Laboratoire d’Informatique de l’Université de Franche-Comté

Un algorithme évolutionniste

multiagent asynchrone et auto-adaptatif.

Application à l'optimisation de moteur électrique.

Jean-Laurent Hippolyte

217 novembre 2006

Un algorithme évolutionniste déployable sur un réseau pair-à-pair

Efficacité des méthodes heuristiques Puissance des réseaux pair-à-pair

317 novembre 2006

Plan

ObjectifsUn algorithme évolutionniste déployable sur un réseau pair-à-pair• Qualités requises• Parallélisme, multiagent, auto-adaptabilité et réinitialisation

Optimisation de moteurs électriques• Optimisation par algorithme évolutionnaire• Méthode utilisée

SmagPrincipes• Les états d’un agent• Les transitions entre états

Résultats expérimentaux

417 novembre 2006

Qualités requises

DéployabilitéAdaptation à la chargeAdaptation à la mémoireAdaptation à la migrationPersistence

517 novembre 2006

Parallélisme, multiagent, auto-adaptabilité et

réinitialisationMAGMA (Multi-Agent Meta-heuristic Architecture) [MR04]

Un agent = une méta-heuristiqueDéfinit une hiérarchie d’agentsBasé sur la combinaison de méta-heuristiques

617 novembre 2006

Parallélisme, multiagent, auto-adaptabilité et

réinitialisationMAGA (Multi-Agent Genetic Algorithm) [ZLXJ04]

Un agent = une solutionAgents évoluent sur un treillisBasé sur 4 opérateurs génétiques• Compétition• Coopération• Mutation• Apprentissage

717 novembre 2006

Parallélisme, multiagent, auto-adaptabilité et

réinitialisationCoSearch [TB06]Utilise 3 agents ayant des rôles définisUn agent principal, un diversificateur, un intensificateurÉchange d’informations par une mémoire adaptative commune

817 novembre 2006

Parallélisme, multiagent, auto-adaptabilité et

réinitialisationSaw-tooth GA [KK06]Taille de population varie périodiquementSimilarités avec Smag

917 novembre 2006

Optimisation de moteurs électriques

Limites de SQP (Sequential Quadratic Programming)Algorithmes évolutionnaires appliqués à la conception de machines électriques

1017 novembre 2006

Optimisation de moteurs électriques

Initialization

Evaluation

Selection

Reproduction

Stoppingcriterium

Parameters to be dimensioned

Geometricalsizes

Magneticquantities

Electricalquantities

PowerBalance

Weight Efficiency

1117 novembre 2006

Optimisation de moteurs électriques

Initialization

Evaluation

Selection

Reproduction

Stoppingcriterium

Aggregation

Temporaryfitness

Weight Efficiency

1217 novembre 2006

Optimisation de moteurs électriques

Aggregation based evaluationInitialization

Evaluation

Selection

Reproduction

Stoppingcriterium

Aggregation

Temporaryfitness

Weight Efficiency

1317 novembre 2006

Optimisation de moteurs électriques

The evaluation of an unfeasible solution is penalized

Initialization

Evaluation

Selection

Reproduction

Stoppingcriterium

Temporaryfitness

Final fitness

PenalizationConstraintsVerification

1417 novembre 2006

Smag

Smag = Système MultiAgent Génétique

5 états :ReproductionPrédationDiscussionNégociationDéplacement

1517 novembre 2006

Smag

Les critères de décision de l’agent :

Position dans la grille 2DChamp de vision / voisinage

Niveau de stress

1617 novembre 2006

Smag

Transitions entre états

1717 novembre 2006

Smag

Mécanisme de diversification pour prévenir une convergence prématurée

Ajout ou suppression d’agents en fonction de la taille de population

1817 novembre 2006

Résultats expérimentaux

Comparaison avec Sawtooth GA sur 4 fonctions classiques

1917 novembre 2006

Résultats expérimentaux

Exemple de résultats pour une exécution

2017 novembre 2006

Résultats expérimentaux

Exemple de résultats pour 50 exécutions

2117 novembre 2006

Conclusions

Smag est un algorithme évolutionniste sans sélection globale et avec une taille de population auto-réguléeIl répond à la plupart des requis pour le déploiement sur réseau P2PIl fait aussi bien que SQP avec moins de contraintes sur le problème du moteur électrique et mieux que Sawtooth GA sur des fonctions classiques

2217 novembre 2006

Perspectives

Faire un Smag multiobjectif

Effectuer le déploiement sur réseau P2P

2317 novembre 2006

Références

[KK06] V. K. Koumousis and C. P. Katsaras. A saw-tooth genetic algorithm combining the effects of variable population size and reinitialization to enhance performance. IEEE Transactions on Evolutionary Computation, 10(1):19–28, February 2006.[MR04] Michela Milano and Andrea Roli. Magma: a multiagent architecture for metaheuristics. IEEE Transactions on Systems, Man, and Cybernetics, Part B, 34(2):925–941, 2004.[TB06] El-Ghazali Talbi and Vincent Bachelet. Cosearch: A parallel cooperative metaheuristic. Journal of Mathematical Modelling and Algorithms, 5(1):5–22, April 2006.[ZLXJ04] Weicai Zhong, Jing Liu, Mingzhi Xue, and Licheng Jiao. A multiagent genetic algorithm for global numerical optimization. IEEE Transactions on Systems, Man and Cybernetics, 34(2):1128–1141, April 2004.