Optimisation sous contraintes par intelligence collective auto-adaptative

Strong combination of ant colony optimization with constraint programming optimization

• Auteur / Autrice : Madjid Khichane
• Direction : Christine Solnon, Patrick Albert
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 26/10/2010
• Etablissement(s) : Lyon 1
• Ecole(s) doctorale(s) : École doctorale en Informatique et Mathématiques de Lyon (Lyon ; 2009-....)
• Partenaire(s) de recherche : Laboratoire : LIRIS - Laboratoire d'Informatique en Image et Systèmes d'information (Rhône ; 2003-....)
• Jury : Président / Présidente : Jean-Michel Jolion
• Jury : Examinateurs / Examinatrices : Thomas Stuetzle
• Jury : Rapporteurs / Rapporteuses : Jin-Kao Hao, Gérard Verfaillie

Mots clés

Mots clés contrôlés

Programmation par contraintes

Résolution de problème -- Informatique

Langages de programmation

Informatique

Algorithmes

Optimisation par colonies de fourmis

Intelligence artificielle

Optimisation combinatoire

Mots clés libres

Optimisation combinatoire

Optimisation par colonies de fourmis

Intelligence artificielle

Recherche opérationnelle

Programmation Par Contraintes (PPC)

Combinatorial optimization

Ant colony optimization

Artificial intelligence

Operational research

Constraint programming

Résumé

Dans le cadre de cette thèse, nous nous sommes intéressés à la mise en œuvre d'algorithmes auto-adaptatifs d'Intelligence Collective pour la résolution de problèmes d'optimisation modélisés dans un langage de Programmation par contraintes (PPC). Nous avons porté une attention particulière à la famille d'algorithmes de type « Ant Colony Optimization » (ACO). Nous avons développé trois contributions, à savoir : (1) Intégration des algorithmes de type ACO dans un langage de programmation par contraintes pour la résolution de problèmes de satisfaction de contraintes; (2) Proposition d'un algorithme hybride et générique où ACO est couplé à une approche complète pour résoudre des problèmes d'optimisation combinatoires (3) Proposition d'une stratégie capable d'adapter dynamiquement les paramètres de ACO.

In this thesis, we focused on the implementation of self-adaptive algorithms for solving optimization problems modeled in a Constraint Programming (CP) language. We focus on to the Ant Colony Optimization (ACO) algorithms. We have developed three contributions, namely: (1) Integration of ACO algorithms in a constraint programming language for solving constraint satisfaction problems, (2) Proposal of a generic hybrid algorithm which combines ACO and CP approach to solving combinatorial optimization problems (3) Proposal of a strategy to dynamically adjust the parameters of ACO.