Optimisation combinatoire par métaheuristiques

ISBN9782710808756 EditorÉditions Technip pages144 Published2007-07-01
Buy paper version
Share

Blurb

Les problèmes d'optimisation combinatoire sont omniprésents, aussi bien dans le monde académique que dans l'univers industriel, dans les cas d'école comme dans les décisions liées à des enjeux financiers importants (logistique de production et de transport, télécommunications, design). Comment ordonnancer un atelier ? Combien de tournées de véhicules sont nécessaires pour servir les clients à partir des fournisseurs ? Dans quel ordre acheminer les paquets de données dans un réseau Internet ? Etc. Des questions qui obligent à effectuer un choix de valeurs pour un ensemble de variables de décision sujettes à des contraintes et ce, en optimisant des critères et/ou des préférences.

Deux grandes familles de méthodes de résolution existent. La première englobe les méthodes, dites exactes, qui ont l'avantage de garantir l'optimalité des solutions si elles existent mais souffrent de l'explosion combinatoire. La seconde famille de méthodes, dites approchées, permet de réduire cette explosion sans toutefois garantir l'optimalité.

C'est dans le cadre de cette seconde famille que nous présentons ici les métaheuristiques les plus célèbres à savoir : le recuit simulé, la recherche Tabou, les méthodes de pénalité, l'optimisation par colonies de fourmis et les algorithmes génétiques. Les origines, les principes et éléments de base, les algorithmes standards ainsi que leurs extensions sont ainsi développés avec des exemples de problèmes complexes.

Cet ouvrage s'adresse : à l'ingénieur, en lui faisant découvrir et/ou maîtriser des méthodes d'optimisation génériques et pratiques à mettre en oeuvre pour une aide à la décision efficace ; au chercheur, débutant ou confirmé, en lui apportant une bibliographie étendue ; à l'enseignant et à l'étudiant en lui fournissant un support de cours.
1. Introduction. 2. Le recuit simulé. 3. La recherche Tabou. 4. Optimisation à base de pénalités. 5. Optimisation par colonies de fourmis. 6. Les algorithmes génétiques.