Métaheuristiques et applications

  • 2,313 views
Uploaded on

Présentation générale des métaheuristiques et des problèmes d'optimisation qu'elles peuvent aider à résoudre.

Présentation générale des métaheuristiques et des problèmes d'optimisation qu'elles peuvent aider à résoudre.

More in: Technology , Design
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Be the first to comment
No Downloads

Views

Total Views
2,313
On Slideshare
0
From Embeds
0
Number of Embeds
1

Actions

Shares
Downloads
94
Comments
0
Likes
2

Embeds 0

No embeds

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
    No notes for slide

Transcript

  • 1. Johann Dr´o e Optimisation M´taheuristiques e Bases Aspects M´taheuristiques & applications e th´oriques e Conception Impl´mentation e logicielle Application Johann Dr´o e 20 septembre 2007
  • 2. Plan Johann Dr´o e Optimisation Optimisation 1 M´taheuristiques e Bases Aspects th´oriques e M´taheuristiques e Conception 2 Impl´mentation e logicielle Bases Application Aspects th´oriques e Conception Impl´mentation logicielle e Application 3
  • 3. Plan Johann Dr´o e Optimisation Optimisation 1 M´taheuristiques e Bases Aspects th´oriques e M´taheuristiques e Conception 2 Impl´mentation e logicielle Bases Application Aspects th´oriques e Conception Impl´mentation logicielle e Application 3
  • 4. Optimisation : exemple Description Johann Dr´o e fonction objectif Optimisation f(solution) = qualit´ e M´taheuristiques e Bases Aspects + contraintes th´oriques e Conception Impl´mentation e logicielle Exemples Application estimation de densit´, e classification, identification, param´trage, e allocation, plus court chemin, etc.
  • 5. Optimisation : exemple Description Johann Dr´o e fonction objectif Optimisation f(solution) = qualit´ e M´taheuristiques e Bases Aspects + contraintes th´oriques e Conception Impl´mentation e logicielle Exemples Application estimation de densit´, e classification, identification, param´trage, e allocation, plus court chemin, etc.
  • 6. Optimisation : exemple Description Johann Dr´o e fonction objectif Optimisation f(solution) = qualit´ e M´taheuristiques e Bases Aspects + contraintes th´oriques e Conception Impl´mentation e logicielle Exemples Application estimation de densit´, e classification, identification, param´trage, e allocation, plus court chemin, etc.
  • 7. Optimisation : exemple Description Johann Dr´o e fonction objectif Optimisation f(solution) = qualit´ e M´taheuristiques e Bases Aspects + contraintes th´oriques e Conception Impl´mentation e logicielle Exemples Application estimation de densit´, e classification, identification, param´trage, e allocation, plus court chemin, etc.
  • 8. Optimisation : exemple Description Johann Dr´o e fonction objectif Optimisation f(solution) = qualit´ e M´taheuristiques e Bases Aspects + contraintes th´oriques e Conception Impl´mentation e logicielle Exemples Application estimation de densit´, e classification, identification, param´trage, e allocation, plus court chemin, etc.
  • 9. Optimisation : exemple Description Johann Dr´o e fonction objectif Optimisation f(solution) = qualit´ e M´taheuristiques e Bases Aspects + contraintes th´oriques e Conception Impl´mentation e logicielle Exemples Application estimation de densit´, e classification, identification, param´trage, e allocation, plus court chemin, etc.
