Hybridation de méthodes d’optimisation métaheuristiques multicritères pour les problèmes de mécanique

Hybridization of multicriteria metaheuristic optimization methods for mechanical problems

• Auteur / Autrice : Ahmad El Samrout
• Direction : Pascal Lafon, Rafic Younes
• Type : Thèse de doctorat
• Discipline(s) : Systèmes Mécaniques & Matériaux
• Date : Soutenance le 30/11/2018
• Etablissement(s) : Troyes
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'Ingénieur (Troyes, Aube)
• Partenaire(s) de recherche : Laboratoire : Institut Charles Delaunay / ICD
• Jury : Président / Présidente : Farouk Yalaoui
• Jury : Examinateurs / Examinatrices : Rafic Younes, Farouk Yalaoui, Manuel Paredes, Pierre Yvars, Jihan Khoder
• Jury : Rapporteurs / Rapporteuses : Manuel Paredes, Pierre Yvars
• DOI : 10.70675/d5183352z4915z46eazb6a3z938ef0fb375e

Mots clés

Mots clés contrôlés

Optimisation combinatoire

Métaheuristiques

Décision multicritère

Mécanique appliquée

Conception technique

Mots clés libres

Optimisation combinatoire

Métaheuristiques

Décision multicritère

Mécanique appliquée

Conception technique

Combinatorial optimization

Metaheuristic

Multiple criteria decision making

Mechanics, Applied

Engineering design

Résumé

La plupart des problèmes de conception mécanique sont des problèmes d'optimisation. Ces problèmes d'optimisation possèdent trois caractéristiques qui les rendent difficiles à résoudre. Ces caractéristiques sont la nature mixte des variables (continues et discrètes), l'existence de contraintes non linéaires et la présence de plusieurs critères non linéaires à minimiser pour guider les décisions de conception. Pour aborder ces problèmes, notre approche consiste d'abord à définir des problèmes tests représentatifs de ces difficultés, pour lesquels nous pouvons calculer le front théorique de Pareto. Les performances de cinq méthodes métaheuristiques «traditionnelles» d'optimisation intégrant une amélioration spécifique pour gérer les particularités des problèmes de référence ont été testées. Puis, suite à l'incapacité de ces métaheuristiques «traditionnelles» modifiées de répondre à certaines métriques d'évaluation, un nouvel algorithme hybride couplant métaheuristiques et l'algorithme Branch & bound a été introduit. L'algorithme hybride combine les avantages des métaheuristiques (efficacité pour les problèmes multi-objectifs non linéaires) et l’exploration systématique avec des variables mixtes des algorithmes Branch & bound. Ce nouvel algorithme hybride comprenant des techniques de branchement spécifique est bien adapté pour résoudre des problèmes mixtes multi-objectifs non-linéaires. Il donne de meilleurs résultats sur ces problèmes tests que les métaheuristiques «traditionnelles» et ouvre de nombreuses perspectives d’améliorations.

Most mechanical engineering design problems are optimization problems. These optimization problems hold three characteristics that make them difficult to solve. These characteristics are the mixed nature of the variables (continuous and discrete), the existence of non linear constraints and the presence of multiple non linear criteria or objectives that needs to be minimized to guide the decision making. To tackle such problems, our approach consisted on defining a benchmark of representative test problems that capture the essence of these difficulties, for which we can calculate the theoretical Pareto front. The performance of five ''traditional'' metaheuristics algorithms that integrates specific enhancement to handle particularities of the benchmark problems was tested. Then, in light of the shortcomings of these ''traditional'' modified metaheuristics to meet certain evaluation metrics, a new hybrid algorithm that couples metaheuristics and branch & bound was introduced. The hybrid algorithm combines the advantages of metaheuristics like its efficiency for non-linear multi-objective problems alongside with systematic exploration of mixed variables that branch & bound algorithms have. This new hybrid algorithm including specific branching techniques is well suited for solving nonlinear multi-objective mixed problems. It gives better results than ''traditional'' metaheuristics on the test problems and opens up many prospects for improvement.