Fourmis artificielles 1
Des bases de l'optimisation aux applications industrielles
Nicolas Monmarché
Frédéric Guinand
Patrick Siarry
hermes science
Lavoisier
Introduction
Nicolas Monmarché, Frédéric Guinand et Patrick Siarry15
Chapitre 1. Des fourmis réelles aux fourmis artificielles
Alain Lenoir et Nicolas Monmarché21
1.1. Les vraies fourmis21
1.2. L'intelligence collective et l'auto-organisation27
1.2.1. Les pistes29
1.2.2. Tri d'objets31
1.2.3. Activités de creusement du nid32
1.2.4. Agrégation d'individus33
1.2.5. Modélisation de l'odeur coloniale34
1.3. Fourmis artificielles35
1.4. Bibliographie37
Chapitre 2. Principes généraux de résolution de problèmes combinatoires par colonie de fourmis
Antoine Dutot, Frédéric Guinand, Damien Olivier et Yoann Pigné41
2.1. Du carbone au silicium41
2.2. Du problème à la structure43
2.2.1. Parcours43
2.2.2. Chemins simples et multiples44
2.2.3. Partitions46
2.2.4. Conclusion47
2.3. Du système à la structure48
2.3.1. Fourmis et marches aléatoires49
2.3.2. Génération d'un chemin50
2.3.3. Génération de chemins multiples54
2.3.4. Génération de partitions59
2.3.5. Conclusion62
2.4. Optimiser : guider la formation des structures64
2.4.1. Visibilité64
2.4.2. Autres mécanismes65
2.4.3. Voisinage de structure66
2.5. Conclusion66
2.6. Annexe : GraphStream67
2.7. Bibliographie67
Chapitre 3. Tour d'horizon des problèmes combinatoires traités par les fourmis artificielles
Antoine Dutot et Yoann Pigné71
3.1. Les principales approches à base de fourmis71
3.1.1. La famille des ACO72
3.1.2. Ant-Based Control, fidèle à la métaphore fourmi79
3.2. Les différentes classes de problèmes abordés81
3.2.1. Les problèmes d'affectation81
3.2.2. Les problèmes d'ordonnancement83
3.2.3. Les problèmes de partitionnement84
3.3. Les problèmes multi-objectifs, la dynamique et l'incertitude86
3.3.1. Les problèmes multi-objectifs86
3.3.2. Incertitude et dynamique88
3.4. Conclusion97
3.5. Bibliographie97
Chapitre 4. Les fourmis artificielles pour l'optimisation en variables continues
Patrick Siarry, Johann Dréo et Nicolas Monmarché101
4.1. Modélisation directe du comportement des fourmis102
4.1.1. L'algorithme CACO102
4.1.2. L'algorithme API104
4.1.3. Les algorithmes CIAC et HCIAC107
4.2. Algorithmes à base de discrétisation binaire109
4.2.1. ACO-canonique110
4.2.2. L'algorithme ASb (Ant System binaire)112
4.2.3. L'algorithme ACSb (Ant Colony System binaire)112
4.2.4. L'algorithme Adaptive Ant Colony (AAC)113
4.2.5. L'algorithme Binary Ant System (BAS)114
4.2.6. L'algorithme API-HMM114
4.3. Algorithmes à base d'échantillonnage probabiliste115
4.3.1. L'algorithme ACO-continu115
4.3.2. L'algorithme CACS116
4.3.3. L'algorithme ACOR117
4.3.4. L'algorithme MACACO118
4.3.5. L'algorithme APS119
4.3.6. L'algorithme DACO119
4.3.7. L'algorithme CANDO120
4.4. Approches hybrides121
4.4.1. Fourmis et évolution artificielle121
4.4.2. L'algorithme ACO-LM122
4.4.3. L'algorithme Improved ACO122
4.4.4. L'algorithme COAC122
4.4.5. L'algorithme PSACO122
4.4.6. L'algorithme Immunity-based ACO123
4.5. Comparaison des approches concurrentes124
4.6. Conclusion124
4.7. Bibliographie124
Chapitre 5. Optimisation par colonie de fourmis pour la configuration en programmation par contraintes
Patrick Albert, Laurent Henocque et Mathias Kleiner129
5.1. Introduction129
5.1.1. Brève introduction à la configuration130
5.1.2. Présentation formelle du problème132
5.1.3. Brève introduction à ACO134
5.2. ACO pour la configuration135
5.2.1. Graphe de construction135
5.2.2. Instantiation des variables136
5.2.3. Modèle phéromonal137
5.2.4. Algorithmes140
5.3. Implémentation et expérimentations142
5.3.1. Heuristiques142
5.3.2. Paramètres143
5.3.3. Résultats expérimentaux et analyse144
5.4. Conclusion147
5.5. Bibliographie148
Chapitre 6. Colonies de fourmis pour le problème d'affectation d'unités : de l'optimisation à la commande prédictive
Guillaume Sandou, Stéphane Font, Sihem Tebbani, Christian Mondon et Arnaud Hiret151
6.1. Introduction151
6.2. Problème d'affectation d'unités, ou Unit Commitment153
6.3. Résolution du problème d'affectation d'unités par colonie de fourmis154
6.3.1. Résolution pour des coûts linéaires155
6.3.2. Couplage avec un algorithme génétique159
6.3.3. Extension pour les problèmes en variables réelles164
6.4. De l'optimisation à la commande prédictive166
6.4.1. Problématique166
6.4.2. Commande prédictive167
6.4.3. Application au problème d'Unit Commitment168
6.4.4. Résultats de simulation168
