Hybridation Des Algorithmes Evolutionnaires Multiobjectifs

Les Algorithmes Evolutionnaires (AEs) représentent une famille d’algorithmes fondés sur la théorie Darwinienne. Ils font évoluer une population d’individus vers l’optimum d'une fonction. Ils sont caractérisés par leur capacité de diriger la recherche vers les zones prometteuses. Cependant, ces métaheuristiques possèdent quelques faiblesses. Une façon de les surmonter est de combiner ces AEs avec d’autres méthodes de recherche, ce phénomène est appelé l’hybridation. La plus connue est l’hybridation avec les méthodes de recherche locale (RL) qui ont la capacité à détecter les optima locaux. Le résultat d’une telle hybridation est appelé Algorithme Mémétique (AM). Plusieurs AMs ont montré de très bons résultats dans la résolution de problèmes réels dans un cadre mono-objectif. C’est pour cette raison, la communauté scientifique a opté vers le développement d’AMs pour le cadre multi-objectif. La plupart des AMs multi-objectifs visent la résolution des problèmes réels plutôt que le développement du cadre conceptuel de tels algorithmes. Dans ce travail, nous présentons les problèmes de conception des AMs multi-objectifs. Ainsi, nous développons un AM multi-objectif (PHC-NSGA-II)

Slim Bechikh received the B.S. degree in computer science applied to management and the M.S. degree in modeling from the High Institute of Management of Tunis, University of Tunis, Tunis, Tunisia, in2006 and 2008, respectively. He is currently working towards the Ph.D. degree within the SOIE Laboratory, Tunisia.