I.

INTRODUCTION

Depuis que lordinateur existe, lhomme na cess de le

perfectionner pour quil soit le plus rapide et le plus performant,
mais rien de cela ne serait possible sans la partie logiciel qui vient
simplant sur ce support. Le logiciel de par son histoire a lui
aussi fait un bon gigantesque rcemment et encore plus ces
dernires annes.

A laire ou les logiciels les plus rapide du march ne

peuvent plus rsoudre certains problmes (de part leur
complexit), lhomme sinspire de plus en plus de la nature qui
lentoure pour mettre en place des algorithmes simulant le
comportement des animaux, leurs actions ou ractions vis--vis
dun problme et mme les mthodes quils utilisent pour y faire
face !

Mme si ces mthodes sont sujette de nombreuses

controverses de part leur non-exactitude, ils permettent de
trouver facilement et rapidement la solution la plus approche
du loptimale si ce dernier existe, et reste un moyen trs efficace
pour traitement de problmes complexes pouvant prendre des
annes de calculs sans rsultats.

Dans ce sujet, nous allons faire la connaissance avec une de

ces mthodes, celle-ci est dite optimisation par essaims de
particule dont lide directrice est la simulation du
comportement collectif des oiseaux lintrieur dune nue.

Lorsque le soc de la charrue pntre le sol pour la premire fois

en automne le champ est vide de tout goland et quelques minutes aprs
une nue accompagne le tracteur. Au dbut du labour un oiseau
dcouvre la source de nourriture et trs rapidement un autre arrive et
ainsi de suite. Que sest-il passer ? Cest ce que nous allons comprendre
dans ce sujet

II.UN PEU DHISTOIRE

 L'optimisation par Essaim de particule (OEP) ou bien (PSO Particle swarm
optimization), a t invente par Russel Eberhart (ingnieur en lectricit) et James
Kennedy (socio-psychologue) en 1995. Au dpart J. Kennedy et R. Eberhart
cherchaient simuler la capacit des oiseaux voler de faon synchrone et leur
aptitude changer brusquement de direction tout en restant en une formation
optimale. Le modle quils ont propos ensuite t tendu en un algorithme
simple et efficace doptimisation.

III.DEFINITIONS
III.1.Optimisation Par Essaims de Particule :
L'optimisation 1 par Essaim de particule (OEP) ou bien (PSO Particle swarm
optimization) est une technique utilise pour explorer l'espace de recherche d'un problme
quelconque pour trouver l'ensemble des paramtres qui maximise/minimise un objectif
particulier. Cet objectif est atteint en suivant un algorithme ddi que lon verra par la suite.

III.2.Notion de voisinage :
Le voisinage constitue la structure du rseau social. Les particules
lintrieur dun voisinage communiquent entre-elles. En gnral, pour une nue
doiseaux, le voisinage suit trois types de topologies :
Topologie en toile (Figure1 (a)) : le rseau social est complet, donc une
communication complte et une attirance vers la meilleure particule.
Topologie en anneau (Figure1 (b)) : chaque particule communique avec n
voisines immdiates. Chaque particule tend se dplacer vers la meilleure
dans son voisinage local.
Topologie en rayon (Figure1 (c)) : une particule "centrale" est connecte
toutes les autres. Seule cette particule centrale ajuste sa position vers la
meilleure, si cela provoque une amlioration linformation est propage aux
autres.

Figure 1 : diffrents types de topologie pour un essaim de particules.

1 : L'optimisation est le mcanisme par lequel on trouve la valeur maximale ou minimale d'une
fonction. Ce mcanisme est utilis dans plusieurs domaines tels que: la physique, chimie, l'conomie,
et linformatiqueetc. o le but est de maximiser l'efficacit, la productivit et d'autre mesures.
IV.LALGORITHME PSO
 Chaque particule reprsente une solution potentielle dans lespace de
recherche. La nouvelle position dune particule est dtermine en fonction de sa
propre valeur et celle de ses voisines. Soit x i ( t ) la position de la particule Pi au
temps t, sa position est modifie en ajoutant une vitesse v i (t ) sa position
courante :
x i ( t )=
x i ( t1 ) + v i (t)
La vitesse de chaque particule est mise jour suivant l'quation suivante:
v i(t+1)= v i(t)+c 1 r 1[ x p i( t)x i(t )]+c 2 r 2[g (t)x i(t)]

vi(t) est la vitesse de particule i l'instant t et x i(t) est la position de particule i

l'instant t, les paramtres w, c 1, et c2 (0 w 1.2, 0 c1 2, et 0 c2 2) sont des
coefficients constants fixs par l'utilisateur, r1 et r2 sont des nombres alatoires tirs
chaque itration, g(t) est la meilleure solution trouve jusqu' l'instant t et xpi(t) est
la meilleure solution trouve par le particule i. Cest le vecteur vitesse qui dirige le
processus de recherche et reflte la "sociabilit" des particules.
Les variables et paramtres de lalgorithme :
N nombre de particules
x i ( t ) Position de la particule Pi

v i vitesse de la particule Pi

pbesti Meilleure fitness obtenue pour la particule Pi
x pbest Position de la particule Pi pour la meilleure fitness
i

x gbest Position de la particule ayant la meilleure fitness de toutes

i

1 , 2 valeurs alatoires positives

Initialisations :
Initialiser alatoirement la population.
Traitement :
Rpter
Pour i de 1 N faire
Si F( x i )> pbest i ) Alors

pbesti F ( x i)
x pbest

i
xi

Fin Si
Si F( x i )>gbest i ) Alors

gbesti F ( x i)
x gbest

i
xi
Fin Si
Fin Pour
Pour i de 1 N faire
x pbest x gbest

i i
xi

vi
v i+ 1 x i + 2

xi
xi + vi
Fin Pour
Jusqu ce que (le processus converge)
 La variation de la vitesse est proportionnelle lloignement dune solution
par rapport la solution globale.
Les variables alatoires 1 et 2 peuvent tre dfinies de la faon suivante :

