1.2 O PTIMISATION M ULTI - OBJECTIF
1.2.5 Méthodes Non Agrégées et Non Pareto
1.2.5.2 La Méthode lexicographique
Dans cette méthode, proposé par Fourman (1985), les fonctions objectif sont d’abord rangés par ordre d’importance. Ensuite, on optimise dans cet ordre les fonctions objectif les unes après les autres. La formulation mathématique du problème est la suivante : Soient n fonctions objectif fi, avec i = 1, ..n, les fonctions objectif sont rangées suivant le choix du décideur dans cet ordre : f1, f2, f3, ...., fn.
On résout le problème suivant :
Min f1(x) sous les contraintes
x∈ C
soit x∗
1la meilleure solution trouvée avec f∗
1 = f1(x∗
1), f∗
1 devient alors une nouvelle contrainte, et l’expression du nouveau problème est donc :
Min f2(x) sous les contraintes
x∈ C et f1(x) = f1∗
soit x∗2la meilleure solution trouvée avec f2∗= f2(x2∗), l’expression du problème sera le suivant : Min fi(x) sous les contraintes
x∈ C et f1(x) = f∗ 1, f2(x) = f∗ 2, ..., fi−1(x) = f∗ i−1
La procédure est répétée jusqu’à ce que tous les fonctions objectif soient traités. La solution obtenue à la dernière étape sera la solution du problème. Une autre variante de la méthode lexicographique consiste à choisir aléatoirement la fonction objectif devant être prise en compte. Cette façon de procéder équivaut à une somme pondérée dans laquelle un poids correspond à la probabilité que la fonction objectif associée soit sélectionnée. L’inconvénient essentiel de cette méthode est l’importance donnée aux objectifs classés en premier. La solution f∗
i trouvée pour l’objectif le plus important va influencer l’algo-rithme et le diriger vers une zone restreinte de l’espace faisable(Ehrgott et Gandibleux 2000).
1.2.6 Méthodes Pareto
L’idée d’utiliser la dominance au sens de Pareto a été proposée par Goldberg en 1989 (Goldberg 1989) pour résoudre les problèmes multiobjectif. Les approches Pareto uti-lisent directement la notion de dominance dans la sélection des solutions générées. Le principal avantage de ces approches, c’est l’optimisation simultanée d’objectifs contra-dictoires. L’utilisation d’une sélection basée sur la notion de dominance de Pareto va faire converger la population vers un ensemble de solutions efficaces. Ce concept ne permet pas de choisir une alternative plutôt qu’une autre mais il apporte une aide précieuse au décideur. Plusieurs techniques utilisant ce concept sont proposées dans la littérature.
1.2.6.1 Méthode MOGA(Multiple Objective Genetic Algorithm)
La méthode MOGA, Proposée par Fonesca et Fleming (Da Fonseca 1995) est une variante de la technique de Goldberg, dans laquelle chaque individu de la population est rangé en fonction du nombre d’individus qui le dominent. On utilise une fonction de notation permettant de prendre en compte le rang de l’individu et le nombre d’individus ayant le même rang. Considérons, par exemple, un individu xià la génération t, dominé par pi(t) individus de la génération en cours, il se voit attribuer le rang rang(xi, t) = 1 +pi(t).
Tous les individus non dominés sont affectés du rang 1, tandis que les dominés sont pénalisés en fonction de la densité de la population de la région correspondante de la surface de compromis. L’évaluation de la fitness de chaque individu se fait de la façon suivante :
1. Tri de la population selon le rang.
2. Attribuer la fitness des individus par interpolation du meilleur (rang 1) au pire (rang n ≤ N) dans le sens proposé par David E. Goldberg (Goldberg 1989) selon une certaine fonction, généralement linéaire.
3. faire la moyenne des fitnesses des individus ayant le même rang, de sorte que cha-cun d’entre eux soit échantillonné à la même vitesse. Ceci permet de maintenir la fitness global de la population, tout en maintenant constante la pression de sélec-tion appropriée.
Le principal avantage de MOGA est qu’il est efficace et relativement facile à mettre en oeuvre. La principale critique envers MOGA a été qu’il effectue le partage de l’espace des objectifs, ce qui implique que deux vecteurs différents avec les mêmes valeurs de la fonction objectif ne peuvent exister simultanément dans la population. Sa principale faiblesse est que, comme toutes les autres techniques de classement de Pareto, sa per-formance dépend fortement d’une sélection appropriée du facteur de partage(sharing). Cependant, il est important de noter que Fonseca et Fleming (Fonseca et al. 1993) ont développé une bonne méthodologie pour calculer cette valeur.
