offres d'emploi formations actualités contact accès annuaire intranet
Thèses >

Optimisation par métaheuristique adaptative distribuée en environnement de calcul parallèle

Christopher Jankee - Manuscrit

vendredi 31 août 2018 à 10h00


Pour résoudre des problèmes d’optimisation discret de type boîte noire, de nombreux algorithmes stochastiques tels que les algorithmes évolutionnaires ou les métaheuristiques existent et se révèlent particulièrement efficaces selon le problème à résoudre. En fonction des propriétés observées du problème, choisir l’algorithme le plus pertinent est un problème difficile. Dans le cadre original des environnements de calcul parallèle et distribué, nous proposons et analysons différentes stratégies adaptative de sélection d’algorithme d’optimisation. Ces stratégies de sélection reposent sur des méthodes d’apprentissage automatique par renforcement, issu du domaine de l’intelligence artificielle, et sur un partage d’information entre les noeuds de calcul. Nous comparons et analysons les stratégies de sélection dans différentes situations. Deux types d’environnement de calcul distribué synchrone sont abordés : le modèle en île et le modèle maître-esclave. Sur l’ensemble des noeuds de manière synchrone à chaque itération la stratégie de sélection adaptative choisit un algorithme selon l’état de la recherche de la solution. Dans une première partie, deux problèmes OneMax et NK, l’un unimodal et l’autre multimodal, sont utilisés comme banc d’essai de ces travaux. Ensuite, pour mieux saisir et améliorer la conception des stratégies de sélection adaptatives, nous proposons une modélisation du problème d’optimisation et de son opérateur de recherche locale. Dans cette modélisation, une caractéristique importante est le gain moyen d’un opérateur en fonction de la fitness de la solution candidate. Le modèle est utilisé dans le cadre synchrone du modèle maître-esclave. Une stratégie de sélection se décompose en trois composantes principales : l’agrégation des récompenses échangées, la technique d’apprentissage et la répartition des algorithmes sur les noeuds de calcul. Dans une dernière partie, nous étudions trois scénarios et nous donnons des clés de compréhension sur l’utilisation pertinente des stratégies de sélection adaptative par rapport aux stratégies naïves. Dans le cadre du modèle maître-esclave, nous étudions les différentes façons d’agréger les récompenses sur le noeud maître, la répartition des algorithmes d’optimisation sur les noeuds de calcul et le temps de communication. Cette thèse se termine par des perspectives pour le domaine de l’optimisation stochastique adaptative distribuée.