  • 10. Probl`me NP-complet e Johann Dr´o e n1 n2 n3 D´finition e Optimisation n1 x 10 15 Algorithme M´taheuristiques e Bases n2 10 x 13 Non-d´terministe, e Aspects th´oriques e n3 15 13 x Conception r´solution Polynomiale. e Impl´mentation e logicielle Application Algorithme devine toujours la bonne solution Probl`me e estimation polynomiale
  • 11. Probl`me NP-complet e Johann Dr´o e n1 n2 n3 D´finition e Optimisation n1 x 10 15 Algorithme M´taheuristiques e Bases n2 10 x 13 Non-d´terministe, e Aspects th´oriques e n3 15 13 x Conception r´solution Polynomiale. e Impl´mentation e logicielle Application Algorithme devine toujours la bonne solution Probl`me e estimation polynomiale
  • 12. Probl`me NP-complet e Johann Dr´o e n1 n2 n3 D´finition e Optimisation n1 x 10 15 Algorithme M´taheuristiques e Bases n2 10 x 13 Non-d´terministe, e Aspects th´oriques e n3 15 13 x Conception r´solution Polynomiale. e Impl´mentation e logicielle Application Algorithme devine toujours la bonne solution Probl`me e estimation polynomiale
  • 13. Probl`me NP-complet e Johann Dr´o e n1 n2 n3 D´finition e Optimisation n1 x 10 15 Algorithme M´taheuristiques e Bases n2 10 x 13 Non-d´terministe, e Aspects th´oriques e n3 15 13 x Conception r´solution Polynomiale. e Impl´mentation e logicielle Application Algorithme devine toujours la bonne solution Probl`me e estimation polynomiale
  • 14. Plan Johann Dr´o e Optimisation Optimisation 1 M´taheuristiques e Bases Aspects th´oriques e M´taheuristiques e Conception 2 Impl´mentation e logicielle Bases Application Aspects th´oriques e Conception Impl´mentation logicielle e Application 3
  • 15. M´taheuristiques : d´finition e e Comment ? Johann Dr´o e algorithmes d’optimisation, haut niveau, g´n´ralistes, ee Optimisation it´ratifs, souvent stochastiques, e M´taheuristiques e Bases utilisant seulement les solutions, type essais/erreurs. Aspects th´oriques e Conception Impl´mentation e logicielle Pour quoi ? Application recherche op´rationnelle, I.A., e ing´nierie, e probl`mes « difficiles »(NP, e optimums locaux, discontinuit´s, etc.), e combinatoires, continus, multi-objectifs, stochastiques, etc.
  • 16. M´taheuristiques : d´finition e e Comment ? Johann Dr´o e algorithmes d’optimisation, haut niveau, g´n´ralistes, ee Optimisation it´ratifs, souvent stochastiques, e M´taheuristiques e Bases utilisant seulement les solutions, type essais/erreurs. Aspects th´oriques e Conception Impl´mentation e logicielle Pour quoi ? Application recherche op´rationnelle, I.A., e ing´nierie, e probl`mes « difficiles »(NP, e optimums locaux, discontinuit´s, etc.), e combinatoires, continus, multi-objectifs, stochastiques, etc.
  • 17. M´taheuristiques : d´finition e e Comment ? Johann Dr´o e algorithmes d’optimisation, haut niveau, g´n´ralistes, ee Optimisation it´ratifs, souvent stochastiques, e M´taheuristiques e Bases utilisant seulement les solutions, type essais/erreurs. Aspects th´oriques e Conception Impl´mentation e logicielle Pour quoi ? Application recherche op´rationnelle, I.A., e ing´nierie, e probl`mes e « difficiles »(optimums locaux, discontinuit´s, etc.), e combinatoires, continus, multi-objectifs, stochastiques, etc.
  • 18. Algorithmes ´volutionnistes e Johann Dr´o e Optimisation M´taheuristiques e Bases Aspects th´oriques e Conception Impl´mentation e logicielle Application
  • 19. Algorithmes ´volutionnistes e Johann Dr´o e Optimisation M´taheuristiques e Bases Aspects th´oriques e Conception Impl´mentation e logicielle Application
  • 20. Algorithmes ´volutionnistes e Johann Dr´o e Optimisation M´taheuristiques e Bases Aspects th´oriques e Conception Impl´mentation e logicielle Application
