Dis ussion

Nous pensons que les ara téristiques susmentionnées font de ParadisEO-MOEO un outil pré- ieux à lafois pour les her heurs etles prati iens, et une plateforme logi ielle ompétitive par rapportàl'existant.Eneet,elle omprendunnombreimportantdemétaheuristiques lassiques et modernes pour l'optimisation multiobje tif, ainsi qu'un ensemble important de omposants modulairesformant leséléments debasede l'implémentation de esméthodes.De plus,Paradi- sEOorelapossibilitéde on evoiretd'implémenterunnombreimportantdenouvellesméthodes de résolutionde problèmesmultiobje tif,soit en ombinant les omposantsexistantsde manière novatri e, soiten en implémentant aisément denouveaux. Par ailleurs, le ode sour e estmain- tenu etrégulièrement misà jour par lesdéveloppeurs; denouvelles méthodologiesde résolution

illustrer lagrandeexibilité deParadisEO,larelationdedominan eutiliséepourgérerl'ar hive d'unalgorithmeestjusteunparamètrede e omposant.Cedernierpeutalorsêtremodiéàpar- tir de,parexemple,une relationde dominan ePareto lassiqueversune relationd'

ǫ

-dominan e ave un eort négligeable, et a pour eet de on evoir une méthode de résolution grandement diérente. En outre, par analogie à l'aspe t on eptuel, un grand nombre des omposants est également partagé par de nombreux algorithmes en termes d'implémentation. Par onséquent, nouspensons queParadisEO est un andidat sérieux pourservir d'implémentation de référen e lors de la omparaison de diérents algorithmes de façon équitable. Par exemple, quand une nouvelle métaheuristiqueest proposée, sone a itépeutêtredémontréeexpérimentalement en omparant son omportement à des algorithmes existants au sein de la plateforme, et e i sur un ensemblede problèmes diérents.

Métaheuristiques hybrides et parallèles. La on eptionet l'implémentation de métaheu- ristiques séquentiellesne sont qu'un aspe tdesfon tionnalités oertes parParadisEO.En eet, les algorithmes présentés peuvent fa ilement être hybridés, parallélisés et distribués grâ e au moduleParadisEO-PEO (Talbi, 2009). La plateforme a été onçue de telle manière que l'utili- sateur peut, par exemple,paralléliser un algorithmeévolutionnairemultiobje tif séquentieltrès fa ilement etde manière transparente. Lors de la résolution de problèmes d'optimisation réels, exé uter un algorithme séquentiel sur une large population ou sur des solutions omplexes né- essite souvent de hautes ressour es de al ul. Toutefois, étant donné que haque membre de la population peut être onsidéré omme une unité indépendante, le parallélisme survient na- turellement lorsque l'on traite de métaheuristiques à base de population. Melab et al. (2006); Talbi (2009) identient trois niveaux de parallélisme pour les métaheuristiques. Tout d'abord, au niveau algorithmique, plusieurs métaheuristiques indépendantes ou oopérant les unes ave les autres s'exé utent en parallèle. Au niveau itératif,à haque itération de la métaheuristique, une ou plusieurs étapes sont exé utées en parallèle telles que l'évaluation de la population ou l'explorationduvoisinaged'unesolution. Enn,auniveaudelasolution,lepro essusdeparallé- lisationnemanipulequ'uneseulesolutionan,parexemple,deparalléliserle al uldelafon tion d'évaluation en elle-même. ParadisEO est l'une des rares plateformes logi ielles fournissant es diérents modèles parallèles et distribués. En termes d'implémentation, ParadisEO utilise des bibliothèques standards ommeMPI (MessagePassingInterfa e), Pthreads,Condor ouGlobus. Par onséquent,lesappli ationssontportablessurdiérentesplateformesd'exé utiontelles que desma hinesmultipro esseurs,des lusters, desgrillesde al ul,et .

Coût dedéveloppement. D'autrepart, ParadisEOestégalementunoutil pratiquequi peut être utilisé pour s'attaquer à unproblèmeoriginal. L'implémentation deprogrammes derésolu- tion e a esest fortement fa ilitée, desorte que l'utilisateur n'aplusqu'à se on entrer surles questionsliées auproblème qu'ila àrésoudre:représentation, initialisation, évaluation,et . De sur roît, le travail d'implémentation à fournir est en ore plus réduit quand une représentation lassique peut être utilisée pour le problème traité. Par représentation lassique, nous in luons les représentations basées sur des valeurs binaires, dis rètes, réelles ou en ore sur une permu- tation. Pour résoudre e type de problème, le oût de développement est réduit au minimum, ar lafon tion d'évaluationn'est plusque le seul élément à implémenter. Bien sûr, e oûtest, et sera toujours,lié aux ompéten es du programmeur en harge de l'implémentation. Une fois