1.2.6.2 Méthode NPGA(Niched Pareto Genetic Algorithm)
Dans cette méthode proposé par Jeffrey Horn et ses collègues (rey Horn et al. 1993, Horn et al. 1994) deux individus choisis au hasard sont comparés à un sous-ensemble de l’ensemble de la population (en général, environ 10% de la population). Si l’un d’eux est dominé (par les individus choisis au hasard dans la population) et l’autre non, alors il est positionné dans la population suivante. Dans les autres cas une fonction de sharing est appliquée pour sélectionner l’individu. Le réglage de la taille de la sous population permet d’exercer une pression variable sur la population et ainsi d’augmenter ou de di-minuer la convergence de l’algorithme. Le choix de cette taille a un effet majeur sur la vitesse de convergence, une valeur de l’ordre de 10% de N(Nombre d’individus de la population) donne une bonne distribution des individus. Cette valeur apporte un bon compromis entre élitisme et représentativité statistique de la population. Elle permet non seulement d’exercer une pression suffisante sur la sélection des individus, mais également d’éviter une convergence non désirée due à une sélection effectuée sur un échantillon non représentatif de la population. Cette méthode nécessite la maîtrise de deux paramètres : paramètres de sharing et la taille de sous population. Les solutions trouvées sont de bonne précision et cette approche est plus rapide que l’approche précédente car le sharing n’est appliqué que sur une portion de la population.
28
1.2.6.3 Méthode SPEA(Strength Pareto Evolutionary Algorithm)
L’algorithme SPEA a été introduit par Eckart et Lothar Thiele Zitzler (Zitzler et Thiele 1999). Cette approche a été conçue comme un moyen d’intégrer différents algo-rithmes évolutionnaires d’optimisation multi-objectif. SPEA utilise une archive externe contenant des solutions non dominées précédemment trouvées (ce qu’on appelle le jeu externe non dominé)(Voir Algorithme 4). A chaque génération, les individus non dominés sont copiés dans cette archive. Pour chaque individu dans cette série externe, une valeur de résistance est calculée. Cette force est similaire à la valeur de classement de MOGA (Fonseca et al. 1993), car elle est proportionnelle au nombre de solutions à un certain in-dividu qui domine. Dans la SPEA, l’aptitude de chaque membre de la population actuelle est calculée en fonction des points forts de toutes les solutions externes non dominées qui la dominent. Le processus d’affectation de remise en forme de SPEA considère à la fois la proximité du front de Pareto et la répartition homogène de solutions. Ainsi, au lieu d’utiliser des créneaux en fonction de la distance, la dominance de Pareto est utilisée pour s’assurer que les solutions sont bien répartis le long du front de Pareto. Bien que cette approche ne nécessite pas un rayon de niche, son efficacité repose sur la taille de l’ensemble non dominé. En fait, du fait que le poste externe non dominée participe au processus de sélection de la SPEA, si sa taille devient trop importante, elle peut réduire la pression de sélection, ce qui ralentit la recherche. Pour cette raison, les auteurs ont décidé d’adopter une technique qui élague le contenu de la consigne externe non dominée afin que sa taille reste inférieure à un certain seuil. L’approche adoptée pour cette cause était une technique de clustering appelée méthode de liaison moyenne(average linkage me-thod) (Morse 1980). Une version révisée de la SPEA (appelée SPEA2)(Voir algorithme 5) a été introduite avec trois différences principales par rapport à son prédécesseur (Zitz-ler et al. 2001, Giannakoglou et de Métodos Numéricos en Ingeniería 2002) (Coello et al. 2007) :
1. il intègre une stratégie qui tient compte pour chaque individu le nombre d’indivi-dus qui le dominent et le nombre d’individ’indivi-dus qu’il domine ;
2. il utilise une technique d’estimation de la densité du voisin le plus proche qui permet de guider la recherche de manière plus efficace,
3. il a une méthode de troncature d’archivage améliorée qui garantit la préservation de solutions aux limites.
Algorithme 4 :Algorithme SPEA
Initialiser la population P0
Créer l’archive externe vide ¯P= /0 repeat
Calcul de la valeur d’adaptation pour tous les individus de PSP¯ Selection dans PtSP¯en fonction de la valeur d’adaptation Opération de croisement
Opération de mutation
Mise à jour de ¯Pà partir des individus non dominés de P untilcritère d’arrêt réalisé
Algorithme 5 :Algorithme SPEA2
Initialiser la population P0
Créer l’archive externe vide ¯P= /0 repeat
Calcul de la valeur de chaque individu de Pet ¯P Copie des individus non dominés de Pet ¯Pdans ¯P ifLa taille de ¯Pdépasse la limite then
Réduire ¯Ppar l’opérateur de troncature else
Compléter avec les individus dominés de P end if
Selection par tournoi binaire avec remplacement pour remplir la population intermédiaire
Appliquer les opérateurs de croisement et de mutation à la population intermédiaire untilcritère d’arrêt réalisé