Optimisation multi-objectives d’une infrastructure réseau dédiée aux bâtiments intelligents

Multi-objective optimization of a network infrastructure dedicated to smart buildings

• Auteur / Autrice : Mohamed Amin Benatia
• Direction : Abdelkhalak El Hami, Anne Louis
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 13/12/2016
• Etablissement(s) : Rouen, INSA
• Ecole(s) doctorale(s) : École doctorale sciences physiques mathématiques et de l'information pour l'ingénieur (Saint-Etienne-du-Rouvray, Seine-Maritime ; ....-2016)
• Partenaire(s) de recherche : Equipe de recherche : Centre d'études supérieures industrielles (Rouen - Mont-Saint-Aignan)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de mécanique de Normandie (Saint-Etienne-du-Rouvray, Seine-Maritime ; 1993-....) - Laboratoire d'innovation numérique pour les entreprises et les apprentissages au service de la compétitivité des territoires (Saint-Etienne-du-Rouvray, Seine-Maritime)
• Partenaire(s) de recherche : : Normandie Université (2015-....)
• Jury : Président / Présidente : Abdellah El Moudni
• Jury : Examinateurs / Examinatrices : Abdellah El Moudni, Noureddine Zerhouni, Farouk Yalaoui, Nabil Absi, David Baudry, M'hamed Sahnoun
• Jury : Rapporteurs / Rapporteuses : Noureddine Zerhouni, Farouk Yalaoui

Mots clés

Mots clés contrôlés

IEEE 802.15.4 (norme)

Réseaux neuronaux (informatique)

Métaheuristiques

Algorithmes optimaux

Immeubles intelligents

Réseaux de capteurs (technologie)

Mots clés libres

Réseaux de capteurs sans-fil

RCSF

Algorithme d'optimisation multi-objectif hybride

Algorithme de classification K-means

Wireless sensor network

Building application

Artificial neural networks

Résumé

Au cours de cette thèse, nous avons étudié le problème de déploiement des Réseaux de Capteurs Sans-Fil (RCSF) pour des applications indoor tel que le bâtiment intelligent. Le but de notre travail était de développer un outil de déploiement capable d'assister les concepteurs de RCSF lors de la phase de déploiement de ces derniers. Nous avons commencé cette thèse par la modélisation de tous les paramètres qui interviennent lors du déploiement des RCSF, à savoir : coût, connectivité, couverture et durée de vie. Par la suite, nous avons implémenté cinq algorithmes d'optimisation, dont trois multi-objectifs afin de résoudre le problème de déploiement. Deux cas d'études réelles (grande et petite instance) ont été identifiés afin de tester ces algorithmes. Les résultats obtenus ont montré que ces algorithmes sont efficaces quand il s'agit d'un petit bâtiment (petit espace). Par contre, dès que la surface du bâtiment augmente les performances des algorithmes étudiés se dégradent. Pour répondre à cela, nous avons développé et implémenté un algorithme d'optimisation multi-objectifs hybride. Cet algorithme se base sur des notions de clustering et d'analyse de données afin de limiter le nombre d'évaluations directes qu'entreprennent ces méthodes pendant chaque itération. Afin d'assurer cette limitation d'évaluation les fonctions de fitness sont approximées grâce aux réseaux de neurones et l'algorithme de classification K-means. Les résultats obtenus ont montré une très bonne performance sur les deux instances de tailles différentes. Ces résultats ont été comparés à ceux obtenus avec les méthodes classiques utilisées et sont compétitives et prometteuses.

In this thesis, we studied the Wireless Sensor Network deployment for indoor environments with a focus on smart building application. The goal of our work was to develop a WSN deployment tool which is able to assist network designers in the deployment phase. We begin this thesis with network modeling of all the deployment parameters and requirement, such as : cost, coverage, connectivity and network lifetime. Thereafter, we implement five optimisation methods, including three multi-objective optimization agorithms, to resolve WSN deployment problem. Then, two realistics study cases were identified to test the performances of the aforementioned algorithms. The obtained results shows that these algorithms are very efficient for deploying a small scale network in small buildings. However, when the building surface becomes more important the algorithms tends to converge to local optimum while consuming high processing time. To resolve this problem, we develop and implement a new Hybrid multi-objectif optimization algorithm wich limits the number of direct evaluation. This algorithm is based on data-mining methods (Artificial Neural Networks and K-means) and tries to approximate the fitness value of each individual in each generation. At every generation of the algorithm, the population is divided to K clusters and we evaluate only the closest individual to cluster centroide. The fitness value of the rest of population is approximated using a trained ANN. A comparative study was made and the obtained results show that our method outperformes others in the two sudy cases (small and big buildings).