BACT2RIE st160007

REPUBLIQUE ALGERIENNE
DEMOCRATIQUE ET POPULAIRE
MINISTERE DE L’ENSEIGNEMENT
SUPERIEUR ET DE LA RECHERCHE
SCIENTIFIQUE
UNIVERSITE LARBI TEBESSI - TEBESSA

FACULTE DES SCIENCES ET TECHNOLOGIES
DEPARTEMENT DE GENIE ELECTRIQUE
MEMOIRE
DE FIN D'ETUDES POUR L'OBTENTION DU DIPLOME DE MASTER EN
Electrotechnique
THEME
Développement d’un algorithme

intelligent pour la commande des
robots mobiles
Présenté par le binôme :
- Omar LARFI
- Azzedine AISSET
Devant le jury :
- Abdellah GUEBLA Président
-Seddik KHEMAISSIA Encadreur
-Toufik THELAIGIA Examinateur
Année Universitaire 2015 / 2016

Entre
Ce que je pense
Ce que je veux dire
Ce que je crois dire
Ce que je dis
Ce que vous avez envie d'entendre
Ce que vous croyez entendre
Ce que vous entendez
Ce que vous avez envie de comprendre
Ce que vous croyez comprendre
Ce que vous comprenez
Il y a dix possibilités qu'on ait des difficultés à communiquer.
Mais essayons quand même...
Bernard WERBE
REMERCIEMENTS
J’aimerais en premier lieu remercier mon dieu Allah qui m’a donné la
volonté et le courage pour la réalisation de ce travail. Merci Allah.
Mes remerciements les plus sincères à toutes les personnes qui auront
contribué de près ou de loin à l'élaboration de ce mémoire ainsi qu'à la
réussite de cette formidable année universitaire !
Je remercie vivement le Pr. Khemaissia sedik, promoteur de ce mémoire,
de m’avoir permis de mener à bien celui-ci.
Je tiens à remercier d’avance l’ensemble des membres du jury pour
l’intérêt qu’ils porteront à ce travail.
Je remercie également profondément mes parents pour leur implication
tant matérielle que temporelle.
Enfin, j’adresse mes remerciements les plus sincères à ma famille, amis,
qui m’ont toujours soutenu et encouragé au cours de la réalisation de ce
mémoire. Merci à toutes et à tous.
Merci….
i
Liste des abréviations
Liste des abréviations

BIA Algorithme intelligent bio-inspiré
PSO Optimisation par essaim de particule
BFO Optimisation d’exploration des bactéries
SLAM La solution à la localisation et cartographie simultanées
Pbest Meilleur personnel
Gbest Meilleur global

c1 & c2 Les paramètres d'accélération
GAS les algorithmes génétiques
E.coli Type de bactérie
ii
Listes des figures
Liste des figures

Figure I-1 La classification des BIA du mécanisme biomimétique……………………….. 08
Figure I.2 Piscine, tumbling, et le comportement chimiotactique de E. coli …………….. 10
Figure I.3 La correspondance entre la réaction de l’ADN en biologie et le processus
de Calcul d'ADN……………………………………………………………….. 12
Figure I.4 Cartographieentre les capteurs, les unités de fusion, et le système de la moelle 17
Figure I.5 planification de trajectoire de robot en réseau de neurones bio-inspirés en 19

temps réel ………………………………………………………………………
Figure II.1 Le cercle virtuel pour un essaim de sept particules…………………………….. 30

Figure II. 2 Schéma de principe du déplacement d'une particule…………………………… 31
Figure II.3 les différents types de voisinage ……………………………………………….. 32
Figure II.4 Mise à jour d'une particule avec l'algorithme PSO ……………………………. 35
Figure II.5 un digramme simple représente les différentes étapes de PSO ………………... 38
Figure II.6 l'effet du paramètre w sur le déplacement de chaque particule ………………... 39
Figure II.7 Simulation du mouvement d’essaim par PSO……………………………………. 44
Figure III.1 nagé et sèche des bactéries…………………………………………………….. 47
Figure III.2 Un essaim bactérien sur une surface multimodale fonction objective…………. 48
Figure III.3 Organigramme Algorithme d’optimisation d’exploration des bactéries………. 54
Figure III.4 Comportement de convergence des bactéries virtuelles sur les contours des
coûts constants en deux dimensions de la sphère modèle……………………… 56
Figure III.5 résultat d’animation du mouvement bactérienne………………………………. 63
Figure III.6 la fonction resolution de de rosenbrock………………………………………... 64

Figure III.7 Optimisation de la fonction de rosenbrock par PSO et BFO…………………... 65
Figure.IV.1 Planification de chemin en utilisant BFA……………………………………… 69
Figure.IV.2 Figure montre les obstacles et l'Aréna enfermant …………………………….. 76
Figure.IV.3 Figure montre le programme demandant l'entrée pour le point cible après avoir
77
terminé les obstacles ……………………………………………………………
Figure.IV.4 Figure montre la voie tracée par l'agent mobile pour Destination (600, 280)… 77
Figure.IV.5 Figure montre la voie tracée par l'agent mobile pour Destination (280, 60)….. 78
iii
Listes des figures
Figure IV.6 Figure montre la voie tracée par l'agent mobile pour Destination (530, 40)….. 78
Figure IV.7 Resultat finale …………………………………………………………………. 80
Liste des tableaux

