Des test sur des fonction connues de la lit´erature, ont ´et´e faits. Le but ´etait de v´erifier l’´efficacit´e de l’approche propos´ee.
1- La premi`ere fonction est d´efini par : f (xi)i=1..n = n−1 X i=1 n (xi− k5)21 + k6sin2(πk4xi+1) . . . +(xn− k5)21 + k6sin2(πk7xn)o+ k3[sin2(πk4x1) (3.1) o`u k3=0.1, k4=3, k5=1, k6=1, k7=0.1 et n=5.
2- La deuxi`eme fonction est la fonction de Rastrigin `a sept-variable d´efinie par : f (xi)i=1..7 = 200 + 7 X i=1 x3 i − 10. cos(2.π.xi) (3.2)
3- La troisi`eme fonction est la fonction de Kearfott ´etendu d´efini par : f (xi) = x21− x22
+ x22− x32
+ x23− x42
+ x24− x12
(3.3) Les r´esultats obtenus sont compar´es `a ceux obtenus en utilisant un algorithme g´en´etique standard.
Pour la premi`ere fonction l’espace de recherche initiale est d´efini par : α0 = {−5 ≤ xi ≤ 5}. Les r´esultats repr´esent´es par la figure 3.6 indiquent les valeurs moyennes de la fonction-nelle obtenus `a l’it´eration t avec chaque m´ethode. Si nous comparons les r´esultats obtenus `
a ceux donn´es dans [63], nous constatons que la technique propos´ee est plus efficace que l’algorithme g´en´etique am´elior´e utilis´e dans cette r´ef´erence.
La figure 3.7 repr´esente les r´esultats obtenus avec la fonction de Rastrigin en utilisant la nouvelle approche et un algorithme g´en´etique standard (AGS) avec deux sites de croise-ment.
L’algorithme g´en´etique standard utilise le codage binaire avec une longueur de g´enome de 10 bits pour chaque variable. Les probabilit´es de mutation et de croisement indiqu´ees dans le tableau 3.2.
Tab. 3.1: Les valeur des param`etres n, q et ρ pour chaque probl`emes.
q n ρ
1er probl`eme 31 5 20 2eme probl`eme 31 4 22 3eme probl`eme 31 7 24
Tab. 3.2: Probabilit´es de croisement et de mutation employ´ees par l’Algo-rithme G´en´etique Standard.
croisement mutation
La 1erefonction 0.75 0.05
Rastrigin (7variables) 0.75 0.02
Kearfott ´etendu 0.65 0.05
L’espace initial de recherche du deuxi`eme probl`eme est donn´e par : α0 = {−10 ≤ xi ≤ 10; i = 1..7}
Les valeurs moyennes de la fonctionnelle des individus de la population totale `a chaque it´eration t, sont montr´ees dans la figure 3.6. `A partir de ces r´esultats nous pouvons estimer la vitesse et la pr´ecision de chaque algorithme.
L’optimum global de la fonction de Rastrigin se situe `a x∗i = 0, pour i = 1..7 avec f (x∗i) = 130.
Les centres de la discr´etisation circulaire `a chaque it´eration t et leurs rayons correspon-dants sont indiqu´es dans le tableau 3.3. Il est clair qu’apr`es un certain nombre d’it´erations le centre des populations g´en´er´ees repr´esentera l’optimum global. L’approche hybride pro-pos´ee donne comme solution le point :
x∗ = [0.0490 0.0499 0.0132 0.0741 0.2573 0.7569 0.2279]T×10−9apr`es la sixi`eme g´en´eration avec f (x∗) = 130.
D’autre part le meilleur minimiseur qu’a trouv´e l’algorithme g´en´etique standard apr`es 200 g´en´erations est :
x∗ = [−0.0098 0.0098 − 0.0098 0.0098 − 0.9286 0.0098 − 0.0098]T, et leur valeur fonctionnelle est 132.562.
Nous devons not´ee que la taille de la population utilis´ee par l’algorithme g´en´etique est approximativement deux fois la taille de la population utilis´ee par l’approche propos´ee. L’espace initial de recherche utilis´e, pour la fonction de kearfott ´etendu est le mˆeme que pour la fonction de Rastrigin. Les r´esultats sont montr´es sur la figure 3.7.
Tab. 3.3: Le centre et le rayon de la discr´etisation circulaire `a chaque it´eration pour la fonction de Rastrigin
Espace initiale de recherche αi(t)
Centre de la Discr´etisation Circulaire rayon t 0.1595 0.0083 0.1562 -0.0025 0.3105 0.0287 0.6576 0.6576 1 0.0009 0.0009 0.0012 -0.0013 -0.0006 0.0020 0.0036 0.0036 2 (0.0972 0.0059 0.0098 0.0073 0.0014 0.0769 0.1101) ×10−4 1.101 × 10−5 3 (0.0490 0.0499 0.0132 0.0741 0.2573 0.7569 0.2279) ×10−9 5 × 10−10 6
Valeurs moyennes de f(x) avec NA Valeurs moyennes de f(x) avec AGS
Nombre d’itération t V a le u rs m o y e n n e s d e f (x )
Fig. 3.6: Valeurs moyennes obtenues apr`es l’utilisation de l’algorithme g´en´etique et l’approche hybride sur la premi`ere fonction test
Valeurs moyennes de f(x) avec NA Valeurs moyennes de f(x) avec AGS
Nombre d’itération t V a le u rs m o y e n n e s d e f (x )
Fig. 3.7: Valeurs moyennes obtenues apr`es l’utilisation de l’algorithme g´en´etique et l’approche hybride sur la fonction de Rastigin de sept (07) variables
Valeurs moyennes de f(x) avec NA Valeurs moyennes de f(x) avec AGS
Nombre d’itération t V a le u rs m o y e n n e s d e f (x )
Fig. 3.8: Valeurs moyennes obtenues apr`es l’utilisation de l’algorithme g´en´etique et l’approche hybride sur la fonction de Kearfott ´etendu
3.6 Conclusion
Dans ce chapitre nous avons pr´esent´e une approche hybride qui combine la discr´etisation circulaire avec une recherche locale. Cela a permis de construire un algorithme efficace pour l’optimisation globale des fonctions non convexes.
Les r´esultats obtenus montrent comment cette technique converge vers l’optimum glo-bal dans un temps d’ex´ecution minimum. La comparaison avec les r´esultats obtenus avec un algorithme g´en´etique, permet de conclure que la technique d´evelopp´ee dans ce chapitre est satisfaisante en termes de temps n´ecessaire pour atteindre l’optimum global.
Chapitre 4
Proposition d’un algorithme
g´en´etique hybride pour
l’optimisation de l’usinabilit´e de
m´etal 42CrMo4 tremp´e et non
tremp´e
4.1 Introduction
Dans ce chapitre nous proposons un Nouvel Algorithme G´en´etique Hybride (NAGH) pour l’optimisation globale. La construction de l’op´erateur de croissement g´en´etique du nouvel algorithme est bas´ee sur la distribution de la discr´etisation circulaire. L’algorithme utilise un codage r´eel et une probabilit´e de mutation adaptative. L’op´erateur g´en´etique introduit assure un excellent transfert d’information entre les parents et leurs enfants. Ces derniers couvrent une r´egion limit´ee autour de leurs parents ce qui assure une bonne exploitation de l’information. La production de meilleurs individus pour la prochaine g´en´eration est donc assur´e, et le nouvel op´erateur augmente l’aptitude de l’algorithme g´en´etique et r´eduit le nombre excessif de calculs d’un algorithme g´en´etique standard.