CoursMeta

105
     M         é      t     a      h     e     u     r      i     s      t      i     q      u     e     s      2      0      0      8      0      5 Métaheuristiques Algorithmes itératifs (et stochastiques) d'optimisation globale

Transcript of CoursMeta

Page 1: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 1/105

     M        é 

     t     a      h    e     u     r     i    s      t      i    q      u     e     s 

     2     0      0      8      0      5 

MétaheuristiquesAlgorithmes itératifs (et stochastiques) d'optimisation globale

Page 2: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 2/105

2

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

Auteurs

Johann Dréo

THALES Research &

Technology Laboratoire mathématiques &

techniques de la décision

Yann Collette

Renault

Page 3: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 3/105

3

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8      0      5 

 /??

Page 4: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 4/105

4

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8      0      5 

 /??

Optimisation difficile

Page 5: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 5/105

5

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8      0      5 

 /??

Optimisation difficile

Page 6: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 6/105

6

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8      0      5 

 /??

Métaheuristique

Page 7: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 7/1057

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8      0      5 

 /??

Plan

Problèmes

Exemples

Caractéristiques

Applications

Validation

Exemples

Métaheuristiques

Exemples

Synthèse

Page 8: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 8/105

8

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8      0      5 

 /??

Plan

Problèmes

Exemples Recherche opérationnelle

Ingénierie

Intelligence artificielle

Caractéristiques

Applications

Validation

Exemples

Métaheuristiques

Exemples

Synthèse

Page 9: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 9/105

9

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8      0      5 

 /??

Recherche opérationnelle

Voyageur de commerce

Minimiser la longueur du trajet

Page 10: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 10/105

10

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8      0      5 

 /??

Recherche opérationnelle

Sac à dos

Maximiser l'intérêt de la

sélection d'objets

     D   a

     k   e

 ,     C     C

        B     Y

        S     A     2

 .     5 ,

     h    t    t   p   :     /     /     f   r .   w

     i     k     i   p

   e     d     i   a

 .   o   r   g

     /   w     i     k     i     /     I   m

   a   g   e   :     K   n   a   p   s   a   c

     k .   s

   v   g

Page 11: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 11/105

11

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8      0      5 

 /??

Recherche opérationnelle

Planification temporelle

Déterminer un emploi du temps

Page 12: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 12/105

12

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8      0      5 

 /??

Ingénierie

Aérodynamique

Maximiser la portance

Page 13: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 13/105

13

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8      0      5 

 /??

Ingénierie

Déplacement de bras robot

Minimiser l'énergie dépensée

Adaptive Optimal Control for Redundantly Actuated Arms, Djordje Mitrovic, Stefan Klanke, and Sethu Vijayakumar, 2008

Page 14: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 14/105

14

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8      0      5 

 /??

Intelligence artificielle

IA jeu vidéo

Maximiser le gain

Page 15: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 15/105

15

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8      0      5 

 /??

Ingénierie

Problème du pont

Concours JET

Page 16: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 16/105

16

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8      0      5 

 /??

Caractéristiques des problèmes

Optimisation continue

Variables réelles

Optimisation combinatoire

Variables discrètes

Voisinage

Implicite

Fonctions

Explicite Permutation

http://commons.wikimedia.org/wiki/Image:Red black_tree_insert_case_5.png

Page 17: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 17/105

17

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8      0      5 

 /??

Difficultés avec les problèmes

Trouver le problème

Modélisation

Expression mathématique

Contraintes

Qualification des solutions

Objectifs contradictoires

Page 18: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 18/105

18

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8      0      5 

 /??

Difficultés avec les problèmes

Résolution

Complexité NP ...

Nombres de variables

Temps de calcul

Fonction objectif par simulation

Conception/Production

Page 19: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 19/105

19

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8      0 

     5 

 /??