Tableau I.1 Un bref résumé de la BIA introduit dans le présent document……………………… 15
iii
Développement d’un algorithme intelligent pour la commande des robots mobiles Table des matières
Sommaire
Remerciement i
Notations et abréviations ii
Liste des figures iii
Introduction générale 1
Chapitre 1
I Commande des agents mobile par les algorithmes bio-inspiré 4
I.1 Introduction ……………………………………………………………………………... 4
I.2 Classification des BIA …………………………………………………………………... 5
I.3 Théories de Vue d'ensemble …………………………………………………………… . 9
I.3.1 Inspiré d’Organisme Comportements …………………………………………… 9
1.3.1.1 Algorithme d’optimisation d’exploration des bactéries (B.F.O.A) ….. 9
1.3.1.2 L’Algorithme d'escalade des singes ………………………………….. 10
1.3.2 Inspiré d’Organisme Structure …………………………………………………... 11
1.3.2.1 Calcul d'ADN ………………………………………………………… 11
1.3.2.2 Système immunitaire artificiel ……………………………………….. 12
I.3.3 Inspiré d'Evolution ………………………………………………………………. 13
I.3.3.1 Algorithme de gêne égoïste …………………………………………... 13
I.3.3.2 Algorithme d'invasion des mauvaises herbes ………………………… 13
I.3.3.3 Culture Algorithme …………………………………………………... 14
I.4 Applications Vue d'ensemble de BIA pour le contrôle Robot 16

mobile …………...
I.4.1 La planification de trajectoire …………………………………………………… 16
I.4.2 Localisation et cartographie simultanée ………………………………………… 19
I.4.3 Contrôle de la coopération ………………………………………………………. 21

I.5 Orientations futures ……………………………………………………………………... 23
I.6 Conclusion ………………………………………………………………………………. 25
Chapitre 2
II Optimisation par essaim de particules (OEP, PSO) 26
II.1 Introduction ……………………………………………………………………………. 26
II.2 L’optimisation par essaim de particules (PSO) ………………………………………... 27
II.2.1 Origines ………………………………………………………………………. 28
II.2.2 Terminologie (quelques définitions) …………………………………………. 28
II.2.3 Description informelle ……………………………………………………….. 29
II.2.4 Le voisinage ………………………………………………………………….. 32
II.2.5 Principales caractéristiques …………………………………………………... 33
II.2.6 L'équation de mouvement ……………………………………………………. 33
II.3.7 Description algorithmique ……………………………………………………. 35
II.2.8 Les paramètres dans l'algorithme PSO ……………………………………….. 39
II.2.8.1 Poids inertiel ………………………………………………………. 39
II.2.8.2 Les paramètres d'accélération c1 & c2 ……………………………. 40
II.2.8.3 Nombre de particules ……………………………………………… 40
II.2.8.4 Critères d'arrêt de l'algorithme …………………………………….. 40
II.2.9 Les variantes de PSO ………………………………………………………… 41
II.2.9.1 Discrète PSO ……………………………………………………… 41
II.3 domaines de recherche et d'applications ………………………………………………. 42
II.3.1 Problèmes bien adaptés ………………………………………………………. 42
II.3.2 Problèmes mal adaptés ……………………………………………………….. 42
II.3.3 Exemples d'applications industrielles ………………………………………... 43
II.4 Exemple sur MATLAB ……………………………………………………………….. 43
II.5.1 Résultats ……………………………………………………………………… 43
II.5.2 Discussion ……………………………………………………………………. 44

II.6 COCLUSION ………………………………………………………………………….. 45
Chapitre 3
III Algorithme d’optimisation d’exploration des bactéries 46
III.1 Introduction ……………………………………………………………………………. 46
III.2 Algorithme d’optimisation d’exploration des bactéries (B.F.O.A) …………………… 47
III.3 Analyse de la chimiotactique dynamiques en BFOA …………………………………. 55
III.3.1 Dérivation d'expression pour la rapidité ……………………………………... 57
III.3.2 Vérification de l’expression pour Vélocité Expérimental ……………………. 59
III.3.3 Chimiotactisme et le gradient classique Recherche décent …………………... 61
III.3.4 Un cas spécial ………………………………………………………………… 61
III.4 Exemple sur MATLAB ………………………………………………………………... 63
III.4.1 Résultats ……………………………………………………………………… 63
III.5 Comparaison de PSO et BFO par la fonction de Rosenbrock …………………………. 64
III.5.1 Fonction de Rosenbrock ……………………………………………………… 64
III.5.2 Résultats obtenu ……………………………………………………………… 64
III.5.3 Discussion ……………………………………………………………………. 66
III.6 Conclusion ……………………………………………………………………………... 67
Chapitre 4
IV La planification de trajectoire par BFO 68
IV.1 Introduction ……………………………………………………………………………. 68
IV.2 Algorithme d’optimisation d’exploration des bactéries ……………………………….. 69
IV.3 La coordination des robots ……………………………………………………………. 70
IV.4 Planification de trajectoire (path planification) ………………………………………... 71
IV.4.1 Planification centralisée ……………………………………………………… 72
IV.4.2 Planification découplé ………………………………………………………... 73
IV.5 Problème de formulation ………………………………………………………………. 74

