Design of hybrid metaheuristics for real-world continuous optimization problems

Conception des métaheuristiques hybrides pour les problèmes d'optimisation continus et réels Les métaheuristiques sont des approches stochastiques permettant de fournir de meilleures solutions dans un temps raisonnable. Cependant, aucun algorithme ne peut résoudre tous les problèmes à l'optimalité. Dans mon sujet de thèse, nous nous intéressons à proposer de nouveaux algorithmes qui peuvent être adaptés à un grand nombre d'applications. Pour ce faire, nous nous intéressons à :I- Des nouveaux modèles d'hybridation : car elle permet de bénéficier des avantages de deux ou plusieurs algorithmes. Plusieurs modèles d'hybridation ont été proposées. Nous essayons de trouver la meilleure hybridation permettant d'exploiter les algorithmes étudiés.2- L'auto-adaptation des paramètres des métaheuristiques : nous nous intéressons à des nouvelles stratégies d'auto-adaptation qui permettent à l'algorithme de trouver par lui-même des valeurs de paramètres qui soient adaptées autant que possible au problème en cours de résolution.3- L'intégration des approches d'apprentissage : L'intégration des techniques de «Machine Leaming » au sein des algorithmes existants est devenue un axe de recherche très important. En effet, plusieurs algorithmes ont exploité ces techniques sur des contextes différents comme l'initialisation de population, la classification des solutions et le choix entre les opérateurs de recherche. De plus, de nombreux problèmes sont coûteux à résoudre. II est cependant possible de raccourcir le temps de calcul en utilisant des modèles de substitution (surrogate models) au lieu de faire systématiquement appel à la fonction objective.