NP

Algorithme Non déterministe

Résolution Polynomiale

Oracle

Estimation valeur polynomiale

h   t   t    p :   /    /    c  omm on s  . wi   k  i   m e  d  i    a  . or   g /    w

i   k  i    /   I   m a   g e  :  P  _n  p _n  p c  om  pl    e  t   e  _n  ph   a r  d   . s  v  g

Page 20: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 20/105

20

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8      0 

     5 

 /??

Plan

Problèmes

Exemples

Caractéristiques

Applications

Validation

Exemples

Métaheuristiques

Exemples Recherche tabou

Algorithmes évolutionnistes

Recuit simulé

Colonies de fourmis

Estimation de distribution

Synthèse

Page 21: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 21/105

21

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8      0 

     5 

 /??

Métaheuristiques : un peu d'histoire

1954 : Barricelli, simulation évolution,

optimisation

1965 : Rechenberg, stratégies d'évolution

1986 : terme méta heuristique, Fred Glover :

« La recherche avec tabou peut être vue comme

une "méta heuristique", superposée à une autre

heuristique. L'approche vise à éviter les

optimums locaux par une stratégie d'interdiction

(ou, plus généralement, de pénalisation) de

certains mouvements. » 1988 : conférence, algorithmes génétiques

1989 : premier logiciel A.G. Commercial

1996 : algorithmes à estimation de distribution

Page 22: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 22/105

22

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8      0 

     5 

 /??

Terminologie

Fonction objectif

Minimisation

Mono objectif

Solution

Représentation

Valeur

Échantillon

Ensemble de solution

Voisinage

Stochastique

Probabiliste + temps

Itératif

Critère d'arrêt

Page 23: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 23/105

23

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8      0 

     5 

 /??

Plan

Problèmes

Exemples

Caractéristiques

Applications

Validation

Exemples

Métaheuristiques

Exemples Recherche tabou

Algorithmes évolutionnistes

Recuit simulé

Colonies de fourmis

Estimation de distribution

Synthèse

Page 24: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 24/105

Page 25: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 25/105

25

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8      0 

     5 

 /??

Recherche tabou

Recherche « tabou » ou « avec tabous »

Liste « tabou » de mouvements interdits Minimums locaux

Voisinage

Initialisation

Modification de solution existante

Page 26: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 26/105

26

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8      0 

     5 

 /??

Recherche tabou

Stopinitialisation

Modification

voisinage

Sélection du

meilleur voisin

Heuristique

spécialisée

MàJ mémoire

MàJ meilleure

solution

Itérer ?

Oui

Non

Page 27: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 27/105

27

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8      0 

     5 

 /??

Recherche tabou

Liste tabou

Voisinage

Page 28: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 28/105

28

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8      0 

     5 

 /??

Recherche tabou

Liste tabou

Voisinage

!

Page 29: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 29/105

29

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8      0 

     5 

 /??

Plan

Problèmes

Exemples Caractéristiques

Applications

Validation

Exemples

Métaheuristiques

Exemples Recherche tabou

Algorithmes évolutionnistes

Recuit simulé

Colonies de fourmis Estimation de distribution

Synthèse

Page 30: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 30/105

30

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8      0 

     5 

 /??

Algorithmes évolutionnistes

http://en.wikipedia.org/wiki/Image:Ape_skeletons.png

é

Page 31: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 31/105

31

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8      0 

     5 

 /??

Algorithmes évolutionnistes

1965 : stratégies d’évolution

1966 : programmation évolutionnaire

1975 : algorithmes génétiques

1980 : programmation génétique

1986 : systèmes immunitaire artificiels

é

Page 32: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 32/105

32

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8      0 

     5 

 /??

Algorithmes évolutionnistes

Métaheuristiques les plus connus

Différences historiques entre algorithmes

Concepts équivalents

Algorithmes génétiques

Algorithmes évolutionnaires

Algorithmes évolutionnistes

Algorithmes stochastiquesEncha î nement d'opérateurs

T i l i

Page 33: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 33/105

33

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8      0 

     5 

 /??

