[Accueil] - [Plan du site] - [Rechercher] - [ C O L R T S P ]  

 
Invitation soutenance de thèse
Adaptation de la méthode des colonies de fourmis pour l’optimisation en variables continues. Application en génie biomédical 

par nojhan le 2 décembre 2004

Si vous lisez ceci, vous êtes invité à ma soutenance de thèse.

Elle se tiendra le lundi 13 décembre, sur le campus de l’universitéde Paris 12, Créteil, à 9h en salle 222 du bâtiment I1. Adresse de l’université : 61 avenue du Général de Gaulle, 94010 Créteil. Métro : Créteil-Université

Description

Thèse intitulée : « Adaptation de la méthode des colonies de fourmis pour l’optimisationen variables continues. Application en génie biomédical »

Jury :
-  Daniel Jolly, Professeur à l’Université d’Artois, 61ème section, Rapporteur ;
-  Gilles Venturini, Professeur à l’Université de Tours, 27ème section, Rapporteur ;
-  Florent Chavand, Professeur à l’Université d’Evry, 61ème section, Examinateur ;
-  Guy Théraulaz, Directeur de Recherche au CNRS, Toulouse, apparenté27ème section, Examinateur ;
-  Ion Cristian Tréléa, Maître de Conférences, INA-Grignon, H.D.R. 61èmesection, Examinateur ;
-  Patrick Siarry, Professeur à l’Université de Paris 12, 61ème section,Directeur de thèse.

Résumé court

Les métaheuristiques de colonies de fourmis s’inspirent des comportements collectifs observés chez les fourmis pour résoudre des problèmes d’optimisation difficile.

La première approche pour concevoir des métaheuristiques d’optimisation continue en suivant cette métaphore consiste à créer un système multi-agent. Nous proposons ainsi un algorithme de "colonies de fourmis interagissantes" (CIAC). La deuxième approche décrit ces métaheuristiques comme des méthodes manipulant un échantillonnage d’une distribution de probabilité. Nous proposons ainsi un algorithme "à estimation de distribution" (CHEDA). En accord avec le concept de programmation à mémoire adaptative, nos algorithmes font l’objet d’une hybridation avec une recherche locale de Nelder-Mead (HCIAC).

Nous avons ensuite adapté cette méthode à des problèmes continus dynamiques (DHCIAC), pour lesquels nous proposons également un nouveau jeu de test cohérent.

Nos algorithmes sont enfin appliqués dans le cadre de l’automatisation du suivi des lésions de l’oeil.

Mots-clefs Optimisation, optimisation difficile, optimisation continue, optimisation dynamique, métaheuristiques,algorithmes de colonies de fourmis, auto-organisation,programmation à mémoire adaptative, estimation de distribution, recalage d’image, angiographie rétinienne

Abstract

The ant colony algorithms are inspired by the collective behaviours observed in ant colonies and aim at solving difficult optimization problems.

The first approach to conceive some metaheuristics for the continuous optimization using this metaphor consistin creating a multi-agent system. We thus propose an "interacting ant colony" algorithms (CIAC). The second approach describe these metaheuristics as some methods manipulating a sampling of a probability density. We thus propose an "estimation of distribution" algorithm (CHEDA).

In line with the adaptive memory programming concept,our algorithms are hybridicized with a Nelder-Mead local search (HCIAC). We have afterwards adapted this method to continuous dynamic problems (DHCIAC), and proposed a new coherent benchmark.

Our algorithms are finally applied as part of the automatization of the follow-up of eye injury.

Keywords Optimization, difficult optimization, continuousoptimization, dynamic optimization, metaheuristic, ant colony algorithm, self-organization, adaptive memoryprogramming, estimation of distribution, image registration, retinal angiography

Résumé long

Bien que les problèmes d’optimisation difficile envariables continues soient très courants en ingénierie,ils sont peu étudiés en recherche opérationnelle. La plupart des algorithmes d’optimisation sont en effet proposés dans le domaine combinatoire. Dès lors, l’adaptation de ces métaheuristiques combinatoires aux problèmes continus est profitable à un grand nombre de problèmes réels.

Parmi ces méthodes, les algorithmes de colonies defourmis forment une classe des métaheuristiques récemment proposée pour les problèmes d’optimisation difficile. Ces algorithmes s’inspirent des comportements collectifs de dépôt et de suivi de piste observés dans les colonies de fourmis. Une colonie d’agents simples (les fourmis) communiquent indirectement via des modifications dynamiques de leur environnement (les pistes de phéromone) et construisent ainsi une solution à un problème, en s’appuyant surleur expérience collective.

Deux approches sont possibles pour concevoir des métaheuristiques d’optimisation continue en suivant cette métaphore. La première consiste à créer unsystème multi-agent où la communication joue un rôle central, en tant que processus permettant l’émergence d’un comportement global cohérent du système. Nous proposons, dans cette optique, des algorithmes de "colonies de fourmis interagissantes" (baptisés CIAC etHCIAC). La deuxième approche décrit les algorithmes de colonies de fourmis comme des méthodes manipulant un échantillonnage d’une distribution de probabilité. Nous proposons ainsi une métaheuristique "à estimation de distribution" (nommée CHEDA).

De plus, la conception de métaheuristiques peut être guidée par le concept de programmation à mémoire adaptative, qui met notamment l’accent sur les processus de mémoire, de diversification et d’intensification. Nos algorithmes font l’objet d’une hybridation avec une recherche locale de Nelder-Mead,qui améliore l’intensification de la recherche.

Les algorithmes de colonies de fourmis du type "multi-agent" présentent des caractéristiques de flexibilité particulièrement intéressantes sur des problèmes dynamiques. Nous avons donc adapté notre méthode hybride de colonie de fourmis interagissantes à des problèmes continus dynamiques (algorithme DHCIAC), pour lesquels nous proposons également un nouveau jeu de test cohérent.

Nos algorithmes sont enfin appliqués dans le cadre d’un problème biomédical concernant les pathologies du vieillissement oculaire. L’automatisation du suivi des lésions de l’oeil nécessite en effet une étape d’optimisation, lors du recalage d’images d’une séquence d’angiographie rétinienne.


Commentaires

Articles populaires

[Accueil] - [Plan du site] - [Rechercher] - [Admin.]       SPIP:Squelette