Université des Sciences Et de la Technologie d’ORAN Mohamed Boudiaf USTO Faculté des Sciences — Département d’informatique 2er année Master (RFIA) Module optimisation avancée Titre: La Recherche Locale Guidée (GLS) Professeur Mr BENYATTO Mohamed Présenté par TIDJANI Mohamed Plan : 1. Introduction Historique & Définition & domaine d’application 2. Métaheuristiques 3. La Recherche Locale Structure de voisinage et minimum local & minimum global 4. Recherche Locale Guidée Algorithme 5. Les avantages & les inconvénients de GLS 6. conclusion 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]. Structure de voisinage et minimum local & minimum global Structure de voisinage Une structure de voisinage (ou tout simplement un voisinage) est une fonction N qui associe 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’) pour tout s’∈N(s). Une solution s∈S est un minimum global si f(s)≤ f (s’) pour tout s’∈S. Les métaheuristiques sacrifient la garantie d’optimalité ou d’approximation avec en contrepartie l’espoir de trouver très rapidement de bonnes solutions dans S. Minimum local/global : 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. Algorithme (Méthode de descente) : 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 Une variante consiste à parcourir N(s) et à choisir la première solution s’ rencontrée telle que f(s’)< f(s) (pour autant qu’une telle solution existe). Le principal défaut des méthodes de descente est qu’elles s’arrêtent au premier minimum local rencontré. Tel que déjà mentionné, un minimum local pour une structure de voisinage ne l’est pas forcément pour une autre structure. Le choix de N peut donc avoir une grande influence sur l’efficacité d’une méthode de descente. Pour éviter d’être bloqué au premier minimum local rencontré, on peut décider d’accepter, sous certaines conditions, de se déplacer d’une solution s vers une solution s’∈N(s) telle que f(s’) f(s). C’est ce que fait la méthode de recherche local guidée. 6. Recherche Locale Guidée : La recherche locale guidée (GLS) est un algorithme métaheuristiques dont le but est d'aider recherche locale pour échapper à des optima locaux comme par exemple Recuit simulé. L'aidée de base est d’augmenter la fonction objective avec des sanctions, qui dirige la recherche loin de locaux optimale. GLS consiste à utiliser une technique de recherche locale dans laquelle la fonction objective varie durant le processus de recherche, le but étant de rendre les minima locaux déjà visités moins attractifs. Le principe est illustré ci-dessous[4]. Pour ce faire, notons {A1,…,Am} un ensemble de m attributs utilisés pour discriminer les solutions de S. Par exemple, pour la coloration des sommets d’un graphe, on peut associer un attribut à chaque arête du graphe et on dira qu’une coloration a l’attribut Ae si et seulement l’arête e est en conflit dans la solution. 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 Ae si l’arête e fait partie de la tournée. Soit wi le poids de l’attribut Ai et soit di(s)une variable qui vaut 1 si s possède l’attribut Ai, et 0 sinon. La Recherche Locale Guidée utilise la fonction objective suivante : Où l est un paramètre qui permet de faire varier l’importance du deuxième terme de cette fonction. On peut modifier les poids wi au cours de l’algorithme. En règle général, lorsqu’on se déplace d’une solution s vers une solution voisine s’, on augmente le poids des attributs de s’. Différentes stratégies de modifications de poids sont possibles. ALGORITHME DE RECHERCHE LOCALE GUIDÉE 1. Choisir une solution sÎS; 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 5. Les avantages & les inconvénients de GLS 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. 6. conclusion 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). BLIOGRAPHIE 1.P. Christos Voudouris , Edward Tsang . An introduction guided local search. In S. Voss, S. Martello, I. H. Osman, and C. Roucairol, editors, Meta-heuristics, Advances and trends in local search paradigms for optimization, pages 433-458. Kluwer Academic Publishers.1999. 2. P. Christos Voudouris , Edward Tsang . An introduction guided local search. In F . Glover and G. A. Kochenberger , editors , Handbook of Metaheuristics ,chapter 6. Kluwer , 2003. 3. C. Helmberg and F . Rendl. Solving quadratic (0,1)- problems by semidefinite programs and cutting plantes .Mathematical Programming , 82 :291-315, 1998. 4. N.Mladenovié and P.Hansen. variable neighbourhood search. Comput. Oper . Res .; 4(11) :1097-1100,1997 5.[Net 1] : http://fr.wikipedia.org/wiki/M%C3%A9taheuristique Sites Internet : http://www.univ-valenciennes.fr/LGIL/sevaux/ http://tew.ruca.ua.ac.be/eume/