Terminologie

Solution = individu

Échantillon = population

Valeur = fitness

Représentation = codage

h   t   t    p :   /    /    w w w .f   l   i    c k  r  . c  om /     ph   o t   o s  /    wi    s h    ym om /    5   6   6   3   9  4   5  2   0   /   

O é

Page 34: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 34/105

34

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8      0 

     5 

 /??

Opérateurs

« Opérateurs »

Sélection

Croisement

Mutation

Évaluation

Remplacement

01011 00000

01000

00110

11011

11111 10101

10010 00001

One Max ∑i=0

4

 xi

O é t

Page 35: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 35/105

35

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8      0 

     5 

 /??

Opérateurs

« Opérateurs »

S é lection 

Croisement

Mutation

Évaluation

Remplacement

0101100000

01000

00110

11011

11111 10101

10010 00001

O é t

Page 36: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 36/105

36

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8      0 

     5 

 /??

Opérateurs

« Opérateurs »

Sélection

Croisement 

Mutation

Évaluation

Remplacement

00001

1010110100

O é t

Page 37: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 37/105

37

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8      0 

     5 

 /??

Opérateurs

« Opérateurs »

Sélection

Croisement

Mutation 

Évaluation

Remplacement

1010110100

O é t

Page 38: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 38/105

38

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8      0 

     5 

 /??

Opérateurs

« Opérateurs »

Sélection

Croisement

Mutation

É valuation 

Remplacement

1010110101

O é t

Page 39: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 39/105

39

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8      0 

     5 

 /??

Opérateurs

« Opérateurs »

Sélection

Croisement

Mutation

Évaluation

Remplacement 

0101100000

01000

00110

11011

11111 10101

10010 00001

11001

11101

11100

Algorithmes évolutionnistes

Page 40: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 40/105

40

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

Algorithmes évolutionnistes

Exemples d'opérateurs

Page 41: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 41/105

41

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

Exemples d'opérateurs

Sélection par « roulette proportionnelle »

surface proportionnelle à sa valeur

Problème

Biais selon échelle de la fonction objectif

x1

x2

x3

x4

45%

20%

20%

15%

Page 42: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 42/105

Exemple d'opérateur

Page 43: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 43/105

43

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

Exemple d opérateur

Mutation gaussienne

Pour tout x :

xi

+ N  i m,s

Exemple d'opérateur

Page 44: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 44/105

44

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

Exemple d opérateur

Simulated Binary Crossover

ui ∈ U0,1

bi = (2.ui)

(1/(1+η))

si ui≤

0.5= (1/(1 u i))(1/(1+η)) sinon

2.xi1(t+1) = (1 b i).xi

1(t) + (1+bi).xi2(t)

2.xi2(t+1) = (1+bi).xi

1(t) + (1 b i).xi2(t)

Exemple d'opérateur

Page 45: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 45/105

45

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

Exemple d opérateur

Croisement multipoint Croisement uniforme

11 | 0010 | 1001 | 0111 | 00

11001010

01011100

01 | 0010 | 00

11 | 0111 | 10

11001010

01011100

01110100 Masque

11001010

01011100

1101111001001000

Plan

Page 46: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 46/105

46

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

Plan

Problèmes

Exemples

Caractéristiques

Applications

Validation

Exemples

Métaheuristiques

Exemples

Recherche tabou

Algorithmes évolutionnistes

Recuit simulé

Colonies de fourmis Estimation de distribution

Synthèse

Recuit simulé

Page 47: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 47/105

47

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

Recuit simulé

http://commons.wikimedia.org/wiki/Image:Hot_metalwork.jpg

Historique

Page 48: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 48/105

48

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

Historique

Historique

1970 : Hastings propose l’algorithme de Metropolis Hastings,

1983 : Kirkpatrick, Gelatt et Vecchi concoivent le recuit simulé 1985 : indépendamment de ceux ci, Černý propose le même algorithme

