La Recherche Locale Guidée (GLS)

Spécialité : Informatique
Option : (RF-IA)
EXPOSE DE OA
Titre: La Recherche Locale Guidée (GLS)
Sous la direction de : Pr. BENYETTOU
MOHAMMED
Réaliser par : TIDJANE MOHAMMED
1.Introduction
 Définition & Historique & domaine d’application
2. Métaheuristiques
3. La Recherche Locale
 Structure de voisinage et minimum local & minimum
global
4. Recherche Locale Guidée
 Principe de Algorithme
5. Les avantages & les inconvénients de GLS
6. conclusion
 Définition :La recherche locale guidée (GLS) est un
algorithme métaheuristiques dont le but est d'aider la
recherche locale pour échapper à des optimums
locaux.
 Historique : cette méthode a été proposé par
Christos Voudouris , Edward Tsang :Department of
Computer Science, University of Essex, Colchester.
 Domaine d’application: La méthode de recherche
locale guidée a été appliquée avec succès à un certain
problème d’optimisations difficiles comme le
problème du voyageur de commerce (TSP) .
Une métaheuristique :
 est un algorithme d’optimisation visant à résoudre
des problèmes d’optimisation difficile (souvent issus
des domaines de la recherche opérationnel , ou de
l’intelligence artificielle.
Sont généralement des algorithmes stochastique
itératifs, qui progressent vers un optimum global,
(Elles se comportent comme des algorithmes de
recherche, tentant d’apprendre les caractéristiques
d’un problème afin d’en trouver une approximation de
la meilleure solution)
 La recherche locale est la base de nombreuses
méthodes métaheuristiques pour des problèmes
d'optimisation combinatoire, dans la méthode de
recherche locale l’ensemble S définit l’ensemble des
points pouvant être visités durant la recherche.
 La structure de voisinage N donne les règles de
déplacement dans l’espace de recherche.
 La fonction objectif f induit une topologie sur l’espace
de recherche.
 Soit S un ensemble de solutions, et f la fonction
objectif
et N structure de voisinage (fonction)
 Un sous-ensemble de S à toute solution s  S.
 Une solution s’  N(s) est dite voisine de s.
 Une solution s  S est un minimum local
relativement à la structure de voisinage N si
f(s) ≤ f(s’) " s’ N(s).
 Une solution s S est un minimum global si f(s) ≤
f(s’) " s’  S.
 1. choisir une solution s∈S
 2. Déterminer une solution s’ qui minimise f dans
N(s).
 3. Si f(s’) < f(s) alors poser s := s’ et retourner à 2.
Sinon STOP
 Remarque :Le principal défaut des méthodes de
descente est qu’elles s’arrêtent au premier
minimum local rencontré.
 GLS consiste à utiliser une technique de recherche
locale dans laquelle la fonction objectif varie durant le
processus de recherche, pour rendre les minimums
locaux déjà visités moins attractifs.
 La recherche locale guidée utilise la fonction objectif
suivent :
 Pour ce faire, notons {A1,…,Am} un ensemble de m




attributs utilisés pour discriminer les solutions de S.
Pour le problème du voyageur de commerce, on peut
par exemple associer un attribut à chaque arête du
graphe et dire qu’une tournée possède l’attribut A si
l’arête e fait partie de la tournée.
Soit wi le poids de l’attribut Ai.
Et soit di(s)une variable qui vaut 1 si s possède
l’attribut Ai, et 0 sinon.
lest un paramètre qui permet de faire varier l’importance
du deuxième terme de cette fonction.
 1. Choisir une solution sS; poser s*:=s;
 2. Tant qu’aucun critère d’arrêt n’est satisfait faire
 3. Appliquer une Recherche Locale à s avec f’ comme




fonction objectif; soit s’ la solution ainsi obtenue;
4. mettre à jour les poids wi
5. poser s:=s’;
6. Si f(s) < f(s*) alors poser s*:=s
7. Fin du tant que
Les Avantages :
 Simple à utilisée puisqu’elle est basée sur un principe
simple.
 Il s’applique à un grand nombre de problèmes
d’optimisation combinatoire .
 Elle est efficace : les meilleures solutions sont obtenues
en un temps de calcul modéré.
les inconvénients:
 · Elle est souvent moins puissante que des méthodes
exactes sur certains types de problèmes.
 · Elle ne garantie pas non plus la découverte d’un
optimum global en un temps fini.
 GLS est un régime de recherche intelligent pour des
problèmes d'optimisation combinatoire, il a été
appliquée à un nombre non négligeable de problèmes,
notamment: des problèmes artificiels, des problèmes
d'optimisation standard et problèmes de la vie réelle et
obtenu d'excellents résultats dans les deux efficacités
(en termes de vitesse) et l'efficacité (en termes de
qualité des solutions).
 1. European Journal of Operational Research. Guided local








search and its application to the traveling salesman problem.
2. Christos Voudouris , Edward Tsang . An introduction guided
local search.
3. Introduction aux métaheuristiques. École Évolution
Artificielle,
4. Daniel Porumbel, Jin Kao Hao, Pascale Kuntz..recherche local
guide pour la coloration des graphes.
5. Christos Voudouris. Guided Local Search: An Illustrative
Example in
Function Optimisation
Sites Internet :
http://www.univ-valenciennes.fr/LGIL/sevaux/
http://tew.ruca.ua.ac.be/eume/