Auteur / Autrice : | Laurent Grosset |
Direction : | Alain Vautrin |
Type : | Thèse de doctorat |
Discipline(s) : | Mécanique |
Date : | Soutenance en 2004 |
Etablissement(s) : | Saint-Etienne, EMSE |
Partenaire(s) de recherche : | autre partenaire : Université Jean Monnet (Saint-Étienne ; 1969-....) |
Mots clés
Mots clés contrôlés
Résumé
La conception de structures en stratifiés composites haute performance, telles que celles qui sont utilisées dans l'aéronautique, conduit à des problèmes complexes d'optimisation globale, qui ne peuvent être traités par des méthodes traditionnelles. Ces problèmes sont en général résolus par des méthodes stochastiques telles que des algorithmes évolutionnaires. Cette thèse propose un nouvel algorithme évolutionnaire, appelé Double-Distribution Optimization Algorithm (DDOA). DDOA appartient à la famille des algorithmes à estimation de distribution (EDA) qui construisent un modèle statistique des régions prometteuses de l'espace de recherche sur la base d'ensembles de bons points issus de la sélection, et utilisent ce modèle pour guider la recherche. Une stratégie pour améliorer l'exactitude du modèle statistique, et par conséquent l'efficacité de l'optimisation est proposée : la distribution de variables auxiliaires capturant des actions conjointes des variables de conception est utilisée pour introduire de l'information sur les dépendances entre variables. En combinant cette information avec un modèle simple des points sélectionnés dans l'espace de recherche, on peut ainsi générer des distributions complexes pour un coût de calcul plus réduit. Cette thèse démontre l'efficacité de DDOA sur plusieurs problèmes d'optimisation de strtifiés composites où les variables de conception sont les angles des fibres dans chaque pli, et les variables auxiliaires sont des grandeurs appelées "paramètres de stratification". Les résultats montrent que DDOA trouve l'optimum de façon plus fiable qu'un EDA qui n'utilise pas ces variables auxiliaires, et qu'un algorithme générique simple.