Les algorithmes méta-heuristiques sont un type d'algorithme stochastique permettant de résoudre des problèmes d'optimisation grâce à un compromis entre la randomisation et la recherche locale. De tels algorithmes sont généralement conçus en modélisant le comportement intelligent de certaines espèces. Ils se sont avérés efficaces et simples à comprendre. Ainsi, ils ont été utilisés pour résoudre de nombreux problèmes d'optimisation dans une variété de domaines. Néanmoins, il y a encore place à l'amélioration, comme la facilité d'être piégé dans les optimums locaux ou la lenteur de la vitesse de convergence. Et la gestion précise du compromis entre l'exploration et l'exploitation pour toutes les tâches d'optimisation est toujours un défi. Dans ce contexte, cette thèse s'est concentrée sur une classe d'algorithmes méta-heuristiques représentée par l'algorithme ABC (Artificial Bee Colony) et a proposé une série de variantes améliorées en analysant les caractéristiques et les faiblesses de l'algorithme ABC. De plus, des problèmes ayant une valeur d'application plus élevée sont également pris en compte. Les algorithmes ABC améliorés proposés ont résolu avec succès différents types de problèmes d'optimisation pratiques, y compris des tâches de planification de trajectoire pour un seul robot et multi-robots dans divers environnements.
M. Ahmed RAHMANI Centrale Lille Directeur de thèse M. Yangquan CHEN University of California Rapporteur M. Andreas RAUH Carl Von Ossietzky University of Oldenburg Rapporteur Mme Nathalie MITTON Inria Lille-Nord Europe Examinatrice M. Philippe MATHIEU Université de Lille Examinateur M. Yongguang YU Beijing Jiaotong University Examinateur M. Wei HU Beijing Jiaotong University Invité Mme Sara IFQIR Centrale Lille Invitée
Thesis of the team SoftE defended on 05/12/2022
français
English