métaheuristiques et applications
DESCRIPTION
Présentation générale des métaheuristiques et des problèmes d'optimisation qu'elles peuvent aider à résoudre.TRANSCRIPT
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Metaheuristiques & applications
Johann Dreo
20 septembre 2007
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Plan
1 Optimisation
2 MetaheuristiquesBasesAspects theoriquesConceptionImplementation logicielle
3 Application
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Plan
1 Optimisation
2 MetaheuristiquesBasesAspects theoriquesConceptionImplementation logicielle
3 Application
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Optimisation : exemple
Description
fonction objectif
f(solution) = qualite
+ contraintes
Exemples
estimation de densite,
classification,
identification,
parametrage,
allocation,
plus court chemin,
etc.
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Optimisation : exemple
Description
fonction objectif
f(solution) = qualite
+ contraintes
Exemples
estimation de densite,
classification,
identification,
parametrage,
allocation,
plus court chemin,
etc.
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Optimisation : exemple
Description
fonction objectif
f(solution) = qualite
+ contraintes
Exemples
estimation de densite,
classification,
identification,
parametrage,
allocation,
plus court chemin,
etc.
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Optimisation : exemple
Description
fonction objectif
f(solution) = qualite
+ contraintes
Exemples
estimation de densite,
classification,
identification,
parametrage,
allocation,
plus court chemin,
etc.
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Optimisation : exemple
Description
fonction objectif
f(solution) = qualite
+ contraintes
Exemples
estimation de densite,
classification,
identification,
parametrage,
allocation,
plus court chemin,
etc.
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Optimisation : exemple
Description
fonction objectif
f(solution) = qualite
+ contraintes
Exemples
estimation de densite,
classification,
identification,
parametrage,
allocation,
plus court chemin,
etc.
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Probleme NP-complet
Definition
AlgorithmeNon-deterministe,
resolution Polynomiale.
Algorithme
devine toujours la bonnesolution
Probleme
estimation polynomiale
n1 n2 n3n1 x 10 15n2 10 x 13n3 15 13 x
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Probleme NP-complet
Definition
AlgorithmeNon-deterministe,
resolution Polynomiale.
Algorithme
devine toujours la bonnesolution
Probleme
estimation polynomiale
n1 n2 n3n1 x 10 15n2 10 x 13n3 15 13 x
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Probleme NP-complet
Definition
AlgorithmeNon-deterministe,
resolution Polynomiale.
Algorithme
devine toujours la bonnesolution
Probleme
estimation polynomiale
n1 n2 n3n1 x 10 15n2 10 x 13n3 15 13 x
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Probleme NP-complet
Definition
AlgorithmeNon-deterministe,
resolution Polynomiale.
Algorithme
devine toujours la bonnesolution
Probleme
estimation polynomiale
n1 n2 n3n1 x 10 15n2 10 x 13n3 15 13 x
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Plan
1 Optimisation
2 MetaheuristiquesBasesAspects theoriquesConceptionImplementation logicielle
3 Application
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Metaheuristiques : definition
Comment ?
algorithmes d’optimisation, haut niveau, generalistes,
iteratifs, souvent stochastiques,
utilisant seulement les solutions, type essais/erreurs.
Pour quoi ?
recherche operationnelle, I.A.,ingenierie,
problemes « difficiles »(NP,optimums locaux,discontinuites, etc.),
combinatoires, continus,
multi-objectifs, stochastiques,etc.
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Metaheuristiques : definition
Comment ?
algorithmes d’optimisation, haut niveau, generalistes,
iteratifs, souvent stochastiques,
utilisant seulement les solutions, type essais/erreurs.
Pour quoi ?
recherche operationnelle, I.A.,ingenierie,
problemes « difficiles »(NP,optimums locaux,discontinuites, etc.),
combinatoires, continus,
multi-objectifs, stochastiques,etc.
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Metaheuristiques : definition
Comment ?
algorithmes d’optimisation, haut niveau, generalistes,
iteratifs, souvent stochastiques,
utilisant seulement les solutions, type essais/erreurs.
Pour quoi ?
recherche operationnelle, I.A.,ingenierie,
problemes« difficiles »(optimums locaux,discontinuites, etc.),
combinatoires, continus,
multi-objectifs, stochastiques,etc.