IV.6 Compilateur utilisé …………………………………………………………………….. 75
IV.6.1 Algorithme de la planification du chemin de robots mobiles ………………. 75
IV.6.2 Programme ………………………………………………………………….. 79
IV.6.3 Résultats ……………………………………………………………………. 79
IV.6.4 Applications ………………………………………………………………… 80
IV.7 Conclusion ……………………………………………………………………………... 81
Conclusion Générale …………………………………………………………………… 82
Bibliographies
Résumé
Introduction Générale
Le but du système de robot est de faire des tâches à un coût aussi bas que possible.
Ainsi, la planification de trajectoire optimale pour les robots manipulateurs est toujours un
point chaud dans les domaines de la robotique [1] de recherche.
L’objectif de la planification de la trajectoire du robot est de trouver un optimal, la

trajectoire de collision libre entre deux points dans un environnement de travail composé de
nombreux obstacles. Autrement dit, la méthode de planification de trajectoire peut être
appliqué dans un environnement statique, dynamique ou les deux, en fonction du mode dans
lequel l'environnement est connu et donné à l'avance. L'optimalité de la voie est généralement
mesurée par le temps et pénalité pour les voyages d'évitement d'obstacle du robot mobile.
La navigation en robot mobile est une méthode qui permet de guider un robot pour
accomplir une mission par le biais d’un environnement avec des obstacles d'une manière bon
et sûr.
Les deux tâches de bases impliquées dans la navigation sont la perception de l'environnement
et de la planification du chemin.
Généralement, les méthodes de planification globale complétée par des méthodes

locales sont utilisées pour des missions à l'intérieur depuis les environnements sont connus ou
partiellement connus, pour les applications extérieures, les méthodes de planification locale
sont plus appropriés, les méthodes de planification globales deviennent un complément en
raison des informations de l'environnement peu.
La littérature est riche en internat pour résoudre les robots mobiles la planification de
trajectoire en présence d'obstacles statiques ou dynamiques [2-3]. L'un des plus populaires de
planification des méthodes sont les domaines potentiels artificiels [4]. Cependant, ce procédé
ne donne qu'une solution de trajectoire qui peut ne pas être la plus petite trajectoire dans un
environnement statique. Au cours des dernières années, de nombreux algorithmes
d'intelligence artificielle ont été proposés comme des solutions au problème de planification
de trajectoire du robot. En Ref. [5], un algorithme de logique floue a été développé pour
naviguer sur un robot mobile dans un environnement dynamique inconnu rempli d'obstacles.
La méthode exige le robot pour être équipé d'une variété et des capteurs de haute précision
pour produire des chemins de collision tout en augmenter le coût total du système. En outre,
YANG et LUO [6] ont proposé un réseau de neurones roman approcher pour terminer chemin
de la couverture de la planification dans des environnements statiques avec, cependant, un
[1]
haut de calcul de Coût. En Ref. [7-8], MARCHESE introduit l'utilisation d'un automate
cellulaire multicouche (MCA) pour créer le plus court chemin souhaité pour un seul robot.
Récemment, un nouveau type de méthodes de calcul intelligentes a été développé pour

surmonter les limitations des méthodes intelligentes artificielles traditionnelles. L’une des
caractéristiques les plus importantes de ces méthodes de calcul intelligentes est que leurs
mécanismes de travail sont plus réalistes à un individu ou un groupe d'organismes, qui
peuvent être très bien compris. Et ces méthodes ont généralement une plus grande efficacité
que les procédés traditionnels d’intelligence artificielle.
Les méthodes de calcul intelligentes de ce type sont définies comme des algorithmes
intelligents bio-inspirés (BIA) pour les distinguer des méthodes intelligentes artificielles
traditionnelles. BIA ont fait des progrès significatifs dans les deux compréhensions de la
neuroscience et les systèmes biologiques et l’application à divers domaines, tels
que le contrôle de robot mobile.
Le but de ce travail est de fournir un aperçu de la recherche récente dans l'algorithme

intelligent bio inspirés et ses applications pour le contrôle du robot mobile. Nous nous
concentrons sur la recherche dans la réalisation de divers préjugés fondés sur des mécanismes
différents. Pour aider à comprendre BIA, nous nous concentrons exclusivement sur les
applications de contrôle de robot mobile qui est un principal domaine de la ZAC
de l’application. Plusieurs autres enquêtes de la littérature dans le domaine de la BIA et le
contrôle du robot mobile sont disponibles qui complètent le présent document (voir, par
exemple, [ 1 , 2 ]).
Les principales contributions de cet article sont résumées comme suit. (1) Une analyse
détaillée sur les caractéristiques du SDAC est remis. Et une nouvelle classification est
proposée à partir du mécanisme biomimétique de BIA. (2) Une enquête récente BIA est
fourni, et certains BIA sont choisis minutieusement, de se concentrer sur le mécanisme
et la réalisation du traitement biomimétique de BIA. (3) Un aperçu des applications
dans le contrôle du robot mobile par BIA est remis, pour illustrer davantage BIA. En outre,
certaines directions possibles futures de la recherche sur les BIA sont discutées.
Ce travail est organisé comme suit: Dans le Chapitre1, nous fournissons une introduction
générale du BIA et de donner une classification de ces BIA. Chapitre 2 analyses et résume
l’algorithme PSO et ses limites. Les principales applications du BFO dans le contrôle du robot
[2]
mobile sont introduites dans le Chapitre 3. Dans le chapitre 4 on donne un exemple

d’application de BFA dans le domaine de contrôle des robots mobiles.
Enfin on a examiné les orientations futures de la recherche pour la théorie de la BIA et