Recuit simulé

Page 49: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 49/105

49

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

Recuit simulé

Coté physique

Coté optimisation

Description classique

Page 50: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 50/105

50

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

Description classique

Méthode de descente

Si voisin meilleur, gardé

Sinon, accepte aléatoirement un voisin moins bon

Probabilité commandé par un paramètre T (« température »)

T décro ît avec le temps

Algorithme

Page 51: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 51/105

51

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

Algorithme

Xcourant: point de départ

T = T0

Xsuivant = voisin(Xcourant)

Si f(Xsuivant)<= f(Xcourant)

Ou si exp((f(Xcourant) f(X suivant))/T) > rand(0,1)

et f(Xsuivant)>f(Xcourant)

Alors Xcourant = Xsuivant

T = g(T)

Fin

Loi de décroissance

de la température

Contrôle de la probad’accepter une mauvaise

solution

Algorithme

Page 52: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 52/105

52

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

Algorithme

Xcourant: point de départ

T = T0

Xsuivant = voisin(Xcourant)

Si f(Xsuivant)<= f(Xcourant)

Ou si exp((f(Xcourant) f(X suivant))/T) > rand(0,1)

et f(Xsuivant)>f(Xcourant)

Alors Xcourant = Xsuivant

T = g(T)

Fin

Méthode de

Metropolis

MetropolisHastings

Page 53: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 53/105

53

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

Metropolis Hastings

Échantillonnage de distribution de probabilité

Non intégrable, sans expression analytique, non normalisée

Fonction objectif distribution de probabilité→

Via distribution de Boltzman

Recuit simulé  échantillonner une distribution paramétrique (T)→

Algorithme de Metropolis Hastings

n'importe quelle distribution

 p x= exp −  f   x /T 

∑ y

exp −  f   y/T 

Échantillonnage de distribution paramétrique

Page 54: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 54/105

54

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

Échantillonnage de distribution paramétrique

Convergence

Page 55: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 55/105

55

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

Convergence

Garantie d'atteindre l'optimum en un temps fini.

En pratique :

limt →∞

 pt   x =1

Quelques problèmes

Page 56: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 56/105

56

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

Quelques problèmes

Ergodicité

N'importe quelle solution atteignable

Quasi ergodicit é : nombre fini de changements

Voisinage

Convergence

Quasi ergodicit é

Décroissance par palier

Décroissance graduelle

T t 

ne décroit pas plus vite que : C/log(t)

C , constante liée à échelle fonction objectif

ergodique

non ergodique

t

T

Exemple variables continues

Page 57: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 57/105

57

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

Exemple variables continues

http://en.wikipedia.org/wiki/Image:Metropolis_hastings_algorithm.png

http://en.wikipedia.org/wiki/Image:3dRosenbrock.png

Page 58: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 58/105

Décroissance température

Page 59: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 59/105

59

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

Décroissance température

λ.σ(Tk )

ln(1+δ)/Cmax. σ2(Tk )

ln(1+δ)/3.σ(Tk )

Δ(Tk )

Huang

Otten

Van Laarhoven

Loi de originale

Revenu simulé

Page 60: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 60/105

60

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

Revenu simulé

x

f(x)

p(x)

T1

T2<T1

x

Parallel Rejectionless Annealing

Page 61: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 61/105

61

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

j g

xcourant

x1

x2

x3

x4

x5

min(1,exp( (f(x 1) f(x courant))/T))

min(1,exp( (f(x 2) f(x courant))/T))

min(1,exp( (f(x 3) f(x courant))/T))

min(1,exp( (f(x 4) f(x courant))/T))

min(1,exp( (f(x 5) f(x courant))/T))

Plan

Page 62: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 62/105

62

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

Problèmes

Exemples

Recherche opérationnelle

Ingénierie

Intelligence artificielle

Caractéristiques

Applications

Validation

Performances ?