  • 21. Plan Johann Dr´o e Optimisation Optimisation 1 M´taheuristiques e Bases Aspects th´oriques e M´taheuristiques e Conception 2 Impl´mentation e logicielle Bases Application Aspects th´oriques e Conception Impl´mentation logicielle e Application 3
  • 22. Comportement g´n´ral ee Johann Dr´o e Optimisation M´taheuristiques e Convergence Bases Aspects G´n´ralement : au pire ee th´oriques e Conception comme une recherche Impl´mentation e logicielle al´atoire, e Application borne difficile ` a d´terminer, e ergodicit´ ou e quasi-ergodicit´. e
  • 23. Op´rateurs e Johann Dr´o e Optimisation M´taheuristiques e Bases Aspects th´oriques e Conception Impl´mentation e logicielle Application
  • 24. ´ Echantillonnage Johann Dr´o e Optimisation M´taheuristiques e Bases Aspects th´oriques e Conception Impl´mentation e logicielle Application
  • 25. ´ Echantillonnage Johann Dr´o e Optimisation M´taheuristiques e Bases Aspects th´oriques e Conception Impl´mentation e logicielle Application ´ Echantillonnage de la fonction objectif “explicite” : distribution → loi → ´chantillon, e “implicite” : ´chantillon → ´chantillon, e e “direct” : fonction objectif → ´chantillon. e Liens avec l’apprentissage artificiel.
  • 26. ´ Echantillonnage Johann Dr´o e Optimisation M´taheuristiques e Bases Aspects th´oriques e Conception Impl´mentation e logicielle Application ´ Echantillonnage de la fonction objectif “explicite” : distribution → loi → ´chantillon, e “implicite” : ´chantillon → ´chantillon, e e “direct” : fonction objectif → ´chantillon. e Liens avec l’apprentissage artificiel.
  • 27. Plan Johann Dr´o e Optimisation Optimisation 1 M´taheuristiques e Bases Aspects th´oriques e M´taheuristiques e Conception 2 Impl´mentation e logicielle Bases Application Aspects th´oriques e Conception Impl´mentation logicielle e Application 3
  • 28. Johann Dr´o e Optimisation M´taheuristiques e Bases Aspects th´oriques e Conception Impl´mentation e logicielle Application
  • 29. Estimation de distribution Johann Dr´o e Optimisation M´taheuristiques e Bases Aspects th´oriques e Conception Impl´mentation e logicielle Application
  • 30. Plan Johann Dr´o e Optimisation Optimisation 1 M´taheuristiques e Bases Aspects th´oriques e M´taheuristiques e Conception 2 Impl´mentation e logicielle Bases Application Aspects th´oriques e Conception Impl´mentation logicielle e Application 3
  • 31. Recherche ` apprentissage adaptatif a Johann Dr´o e Optimisation Cadre commun M´taheuristiques e Bases Algorithmes stochastiques, Aspects th´oriques e Conception ´chantillonnage, e Impl´mentation e logicielle op´rateurs : e Application diversification, intensification, apprentissage. enchaˆ ınement it´ratif des op´rateurs. e e
  • 32. Open Metaheuristics Johann Dr´o e Framework de conception Optimisation C++, M´taheuristiques e Design par templates, Bases Aspects th´oriques e s´paration algorithme / probl`mes / interface de e e Conception Impl´mentation e communication, logicielle Application sortie XML, ensemble des informations. Outils de tests Python, R, gestion des tests, graphiques, rapports, comparaisons.
  • 33. Open Metaheuristics Johann Dr´o e Framework de conception Optimisation C++, M´taheuristiques e Design par templates, Bases Aspects th´oriques e s´paration algorithme / probl`mes / interface de e e Conception Impl´mentation e communication, logicielle Application sortie XML, ensemble des informations. Outils de tests Python, R, gestion des tests, graphiques, rapports, comparaisons.
