Optimisation multi-objectifs, Décision Multicritères (topsis)

Introduction à la radio cognitive

Dans les réseaux sans fil actuels, l’allocation du spectre se fait de manière statique et ce sont des agences gouvernementales qui les allouent aux opérateurs détenteurs de licence. Récemment, dû à l’augmentation du volume d’utilisation du spectre électromagnétique, cette politique d’allocation a conduit à un encombrement dans certaines parties du spectre, tandis qu’une large portion allouée de ces BS sont utilisée sporadiquement, ce qui conduit à une sous-utilisation spectrale [7]. C’est pourquoi des techniques d’accès dynamique au spectre ont été proposées pour résoudre ces problèmes d’inefficacité spectrale. La technologie la plus appropriée pour relever ce défi est la radio cognitive. Cette radio est capable de partager la BS d’une manière opportuniste avec les PU détenteurs de licence et les SU. [4] Les R.R.C ont la capacité de fournir une qualité plus grande pour les utilisateurs mobiles grâce aux techniques d’accès dynamique et grâce aux architectures des réseaux sans fil hétérogènes. La réalisation de cet objectif (améliorer l’utilisation spectrale) est faisable uniquement par le biais de techniques dynamiques et efficaces de gestion des BS [3].

Définition et principe

Les systèmes de communication sans fil traditionnels ont des paramètres de transmission fixes. En d’autres termes, leur fréquence d’émission est fixe et la même dans tous les lieux et instant de temps, déterminée par des normes réglementaires. La radio cognitive est une technique qui fournit la capacité pour l’utilisateur sans licence ou (SU) utiliser ou partager le spectre d’une manière opportuniste à partir de l’auto-coexistence avec l’utilisateur (PU), en changeant les paramètres de transmission permettant de fonctionner dans le meilleur canal disponible en fonction de comportement de l’environnement. La RC doit déterminer quelle partie du spectre n’a pas d’utilisateurs autorisés qui l’utilisent (détection du spectre) [2]. La RC peut augmenter l’efficacité spectrale, car elle permet à SU de partager opportuniste le spectre avec PU. Une RC est définie aussi comme une radio qui peut changer ses paramètres d’émetteur en fonction de l’interaction avec l’environnement dans lequel il opère [20]. La RC a la capacité (capacité cognitive) de sentir et de rassembler informations (telles que la fréquence de transmission, qualité, puissance, modulation, etc.) des environs environnement [20] ainsi que la capacité d’adapter rapidement le paramètres opérationnels, pour une performance optimale, selon l’information recueillie [6].

D’après la Définition de Joseph Mitola III « la Radio cognitive (CR) est une radio capable d’analyser l’environnement (en tant que canaux et utilisateurs), apprenant et prédisant la manière la plus appropriée et efficace d’utiliser le spectre disponible et d’adapter son fonctionnement paramètres » [1]. Aussi elle est définie comme la technique prometteuse pour l’utilisation efficace du spectre qui doit surveiller l’activité dynamique dans le spectre du primaire et adapter la transmission des SU pour une meilleure allocation des ressources spectrales. Ce système radio qui permet, à l’aide d’une radio logicielle, de définir ou de modifier les paramètres de fonctionnement de la fréquence radio d’un noeud réseau (téléphone sans fil ou un point d’accès sans fil) et de s’ajuste automatiquement pour maintenir les communications souhaitées – c’est comme si un opérateur formé «à l’intérieur» de la radio effectuait des réglages constants pour une performance maximale [3]. Un exemple très populaire de la radio opportuniste ou l’accès au spectre opportuniste dont le principe est la « réutilisation » temporelle, spatiale et géographique du spectre sous licence, comme le montre la figure I.2 où un utilisateur secondaire « non autorisé » peut utiliser des fréquences sous licence. Qu’il n’interfère avec aucun (PU). De cette manière, l’efficacité de l’utilisation du spectre est considérablement améliorée [5]. Certes la RC est une nouvelle approche qui favorise une meilleure utilisation des bandes spectrales, mais elle requiert l’intervention d’une autre technologie qui est la radio logicielle (software defined radio) ou SDR.

Méthode de décision Multicritères

La méthode TOPSIS est une des méthodes les plus utilisée d’aide multicritère à la décision. Elle est basée sur le choix d’une solution qui se rapproche le plus de la solution idéale (meilleure sur tous les critères) et s’éloigne le plus de la pire solution (qui dégrade tous les critères). Elle compare un ensemble d’alternatives par l’identification des poids de chaque critère, la normalisation des scores de chaque cirière et le calcul de la distance euclidienne entre chaque alternative et l’alternative idéale qui a le meilleur score dans chaque critère. Les m poids des critères sont compris entre 0 et 1 et définis par le vecteur Ve = (W1, W2, …, Wm). Certains critères ont un effet positif (critères de bénéfice) si une bonne alternative obtient un score élevé sur ce critère. D’autres critères ont un effet négatif (critère de coût) si une bonne alternative par rapport à ce critère a un score peu élevé [4]. Cette méthode est capable de trier les solutions du front Pareto en considérant les solutions comme des alternatives et les valeurs des fonctions objectif de chaque solution comme des critères.