Paramétrage

Validation

Exemples

Métaheuristiques

Exemples

Recherche tabou

Algorithmes évolutionnistes

Recuit simulé

Colonies de fourmis Estimation de distribution

Synthèse

Algorithmes de colonies de fourmis

Page 63: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 63/105

63

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

g

Historique

Page 64: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 64/105

64

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

q

1959, Pierre Paul Grass é : stigmergie.

1983, Deneubourg, comportement collectif

1988, Moyson et Manderick, auto organisation

1989, travaux de Goss, Aron, Deneubourg et Pasteels

1989, modèle de comportement de recherche de nourriture

1991, M. Dorigo propose le Ant System

1997, première application aux réseaux de télécommunications

2000, première preuve de convergence

2004, preuve d'équivalence avec d'autres métaheuristiques

Origine de l'idée

Page 65: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 65/105

65

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

g

Algorithme de base : Ant System

Page 66: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 66/105

66

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

g y

Initialisation

Jusqu'à critère d'arrêt

Pour chaque fourmis

Parcours d'un trajet

Laisser piste (quantité fixe, étalée sur chaque arrête)

Évaporation

Fin

Voyageur de commerce

Page 67: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 67/105

67

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

y g

Ant System, détails

Page 68: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 68/105

68

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

t itérations, k fourmis, n villes,

J i k 

villes à visiter

Choix d'une ville : visibilité

ηij 

= 1/d ij 

Choix ville

 pij

k  t ={

ij

ij

∑l∈ J 

i

ilt 

ij

si j∈ J ik 

0 si j∉ J i

k  }

Quantité de phéromone

Évaporation

ij

k t =

{Q

 Lk  t 

sii , j ∈T k t 

0 sinon

}

ij t 1=1−

ijt 

ijt 

Hyper Cube & MinMax Ant Systems

Page 69: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 69/105

69

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

MMAS

τmin< τij< τmax

Ergodicité

HCAS

Problème codage binaire

Normalisation « fonction de qualité »

i

=1−i

∑s∈S

Q f s s

i

∑s∈S

Q  f  s

Q f  s∣S

1, , S

t =

0

1−

f  s − LB

 f − LB

AntNet

Page 70: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 70/105

70

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

Plan

Page 71: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 71/105

71

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

Problèmes

Exemples

Recherche opérationnelle

Ingénierie

Intelligence artificielle

Caractéristiques

Applications

Validation

Performances ?

Paramétrage

Validation

Exemples

Métaheuristiques

Exemples

Recherche tabou

Algorithmes évolutionnistes

Recuit simulé

Colonies de fourmis Estimation de distribution

Synthèse

Estimation de distribution

Page 72: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 72/105

72

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

Historique

Page 73: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 73/105

73

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

1994 : apprentissage incrémental à population (PBIL)

1996 : algorithmes à estimation de distribution

1999 : compact genetic algorithm 2004 : équivalence avec d'autres métaheuristiques

Origines

Page 74: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 74/105

74

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

Idée originale

Simplifier les algorithmes génétiques

Un seul opérateur

Population Base Incremental Learning

Compact Genetic Algorithm

Algorithme

Page 75: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 75/105

75

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

Idées de base

Distribution de probabilité choisie a priori 

Échantillonnage

Opérateurs de réduction de variance ( sélection)→

Algorithme

Page 76: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 76/105

76

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

Initialisation

Jusqu'à critère d'arrêt

Estimation des paramètres

Tirage échantillon selon distribution

Sélection

Fin

Exemple continu

Page 77: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 77/105

77

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

Distributions :

