de Tunneling56
  - 1.7. Méthode GRASP58
  - Chapitre 2. Métaheuristiques - Méthodes globales61
  - 2.1. Principe des métaheuristiques évolutionnaires (à stratégie d'évolution)61
  - 2.2. Algorithmes génétiques62
  - 2.2.1. Bréviaire biologique62
  - 2.2.2. Caractéristiques des algorithmes génétiques64
  - 2.2.2.1. Opérations génétiques65
  - 2.2.2.2. Viabilisation des héritiers69
  - 2.2.2.3. Sélection pour la reproduction70
  - 2.2.2.4. Sélection pour la survie78
  - 2.2.3. Structure générale d'un algorithme génétique79
  - 2.2.4. Sur la convergence des algorithmes génétique82
  - 2.2.5. Comment implémenter un algorithme génétique88
  - 2.3. Ascension de la montagne par stratégies d'évolution103
  - 2.3.1. Ascension en empruntant la rampe la plus accentuée104
  - 2.3.2. Ascension en empruntant la rampe suivante106
  - 2.3.3. Ascension en groupe108
  - 2.4. Optimisation par colonie de fourmis109
  - 2.4.1. Colonies de fourmis109
  - 2.4.1.1. Fourmis réelles109
  - 2.4.1.2. Aspects inspirés des fourmis réelles110
  - 2.4.1.3. Caractéristiques développées chez les fourmis artificielles111
  - 2.4.2. Algorithme de base d'optimisation par colonie de fourmis112
  - 2.4.3. Mise à jour des traces de phéromone119
  - 2.4.3.1. Mise à jour retardée adaptative120
  - 2.4.3.2. Mise à jour en ligne121
  - 2.4.3.3. Mise à jour par stratégie élitiste121
  - 2.4.3.4. Mise à jour selon le rang des fourmis122
  - 2.4.4. Algorithme systémique de la colonie de fourmis123
  - 2.4.5. Exemple du voyageur de commerce128
  - 2.5. Optimisation par essaims particulaires132
  - 2.5.1. Métaheuristique de base132
  - 2.5.1.1. Principe132
  - 2.5.1.2. Modèle dynamique des particules134
  - 2.5.1.3. Choix des informatrices139
  - 2.5.2. Algorithme standard d'optimisation par essaims particulaires140
  - 2.5.3. Algorithme adaptatif d'optimisation par essaims particulaires, à stratégie d'évolution144
  - 2.5.4. Algorithme des lucioles159
  - 2.5.4.1. Principe159
  - 2.5.4.2. Modèle dynamique des lucioles160
  - 2.5.4.3. Algorithme standard des lucioles164
  - 2.5.5. Algorithme des chauves-souris168
  - 2.5.5.1. Principe168
  - 2.5.5.2. Modèle dynamique des chauves-souris169
  - 2.5.5.3. Algorithme standard des chauves-souris172
  - 2.5.6. Algorithme des abeilles177
  - 2.5.6.1. Principe177
  - 2.5.6.2. Modèle dynamique et coopératif des abeilles178
  - 2.5.6.3. Algorithme standard des abeilles184
  - 2.5.7. Prédiction optimale multivariable par essaims particulaires189
  - 2.6. Optimisation par recherche harmonique201
  - 2.6.1. Composition musicale et optimisation201
  - 2.6.2. Modèle de la recherche harmonique202
  - 2.6.3. Algorithme standard de la recherche harmonique205
  - 2.6.4. Exemple d'application208
  - Chapitre 3. Optimisation stochastique211
  - 3.1. Introduction211
  - 3.2. Problème d'optimisation stochastique213
  - 3.3. Calcul de la fonction de répartition pour une variable aléatoire214
  - 3.4. Critères statistiques d'optimalité221
  - 3.4.1. Cas des solutions totalement admissibles221
  - 3.4.2. Cas des solutions partiellement admissibles225
  - 3.5. Exemples de calcul230
  - 3.5.1. Exemple 1230
  - 3.5.2. Exemple 2231
  - 3.5.3. Exemple 3233
  - 3.6. Optimisation stochastique par la théorie des jeux235
  - 3.6.1. Principe235
  - 3.6.2. Stratégie de Wald (maximum)237
  - 3.6.3. Stratégie de Hurwicz238
  - 3.6.4. Stratégie de Laplace238
  - 3.6.5. Stratégie de Bayes-Laplace239