  • 34. Open Metaheuristics Johann Dr´o e Framework de conception Optimisation C++, M´taheuristiques e Design par templates, Bases Aspects th´oriques e s´paration algorithme / probl`mes / interface de e e Conception Impl´mentation e communication, logicielle Application sortie XML, ensemble des informations. Outils de tests Python, R, gestion des tests, graphiques, rapports, comparaisons.
  • 35. Efficacit´ e Johann Dr´o e Optimisation M´taheuristiques e Bases Aspects th´oriques e Conception Efficacit´ e Impl´mentation e logicielle No free-lunch Application impl´mentation e tests statistique
  • 36. Param´trage e Johann Dr´o e Optimisation M´taheuristiques e Bases Aspects th´oriques e Conception Impl´mentation e logicielle Application
  • 37. Param´trage e Johann Dr´o e Optimisation M´taheuristiques e Bases Aspects th´oriques e Conception Impl´mentation e logicielle Application
  • 38. Param´trage e Johann Dr´o e Optimisation M´taheuristiques e Bases Aspects th´oriques e Conception Impl´mentation e logicielle Application
  • 39. Plan Johann Dr´o e Optimisation Optimisation 1 M´taheuristiques e Bases Aspects th´oriques e M´taheuristiques e Conception 2 Impl´mentation e logicielle Bases Application Aspects th´oriques e Conception Impl´mentation logicielle e Application 3
  • 40. Recalage d’angiographies r´tiniennes e Probl`me e Johann Dr´o e d´calages (entiers), e Optimisation M´taheuristiques e rotations, zooms, Bases Aspects pas de voisinage, th´oriques e Conception Impl´mentation e logicielle M´thode e Application pr´traitement, e m´taheuristiques, e flot optique. R´sultats e temps de calcul, robustesse.
  • 41. Essaims de robots Johann Dr´o e Probl`mes e Optimisation M´taheuristiques e Livraisons, nettoyage, Bases Aspects surveillance, monitoring, th´oriques e Conception Impl´mentation e guidage, etc. logicielle Application Gestion de l’aspect essaim Organisation des d´placements, e localisation des robots, comportement global/r`gles locales, e simulations sur Player/Stage.
  • 42. Essaims de robots Johann Dr´o e Probl`mes e Optimisation M´taheuristiques e Livraisons, nettoyage, Bases Aspects surveillance, monitoring, th´oriques e Conception Impl´mentation e guidage, etc. logicielle Application Gestion de l’aspect essaim Organisation des d´placements, e localisation des robots, comportement global/r`gles locales, e simulations sur Player/Stage.
  • 43. Intelligence en essaim : exemple Johann Dr´o e Optimisation M´taheuristiques e Bases Aspects Mod`le e th´oriques e Conception Recrutement, Impl´mentation e logicielle multi-agents, interactions, Application comportement global, auto-organisation.
  • 44. Travaux pr´liminaires e Johann Dr´o e Optimisation Reconstruction de mod`le e M´taheuristiques e Physique optique, Bases Aspects th´oriques e mod`le physique de lentille, e Conception Impl´mentation e logicielle reconstruction depuis images. Application R´seaux ad-hocs e R´seaux ad-hocs tr`s dynamiques, e e routage, qualit´ de service, e colonies de fourmis.
  • 45. Optimisation dynamique Johann Dr´o e Optimisation M´taheuristiques e Probl`me e Bases Aspects Non-stationnaire, th´oriques e Conception Impl´mentation e variables enti`res, e logicielle Application nouveau benchmark. Algorithmes Colonies de fourmis, distribu´, adaptatif. e
  • 46. Optimisation dynamique Johann Dr´o e Optimisation M´taheuristiques e Probl`me e Bases Aspects Non-stationnaire, th´oriques e Conception Impl´mentation e variables enti`res, e logicielle Application nouveau benchmark. Algorithmes Colonies de fourmis, distribu´, adaptatif. e