1. Introduction
Définition : La recherche locale guidée (GLS) est un algorithme
métaheuristiques dont le but est d'aider la recherche locale pour échapper
à des optima locaux [2].
Historique : cette méthode a été proposé par Christos Voudouris ,
Edward Tsang : Department of Computer Science, University of Essex,
Colchester[1]
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) et
problème d'affectation quadratique (QAP).
2. Métaheuristiques
Une métaheuristique est un algorithme d’optimisation visant à résoudre des
problèmes d’optimisation difficile (souvent issus des domaines de la recherche
opérationnelle, de l'ingénierie ou de l'intelligence artificielle) pour lesquels on ne
connaît pas de méthode classique plus efficace.
Les métaheuristiques sont généralement des algorithmes stochastiques itératifs,
qui progressent vers un optimum global, c'est-à-dire l'extremum global d'une
fonction, par échantillonnage d’une fonction objectif. 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
(d'une manière proche des algorithmes d'approximation)[3].
3. La Recherche Locale :
La recherche locale est la base de nombreuses méthodes métaheuristiques pour
des problèmes d'optimisation combinatoire, dans la méthode 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 induit une topologie sur l’espace de
recherche. La méthode de recherche locale la plus élémentaire est la méthode de
descente. Elle peut être décrite comme suit[4].