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Algorithmes evolutionnistes
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Algorithmes evolutionnistes
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Algorithmes evolutionnistes
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Plan
1 Optimisation
2 MetaheuristiquesBasesAspects theoriquesConceptionImplementation logicielle
3 Application
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Comportement general
Convergence
Generalement : au pirecomme une recherchealeatoire,
borne difficile adeterminer,
ergodicite ouquasi-ergodicite.
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Operateurs
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Echantillonnage
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Echantillonnage
Echantillonnage de la fonction objectif
“explicite” : distribution → loi → echantillon,
“implicite” : echantillon → echantillon,
“direct” : fonction objectif → echantillon.
Liens avec l’apprentissage artificiel.
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Echantillonnage
Echantillonnage de la fonction objectif
“explicite” : distribution → loi → echantillon,
“implicite” : echantillon → echantillon,
“direct” : fonction objectif → echantillon.
Liens avec l’apprentissage artificiel.
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Plan
1 Optimisation
2 MetaheuristiquesBasesAspects theoriquesConceptionImplementation logicielle
3 Application
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Estimation de distribution
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Plan
1 Optimisation
2 MetaheuristiquesBasesAspects theoriquesConceptionImplementation logicielle
3 Application
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Recherche a apprentissage adaptatif
Cadre commun
Algorithmes stochastiques,
echantillonnage,
operateurs :
diversification,intensification,apprentissage.
enchaınement iteratif des operateurs.
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Open Metaheuristics
Framework de conception
C++,
Design par templates,
separation algorithme / problemes / interface decommunication,
sortie XML, ensemble des informations.
Outils de tests
Python, R,
gestion des tests,
graphiques, rapports,
comparaisons.
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Open Metaheuristics
Framework de conception
C++,
Design par templates,
separation algorithme / problemes / interface decommunication,
sortie XML, ensemble des informations.
Outils de tests
Python, R,
gestion des tests,
graphiques, rapports,
comparaisons.
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Open Metaheuristics
Framework de conception
C++,
Design par templates,
separation algorithme / problemes / interface decommunication,
sortie XML, ensemble des informations.
Outils de tests
Python, R,
gestion des tests,
graphiques, rapports,
comparaisons.
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Efficacite
Efficacite
No free-lunch
implementation
tests statistique
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Parametrage
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Parametrage
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Parametrage
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Plan
1 Optimisation
2 MetaheuristiquesBasesAspects theoriquesConceptionImplementation logicielle
3 Application
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Recalage d’angiographies retiniennes
Probleme
decalages (entiers),
rotations, zooms,
pas de voisinage,
Methode
pretraitement,
metaheuristiques,
flot optique.
Resultats
temps de calcul,
robustesse.
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Essaims de robots
Problemes
Livraisons, nettoyage,
surveillance, monitoring,
guidage, etc.
Gestion de l’aspect essaim
Organisation des deplacements,
localisation des robots,
comportement global/regles locales,
simulations sur Player/Stage.
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Essaims de robots
Problemes
Livraisons, nettoyage,
surveillance, monitoring,
guidage, etc.
Gestion de l’aspect essaim
Organisation des deplacements,
localisation des robots,
comportement global/regles locales,
simulations sur Player/Stage.
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Intelligence en essaim : exemple
Modele
Recrutement,
multi-agents, interactions,
comportement global,
auto-organisation.
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Travaux preliminaires
Reconstruction de modele
Physique optique,
modele physique de lentille,
reconstruction depuis images.
Reseaux ad-hocs
Reseaux ad-hocs tres dynamiques,
routage, qualite de service,
colonies de fourmis.
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Optimisation dynamique
Probleme
Non-stationnaire,
variables entieres,
nouveau benchmark.
Algorithmes
Colonies de fourmis,
distribue, adaptatif.
Johann Dreo
Optimisation
Metaheuristiques
Bases
Aspectstheoriques
Conception
Implementationlogicielle
Application
Optimisation dynamique
Probleme
Non-stationnaire,
variables entieres,
nouveau benchmark.
Algorithmes
Colonies de fourmis,
distribue, adaptatif.