A proposed framework for the design and analysis of metaheuristics

Résumé

Cette thèse de doctorat propose une évaluation critique et une amélioration des pratiques méthodologiques dans la recherche sur les métaheuristiques. Ces algorithmes stochastiques de type « boîte noire » sont largement utilisés pour résoudre des problèmes NP-complets, tels que l’optimisation de tournées de véhicules, l’entraînement de réseaux neuronaux ou la conception de structures aérospatiales. Malgré leur popularité, la littérature révèle un manque de rigueur méthodologique, de transparence et de reproductibilité, compromettant la validité scientifique des résultats publiés. Pour répondre à ces lacunes, la recherche s’appuie sur trois études complémentaires : (1) une analyse critique de l’algorithme de la chauve-souris, démontrant ses similitudes structurelles avec des méthodes antérieures et l’absence de preuves robustes de sa supériorité; (2) une investigation des effets des cartes chaotiques, révélant que les gains de performance rapportés dans la littérature sont souvent dus à des effets de séquence plutôt qu’à des propriétés intrinsèques; (3) une évaluation quantitative des pratiques statistiques dans articles scientifiques récents, mettant en évidence des insuffisances systématiques dans l’usage des tests d’hypothèse, des tailles d’effet et des intervalles de confiance. À partir de ces constats, la thèse propose le Metaheuristics Design and Analysis Framework (MDAF), un cadre méthodologique structuré qui intègre des lignes directrices pour la conception expérimentale, l’analyse statistique et la présentation des résultats. L’adoption du MDAF vise à renforcer la qualité, la reproductibilité et la pertinence des recherches en métaheuristiques, ouvrant la voie à des solutions d’optimisation plus robustes et scientifiquement fiables.

Date	3 mars 2026
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Alain April (Directeur(-trice)) & Alain Abran (Codirecteur(-trice))