  - 3.6.6. Stratégie de Savage240
  - 3.6.7. Exemple240
  - Chapitre 4. Problèmes multicritères243
  - 4.1. Introduction243
  - 4.2. Trois problèmes245
  - 4.2.1. Choix du premier emploi245
  - 4.2.2. Sélection d'un outil informatique246
  - 4.2.3. Planification d'une raffinerie246
  - 4.3. Deux sous-classes de problèmes247
  - 4.3.1. Deux sous-catégories de problèmes247
  - 4.3.1.1. Sous-classe des problèmes multi-attributs (PMA)247
  - 4.3.1.2. Sous-classe des problèmes multi-objectifs (PMO)249
  - 4.3.2. Dominance et optimalité de Pareto251
  - 4.4. Méthodes de résolution254
  - 4.4.1. Classifications255
  - 4.4.2. Méthodes basées sur la substitution des fonctions-objectifs256
  - 4.4.2.1. Définition de la contrainte256
  - 4.4.2.2. But programmé256
  - 4.4.2.3. Résolution progressive258
  - 4.4.3. Méthodes basées sur l'agrégation258
  - 4.4.3.1. Définition259
  - 4.4.3.2. Méthode de la sommation pondérée260
  - 4.4.3.3. Méthodes basées sur la distance264
  - 4.4.3.4. Agrégation des valeurs ordinales ; méthode de Borda266
  - 4.4.4. Autres méthodes269
  - 4.4.4.1. Méthodes basées sur la théorie des jeux pour les situations incertaines269
  - 4.4.4.2. Méthodes basées sur la comparaison de paires273
  - 4.5. Optimisation simultanée pour le contrôle et la conduite des systèmes277
  - 4.5.1. Agrégation des étapes d'optimisation d'identification et de conception de la commande d'un système dynamique277
  - 4.5.2. Agrégation des étapes d'identification et d'optimisation pour la conduite des procédés286
  - 4.5.2.1. Approche par pondération paramétrique288
  - 4.5.2.2. Approche par technique de partition289
  - 4.5.2.3. Approche par l'algorithme du minimax289
  - 4.6. Notes et commentaires290
  - Chapitre 5. Méthodes et outils pour l'aide à la décision293
  - 5.1. Introduction293
  - 5.2. Exemples introductifs294
  - 5.2.1. Choix d'un emploi, le cas probabiliste294
  - 5.2.2. Démarrage d'une entreprise294
  - 5.2.3. Sélection d'un ingénieur informaticien295
  - 5.2.4. Quelques remarques296
  - 5.3. Décisions et activités de décision - Concepts de base296
  - 5.3.1. Définition296
  - 5.3.2. Approches298
  - 5.4. Analyse des décisions299
  - 5.4.1. Pré-analyse : préparation du choix299
  - 5.4.1.1. Définition des objectifs300
  - 5.4.1.2. Evaluation de l'importance des objectifs303
  - 5.4.1.3. Spécification des solutions possibles305
  - 5.4.1.4. Tableau des conséquences307
  - 5.4.1.5. Fonctions de valeur unidimensionnelles310
  - 5.4.2. Faire le choix : méthodes de structuration et résolution312
  - 5.4.2.1. Outils graphiques pour la structuration des problèmes de décision312
  - 5.4.2.2. Méthode de pondération des objectifs - Cas probabiliste317
  - 5.4.2.3. Le cas d'interaction des critères320
  - 5.5. Notes et commentaires326
  - Chapitre 6. Simulations pour l'aide à la décision329
  - 6.1. Problème de décision en environnement incertain329
  - 6.2. Position du problème330
  - 6.3. Principe de la simulation331
  - 6.4. Etude de cas335
  - 6.4.1. Gestion de stock336
  - 6.4.2. Appel d'offres340
  - 6.4.3. File d'attente ou ATM343
  - Annexe 1. Générer des nombres pseudo-aléatoires à distribution uniforme349
  - Annexe 2. Générer des nombres pseudo-aléatoires à distribution souhaitée355
  - Liste des algorithmes369
  - Liste des figures371
  - Liste des tableaux375
  - Liste des acronymes377
  - Bibliographie379
  - Index393
Origine de la notice:
- FR-751131015