En recherche opérationnelle, l’algorithme d’optimisation par essaim particulaire (OEP) est reconnu comme une métaheuristique efficace dans la résolution de problèmes utilisant des variables réelles. Plusieurs variantes de cet algorithme sont proposées dans la littérature et chacune d’elles adopte une approche différente dans la résolution de problèmes. Malgré les progrès proposés au fil des ans, l’OEP éprouve tout de même de la difficulté à optimiser des problèmes de grande taille. Afin de pallier à cette lacune, il est proposé dans cette recherche d’hybrider trois variantes de l’OEP dans le but d’utiliser les forces de certaines pour atténuer les faiblesses des autres. Ces trois variantes prouvées efficaces dans la littérature sont : le barebones particle swarm optimization, le comprehensive learning particle swarm optimization et le cooperative learning particle swarm optimization. Trois nouveaux algorithmes hybrides sont ainsi proposés dans le but d’améliorer la qualité des solutions produites. Leur efficacité est testée sur une série de problèmes de tailles différentes utilisant des variables réelles. La comparaison des résultats est effectuée avec l’aide de la dominance stochastique ainsi que par une analyse de convergence. Cette comparaison permet de démontrer que l’hybridation entre les variantes de l’OEP améliore la qualité des solutions obtenues lors de l’optimisation de problèmes de grande taille.
Connexion requise
Pour ajouter un commentaire, vous devez être connecté.