leurs applications dans le contrôle du robot mobile
[3]
Commande des agents mobiles par les algorithmes bio inspiré Chapitre I
I. Commande des agents mobile par les algorithmes bio-inspiré
I.1 Introduction :
Récemment, un nouveau type de méthodes de calcul intelligentes a été développé pour
surmonter les limitations des méthodes intelligentes artificielles traditionnelles. L’une des
caractéristiques les plus importantes de ces méthodes de calcul intelligentes est que leurs
mécanismes de travail sont plus réalistes à un individu ou un groupe d'organismes, qui
peuvent être très bien compris. Et ces méthodes ont généralement une plus grande efficacité
que les procédés traditionnels d’intelligence artificielle.
Les méthodes de calcul intelligentes de ce type sont définies comme des algorithmes
intelligents bio-inspirés (BIA) pour les distinguer des méthodes intelligentes artificielles
traditionnelles. BIA ont fait des progrès significatifs dans les deux compréhensions de la
neuroscience et les systèmes biologiques et l’application à divers domaines, tels
que le contrôle de robot mobile.
Les principales contributions de ce chapitre sont résumées comme suit.
(1) Une analyse détaillée sur les caractéristiques du BIA est remis. Et une nouvelle
classification est proposée à partir du mécanisme biomimétique de BIA.
(2) Une enquête récente BIA est fourni, et certains BIA sont choisis minutieusement, de se
concentrer sur le mécanisme et la réalisation du traitement biomimétique de BIA.
(3) Un aperçu des applications dans le contrôle du robot mobile par BIA est remis, pour
illustrer davantage BIA. En outre, certaines directions possibles futures de la recherche
sur les BIA sont discutées.
[4]
I.2 Classification des BIA :

Il y a deux aspects principaux pour les êtres humains à apprendre de la nature. La
première est de faire des inventions en imitant les structures des organismes. Par
exemple, les êtres humains ont créé le vol de planeur piloté basé sur le principe de vol des
oiseaux et a inventé le système de sonar écholocation inspiré de la fonction d'écholocation des
chauves -souris. Un autre est de concevoir des algorithmes (technologies) inspirés de divers
principes de la nature. Par exemple, sur la base du processus de recherche de nourriture
fourmi, colonies de fourmis algorithme a été développé; et sur la base du processus
d'évolution naturelle, telles que l’héritage, la mutation, la sélection et croisement, algorithme
génétique a été proposé. Avec le développement de la science et de la technologie, les êtres
humains seront confrontés à de plus en plus de défis. Certains des algorithmes d’intelligences
artificiels traditionnels sont trop simples dans les structures ou fonctions pour satisfaire aux
exigences de l’évolution. De la fin du 20e siècle, des algorithmes d’intelligences artificiels
nouvelles de plus en plus ont été proposés, tels que le réseau neuronal bio inspirés,
Algorithme d'immunes artificielles et Algorithme des membranes informatique.
Ces méthodes d’intelligence artificielle de nouvelles, ainsi que d'autres algorithmes

intelligents (tels que Algorithme de colonies de fourmis et algorithme génétique mentionnés
ci - dessus) ont une caractéristique commune. A savoir, ils ont des mécanismes de travail
biologiques plus réalistes que les autres types. Les méthodes d’intelligence artificielle de ce
type sont les algorithmes intelligents bio-inspirés (BIA) discutés dans le présent chapitre.
Maintenant, BIA sont encore au stade du développement, donc il n'y a pas de définition
stricte et classification uniforme. Binitha et Sathya [ 1 ] décrit l'origine et les avantages des
algorithmes de calcul bio-inspirés et a souligné que les BIA étaient des méthodes heuristiques
qui imitent la stratégie de la nature, ce qui était une définition simple et non représentationnel
de BIA. Bongard [ 3 ] a introduit le processus de développement de l'algorithme de calcul bio-
inspirés et analysé la relation entre le BIA et les méthodes traditionnelles de calcul
intelligentes. Sur la base de notre savoir - faire, l'algorithme de calcul intelligente bio-inspirés
peut être définie comme suit: il est un type de méthodes de calcul intelligentes avec un
mécanisme de travail biologique tout à fait réaliste, d'imiter la fonction et la structure de
l'organisme, de l'individu et l’essaim des comportements, et le processus d'évolution de la vie
et de la société. Cependant, il n’est pas une tâche facile d'exclure ces méthodes de BIA, qui ne
sont pas strictement bio inspirés. Dans ce chapitre, nous ne voulons pas de
distinguer les différents types d'algorithmes de calcul intelligentes, mais d'analyser les
[5]
principales caractéristiques de BIA, classer ces algorithmes à partir des mécanismes de travail
biologiques simulés, et sondons différentes catégories axées sur le traitement de réalisation,
ainsi que les demandes de commande de robot mobile.
Sur la base de nos travaux de recherche et la liste des lots de la littérature, les
caractéristiques remarquables de BIA discutés dans le présent chapitre sont résumés comme
suit [ 1, 4 - 7 ]:
1. Fonction bio inspirée: le mécanisme de travail est très proche du mécanisme

biologique ou écologique des organismes naturels. Les algorithmes bio-
inspirés imitent la nature biologique, autant que possible pour faire face aux problèmes
du monde réel.
2. Simplicité et émergence: la stratégie et le calcul sont souvent très simples,
mais leurs effets qui en résultent sont très étonnant, ce qui reflète le principe
de l’émergence.
3. Robustesse: ces algorithmes ont une forte robustesse face au changement des
environnements, des paramètres et des tâches; à savoir, ces algorithmes ont une bonne
applicabilité et la flexibilité.
4. L’auto-organisation: ces algorithmes peuvent améliorer la
capacité d’adaptation par l’auto-apprentissage ou d’auto-organisation et de réaliser
l'évolution avec succès.
5. Autres caractéristiques: ces algorithmes ont d'autres bonnes fonctionnalités,
telles que le parallélisme en essence et non déterminisme.
Comme présenté ci - dessus, les BIA ont beaucoup d’excellentes caractéristiques qui peuvent
répondre aux besoins des chercheurs. Pour introduire BIA clairement et de comprendre
facilement, BIA doit être classée. De différents angles de vue, différentes classifications
peuvent être obtenus; par exemple, des effets entiers, nous pouvons voir tous les BIA comme
un type d'algorithmes d'optimisation évolutionnaires.
Dans ce chapitre, nous allons classer les BIA de leurs sources du mécanisme
biomimétique; puis BIA peut être divisé en trois catégories:
(1) inspiré des comportements de l’organisme;

