L’évaluation des métaheuristiques joue un rôle important dans le développement de nouveaux algorithmes pour les problèmes d’optimisation. Cependant, plusieurs études dans le domaine critiquent le manque de rigueur méthodologique dans plusieurs études de cas. L’implémentation de cadres d’analyse améliorés est proposée comme une réponse adéquate à ce problème.
Cette recherche étudie la faisabilité de ce principe en implémentant les recommandations de bonnes pratiques méthodologiques comme l’intégration d’analyses statistiques comme des études de régression entre la classification d’un problème et la performance des métaheuristiques à le résoudre. L’importance d’utiliser des études contrôlées est reconnue comme étant nécessaire pour assurer que les résultats soient fiables et répétables.
Des méthodes de classification des problèmes de test en catégories basées sur des caractéristiques calculées de la librairie FLACCO (Feature-Based Landscape Analysis of Continuous and Constrained Optimization) native au langage R sont présentées. La sélection des paramètres d’évaluation, des instances de problèmes de test et des méthodes statistiques est aussi traité. Un cadriciel nommé Metaheuristics Design and Analysis Framework (MDAF), fut augmenté et testé avec une étude de cas présenté à la fin de ce mémoire.
Il en ressort que l’évaluation de la performance d’algorithmes d’optimisation permet de déterminer des paramètres efficaces pour les études d’optimisation sur des fonctions spécifiques.
| Date | 21 mars 2022 |
|---|
| langue originale | Anglais américain |
|---|
| Établissement diplômant | - École de technologie supérieure
|
|---|
| Superviseur | Alain April (Directeur(-trice)) |
|---|
- métaheuristiques
- optimisation mathématique
- optimisation stochastique
- cadre d’analyse
Ehounou, R. (Auteur(e)),
April (Directeur(-trice)),
21 mars 2022Thèses et mémoires: Mémoire de maîtrise › Maîtrise en ingénierie: Génie