{ 1=r 1 c 1
2=r 2 c 2
r 1 et r 2 suivent une loi uniforme sur [0..1] et c 1 et c 2 sont constantes et
reprsentent une acclration positive, avec c 1+ c 2< 4.
Le critre de convergence peut tre un nombre fixe ditrations, suivant la
fitness ou bien la variation lorsquelle tend vers 0.
On remarque quil y a Six paramtres qui rentrent en ligne de compte :
1. La dimension du problme.
2. Le nombre de particules.
3. Les valeurs des coefficients .
4. La taille du voisinage.
5. La vitesse maximale.
6. Linertie.

La vitesse peut tre limite par une vitesse maximale V max et une vitesse
minimale V min pour viter que les particules se dplacent trop rapidement ou trop
lentement dune rgion une autre dans lespace de recherche.
Un facteur dinertie peut tre appliqu la vitesse Pour contrler linfluence
de celle-ci.

V.APPLICATION DE LALGORITHME PSO

Nous allons dans ce titre appliquer la notion des essaims de particules dans
un problme de maximisation, on va essayer de trouver le maximum global dune
fonction en appliquant la thorie des PSO. Limplmentation de ce projet t
raliser laide du logiciel DELPHI7 qui utilise comme langage de programmation
le pascal orient objet.

La fonction en question scrit de la forme :

x
exp sin ( 10 x )

La courbe dcrite par cette fonction est reprsente dans la figure qui suit (Figure 2)
 Figure 2 : Reprsentation de la courbe : expx ( 1+ sin ( 10 x )) .

Pour commencer, nous allons gnrer une population de particules rparties

alatoirement sur le graphe.

La courbe reprsente la fonction sous 20 points, et nous choisissant de

prendre une population de 5 particules pour cette exprience.

Comme paramtres, r 1 et r 2 qui suivent une loi uniforme sur [0..1], et on

a pris la valeur de 2 pour c 1 et c 2 (acclration positive maximale)

Le paramtre qui influx sur la vitesse est trs important, celui-ci not et
qui reprsente le facteur dinertie comme dit prcdemment a t fix 0.8 aprs
plusieurs essais exprimentales.

La figure 3 montre la gnration de la population et sa position sur le graphe.

Figure 3 : Reprsentation de la population de particules.

On remarque ds le dbut que la population se rapproche instinctivement

vers la solution optimale globale comme montr dans la figure 4.
 Figure 4 : Reprsentation de la population de particules litration 5.
Plus on avance dans le nombre ditrations plus les particules se rapprochent
de loptimale, et ds quune des particules la atteint les autres ne tardent pas a la
suivre pour enfin la rejoindre dans loptimum globale la position 3 avec la valeur
1.03781 vers litration 180 comme montr dans la figure 5.

Figure 5 : Rsultat de la lalgorithme PSO.

VI.AUTRE DOMAINES DAPPLICATIONS

Dans ce projet, nous avons vu lutilisation des PSO dans la recherche dun
optimum pour une fonction donn, mais cet algorithme qui est lui-mme tir de la
notion quutilise les nue doiseaux pour se dplacer stend encore bien loin.
Citons quelques uns :

La restauration dimage qui est converti en un problme doptimisation et

qui, dans ce cas, prsente une fonction cot et qui doit tre optimise. La
solution qui donne la valeur optimale constitue limage dsire.
Recherche de minimas dans les missions de champs magntique.
Le principe de la nue d'oiseaux est un nouveau concept de direction
d'entreprise ; celui-ci place l'individu et les valeurs au centre de l'intrt et
intgre une attitude de direction.
 COCLUSION

Les mta-heuristiques constituent une stratgie de

rsolution de plus en plus privilgie. Une des particularits
importantes des mta-heuristiques, rside dans l'absence
d'hypothses particulire sur la rgularit de la fonction
objective. Aucune hypothse sur la continuit de cette fonction
n'est requise, ses drives successives ne sont pas ncessaires,
ce qui rend trs vaste le domaine d'application.

L'optimisation par essaims de particules prsente un fort

potentiel d'application pratique, mais le choix de paramtres
reste l'un des problmes de l'optimisation par particules
d'essaim, c'est trs difficile de trouver des bons paramtres
adapts la structure du problme.

Les rsultats obtenues par PSO sont trs satisfaisant et

confirment bien la validit de lalgorithme, sa simplicit
dimplmentation lui donne un avantage consquent,
nanmoins par lexprimentation, on a remarqu que la qualit
des solutions ne peut tre garantie mme en augmentant le
nombre ditrations.
 REFERENCES
Jerome Onwunalu, Louis J. Durlofsky, Application of a particle swarm optimization
algorithm for determining optimum well location and type , Smart Fields Meeting, 8
Avril 2009.

Maurice Clerc, Loptimisation par essaim particulaire , 2003.

Antoine Dutot et Damien Olivier, Optimisation par essaim de particules Application

au problme des n-Reines , Laboratoire Informatique du Havre, Universit du Havre,
25 rue Philippe Lebon, 76600 Le Havre.

James Blondin, Particle Swarm Optimization: A Tutorial , 4 Septembre 2009.