Hybridation des métaheuristiques et de la programmation dynamique pour les problèmes d’optimisation mono et multi-objectif : application à la production d’énergie

Hybridization between metaheuristic and dynamic programming for mono and multi-objective optimization problems : application in energy production

• Auteur / Autrice : Sophie Jacquin
• Direction : El-Ghazali Talbi, Laetitia Jourdan
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 19/11/2015
• Etablissement(s) : Lille 1
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur (Lille)
• Partenaire(s) de recherche : Laboratoire : Centre de Recherche en Informatique, Signal et Automatique de Lille
• Jury : Président / Présidente : Gilles Goncalves
• Jury : Examinateurs / Examinatrices : Lucie Galand, Alexandre Caminada
• Jury : Rapporteurs / Rapporteuses : Frédéric Saubion, Patrice Perny

Mots clés

Mots clés contrôlés

Électricité -- Production

Programmation dynamique

Métaheuristiques

Algorithmes génétiques

Optimisation combinatoire

Mots clés libres

Optimisation combinatoire multi-Objectif

Méthode hybride

Résumé

Cette thèse s'intéresse à l'étude de deux problèmes d'optimisation pour la production d’énergie électrique. Le premier est un problème académique très étudié : le Unit Commitment Problem (UCP). Le second est un problème de planification des débits d'eau dans un réseau hydro-électrique issu d'une application industrielle. Ces deux problèmes sont des problèmes NP-complets très difficiles car ils sont non linéaires, fortement contraints et que la taille des données est importante. Dans la première partie de cette thèse, nous proposons DYNAMOP. Il s'agit d'un algorithme génétique qui guide la recherche effectuée par la programmation dynamique en manipulant des solutions représentées sous forme de chemins du graphe d’états. Cette représentation est avantageuse car, d'une part, elle facilite la mise en place d'hybridations avec la programmation dynamique et, d'autre part, elle permet de proposer des opérateurs évolutionnaires efficaces tenant compte les dépendances entre les variables. DYNAMOP est appliqué aux deux problèmes de production d'énergie. La qualité des résultats permet d'affirmer que cette méthode est bien adaptée à la résolution de ce type de problèmes. Dans la seconde partie, nous présentons MO-DYNAMOP une extension de DYNAMOP à l'optimisation multi-objectif. MO-DYNAMOP est évalué sur une version bi-objectif de l'UCP nécessitant l'utilisation d'une représentation indirecte. Une solution partielle sera ainsi décodée en un ensemble de solutions complètes Pareto équivalentes ce qui rend difficile l'évaluation sa qualité. Nous proposons donc plusieurs adaptations des stratégies usuelles d'assignation de fitness et comparons les méthodes obtenues à la littérature.

In this thesis, two energy production problems are studied. The first is a well known academic problem: the Unit Commitment Problem (UCP). The second one is a hydro scheduling problem with a real world application. These two problems are very hard NP-complete problems because they are non-linear, highly constrained, and the data size is large. In the first part of this thesis we propose DYNAMOP. It is a genetic algorithm that uses a representation based on a path in the graph of states of dynamic programming. The advantages of this representation are that it makes it easy to propose efficient evolutionary operators taking the dependencies into account, and that it facilitates the hybridization with dynamic programming. DYNAMOP is tested on the two energy production problems. The results confirm the competitiveness of the proposed method to solve energy problems. In the second part, we present MO-DYNAMOP, which is an extension of DYNAMOP to multi-objective combinatorial optimization problems. MO-DYNAMOP is applied to a bi-objective version of the UCP, but this implies an indirect representation, which is problematic. Indeed, in this case, decoding a genotypic solution involves the resolution of a multi-objective problem. Then many Pareto equivalent phenotypic solutions can be produced from one genotypic solution. We propose and compare 3 decoding strategies to solve this difficulty. A comparison study beetween MO-DYNAMOP and methods previously proposed for the bi-objective UCP is performed. Experiments indicate that MO-DYNAMOP performs considerably better.