(2) inspiré de la structure de l’organisme;
(3) inspiré de l’évolution.
[6]
Le classement dans le présent chapitre est unique; c'est - à - dire, un algorithme bio inspirés ne
sera pas classé en deux ou plusieurs catégories différentes. La carte de classification est
représentée sur la figure 1 , et chaque catégorie sera introduite dans la prochaine section
clairement par certains algorithmes typiques.
[7]
Algorithme
intelligent bio-inspire
Inspiré des Inspiré Inspiré

comportements de la structure de l’évolution
de l’organisme de l’organisme
Sur la base des Sur la base

comportements d'autres
ADN Sur la base Sur la base
de recherche de comportements
informatique de de
nourriture
l'évolution l'évolution
biologique sociale
Algorithme de Le système
Algorithme Algorithme Algorithm
colonie de immunitaire
de luciole de mauvaises e de
fourmis artificielle
herbes culture
envahissante
s
Algorithme Réseau
Algorithme de
bactérienne neuronal bio-
colonie Algorithme
chimiotactisme inspiré
d’abeille génétique
chimique
Algorithme
Algorithme d’ Informatique
d'escalade
exploration des membrane Algorithme de
des singes
bactéries gène égoïste
Algorithme de Algorithme de
saut de coevolution
grenouille
Figure I.1 : La classification des BIA du mécanisme biomimétique.
[8]
I.3 Théories de Vue d'ensemble :

Il y a quelques similitudes dans la propriété et à l’application de chaque catégorie avec
le même mécanisme biomimétique. Dans ce chapitre, nous allons concentrer sur le traitement
de la réalisation de plusieurs nouveaux algorithmes proposés dans les deux dernières
décennies, ainsi que des méthodes distinctes ou représentatives pour autant que nous
le savons.
I.3.1 Inspiré d’Organisme de Comportements :

Toute créature vivante peut survivre et se protéger de sa propre manière, tels
que la recherche de nourriture de la nourriture, la défense contre les ennemis naturels,
et la cour affichage. Sur la base des caractéristiques de ces comportements importants
d'organismes, certains BIA ont été développés. Dans ces BIA, la plupart d'entre eux sont
inspirés des comportements alimentaires des organismes, tels que Algorithme de colonies de
fourmis, l'algorithme des colonies des abeilles, optimisation de butinage des bactéries,
Algorithme d'optimisation par essaim de poisson et Algorithme de grenouille sautant
brouillée. Il y a aussi quelques algorithmes qui sont inspirés d'autres comportements des
organismes. Par exemple, l'Algorithme d'Escalade des singes simule le comportement
d'escalade de singes, et bactérienne chimiotactisme Algorithme simule le comportement de
chimiotactisme des bactéries. Il existe plusieurs autres enquêtes de la littérature sur le BIA
basée sur le comportement (voir [ 8 - 10 ]), donc nous suffit de sélectionner deux algorithmes
pour introduire le processus de réalisation en détail de comportements - de butinage
(optimisation de butinage des bactéries) et d' autres comportements - (l'Algorithme d'Escalade
des singes) basé BIA, respectivement.
I.3.1.1 Algorithme d’optimisation d’exploration des bactéries (B.F.O.A):
En 2002, Passino à proposer un nouveau BIA inspiré du comportement de E. coli
bactérie de butinage nutrition et l’alimentation dans le canal intestinal des personnes, qui est
appelée algorithme de butinage des bactéries [ 11 ]. Il y a quelques modèles de comportement
spéciaux dans la recherche de nourriture bactérienne, comme la natation, le tumbling, et le
comportement chimiotactique (voir Figure 2 ). Les étapes de base de algorithme de butinage
des bactéries sont extraites de ces comportements, qui sont présentés comme suit [ 11 - 13 ]
[9]
Figure I.2 : Piscine, tumbling, et le comportement chimiotactique de E. coli [ 11 ]:
(a)le comportement de la natation; (b) le comportement de dégringolade; (c) le comportement

du chimiotactisme.
I.3.1.2 L’Algorithme d'escalade des singes:
En 2008, Zhao et Tang [ 16 ] ont présenté l' algorithme d'escalade des Singes inspiré
par les actions des singes quand ils montent les arbres à la meilleure place pour certaines
raisons, pour résoudre des problèmes d'optimisation globale. Il y a trois processus principaux
dans cet algorithme, à savoir, le processus de montée, le processus montre-saut,
et le processus de Saut périlleux.
(1) Le processus de montée: ce processus représente la recherche locale de l'algorithme. Les

singes grimper des positions initiales et de trouver les positions optimales locales respectives.
(2) processus montre-saut: ce processus représente le processus de l’optimum local optimum

global de recherche. Les singes vont regarder autour en arrivant aux positions optimales
[10]
locales. Si certains postes mieux peut être trouvé, les singes vont sauter à ces nouveaux
postes; sinon, ils restent où ils sont.
(3) Le processus de Saut périlleux: ce processus représente le processus de recherche pour

