Hover bee on a leaf

1
Optimisation par la méthode des
abeilles Présenté par MOUSSA Hadjer. Option
RFIA.
Free Powerpoint Templates
2
Sommaire

• Introduction.
• Historique.
• Comportement des abeilles.
• Algorithme.
• Exemple dapplication.
• Conclusion.

3
Introduction

• La méthode des abeilles est une méthode
  doptimisation inspirée du comportement
  intelligent de labeille lors de la récolte du
  nectar.
• Abeille insecte sociale, très
  organisée.
• trois types dabeilles ouvrière,
  faux-bourdons,
• une seule reine.
• trois types de butineuses
  active, inactives,
• éclaireuse.
• But système
  multi-agents. Processus de
• résolution réalisé
  par linteraction entre
• ces agents.

4

Historique

• 2004, HONEY-BEE CRAIG A.TOVEY, SUNIL NAKRANI
• à GEORGIA TECH
• 2004-2005, VIRTUAL BEE ALGORITHM
  XIN-
• SHE YANG à CAMBRIDGE
• 2005, HONEY-BEE MATING
• OPTIMIZATION HADDAD,
  AFSHAR et
• leurs collègues
• 2006, ARTIFICIAL BEE
  COLONY
• B.BASTURK,
  D.JARABOGO en Turquie

5
Comportement des abeilles

• Principe de base coopération entre les
  abeilles, faite par la communication via une
  danse, pour transmettre des informations sur les
  sources de nourriture.
• Deux types de danse
• - Danse en rond -gt pollen
  à faible distance.
• - Danse frétillante -gt à
  moins de 10 Km.

6
Algorithme

• Initialiser la
  population avec n solutions aléatoires.
• Evaluer la fitness de la
  population.
• Tant que le critère
  darrêt nest pas satisfait faire
• Recruter des
  abeilles -gt rechercher de nouvelle source
• de nourriture.
  
• Evaluer la
  fitness de la population.
• Si un membre de
  la population ne sest pas amélioré
• faire
  enregistrer la solution et remplacer la par une
  
• 
  solution aléatoire.
• Trouver S
  solutions aléatoires et remplacer les S
  
• membres de la
  population qui ont la mauvaise fitness.
• Fin Tant que.
• Retourner la
  meilleure solution.

7
Exemple dapplication
8
Exemple dapplication
Génération aléatoire dune population initiale à
n10 Solutions. Cette étape est faite par les
éclaireuses.
9
Exemple dapplication
Evaluer la fitness de la population. Construire
un tableau. Choisir m5 sites parmi lesquels e2
sont meilleurs.
1 2 3 4 5 6 7 8 9 10
80 78 75 72 69 66 65 60 59 58
10
Exemple dapplication
Recrutement aléatoire des abeilles. n14 ,
n22. Evaluer la fitness de chaque site. Choisir
la meilleur abeilles de chaque site -gt former une
nouvelle population.
11
Exemple dapplication
La nouvelle population m meilleurs solutions
précédentes m autres solutions aléatoire.
12
Exemple dapplication
À la fin des itération meilleure solution
(solution optimale de la fonction).
13
Conclusion
Avantage
Très efficace dans la recherche des solutions
optimales. Surmonte le
problème de loptimum local.
Facile à implémenter.
Inconvénients
Lutilisation de plusieurs paramètres réglables.
Sensible à des problèmes
extrêmement difficiles.
Lalgorithme à une robustesse remarquable,
produisant des
taux de réussite de 100 dans tans les cas quil
la traité.
Un des meilleurs
techniques concernant la rapidité
dans loptimisation et la
précision des résultats
obtenus.
14
Références bibliographiques
1 www. scholarpedia.org/article/Artificial_bee_c
olony_algorithm. 2 Dervis Karaboga, Bahriye
Basturk, A powerful and efficient algorithm for
numerical function optimization artificial bee
colony (ABC) algorithm. Springer ScienceBusiness
Media B.V. 2007 3 R. Fonseca, M. Paluszewski
and P. Winter, Protein Structure Prediction Using
Bee Colony Optimization Metaheuristic, Dept. of
Computer Science, University of Copenhagen
Universitetsparken 1 DK-2100 Copenhagen
Denmark. 4 Dusan Teodorovic, Bee Colony
Optimization (BCO), University of Belgrade,
Faculty of Transport and Traffic Engineering,
Vojvode Stepe 305 11000 Belgrade, Serbia. 5
Xin-She Yang, Nature-Inspired Metaheuristic
Algorithms, Luniver Press.