Abstract:
Dans cette thèse, deux variantes de métaheuristiques sont proposées pour les algorithmes de colonies de fourmis (Ant Colony Cptimization ACO) et pour l’algorithme de recherche d’harmonie (Harmony Search HS) respectivement.
En effet, le but de cette contribution est d’améliorer la vitesse convergence et d’éviter le problème de convergence prématurée afin d’éviter les optimums locaux.
La première méthode, relative aux algorithmes ACO, est basée sur l’introduction de quelques modifications dans la structure algorithmique d’algorithme ACO classique (Conventional ACO C-ACO).
La seconde méthode proposée, dite,GHSACO, est issue d’une hybridation entre une variante d’algorithme HS, appelée algorithme de recherche d’harmonie globale (Global Best Harmony Search GHS) et un algorithme de type C-ACO.
Les deux algorithmes développés, sont appliqués respectivement au problème de calcul des paramètres d’une commande par mode de glissement décentralisée des systèmes non linéaires interconnectés et au problème d’apprentissage des réseaux de neurones flous récurrents (Recurrent Fuzzy Neural Networks RFNN𝑠) intégrés dans une structure de commande adaptative d’une classe de systèmes non linéaires.
Les résultats de simulations, obtenus montrent l’efficacité de l’ensemble des méthodes proposées.