éviter l'optimum local. Les singes se culbute à de nouvelles positions à une certaine
probabilité et de commencer une nouvelle recherche.
I.3.2 Inspiré d’Organisme Structure :

La nature crée toutes choses, où la vie est la plus étonnante. Chaque partie
de la composition de la vie peut nous donner quelques inspirations. Par exemple, inspiré de la
structure en double hélice et complémentaire règle d'appariement de bases de l’ADN,
Adleman proposé le calcul d'ADN [ 20 ];
inspiré de la structure des cellules biologiques et la coopération entre les différentes

cellules, Paun a présenté le concept de calcul de membrane [ 21 ]; inspiré du système
immunitaire du système immunitaire biologique, Bersini et Varela tout d' abord proposé une
méthode basée sur le système immunitaire artificiel pour faire face aux problèmes du monde
réel [ 22 ]. En outre, inspiré de la structure liée et le mécanisme de transmission
d'informations d'êtres humains ou des animaux et le cerveau des neurones du système,
certains réseaux de neurones sont proposés bio-inspirés [ 23 , 24 ].
I.3.2.1 Calcul d'ADN:
Les résultats de l’étude de la biologie moléculaire moderne indiquent que la structure

très complexe de corps vivant est le résultat de l’opération sur l’information génétique
représentée par la séquence d'ADN. Comme "00" et "10" sont utilisés pour
représenter des informations dans l’ordinateur, un seul brin d'ADN peut être considéré comme
une méthode pour représenter des informations de décodage dans le multiple Σ = {A, G, C,
T}, où A, G, C et T représentent adénine, guanine, cytosine et la thymine,
respectivement. Ensuite, les enzymes biologiques et biochimiques, d’autres opérations sont
les opérateurs ont agi sur la séquence d'ADN. Sur la base de ces idées ci - dessus,
Adleman a publié le document intitulé "Calcul moléculaire de solutions pour les problèmes
combinatoires" dans la revue Science (1994), ce qui signifie la naissance d'un nouveau champ
de recherche: Calcul d'ADN [ 25 ].
[11]
Générer le fragment initial Coder le problème particulier par

d'ADN la séquence d’ADN
Le Contrôle des réactions Produire toute les solutions

biochimiques par les enzymes possibles par diverses opérations
Extraire la chaîne optimale Choisir la solution optimale par

d'ADN par la détection des contraintes
biologique
Obtenir de nouveaux Décoder la séquence d'ADN pour

fragments d'ADN obtenir la solution
Le processus de réaction d’ADN le processus d’ADN informatique
Figure I .3 : La correspondance entre la réaction de l’ADN en biologie et le processus de Calcul

d'ADN.
I.3.2.2 Système immunitaire artificiel :
Système immunitaire biologique est un système adaptatif complexe dans la nature. Le

but du système immunitaire est d'identifier toutes les cellules (ou molécules) dans le corps et
pour distinguer le soi et le non - soi. Ensuite, les cellules non - soi sont en outre classées
dans le but de construire un mécanisme de défense approprié. Système immunitaire artificielle
est une méthode de calcul intelligente bio-inspirés inspirée par les principes et les processus
du système immunitaire des vertébrés.
Avec les progrès de la biologie, des mécanismes de Plus en plus immunitaires sont appliquées
dans les algorithmes de calcul, y compris les lymphocytes B, les cellules T, un anticorps, un
antigène, l’apprentissage immunologique, mémoire immunologique, la sélection des clones,

et la réponse immunologique.
[12]
I.3.3 Inspiré d'Evolution :

La sélection naturelle et la survie du plus fort est la loi éternelle et immuable dans le
monde. En biologie, l'évolution se réfère aux changements dans les caractéristiques
génétiques de la population entre les générations. La sélection naturelle peut favoriser les
traits génétiques de survie et de reproduction pour devenir plus commun et les traits nocifs
pour devenir plus rares. Les êtres humains comme des êtres vivants avancés forment un
système social particulier qui évolue principalement sur la culture sociale.
Inspiré de ces processus d'évolution complexes de la vie, certains algorithmes d'évolution sont
proposées, telles que l’algorithme génétique, stratégie évolutive, programme génétique
chimique, Algorithme de mauvaise herbe Envahissante et Culture Algorithme.
De trois niveaux d'évolution différents, trois BIA sont introduits en détail pour montrer le
processus de mécanisme de travail et la réalisation du BIA inspiré de l'évolution, à savoir,
Algorithme de gêne égoïste (le niveau de l’évolution des gènes), Algorithme de mauvaise
herbe Envahissante (le niveau de l’évolution de la population), et de la culture Algorithme (le
niveau de l’évolution de la société). Les deux premiers algorithmes appartiennent à BIA basé
sur l’évolution biologique, et de la culture algorithme est basé sur l’évolution de la société
I.3.3.1 Algorithme de gêne égoïste :
L’Algorithme de gêne égoïste est un nouveau membre de BIA, qui est basé sur la théorie du
gène égoïste présenté par Dawkins [ 25 ]. Dans la théorie du gène égoïste, l'évolution est
suggérée d'être considérés comme agissante au niveau des gènes. La sélection des organismes
ou des populations sont basées sur les gènes. En outre, la population est considérée comme
un des gènes en commun où le nombre d'individus et de leurs identités spécifiques ne sont pas
d'intérêt. Alors l’algorithme de gêne égoïste met l’accent sur la condition physique des gènes
plutôt que des individus
I.3.3.2 Algorithme d'invasion des mauvaises herbes :
Algorithme d'invasion des mauvaises herbes est introduit par Mehrabian et Lucas [ 26 ], qui
simule le processus d'invasion des mauvaises herbes. Les mauvaises herbes ont des stratégies
de viabilité et de survie puissants qui les tournent vers les plantes indésirables
dans l’agriculture. Toutefois, ces caractéristiques de mauvaises herbes sont très utiles pour
certains algorithmes de calcul. Il existe trois principaux mécanismes de la mauvaise herbe
[13]
envahissante utilisée dans l’algorithme d'invasion des mauvaises herbes. (1) mécanisme de
propagation: ce mécanisme signifie que les mauvaises herbes auront des
chances de reproduction en fonction de leur condition physique. (2) le mécanisme de
diffusion: ce mécanisme signifie que les mauvaises herbes de la descendance se diffuse à
l'intérieur d’un espace dans un mode normal de distribution en prenant les mauvaises herbes
mères comme axe. (3) mécanisme concurrentiel: signifie ce mécanisme que toutes les
mauvaises herbes, y compris les parents et les descendants seront sélectionnés en fonction de
leurs mérites lorsque le nombre de mauvaises herbes dans un espace atteint la limite
supérieure.
I.3.3.3 Culture Algorithme :
La progression de l’évolution de la société humaine est complexe, ce qui est différent de la

