Contribution à la visualisation des connaissances par des graphes dans une mémoire d'entreprise : application sur le serveur Atanor

• Auteur / Autrice : Bruno Pinaud
• Direction : Henri Briand, Pascale Kuntz-Cosperec
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance en 2006
• Etablissement(s) : Nantes
• Ecole(s) doctorale(s) : École doctorale sciences et technologies de l'information et des matériaux (Nantes)

Mots clés

Mots clés contrôlés

Algorithmes génétiques

Gestion des connaissances

Optimisation combinatoire

Résumé

Un système de gestion des connaissances tel qu'Atanor qui est orienté vers le déploiement des connaissances dans un contexte opérationnel a besoin d'interfaces de visualisation des connaissances efficaces. Actuellement, le modèle d'arbres utilisé n'est pas satisfaisant à cause de redondances de sommets trop nombreuses. Pour résoudre ce problème, nous proposons un modèle basé sur des graphes en niveaux. Sa représentation visuelle pose un problème d'optimisation combinatoire que nous résolvons par un algorithme génétique qui possède deux particularités : un croisement composé de deux opérateurs spécifiques au problème et une hybridation par une recherche locale. Les expérimentations montrent que l'algorithme génétique surpasse les méthodes exactes classiques ainsi que les autres métaheuristiques que nous connaissons. La comparaison des deux modèles de représentation de connaissances montre que les graphes améliorent non seulement la lecture mais aussi l'exploitation des modèles.

A knowledge visualization system such as Atanor, which is knowledge-deployment-oriented in an operational context for complex systems, needs efficient knowledge visualization interfaces. Currently, the tree model in use is not satisfactory because of too many vertices redundancies. To solve this problem, we propose a new hierarchical graph-based model. Its visual representation raises a combinatorial optimization problem which is solved by a genetic algorithm with two particularities: the crossover is made with two problem-based operators and a hybridization resulting from a local search strategy. Computational experiments show that the genetic algorithm outperforms the classical exact methods and the other metaheuristics, both on results quality and computation time. The comparison of the knowledge visualization methods shows that graphs facilitate the reading and enhance the exploitation of the knowledge models.