qu'à instan ier toute métaheuristique disponible (NSGA-II, SPEA2, IBEA, et .)et, éventuelle- ment,toutmodèleparallèle (évaluation parallèle, modèleen îles, et .)pour obtenir unpuissant programmederésolution;programmequiest apabledefon tionnersurunelargegammed'ar hi- te turesmatérielles(séquentielle,parallèle,distribué)etleurssystèmesd'exploitation(Windows, Linux, Ma OS).Par onséquent, lafon tion d'évaluation ex lue, ledéveloppement se résumeà une instan iationdire tedes omposants hoisis.Bienque, pour un hoix dereprésentation plus sophistiqué,les oûtsde développement restent importantsàl'égard dela omplexité de l'en o- dage hoisietduniveaud'expertiseduprogrammeur.Mais e oûtseratoujoursinférieurà elui de l'implémentation d'unemétaheuristique dédiée àpartir de rien.Par ailleurs,en partant d'un problème d'optimisation àun seul obje tifimplémenté dansParadisEO, ilest insigniant d'im- plémenterunevariantemultiobje tif dumêmeproblème.Lesalgorithmesmultiobje tifexistants peuvent alors êtreinstan iés pour résoudreleproblème résultant.

E a ité d'exé ution. En equi on ernel'e a itéd'exé ution,ilestdi ile,sinonimpos- sible, d'étudier le omportement de ParadisEO-MOEO par rapport aux plateformes logi ielles existantes, oumême à uneimplémentation réalisée àpartir derien.Eneet, e i dépendratou- jours de la apa ité du programmeur à gérer tel ou tel outil, et du problème à résoudre ou de la méthodologie appliquée. Développer à partir de rien permet généralement une grande opti- misation du ode par rapport à une appli ation très spé ique, mais elaexige un haut niveau d'expertise, etest également élevé entermes de oûts de développement.En outre, ParadisEO- MOEO possède l'avantage lair de ne pas ommuniquer ertaines informations par le biais de  hierstexte, omme elasefaitave PISA,parexemple; equiest onnupourêtretrès oûteux en temps de al ul.

Appli ations. ParadisEO-MOEO a déjà été utilisé et expérimenté pour résoudre un large éventail de problèmes d'optimisation multiobje tif provenant à la foisdu monde a adémique et du monde réel, e qui valide sa grande exibilité. En eet, divers problèmes a adémiques ont étéabordés, omprenant desensemblesdefon tionsdetest ontinuestellesquelesfamillesZDT et DTLZ (Deb et al., 2005b) ou en ore le problème introduit par S haer (1985), un problème d'ordonnan ement de type Flowshop (Liefooghe et al., 2007a), des problèmes de tournées mul- tiobje tif tels quele problème du voyageur de ommer e multiobje tif ou leproblème de Ring- Star (Liefooghe et al., 2010), et . En outre, ParadisEO-MOEO a été utilisé ave su ès pour résoudre des appli ations du monde réel dans la biologie stru turale (Boisson et al., 2008)

8 , la séle tiond'attributspourla lassi ationdestumeurs an érigènes(Talbietal.,2008),la on ep- tion desmatériaux himiques (S huetze et al.,2008), lagestion de portefeuille, et . Certainsde es problèmes seront traités dans la se tion suivante. Par ailleurs, notez que les omposants de ertaines desappli ations mentionnées sont disponibles en tant que ontributions surle site web de ParadisEO, et sont a ompagnés d'une do umentation détaillée et de tutoriaux. Nous prévoyonségalement une nette augmentation du nombrede ontributions développéespour des problèmes multiobje tif dansun avenir pro he. En outre, diversesmétaheuristiques hybrides et parallèles ont été onçues à l'aide de ParadisEO pour résoudre des problèmes d'optimisation multiobje tif. Par exemple, des algorithmes hybrides seront présentés et expérimentés dans le 8. Cette implémentation est d'ailleurs utilisée au sein du projet Do kingGRID (http://do kinggrid.

hapitre suivant, un modèle de oopération en île a été onçu par Talbi et al. (2007), et une fon tion d'évaluation oûteuse a étéparalléliséepar Boisson etal. (2008).

Dans le document Métaheuristiques pour l'optimisation multiobjectif: Approches coopératives, prise en compte de l'incertitude et application en logistique (Page 78-81)