Les architectures parallèles embarquées dédiées à l’accélération des algorithmes évolutionnaires : application à la conception d’un système dédié à l’agriculture de précision

Abstract

L’agriculture moderne est confrontée à de nombreux défis liés à la croissance rapide de la population et à la pénurie des ressources naturelles, notamment l’eau. L’agriculture de précision s’impose alors comme une solution prometteuse intégrant des technologies avancées pour améliorer les rendements et préserver les ressources. Parmi ces technologies, les réseaux de capteurs sans fil (WSN) jouent un rôle essentiel dans la surveillance des sols. Dans cette thèse, nous avons proposé un outil d’aide au déploiement optimal des nœuds dans un WSN destiné à une application agricole de surveillance du sol. Dans la première partie, un modèle mathématique a été développé en intégrant plusieurs contraintes : coût, couverture, connectivité, sur-couverture, et une nouvelle contrainte de distance entre les nœuds. Dans la deuxième partie, nous avons appliqué des algorithmes évolutionnaires multi-objectifs (MOEAs) tels que NSGA-II et SPEA-II, qui ont montré de bonnes performances, bien que ralentis pour de grandes surfaces. Ainsi, dans la troisième partie, nous avons proposé une hybridation logicielle du SPEA-II avec des algorithmes de régression issus de l’apprentissage automatique (MLP, KNN, DT, RF), ce qui a permis une réduction de 66 % du temps d’exécution. Une accélération matérielle via GPU a permis un gain supplémentaire de 28 %.