Algorithmes de fourmis artificielles : applications à la classification et à l'optimisation

par Nicolas Monmarché

Thèse de doctorat en Informatique

Sous la direction de Gilles Venturini.

Soutenue en 2000

à Tours .


  • Résumé

    Dans ce travail de thèse, nous présentons les travaux s'inspirant des fourmis réelles pour la résolution de problèmes en informatique. Nous proposons deux approches supplémentaires de ces nouvelles inspirations biomimétiques. La première reprend certains travaux en classification non supervisée et étend ces principes dans plusieurs directions. L'algorithme anticlass développé à cette occasion est hybride dans le sens ou la recherche du nombre de classes est effectué par des fourmis artificielles et qu'un algorithme classique en classification, les centre mobiles est utilisé pour gommer les erreurs de classification inhérentes à une méthode stochastique telle que les fourmis artificielles. Après avoir souligné les ressemblances et differences entre les approches évolutionnaires et celles à base de population de fourmis et propose un modèle commun, nous nous inspirons de la stratégie de recherche de nourriture d'une espèce de fourmis (Pachycondyla Apicalis) pour résoudre des problèmes d'optimisation globale. L'apport de cette adaptation réside principalement dans sa simplicité. Nous appliquons l'algorithme qui en découle, appellé API, a des problèmes variés tels que l'optimisation de fonctions numériques, l'apprentissage de chaines de Markov cachées ou des poids d'un réseau de neurones artificiels , ou encore à un problème d'optimisation combinatoire classique : le problème du voyageur de commerce.


  • Résumé

    In this thesis, we present works inspired by real ants for the resolution of well known problems in computer science. We propose two supplentary approaches to these new biomimetic inspirations. The first resumes works on clustering and widens their principles in several directions. The ANTCLASS algorithm, developed for occasion, is hybrid in the way that the artificial ants search for the number of clusters and a classic classification algorithm, the K-means algorithm, is used to reduce classification errors inherent to a stochastic method such as artificial ants. After underlying similarities and differences between the evolutionnary approaches and those based on a population of ants, we propose a common model. We finally use the pachycondyla acalis ants' strategy to search for food to solve global optimization problems. The contribution of this adaptation mainly lies in its simplicity. We apply the ensuring algorithm, called API, to various problems such as the optimisation of numerical functions, the learning of hidden Markov models, the learning of the weights of an artificial neural network, or also to a classical combinatorial optimization problem : the traveling salesman problem.

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 226 p.
  • Annexes : Bibliogr. p. 193-208. Index

Où se trouve cette thèse ?