| Attributes | Values |
|---|
| type
| |
| Thesis advisor
| |
| Praeses
| |
| Author
| |
| alternative label
| - Memory in ants colony algorithms, applications to optimization and automatic programming
|
| dc:subject
| - Thèses et écrits académiques
- Optimisation mathématique
- Intelligence artificielle répartie
- Mémoire partagée répartie
- Programmation automatique
- Fourmis -- Informatique
- Problème d'affectation quadratique
- Recherche tabou
|
| preferred label
| - La Mémoire dans les algorithmes à colonie de fourmis, applications à l'optimisation et à la programmation automatique
|
| Language
| |
| Subject
| |
| dc:title
| - La Mémoire dans les algorithmes à colonie de fourmis, applications à l'optimisation et à la programmation automatique
|
| Degree granting institution
| |
| Opponent
| |
| note
| - Dans ce mémoire, nous présentons les méta-heuristiques inspirées du comportement des fourmis lors de la recherche de nourriture, les OCF. Nous confrontons ces méthodes face aux principales méta-heuristiques connues. Pour cela, nous proposons de nous placer sous le point de vue de l'utilisation de la mémoire et nous présentons taxinomie qui étends celle des AMP. Nous proposons deux nouvelles adaptations du modèle des fourmis. La première est l'algorithme ANTabu, il s'agit d'une méthode hybride pour la résolution du PAQ. Il associe l'utilisation des fourmis artificielles et d'une méthode de recherche locale robuste : la recherche tabou. Le parallélisme intrinsèque des systèmes de fourmis nous a amené à développer un modèle parallèle pour ANTabu. Cette méthode intègre également une puissante fonction de diversification et l'utilisation de bornes qui lui permettent d'éviter d'être piégé au niveau d'optima locaux. La seconde application développée est AP, cet algorithme est l'adaptation du modèle de coopération des fourmis à la programmation automatique. Son mécanisme de fonctionnement est simple, puisque à chaque itération on crée une nouvelle population en utilisant l'information emmagasinée par la phéromone. L'intérêt de cette gestion de l'information est qu'elle n'utilise pas de mécanismes complexes. Nous présentons cette méthode face à l'algorithme de base tel que Koza l'a défini.
- This thesis presents meta-heuristic based on the behaviour of natural ants looking for food. These heuristics are known as Ants Colony Optimization or ACO. We propose to compare the ACO paradigm with other well-known heuristics with regards to the use of the memory. Then, we introduce two applications of the ACO algorithms. The first application, ANTabu is an ACO scheme for the QAP. ANTabu combines the ants' paradigm with a robust local search technique (Tabu search). A parallel model developed for ANTabu is introduced. The second application lies in the machine-learning field. This scheme called AP (Automatic Programming) applies the cooperative behaviour of ants to automatically buid programs. This method is then compared to the classical automatic generation of programs : Genetic Programming.
|
| dc:type
| |
| http://iflastandar...bd/elements/P1001
| |
| rdaw:P10219
| |
| has content type
| |
| is primary topic
of | |
| is rdam:P30135
of | |
![[RDF Data]](/fct/images/sw-rdf-blue.png)
