Algorithmes améliorés de colonies d'abeilles artificielles pour la planification de la trajectoire des robots

Improved artificial bee colony algorithms for robot path planning

• Auteur / Autrice : Yibing Cui
• Direction : Ahmed Rahmani
• Type : Thèse de doctorat
• Discipline(s) : Automatique, génie informatique, traitement du signal et des images
• Date : Soutenance le 05/12/2022
• Etablissement(s) : Centrale Lille Institut
• Ecole(s) doctorale(s) : Ecole doctorale Mathématiques, sciences du numérique et de leurs interactions (Lille ; 2021-....)
• Partenaire(s) de recherche : Laboratoire : Centre de Recherche en Informatique, Signal et Automatique de Lille - Centre de Recherche en Informatique- Signal et Automatique de Lille (CRIStAL) - UMR 9189 / CRIStAL
• Jury : Président / Présidente : Nathalie Mitton
• Jury : Examinateurs / Examinatrices : Philippe Mathieu, Yongguang Yu
• Jury : Rapporteurs / Rapporteuses : Yangquan Chen, Andreas Rauh

Mots clés

Mots clés contrôlés

Planification

Mouvement

Métaheuristiques

Simulation, Méthodes de

Intelligence artificielle

Robotique

Optimisation mathématique

Traitement réparti

Mots clés libres

Algorithme méta-Heuristique

Algorithme de colonies d'abeilles artificielles

Planification de la trajectoire des robots

Apprentissage par renforcement

Calcul fractionnaire

Optimisation globale

Meta-Heuristic algorithm

Artificial bee colony algorithm

Robot path planning

Reinforcement learning

Fractional calculus

Global optimization

Résumé

En tant que classe d’algorithmes stochastiques, les algorithmes méta-heuristiquessont efficaces pour résoudre des problèmes d’optimisation grâce à un compromis entre larandomisation et la recherche locale. De tels algorithmes sont avérés efficaces et simplesà comprendre. Néanmoins, il y a encore des pistes d’amélioration, comme la facilitéd’être piégé dans les optimums locaux ou l’accélération de la vitesse de convergence.Et la gestion précise du compromis entre l’exploration et l’exploitation pour toutes lestâches d’optimisation est toujours un défi. Dans ce contexte, cette thèse traite uneclasse d’algorithmes méta-heuristiques représentée par l’algorithme ABC (Artificial BeeColony). Une série de variantes améliorées en analysant les caractéristiques et les faib-lesses de l’algorithme ABC a été proposée. De plus, des problèmes ayant une valeurd’application plus élevée sont également pris en compte. Les algorithmes ABC améliorésproposés ont résolu avec succès différents types de problèmes d’optimisation pratiques,y compris des tâches de planification de trajectoire pour un seul robot et multi-robotsdans divers environnements.

As a class of stochastic algorithms, meta-heuristic algorithms are effectivefor solving optimization problems through a trade-off between randomization and localsearch. Such algorithms have been found to be effective and simple to understand.Nevertheless, there is still room for improvement, such as easy to be trapped in localoptimums or slow convergence speed. And precisely handling the trade-off betweenexploration and exploitation for all optimization tasks is always challenging. In thiscontext, this thesis focused on a class of meta-heuristic algorithms represented by theArtificial Bee Colony (ABC) algorithm and proposed a series of improved variants byanalyzing the characteristics and weaknesses of the ABC algorithm. Furthermore, prob-lems with a higher application value are also taken into account. The proposed enhancedABC versions have successfully solved different types of optimization problems, includ-ing robot path planning tasks for single and multiple robots in various environments.