Adaptation de l’algorithme de lucioles

Table des matières

Dédicace
Remerciement
Résumé
INTRODUCTION GENERALE
Chapitre 1 Formulation des problèmes d’ordonnancement
1.1 Introduction
1.2 Généralités sur l’ordonnancement
1.3 Les données d’un problème d’ordonnancement
1.3.1 Les tâches
1.3.2 Les ressources
1.3.2.1 Les ressources renouvelables
1.3.2.2 Les ressources consommables
1.3.3 Les contraintes
1.3.4 Les objectifs
1.4 Problèmes d’ordonnancement d’ateliers
1.4.1 Le type d’une machine unique
1.4.2 Le type des machines parallèles
1.4.3 Le type flow shop
1.4.4 Le type job shop
1.4.5 Le type open shop
1.5 Les critères d’optimisation
1.6 La complexité et la théorie de la complexité
1.6.1 Les problèmes de la classe P
1.6.2 Les problèmes de la classe NP
1.6.2.1 Les problèmes de la classe NP-Complets
1.6.2.2 Les problèmes de la classe NP-Difficiles
1.7 Méthodes de résolution
1.7.1 Méthodes exactes
1.7.1.1 La programmation linéaire
1.7.1.2 La programmation dynamique
1.7.1.3 Branch and Bound
1.7.2 Méthodes approches
1.8 Conclusion
CHAPITRE 2 Les Métaheuristiques
2.1 Introduction
2.2 Classification des méthodes de résolution
2.3 Méthodes approchées
2.3.1 Les heuristiques
2.3.2 Les Métaheuristiques
2.3.2.1 Propriétés des métaheuristiques
2.3.2.2 Classification des métaheuristique
2.3.2.2.1 Le recuit simulé
2.3.2.2.2 La recherche tabou
2.3.2.2.3 Les colonies de fourmis
2.3.2.2.4 Optimisation par Colonie d’abeilles
2.3.2.2.5 Algorithme génétique
2.3.2.2.5.1 Principe de fonctionnement de l’algorithme génétique
2.3.2.2.6 Algorithme des Lucioles
2.3.2.2.6.1 Paramétrages des algorithmes des Lucioles
2.4 Conclusion
CHAPITRE 3 Adaptation de l’algorithme de luciole et l’algorithme génétique et résultats de simulation
3.1 Introduction
3.2 différents paramètres de l’algorithme de luciole
3.3 Adaptation de l’algorithme de lucioles
3.4.1 L’études sur l’algorithme de luciole
3.4.2 Comparaison entre les deux techniques
3.5 Conclusion
CONCLUSION GENERALE
Bibliographies