Algorithme évolutionnaire

Tel que précisé auparavant, la majorité des problèmes de design des bâtiments se réfère à la réduction du coût de capital et d’opération. Les concepteurs peuvent évaluer leurs choix en simulant la consommation d’énergie pour le bâtiment et l’opération des équipements CVCA, et également en calculant le coût de construction. Les algorithmes évolutionnaires sont une méthode d’optimisation qui a souvent été appliquée pour résoudre ces problèmes.

Les algorithmes évolutionnaires (AE) se classent en trois grandes catégories en fonction du type de représentation de données, de l’importance du croisement et de la mutation et du type d’opérateur de sélection. Les trois catégories sont : (i) la stratégie d’évolution (SE), (ii) la programmation évolutive (PE) et (iii) l’algorithme génétique (AG). Généralement, pour AG la représentation des individus est binaire, le croissement est essentiel, la mutation a moins d’importance et la sélection est aléatoire. Pour la PE la représentation est réelle, la mutation est indispensable, la recombinaison n’est pas incluse et la sélection est stochastique. Pour la SE la représentation est réelle, la mutation est importante (parfois le seul opérateur de

variation), le croissement est souvent inclus (pas dans toutes les formulations de SE) et la sélection est déterministe (Fong et al. 2006; McDonnell et al.1995; Eiben et Smith 2003).

Les algorithmes évolutionnaires (AE), pouvant prendre une des trois formes présentées ci- haut, sont une procédure de recherche basée sur les mécanismes de la sélection naturelle de Darwin. Le mécanisme est de combiner la survie de l’individu avec la fonction fitness la plus convenable avec une information d’un individu choisi aléatoirement pour échanger de l'information dans le but de former un algorithme de recherche avec une partie du flair innovateur de l'humain (Holland 1992).

Les AGs ont été initialement développés par John Holland (1975). C’est au livre de Goldberg (1989) que nous devons leur popularisation. Depuis son introduction, l’algorithme génétique a été appliqué à une vaste gamme de problèmes scientifiques, économiques et d’ingénierie. L’AG a servi pour la résolution de problèmes d’ingénierie liés aux systèmes comme le design des équipements, la production manufacturière, les contrôleurs, les utilités municipales, la robotique, les processus de signaux et la fausse détection. La majeure partie du travail initial de recherche peut être trouvée dans diverses démarches présentées lors de conférences internationales. Cependant, il existe maintenant plusieurs manuels sur les AE (Mitchell 1998; Gen et Cheng 1997). Le livre d’Eiben et Smith (2003), présentant une introduction dans le calcul évolutif, nous a inspiré en mode particulier et a été la base de la conception de notre algorithme évolutionnaire puisqu’il présente les operateurs génétiques pour des représentations de type permutations comme c’est le cas dans notre recherche.

Les algorithmes évolutionnaires ont été utilisés pour les caractéristiques suivantes:

• ils sont faciles à comprendre et peuvent être appliqués à une large plage de problèmes avec peu ou pas de modifications;

• ils sont disponibles publiquement et il est facile d’implémenter les codes; • ils sont capables de fonctionner avec des programmes de simulation complexes;

• ils sont efficaces pour résoudre des problèmes complexes qui ne possèdent pas de solutions analytiques: des estimations économétriques, la résolution des modèles dynamiques, etc.

• l’identification facile de l’optimum en fonction des multiples critères d’optimisation.

Tel qu’il a été mentionné, les algorithmes évolutionnaires ont été utilisés pour concevoir des systèmes CVCA (Wright 1996; Asiedu et al. 2000). D’ailleurs, Wright (1996) décrit la performance de la méthode de recherche avec un algorithme génétique simple au lieu d'utiliser des méthodes de recherche d'optimisation directes.

Les algorithmes évolutionnaires ont été utilisés dans des applications du bâtiment relatives à la consommation d’énergie, en particulier pour optimiser les dimensions des systèmes CVCA. L’AE a un progrès initial rapide mais la convergence finale est lente due au nombre élevé de contraintes du problème d'optimisation. Il est suggéré qu'une utilisation plus efficace des fonctions de contrainte puisse améliorer la convergence et la robustesse de l'algorithme. La performance de l'algorithme est également sensible à la formulation du problème, mais il montre un bon potentiel pour résoudre des problèmes de dimensionnement des systèmes CVCA. Asiedu et al. (2000) utilisent l’AG pour concevoir un réseau des gaines d'air pour les systèmes CVCA avec un coût minimum du cycle de vie. L’algorithme génétique a été utilisé pour dessiner les plans du réseau des gaines d’air des systèmes CVCA, pour établir les dimensions des gaines d’air ainsi que pour déterminer le prix variable de l’électricité. Wright et Farmani (2001) étudient l’optimisation simultanée du design de construction du bâtiment, de la taille du système CVCA et de la stratégie de contrôle (le design de tout le bâtiment) en utilisant la méthode de recherche de l’AG, les résultats indiquant que l’AG est efficace pour trouver une solution faisable en partant d’une population de solutions générées aléatoirement et de manifester rapidement la convergence vers une solution. Les solutions obtenues sont presque optimales. Le manque de convergence est dû aux variables qui ont un effet secondaire sur la fonction objective.

Caldas et Norford (2003) utilisent un algorithme génétique qui contrôle le programme de simulation DOE-2 d’énergie dans un bâtiment pour étudier les dimensions et l’orientation des fenêtres dans le but de minimiser la fonction objective qui est la consommation d’énergie. Ils ont également utilisé l’algorithme génétique pour changer la forme du bâtiment dans le but d’optimiser la consommation d’énergie de chauffage et d’éclairage. L’AG a été utilisé par Reddy et Norford (2002) pour programmer les réductions d’éclairage et de puissance de refroidissement pendant une période de contrôle de la charge. L’AG a été utilisé pour trouver les solutions de design possibles qui sont par la suite évaluées du point de vue des performances thermiques et de l’éclairage en utilisant le programme DOE-2.1E (Caldas et Norford 2002). Les résultats de simulations sont par la suite utilisés pour guider l’AG à chercher, parmi les solutions réduites en énergie, la solution optimale.