Adaptation of the ant colony metaheuristic to hard optimization with continuous variables. Application in biologic and medical engineering.
Adaptation de la métaheuristique des colonies de fourmis pour l'optimisation difficile en variables continues. Application en génie biologique et médical.
Résumé
The ant colony algorithms are inspired by the collective behaviours observed in ant colonies and aim at solving difficult optimization problems.
The first approach to conceive some metaheuristics for the continuous optimization using this metaphor concist in creating a multi-agent system. We thus propose an "interacting ant colony" algorithms (CIAC). The second approach describe these metaheuristics as some methods manipulating a sampling of a probability density. We thus propose an "estimation of distribution" algorithm (CHEDA).
In line with the adaptive memory programming concept, our algorithms are hybridicized with a Nelder-Mead local search (HCIAC). We have afterward adapted this method to continuous dynamic problems (DHCIAC), and proposed a new coherent benchmark.
Our algorithms are finally applied as part of the automatization of the follow-up of eye injury.
The first approach to conceive some metaheuristics for the continuous optimization using this metaphor concist in creating a multi-agent system. We thus propose an "interacting ant colony" algorithms (CIAC). The second approach describe these metaheuristics as some methods manipulating a sampling of a probability density. We thus propose an "estimation of distribution" algorithm (CHEDA).
In line with the adaptive memory programming concept, our algorithms are hybridicized with a Nelder-Mead local search (HCIAC). We have afterward adapted this method to continuous dynamic problems (DHCIAC), and proposed a new coherent benchmark.
Our algorithms are finally applied as part of the automatization of the follow-up of eye injury.
Les métaheuristiques de colonies de fourmis s'inspirent des comportements collectifs observés chez les fourmis pour résoudre des problèmes d'optimisation difficile.
La première approche pour concevoir des métaheuristiques d'optimisation continue en suivant cette métaphore consiste à créer un système multi-agent. Nous proposons ainsi un algorithme de "colonies de fourmis interagissantes" (CIAC). La deuxième approche décrit ces métaheuristiques comme des méthodes manipulant un échantillonnage d'une distribution de probabilité. Nous proposons ainsi un algorithme "à estimation de distribution" (CHEDA).
En accord avec le concept de programmation à mémoire adaptative, nos algorithmes font l'objet d'une hybridation avec une recherche locale de Nelder-Mead (HCIAC). Nous avons ensuite adapté cette méthode à des problèmes continus dynamiques (DHCIAC), pour lesquels nous proposons également un nouveau jeu de test cohérent.
Nos algorithmes sont enfin appliqués dans le cadre de l'automatisation du suivi des lésions de l'oeil.
La première approche pour concevoir des métaheuristiques d'optimisation continue en suivant cette métaphore consiste à créer un système multi-agent. Nous proposons ainsi un algorithme de "colonies de fourmis interagissantes" (CIAC). La deuxième approche décrit ces métaheuristiques comme des méthodes manipulant un échantillonnage d'une distribution de probabilité. Nous proposons ainsi un algorithme "à estimation de distribution" (CHEDA).
En accord avec le concept de programmation à mémoire adaptative, nos algorithmes font l'objet d'une hybridation avec une recherche locale de Nelder-Mead (HCIAC). Nous avons ensuite adapté cette méthode à des problèmes continus dynamiques (DHCIAC), pour lesquels nous proposons également un nouveau jeu de test cohérent.
Nos algorithmes sont enfin appliqués dans le cadre de l'automatisation du suivi des lésions de l'oeil.
Fichier principal
dreo_these_complete.pdf (4.83 Mo)
Télécharger le fichier
dreo_these_soutenance.pdf (5.87 Mo)
Télécharger le fichier
Format : Autre