Uniforme

Gaussienne univariante

Exemple continu

Page 78: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 78/105

78

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

Modèles classiques

Gaussienne univariante

Mélange de gaussiennes univariantes

Gaussienne multivariante

Mélange de gaussiennes multivariantes

Page 79: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 79/105

Exemple discret : OneMax

Page 80: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 80/105

80

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

Exemple discret : OneMax

Page 81: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 81/105

81

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

Métaheuristiques : synthèse

Page 82: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 82/105

82

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

     h    t    t   p   :     /     /     f     l     i   c

     k   r .   c   o   m

     /   p     h

   o    t   o   s

     /   m   p

     d   e

     h   a   a   n

     /     3     1

     7     7     3     1     0     3     /

Page 83: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 83/105

Parcours / population

Page 84: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 84/105

84

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

Intensification / diversification

Page 85: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 85/105

85

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

Diversification = exploration

Intensification = exploitation

Explicite, Implicite, Direct

Page 86: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 86/105

86

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

Classification

Page 87: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 87/105

87

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

Plan

Page 88: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 88/105

88

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

Problèmes

Exemples

Caractéristiques

Applications

Validation

Performances ?

Paramétrage

Validation

Exemples

Métaheuristiques

Exemples

Synthèse

Validation

Page 89: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 89/105

89

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

     h    t    t   p   :     /     /     f     l     i   c

     k   r .   c   o   m

     /   p     h

   o    t   o   s     /     i   n   g

     l   e     i    t   e

   s     /     9     5     3     8     1     0     4     4     /

No free lunch

Page 90: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 90/105

90

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

Instance de mé

thode Algorithme

Paramétrage

Instance de problème

Modèle

Caractéristiques

Paramétrage

Page 91: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 91/105

91

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

Instance métaheuristique

1 paramétrage optimal pour 1 instance de problème

Initialisation

Critère d'arrêt

Valeurs des paramètres

Quel paramétrage ?

Critères de performance

Vitesse ou précision ?

Production ou conception ?

Page 92: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 92/105

Vitesse et précision

Page 93: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 93/105

93

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

Page 94: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 94/105

Conception / production

Page 95: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 95/105

95

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

Conception

Vitesse négligeable

Précision cruciale

Répétitions possibles

Recherche

Diversification

Production

Vitesse cruciale

Précision négligeable

1 seul essai

Robustesse

Intensification

f(x)

F

f(x)

F

Page 96: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 96/105

Page 97: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 97/105

Sequential Parameter Optimization

Page 98: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 98/105

98

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

(I) analyse expérimentale De plusieurs jeux de paramètres

(II) estimation des

performance

Modèle de processus

stochastique

(III) détermination de jeux

supplémentaires à tester

Sequential Parameter Optimization

Page 99: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 99/105

99

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

Évaluation expérimentale

Plusieurs évaluations par jeu

Meilleur jeu précédent re évalué

Nouveaux jeux évalués autant

Modélisation

Corrélation gaussienne

Régression polynomiale ordre 2

Estimation des performances pour jeux non testés

Nouveaux jeux à tester

Échantillonnage « Latin » de l'hypercube

Un seul essai par ligne/colonne

Présentation

Page 100: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 100/105

10

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

Bien Pas bien

i

f(x)

Boite à moustache

Page 101: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 101/105

101

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

     h    t    t   p   :     /     /   e   n

 .   w     i     k     i   p

   e     d     i   a

 .   o   r   g

     /   w     i     k     i     /     I   m

   a   g   e   :     B   o   x   p

     l   o    t_   v   s

_     P     D     F

 .   p   n   g

Trouver le meilleur des deux

Page 102: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 102/105

10

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??

Test statistique

Déterminer si deux échantillons proviennent de la même distribution

Déterminer si deux méthodes se comportent différemment

Et donc, si l'un est meilleur que l'autre Hypothèse « nulle » : les deux sont identiques

Acceptée : on ne sait pas faire la différence

Rejetée : ils sont différents

Avec une certaine probabilité de se tromper

Page 103: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 103/105

Applications

Page 104: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 104/105

10

     M        é 

     t     a      h    e 

u     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5 

 /??http://commons.wikimedia.org/wiki/Image:Industry_Torrance.jpg

Page 105: CoursMeta

8/6/2019 CoursMeta

http://slidepdf.com/reader/full/coursmeta 105/105

eu     r     i    s      t      i    q      u     e     s    –     2     0      0      8 

     0      5