Adaptation des méthodes d'optimisation par les Essaims de particules aux problèmes multiobjectifs

Abstract

Les méta-heuristiques sont une famille d'algorithmes stochastiques destinés à résoudre des problèmes d' ''optimisation difficile ''. Utilisées dans de nombreux domaines, ces méthodes présentent l'avantage d'être généralement efficaces, sans pour autant que l'utilisateur ait à modifier la structure de base de l'algorithme qu'il utilise. Parmi celles-ci, l'Optimisation par Essaim Particulaire (OEP) est une nouvelle classe d'algorithmes proposée pour résoudre les problèmes à variables continues. Les algorithmes d'OEP s'inspirent du comportement social des animaux évoluant en essaim, tels que les oiseaux migrateurs ou les poissons. Les '' particules '' d'un même essaim communiquent de manière directe entre elles tout au long de la recherche pour construire une solution au problème posé, en s'appuyant sur leur expérience collective. Reconnues depuis de nombreuses années pour leur efficacité, les métaheuristiques présentent des défauts qui rebutent encore certains utilisateurs. Le réglage des paramètres des algorithmes est un de ceux-ci. Il est important, pour chaque problème posé, de trouver le jeu de paramètres qui conduise à des performances optimales de l'algorithme. Cependant, cette tâche est fastidieuse et coûteuse en temps, surtout pour les utilisateurs novices. Pour s'affranchir de ce type de réglage, des recherches ont été menées pour proposer des algorithmes dits '' adaptatifs ''. Avec ces algorithmes, les valeurs des paramètres ne sont plus figées, mais sont modifiées, en fonction des résultats collectés durant le processus de recherche. Dans cette optique-là, Maurice Clerc a proposé TRIBES, qui est un algorithme d'OEP monoobjectif sans aucun paramètre de contrôle. Cet algorithme fonctionne comme une '' boîte noire '', pour laquelle l'utilisateur n'a qu'à définir le problème à traiter et le critère d'arrêt de l'algorithme. Nous proposons dans ce sujet une étude sur le réglage des paramètres pour PSO afin de corriger certains de ces défauts. Le besoin croissant de méthodes de résolution de problèmes multi-objectifs a conduit les concepteurs à adapter leurs méthodes pour résoudre ce type de problème. La complexité de cette opération provient du fait que les objectifs à optimiser sont souvent contradictoires. Nous proposons aussi dans ce sujet d'appliquer les versions d'algorithmes d'optimisation multi-objectifs sur quelque problèmes d'optimisation tel que traitement d’image (le problème de seuillage d'images médicales, segmentation des images, recalage des images médicales).