Définition du problème MURMO

Table des matières

CHAPITRE 1
INTRODUCTION 
CHAPITRE 2 
OPTIMISATION MULTI-OBJECTIFS ET MÉTAHEURISTIQUES PARETO
2.1. INTRODUCTION
2.2. PROBLÈME MULTI-OBJECTIFS (PMO)
2.3. CLASSIFICATION DES MÉTHODES DE RÉSOLUTION POUR PMO
2.3.1 Classification décideur
2.3.2 Classification concepteur
2.4. NOTION DE DOMINANCE ET OPTIMUM PARETO
2.5. ALGORITHME ÉVOLUTIONNAIRE (AE) PARETO
2.5.1. Non-dominated Sorting Genetic Algorith II (NSGA-II)
2.5.2. Pareto Memetic Strategy for Multiple Objective optimization (PMSMO)
2.5.3. Genetic Immune Strategy for Multiple Objective Optimization (GISMOO)
2.6. OPTIMISATION PAR COLONIE DE FOURMIS PARETO
2.6.1. Problème de voyageur de commerce (VC) pour des approches OCF
2.6.2. OCF multi-objectifs Pareto
2.7. LES MÉTRIQUES
2.7.1. La métrique Rapport d’erreur
2.7.2. La métrique Espacement
2.7.3. La métrique Hole Relative Size (HRS)
2.7.4. La métrique Hypervolume (H)
2.7.5. La métrique Couverture
2.7.6. La métrique Différence
2.7.7. La métrique de Laumanns
2.7.8. La métrique d’Espacement
2.8. OBJECTIFS ET MÉTHODOLOGIE DE LA RECHERCHE
CHAPITRE 3 
COMPARAISON MULTI/UNI-COLONIES POUR UN PROBLÈME DE MACHINE UNIQUE AVEC CARACTÉRISTIQUES SE RAPPROCHANT DE CONTEXTES RÉELS 
3.1 INTRODUCTION
3.2 DÉFINITION DU PROBLÈME MURMO
3.3 MÉTHODE DE RÉSOLUTION DU PROBLÈME MURMO PROPOSÉE DANS LA  LITTÉRATURE
3.4 COMPARAISON MULTI/UNI-COLONIES
3.4.1 MÉTHODE MULTI-COLONIES : BI-CRITERION ANT MULTI-COLONY (BCMC) POUR LA RÉSOLUTION DU PROBLÈME MURMO
3.4.2 MÉTHODE UNI-COLONIE : ANT COLONY IMMUNE SYSTEM FOR MULTIPLE OBJECTIF OPTIMIZATION (ACISMOO) POUR LA RÉSOLUTION DU PROBLÈME MURMO
3.5 AMÉLIORATION D’ACISMOOMODI
CHAPITRE 4 
EXPÉRIENCES NUMÉRIQUES ET RÉSULTATS 
4.1 CONDITIONS D’EXPÉRIMENTATION
4.1.1. Les instances
4.2 RÉSULTATS ET ANALYSE
4.2.1. Comparaison globale des solutions des méthodes adaptées
4.2.2. Comparaison BCMC et ACISMOO
4.2.3. Amélioration ACISMOO
4.3 OBSERVATIONS LIÉES À LA CONCEPTION DES INSTANCES
4.4 TEMPS D’EXÉCUTION
CHAPITRE 5 
CONCLUSION 
BIBLIOGRAPHIE