6.4.5. Intérêt de l'optimisation par colonie de fourmis pour la commande prédictive168
6.5. Conclusion170
6.6. Bibliographie170
Chapitre 7. Optimisation par colonie de fourmis pour la fabrication de barres d'aluminium
Marc Gravel et Caroline Gagné173
7.1. Introduction173
7.2. L'ordonnancement de la fabrication de barres d'aluminium à l'usine Dubuc de la compagnie Alcan174
7.2.1. Une application à base de l'Ant System (AS) pour l'ordonnancement de la production de barres d'aluminium à l'usine Dubuc176
7.2.2. Une application améliorée pour l'ordonnancement de la production de barres d'aluminium à l'usine Dubuc178
7.2.3. Solutions de compromis pour l'ordonnancement de la production de barres d'aluminium à l'usine Dubuc182
7.3. Conclusion188
7.4. Bibliographie188
Chapitre 8. Optimisation par colonie de fourmis pour l'ordonnancement d'une chaîne d'assemblage automobile
Caroline Gagné et Marc Gravel191
8.1. Introduction191
8.2. Résolution du problème théorique d'ordonnancement d'une chaîne d'assemblage automobile à l'aide de l'OCF193
8.3. Résolution du problème industriel d'ordonnancement d'une chaîne d'assemblage automobile à l'aide de l'OCF199
8.4. Conclusion207
8.5. Bibliographie208
Chapitre 9. Algorithme de fourmis pour mesurer et optimiser la capacité d'un réseau ferroviaire
Xavier Gandibleux, Julien Jorge, Xavier Delorme et Joaquín Rodriguez211
9.1. Motivations et enjeux de la problématique traitée211
9.1.1. Analyse des stratégies de développement d'infrastructures ferroviaires211
9.1.2. La capacité de l'infrastructure ferroviaire213
9.1.3. Le projet RECIFE214
9.2. Modélisation216
9.2.1. Description des parties du système réel à traiter216
9.2.2. Modélisation de la problématique ferroviaire traitée219
9.3. Algorithme de résolution222
9.3.1. Variables, solutions et phéromones224
9.3.2. Construction de solutions224
9.3.3. Gestion des traces de phéromone225
9.3.4. Perturbation des phéromones226
9.3.5. Stratégie auto-adaptative du pilotage de l'algorithme229
9.3.6. Recherches locales230
9.4. Expérimentations numériques230
9.4.1. Le noeud ferroviaire de Pierrefitte-Gonesse230
9.4.2. Horaire de base considéré pour l'étude232
9.4.3. Etude 1. Faisabilité de l'horaire de base232
9.4.4. Etude 2. Intégration de trains de fret dans l'horaire de base235
9.4.5. Etude 3. Mesure de la capacité absolue du noeud ferroviaire236
9.5. Conclusions et perspectives237
9.6. Remerciements238
9.7. Bibliographie238
Chapitre 10. Les fourmis pour la segmentation d'images médicales par résonance magnétique
Amir Nakib, Raphaël Blanc, Hamouche Oulhadj et Patrick Siarry241
10.1. Introduction241
10.2. Principe de l'imagerie par résonance magnétique244
10.3. Importance de la segmentation en IRM244
10.3.1. Exemples de pathologies étudiées en IRM245
10.4. Critère de segmentation proposé : la variance intraclasse biaisée246
10.5. Adaptation de ACO au problème de la segmentation d'image247
10.6. Résultats et interprétation248
10.6.1. Résultats sur des images IRM248
10.6.2. Comparaison des performances251
10.7. Conclusion254
10.8. Bibliographie254
Chapitre 11. La coloration des sommets d'un graphe par colonies de fourmis
Alain Hertz et Nicolas Zufferey257
11.1. Introduction257
11.2. Le problème de la coloration des sommets d'un graphe (PCSG)258
11.3. Trois approches par colonies de fourmis pour le PCSG259
11.3.1. Chaque fourmi est un algorithme constructif260
11.3.2. Les fourmis se promènent sur le graphe262
11.3.3. Chaque fourmi est une procédure de recherche locale266
11.4. Quelques comparaisons numériques269
11.5. Discussion et conclusion271
11.6. Bibliographie273
Chapitre 12. Apprentissage des modèles de Markov cachés par l'algorithme API
Sébastien Aupetit, Nicolas Monmarché et Mohamed Slimane277
12.1. Les modèles de Markov cachés278
12.1.1. Le jeu du lancer de pièces278
12.1.2. Définitions280
12.1.3. Métaheuristiques pour l'apprentissage de modèles de Markov cachés283
12.2. L'algorithme de colonie de fourmis API284
12.2.1. La stratégie de fourragement des fourmis Pachycondyla apicalis285
12.2.2. Les principes fondamentaux de l'algorithme API286
12.2.3. Mise en oeuvre classique de l'opérateur (...)explo et généralisation287
12.2.4. L'opérateur (...)explo en peau d'oignon292
12.3. Adaptation de la métaheuristique API à l'apprentissage de modèles de Markov cachés294
12.3.1. Adaptation du voisinage et des couches au problème295
12.3.2. Etudes expérimentales des adaptations298
12.4. Conclusion et perspectives302
12.5. Bibliographie303
Index des noms propres307
Index général311