1 / 23

Jean-Laurent Hippolyte

Un algorithme évolutionniste multiagent asynchrone et auto-adaptatif. Application à l'optimisation de moteur électrique. Jean-Laurent Hippolyte. Un algorithme évolutionniste déployable sur un réseau pair-à-pair. Efficacité des méthodes heuristiques Puissance des réseaux pair-à-pair. Plan.

ilyssa
Download Presentation

Jean-Laurent Hippolyte

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Un algorithme évolutionniste multiagent asynchrone et auto-adaptatif.Application à l'optimisation de moteur électrique. Jean-Laurent Hippolyte

  2. Un algorithme évolutionniste déployable sur un réseau pair-à-pair • Efficacité des méthodes heuristiques • Puissance des réseaux pair-à-pair

  3. Plan • Objectifs • Un algorithme évolutionniste déployable sur un réseau pair-à-pair • Qualités requises • Parallélisme, multiagent, auto-adaptabilité et réinitialisation • Optimisation de moteurs électriques • Optimisation par algorithme évolutionnaire • Méthode utilisée • Smag • Principes • Les états d’un agent • Les transitions entre états • Résultats expérimentaux

  4. Qualités requises • Déployabilité • Adaptation à la charge • Adaptation à la mémoire • Adaptation à la migration • Persistence

  5. Parallélisme, multiagent, auto-adaptabilité et réinitialisation • MAGMA (Multi-Agent Meta-heuristic Architecture) [MR04] • Un agent = une méta-heuristique • Définit une hiérarchie d’agents • Basé sur la combinaison de méta-heuristiques

  6. Parallélisme, multiagent, auto-adaptabilité et réinitialisation • MAGA (Multi-Agent Genetic Algorithm) [ZLXJ04] • Un agent = une solution • Agents évoluent sur un treillis • Basé sur 4 opérateurs génétiques • Compétition • Coopération • Mutation • Apprentissage

  7. Parallélisme, multiagent, auto-adaptabilité et réinitialisation • CoSearch [TB06] • Utilise 3 agents ayant des rôles définis • Un agent principal, un diversificateur, un intensificateur • Échange d’informations par une mémoire adaptative commune

  8. Parallélisme, multiagent, auto-adaptabilité et réinitialisation • Saw-tooth GA [KK06] • Taille de population varie périodiquement • Similarités avec Smag

  9. Optimisation de moteurs électriques • Limites de SQP (Sequential Quadratic Programming) • Algorithmes évolutionnaires appliqués à la conception de machines électriques

  10. Initialization Evaluation Selection Reproduction Stopping criterium Optimisation de moteurs électriques Parameters to be dimensioned Geometrical sizes Magnetic quantities Electrical quantities Power Balance Weight Efficiency

  11. Initialization Evaluation Efficiency Weight Selection Reproduction Stopping criterium Optimisation de moteurs électriques Aggregation Temporary fitness

  12. Initialization Evaluation Efficiency Weight Selection Reproduction Stopping criterium Optimisation de moteurs électriques • Aggregation based evaluation Aggregation Temporary fitness

  13. Initialization Evaluation Selection Reproduction Stopping criterium Optimisation de moteurs électriques Temporary fitness • The evaluation of an unfeasible solution is penalized Constraints Verification Penalization Final fitness

  14. Smag • Smag = Système MultiAgent Génétique • 5 états : • Reproduction • Prédation • Discussion • Négociation • Déplacement

  15. Smag • Les critères de décision de l’agent : • Position dans la grille 2D • Champ de vision / voisinage • Niveau de stress

  16. Smag • Transitions entre états

  17. Smag • Mécanisme de diversification pour prévenir une convergence prématurée • Ajout ou suppression d’agents en fonction de la taille de population

  18. Résultats expérimentaux • Comparaison avec Sawtooth GA sur 4 fonctions classiques

  19. Résultats expérimentaux • Exemple de résultats pour une exécution

  20. Résultats expérimentaux • Exemple de résultats pour 50 exécutions

  21. Conclusions • Smag est un algorithme évolutionniste sans sélection globale et avec une taille de population auto-régulée • Il répond à la plupart des requis pour le déploiement sur réseau P2P • Il fait aussi bien que SQP avec moins de contraintes sur le problème du moteur électrique et mieux que Sawtooth GA sur des fonctions classiques

  22. Perspectives • Faire un Smag multiobjectif • Effectuer le déploiement sur réseau P2P

  23. Références • [KK06] V. K. Koumousis and C. P. Katsaras. A saw-tooth genetic algorithm combining the effects of variable population size and reinitialization to enhance performance. IEEE Transactions on Evolutionary Computation, 10(1):19–28, February 2006. • [MR04] Michela Milano and Andrea Roli. Magma: a multiagent architecture for metaheuristics. IEEE Transactions on Systems, Man, and Cybernetics, Part B, 34(2):925–941, 2004. • [TB06] El-Ghazali Talbi and Vincent Bachelet. Cosearch: A parallel cooperative metaheuristic. Journal of Mathematical Modelling and Algorithms, 5(1):5–22, April 2006. • [ZLXJ04] Weicai Zhong, Jing Liu, Mingzhi Xue, and Licheng Jiao. A multiagent genetic algorithm for global numerical optimization. IEEE Transactions on Systems, Man and Cybernetics, 34(2):1128–1141, April 2004.

More Related