Méthode de résolution exacte et approchées

L’optimisation combinatoire occupe une place très importante en recherche opérationnelle et en informatique. De nombreuses applications pouvant être modélisées sous la forme d’un problème d’optimisation combinatoire (POC) telles que le problème du voyageur de commerce, l’ordonnancement de tâches, le problème de la coloration de graphes, etc. POC comprend un ensemble fini de solutions, où chaque solution doit satisfaire un ensemble de contraintes relatives à la nature du problème, et une fonction objectif pour évaluer chaque solution trouvée. La solution optimale est celle dont la valeur de l’objectif est la plus petite (resp. grande) dans le cas de minimisation (resp. maximisation) parmi l’ensemble de solutions. La résolution des problèmes combinatoires consiste à trouver la meilleure solution, définie comme la solution globalement optimale ou un optimum global. La résolution des (POC) est assez délicate puisque le nombre fini de solutions réalisables croît généralement avec la taille du problème, ainsi que sa complexité. Cela a poussé les chercheurs à développer de nombreuses méthodes de résolution en recherche opérationnelle et en (IA) [17]. Il existe un très grand nombre de méthodes de résolutions des problèmes d’optimisation combinatoire et ils sont classés en deux grandes catégories: Les méthodes exactes et les méthodes approchées.

Les méthodes exactes ont permis de trouver des solutions optimales pour des problèmes de taille raisonnable et rencontrent généralement des difficultés face aux applications de taille importante Alors, si les méthodes de résolution exactes permettent d’obtenir une solution dont l’optimalité est garantie, dans certaines situations, on peut cependant chercher des solutions de bonne qualité, sans garantie d’optimalité, mais au profit d’un temps de calcul plus réduit. Pour cela, On applique des méthodes appelées métaheuristiques, adaptées à chaque problème traité, avec cependant l’inconvénient de ne disposer en retour d’aucune information sur la qualité des solutions obtenues. Les heuristiques ou les métaheuristiques exploitent généralement des processus aléatoires dans l’exploration de l’espace de recherche pour faire face à l’explosion combinatoire engendré par l’utilisation des méthodes exactes. En plus de cette base stochastique, les métaheuristiques sont le plus souvent itératives, ainsi le même processus de recherche est répété lors de la résolution.

Le rapport de stage ou le pfe est un document d’analyse, de synthèse et d’évaluation de votre apprentissage, c’est pour cela rapport gratuit propose le téléchargement des modèles gratuits de projet de fin d’étude, rapport de stage, mémoire, pfe, thèse, pour connaître la méthodologie à avoir et savoir comment construire les parties d’un projet de fin d’étude.

Table des matières

Introduction Générale
CHAPITRE I :INTRODUCTION A LA RADIO COGNITIVE
I.1 Introduction
I.2 Radio Cognitive
I.2.1 Historique
I.2.2 Définition et principe
I.3 RADIO LOGICIEL
I.4 L’auto-configuration de la radio cognitive
I.4.1 Fréquence d’opération
I.4.2 Modulation
I.4.3 Puissance de transmission
I.5 Architecture de la radio cognitive
I.6 Architecture des réseaux radio cognitive
I.6.1 Le réseau primaire
I.6.2 Le réseau secondaire
I.7 Cycle de cognition
I.8 Fonctions RC
I.8.1 Gestion spectrale
I.8.2 L’analyse spectrale
I.8.3 La décision spectrale
I.8.4 La mobilité du spectre
I.9 Conclusion
CHAPITRE II : Optimisation multi-objectifs, Décision Multicritères (topsis)
II.1 Introduction
II.2 Dominance de Pareto
II.2.1 Définition
II.2.2 Problème d’optimisation combinatoire multi objectif
II.2.3 Concepts de bases
II.2.4 Points particuliers
II.3 Méthode de décision Multicritères : TOPSIS (Technique for Order by Similarity to Ideal Solution)
II.3.1 Matrice de décision
II.3.2 Algorithme topsis
II.4 Conclusion
Chapitre III : méthodes de résolution exacte et Approchées
III. Chapitre III: Méthode de résolution exacte et approchées
III.1 Introduction
III.2 Les méthodes de résolution exactes
III.2.1 Programmation dynamique
III.2.2 Programmation dynamique parallèle
III.2.3 La méthode Branch and Bound
III.3 Méthode de résolution Approchées
III.3.1 Métaheuristiques
III.4 Conclusion
Chapitre IV: Implémentation et expérimentation
IV.1 Introduction
IV.2 Fonction objectif
IV.3 Programmation dynamique
IV.4 Algorithme Branch and Bound
IV.5 Algorithme génétique
IV.5.1 Algorithme général
IV.6 Comparaison des approches
Conclusion