Métaheuristiques et applications

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.