sélection naturelle de toutes les autres créatures vivantes. L'évolution de la société humaine
est basée sur le patrimoine de la connaissance et de la transmission de la culture. La culture
peut faire évoluer la population et de l’adapter à l'environnement dans une certaine vitesse
supérieure à celle de l'évolution biologique générale en se fondant uniquement sur l’héritage
génétique. Culture Algorithme [ 27 ] est proposé pour simuler l'évolution de la société
humaine. Dans la culture Algorithme, la connaissance a priori dans un champ et les
connaissances acquises à partir de l'évolution peut être utilisé pour diriger le processus de
recherche. Culture Algorithme adopte un mécanisme évolutif double, pour simuler le
processus d'évolution de la culture de la société humaine. Un espace de fiabilité est établie
pour extraire des informations diverses dans le processus évolutif basé sur les algorithmes
évolutionnaires essaim traditionnels. Et les informations sont stockées sous la forme de
la connaissance, qui est utilisé pour diriger le processus de l’évolution.
[14]
Catégorie Nom Avantages Applications

Inspiré d'un Algorithme -sensibilité des Segmentation de l'image;
comportement d’optimisation paramètres; robustesse planification de trajectoire de
organisme d’exploration des forte; la mise en œuvre robot; ordonnancement
bactéries facile optimal; flux de puissance
Algorithme -Quelques paramètres optimale
d'escalade des pour régler; faible coût placement du capteur optimal;
singes de calcul; taux de la sélection et l'extraction de
convergence rapide caractéristiques; optimisation
numérique
Inspiré de la DNA Computing Haut parallélisme; la Sécurité de l'information;
structure de Membrane capacité de stockage contrôle robotique; problème
l'organisme Computing massive; faible d'affectation tâche; problème de
Système consommation d'énergie clustering
immunitaire parallélisme inhérent; Optimisation numérique;
artificiel fonction distribuée; problème de la radiodiffusion;
non-déterminisme infographie; problème du
patience du bruit; voyageur de commerce
apprentissage sans détection de la Communauté; la
enseignant; auto- détection d'anomalies;
organisation et de diagnostic de pannes; page web
l'identité classement
Inspiré de -Algorithme des la fiabilité convergente problème de conception
l'évolution gènes égoïste haute vitesse et d'optimisation; problème du
-Algorithme de convergente voyageur de commerce;
mauvaise herbe Facile à comprendre; problème d'ordonnancement
envahissante bonne capacité problème de regroupement
-Culture Algorithme d'adaptation; forte d'images; problème
robustesse d'estimation paramètre;
Avec une structure à optimisation numérique
double évolution; haute La reconnaissance de formes;
efficacité de la coordination multirobot; la
recherche; avec une faute classification; problème
certaine universalité de conception d'ingénierie
Tableau I.1 : Un bref résumé de la BIA introduit dans le présent document.

[15]
I.4 Applications de Vue d'ensemble de BIA pour le contrôle des Robot mobile :
Les BIA ont été largement utilisés dans de nombreux domaines. Pour présenter
clairement BIA, nous nous concentrons exclusivement sur le champ d'application dans
le contrôle du robot mobile dans cette section, qui est l’un des domaines d'application les plus
importants de BIA. Les principales applications de commande de robot mobile basé sur BIA
résumées ici sont basées sur ce que les auteurs sont les plus conscients. Bien que pas
exhaustive, les applications citées ici peuvent démontrer quelques -unes des principales
caractéristiques de BIA. Pour réduire la répétition et d’introduire plus BIA, le BIA introduit
dans cette section sont différentes de celles de la section 3 .
Robot mobile, comme une branche importante de la recherche robotique, se développe très
rapidement, ce qui peut être utilisé pour effectuer diverses tâches qui ne conviennent pas à
l'homme, par exemple lorsque l'environnement de travail est dangereux et toxiques, la tâche
est pleine de monotonie et la répétition terne, et la tâche d'exploration est dans la mer
profonde ou l' espace [ 61 - 63 ]. Les principaux problèmes qui doivent être abordés dans
le contrôle du robot mobile comprennent la planification de trajet, localisation et cartographie
simultanées, et le contrôle coopératif de multi robots, qui seront présentés en détail comme
suit.
I.4.1 La planification de trajectoire :
La planification du chemin est l’un des problèmes fondamentaux dans le domaine de

