Fourmis artificielles. 1 , des bases de l'optimisation aux applications industrielles

Résumé

État de l'art des travaux francophones concernant les fourmis artificielles et leurs applications informatiques. Ce premier volume traite des applications industrielles.

Contributeur(s)
Éditeur(s)
- Hermès science publications-Lavoisier
Date
- impr. 2009
Notes
- Notes bibliogr. Index
Langues
- Français
Description matérielle
- 317-XIII : ill. ; 24 cm
Collections
- Traité IC2
Sujet(s)
- Programmation par contraintes
- Optimisation par colonies de fourmis
ISBN
- 978-2-7462-2119-2
Indice
- 681.2 Programmation (généralités)
Quatrième de couverture
- Traité Informatique et Systèmes d'Information
  L'informatique, omniprésente dans notre vie, est multiforme. A la fois profondément unitaire quant à ses principes d'écriture et ceux qui sont à la base des machines, l'informatique est infiniment variée par ses applications.
  Informatique et systèmes d'information couvre l'ensemble des domaines suivants :
  
  Apprentissage
  
  Arithmétique des ordinateurs
  
  Bases de données
  
  Bioinformatique
  
  Représentation des connaissances
  
  Informatique parallèle et répartie
  
  Logique et programmation
  
  Recherche d'information et web
  
  Recherche opérationnelle
  
  Chaque ouvrage décrit les aspects aussi bien fondamentaux qu'expérimentaux. Une classification des différents chapitres contenus dans chacun, une bibliographie et un index détaillé orientent le lecteur vers ses points d'intérêt immédiats : celui-ci dispose ainsi d'un guide pour ses réflexions et ses choix.
  Sur chaque aspect, le traité s'efforce de marier chapitres de synthèse et connaissances les plus récentes pour donner au lecteur le panorama complet d'un sujet.
Tables des matières
- - 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 AS_b (Ant System binaire)112
  - 4.2.3. L'algorithme ACS_b (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 ACO_R117
  - 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
Origine de la notice:
- BNF