Page d'accueil	encyclopedie-enligne.com en page d'accueil
Liste Articles: [0-A] [A-C] [C-F] [F-J] [J-M] [M-P] [P-S] [S-Z] | Liste Catégories | Une page au hasard | Pages liées

Métaheuristique

Les métaheuristiques forment une famille d'algorithmes d'optimisation visant à résoudre des problèmes d'optimisation difficile issus de la recherche opérationnelle pour lesquels on ne connaît pas de méthode classique plus efficace.

Les métaheuristiques sont généralement des algorithmes stochastiques, qui progressent vers un optimum par échantillonnage d'une fonction objectif.

Domaines d'application

Les métaheuristiques sont généralement utilisées comme des méthodes génériques pouvant optimiser une large gamme de problèmes différents, sans nécessiter de changements profonds dans l'algorithme employé. En pratique, elles sont utilisées sur des problèmes ne pouvant être optimisés par des méthodes mathématiques.

Les métaheuristiques sont souvent employées en optimisation combinatoire, mais on en rencontre également pour des problèmes continus ou mixtes (problèmes à variables discrètes et continues).

Certaines métaheuristiques sont théoriquement « convergentes » (capable de trouver l'optimum global si le temps de calcul tend vers l'infini) sous certaines conditions. Cependant, ces conditions sont rarement vérifiées en pratique.

Méthodes

Les métaheuristiques les plus connues sont :

• Les algorithmes génétiques,
• le recuit simulé,
• la recherche avec tabous,
• les algorithmes de colonies de fourmis,
• la méthode de Fletcher et Powell.

Il existe un grand nombre d'autres métaheuristiques, plus ou moins connues :

• Les algorithmes d'optimisation par essaims particulaires,
• les algorithmes à estimation de distribution,
• la méthode GRASP,
• la méthode du bruitage,
• les systèmes immunitaires artificiels,
• les algorithmes à évolution différentielle,
• la tunnelisation stochastique,
• l'escalade de collines à recommencements aléatoires,
• etc.