Professional Documents
Culture Documents
Suite Algorithmiqu
Suite Algorithmiqu
- Les caractéristiques des solutions (ou des coups) stockées dans la liste Tabou sont interdites
par | | itérations.
- A la n de chaque itération, on ajoute le mouvement (ou la caractéristique de la solution
obtenue) en haut de la liste et on retire le dernier de la liste.
- Réduit la possibilité de cyclage, mais peut interdire les mouvements pour les solutions non
encore visitées.
- Fonction d'aspiration (A) : Mécanisme qui supprime le statut tabou d'un mouvement.
- Ex. : L'aspiration par un mouvement d'objectif est acceptée si la valeur de la solution
générée est meilleure que la valeur de la meilleure solution trouvée jusqu'alors (solution en
place).
- Critères d'arrêt
- Nombre d'itérations sans
amélioration ;
- Temps d'exécution ;
- Valeur de la solution ; etc.
- Paramètres
- Taille du tableau (| |) ;
- Fonction d'aspiration (A) ;
- Nombre de solutions voisines
explorées| | ;
- Nombre maximal d'itérations
sans amélioration ( ) ; etc.
𝑁
𝑠
𝑇
𝑉
fi
𝑇
𝑆
𝑚
𝑎
𝑥
𝑇
𝑠
𝑠
𝑠
𝑠
𝑠
𝑠
𝑠
𝑠
𝑉
𝑇
𝑉
Iterated Local Search (ILS)
- La méthode de recherche locale itérée (ILS) repose sur l'idée qu'une procédure de recherche
locale peut être améliorée en générant de nouvelles solutions
de départ, obtenues au moyen de perturbations.
- Le succès de l'ILS est centré sur le choix de la méthode de recherche locale, de la perturbation
et des critères d'acceptation.
- La performance de l'ILS en ce qui concerne la qualité de la solution nale et la vitesse de
convergence dépend fortement de la méthode de recherche locale choisie.
- La perturbation doit être :
- Su samment forte pour permettre de sortir de l'optimum local actuel.
- Su samment faible pour sauvegarder les caractéristiques de l'optimum local actuel.
- Intensi cation
- Consiste à rester dans la région de l'espace où se trouve la recherche, en cherchant à
l'explorer plus e cacement.
- Ex : application de petites perturbations.
- Diversi cation
- Consiste à se déplacer vers d'autres régions de l'espace des solutions. - Ex : Accepter
plusieurs solutions ; appliquer des perturbations majeures.
𝑠
ffi
ffi
fi
fi
fi
ffi
𝑠
fi
𝑠
𝑠
𝑠
fi
fi
- Les solutions générées par la phase de construction GRASP ne sont probablement pas
optimales localement.
- D'où l'importance de la phase de recherche locale, qui vise à améliorer la solution construite.
- L'e cacité de la recherche locale dépend, en partie, de la qualité de la solution construite.
Multi-démarrage
• Dans la phase de construction, une solution est construite de manière itérative, élément par
élément.
• À chaque itération de cette phase, les éléments candidats suivants à inclure dans la solution
sont placés dans une liste C de candidats, selon un critère prédéterminé d'ordre c.
• Les avantages associés au choix de chaque élément sont mis à jour à chaque itération de la
phase de construction pour re éter les changements qui découlent de la sélection de l'élément
précédent.
• Chaque élément est sélectionné au hasard dans un sous-ensemble restreint formé par les
meilleurs éléments qui composent la liste des candidats.
• La métaheuristique est une procédure conçue pour trouver une bonne solution, éventuellement
optimale, consistant en l'application, à chaque étape, d'une heuristique subordonnée, qui doit
être modélisée pour chaque problème spéci que.
• Ils sont de nature générale et disposent de mécanismes pour éviter de rester coincés dans des
endroits optimaux, peut-être loin de l'optimal global.
• Les métaheuristiques di èrent fondamentalement les unes des autres par le mécanisme utilisé
pour sortir des pièges des grands endroits.
• Ils peuvent être classés en fonction du nombre de solutions gérées au cours du processus de
recherche de solutions :
Algorithme
Procedure LocalSearch_heuristic( ):
while is not locally optimal do
Find ′ ∈ ( ) with ( ′) < ( );
← ′;
End LocalSearch_heuristic
𝑠
𝑠
𝑠
𝑠
𝑁
𝑠
𝑓
𝑠
𝑠
𝑓
𝑠