Heuristique Méta-heuristique Plan I. Généralisation sur les méthodes approchées II. L’heuristique III. La méta-heuristique 1. Introduction 2. Les propriétés fondamentales des MétaHeuristiques 3. Classification des méthodes IV. La différence entre l’heuristique et la méta-heuristique Généralisation sur les méthodes approchées • Les méthodes approchées ont pour but de trouver une solution admissible en un temps raisonnable, mais sans garantie l’optimalité de cette solution. L’avantage principale de ces méthodes est qu'elles peuvent s'appliquer à n'importe quelle classe de problèmes, faciles ou très difficiles. De plus, elles ont démontré leurs robustesses et efficacités face à plusieurs problèmes d’optimisation combinatoires. • Elles englobent deux classes : Heuristiques & Métaheuristiques Méta-heuristiques • Le mot Méta-Heuristique est dérivé de la composition de deux mots grecs: heuristique qui vient du verbe heuriskein (ευρισκειν) et qui signifie ‘trouver’ meta qui est un suffixe signifiant ‘au-delà’, ‘dans un niveau supérieur’. Méta-heuristiques Une Méta-heuristique peut être définie comme une méthode algorithmique capable de guider et d’orienter le processus de recherche dans un espace de solution (souvent très grand) à des régions riches en solutions optimales dans le but de trouver des solutions, peut-être pas toujours optimales, en tout cas très proches de l’optimum, en un temps raisonnable. Les propriétés fondamentales des Méta-Heuristiques Les propriétés fondamentales des Méta-Heuristiques sont les suivantes: 1. Les méta-heuristiques sont des stratégies qui permettent de guider la recherche d’une solution optimale 2. Le but visé par les méta-heuristiques est d’explorer l’espace de recherche efficacement afin de déterminer des solutions (presque) optimales. 3. Les techniques qui constituent des algorithmes de type métaheuristique vont de la simple procédure de recherche locale à des processus d’apprentissage complexes. 4. Les méta-heuristiques sont en général non-déterministes et ne donnent aucune garantie d’optimalité Les propriétés fondamentales des Méta-Heuristiques 5. Les méta-heuristiques peuvent contenir des mécanismes qui permettent d’éviter d’être bloqué dans des régions de l’espace de recherche. 6. Les concepts de base des méta-heuristiques peuvent être décrit de manière abstraite, sans faire appel à un problème spécifique. 7. Les méta-heuristiques peuvent faire appel à des heuristiques qui tiennent compte de la spécificité du problème traité, mais ces heuristiques sont contrôlées par une stratégie de niveau supérieur. 8. Les méta-heuristiques peuvent faire usage de l’expérience accumulée durant la recherche de l’optimum, pour mieux guider la suite du processus de recherche. Classification des méthodes Il existe plusieurs façons de classer les métaheuristiques. On en donne quelques une, et nous adopterons celle faisant la différence entre les méthodes de trajectoire et les méthodes basées sur une population. Méthodes de trajectoire : Manipulent un seul point `a la fois et tentent itérativement d’améliorer ce point. Elles construisent une trajectoire dans l’espace des points en tentant de se diriger vers des solutions. Par exemple : La recherche locale. Le recuit simulé [Kirkpatrick et al., 1983]. La recherche tabou [Glover, 1986]. La recherche à voisinages variables (VNS) [Mladenovi´c et Hansen, 1997]. Méthodes qui travaillent avec une population de points : en tout temps on dispose d’une “base” de plusieurs points, appelée population. L’exemple le plus connu est l’algorithme génétique. Classification des méthodes Les métaheuristiques qui s’inspirent de phénomènes naturels. Par exemple, les algorithmes génétiques et les algorithmes des fourmis s’inspirent respectivement de la théorie de l’évolution et du comportement de fourmis à la recherche de nourriture. Les autres, comme la méthode tabou qui n’a semble-t-il pas été inspirée par un phénomène naturel – même si il y a l’utilisation d’une mémoire.