la commande de robot mobile, ce qui est très important de réaliser l'intelligence et
l’autonomie des robots mobiles.
L’objectif de la planification de parcours est de trouver un chemin optimal ou non

optimale de la position de départ jusqu'à la position d’arrivé [ 28 , 30 ]. Diverses méthodes ont
été utilisées pour traiter les problèmes de planification de chemin, comme les méthodes de
terrain potentiels et les méthodes de contrôle floues. Ces méthodes ont obtenu un certain
succès. Cependant, il y a encore quelques problèmes doivent encore être étudiés, y compris
la planification de chemin dans des environnements inconnus et dynamiques et le problème
minimum local de la plupart des algorithmes d'optimisation. Récemment, certains BIA ont été
proposés pour résoudre les problèmes de planification de trajectoire de robots mobiles. Les
informations détaillées du BIA typique robot de planification de trajectoire est décrite dans la
suite.
[16]
Siddique et Amavasai [ 37 ] ont proposé un contrôleur de comportement basé inspiré par le

concept de champs de la colonne vertébrale trouvés chez les grenouilles et les rats. L'idée de
base de ce contrôleur à base de comportement bioinspirés est que le contrôleur de robot
se compose d'un ensemble de champs de la colonne vertébrale qui sont responsables de
générer des comportements en fonction de leurs niveaux d'activation. La collection de champs
de la colonne vertébrale est notée { B 1 , B 2 , B 3 , ..., B K }.
L'ensemble des capteurs unités de fusion est notée { F 1 , F 2 , ..., F N }. La cartographie entre
les capteurs, les unités de fusion, et les champs de la colonne vertébrale est représentée sur
la figure 4 . Dans leur étude, quatre comportements de base sont choisis, à savoir {aller de
l’avant}, {tourner à gauche}, {tourner à droite} et {remontent}. Les quatre comportements
sont mises en correspondance avec les vitesses des roues du robot correspondantes
{V L, V R}. Ensuite, en fonction des champs de la colonne vertébrale afin de réaliser le
comportement est exprimé sous la forme {V L , V R} = f ( B 1 , B 2 , B 3 , B 4 ). Enfin, quatre
expériences sont réalisées avec le robot Khepera, et les résultats montrent que leur contrôleur
basé sur le comportement bio-inspirés développé est simple mais robuste.
Figure I.4 : Cartographie entre les capteurs, les unités de fusion, et le système de la moelle [ 29 ].
Yang et Meng [ 33 ] ont utilisé un réseau de neurones bio-inspirés pour réaliser la génération
de trajectoire dynamique sans collision pour robot mobile dans un environnement non
[17]
stationnaire. Ce réseau de neurones bio-inspirés est basé sur un modèle de shuntage, qui est
obtenu à partir d’un modèle de calcul de la membrane pour une plaque de membrane dans un
système neuronal biologique (proposé par Hodgkin et Huxley en 1952 [ 23 ]). L'idée de base
de cette méthode neuronal bio-inspirés robot de génération de trajectoire de réseau basée est
que le réseau neuronal est topologiquement organisé, où la dynamique de chaque neurone est
caractérisée par une équation de shunt:
d = A
 
xi
x  (B  x ) S
i i i
 ( D  xi ) S i , (1)
d t
Où x i est l'activité neuronale (potentiel de membrane) du i ième neurone; A, B et D sont

des constantes positives ou nulles, ce qui représente le taux de décroissance passif et les
limites supérieure et inférieure de l'activité neuronale, respectivement; et S i + et S i - sont les
excitateurs et inhibiteurs entrées du neurone. L'entrée excitateur S i + résulte de la cible et des
connexions latérales de ses neurones voisins, tandis que l'entrée d’inhibition S i - résultats des
obstacles seuls. Ainsi , l'équation différentielle pour la i ième neurone est donné par
x  ( B  x ) I     x   
d   q 
 
xi
A j 1
  ( D  xi ) I i , (2)
d t
i i i ij j

Où q est le nombre de connexions neuronales du i ième neurone à ses neurones voisins dans
un champ récepteur, w ij est le poids latéral de connexion du i ème neurone de la j ième
neurone ; fonction [ ζ ] + est défini comme [ ζ ] + = max { ζ , 0}, et la fonction [ ζ ] – est défini
comme [ ζ ] - = max {- ζ , 0}. I i est l’entrée externe au i ème neurone, qui est définie comme
I i
 { (3)
E : s'il y a une cible, -E : s'il y a un obstacle, O : autrement
Où E est une constante positive et E » B. Le paysage de l’activité dynamique du réseau

neuronal topologiquement organisé est utilisé pour déterminer l’emplacement du robot
suivant :
P n
 x pn  max x , j ,  1,2,..., k
j
, (4)
Où x j , j = 1,2, …, k , est l’activité de tous les neurones voisins du neurone présent

(l’emplacement actuel du robot) ; p n est l’emplacement du neurone avec l’activité maximale
dans ces neurones (les prochains emplacements possibles du robot). L’ un des résultats de
[18]
planification de trajectoire dans un cadre en forme de U sur la base de ce réseau de neurones

bioinspirés est représenté sur la figure 5 , lorsque la trajectoire générée est représentée sur
la figure 5 (a) , tandis que le paysage de l’ activité neuronale en 3D est représenté sur la figure
5 ( b) .
Figure I.5 : planification de trajectoire de robot en réseau de neurones bio-inspirés en temps réel :
(a) la trajectoire générée du robot ; (B) l’activité de neurones du réseau de neurones bio-
inspirés.
I.4.2 Localisation et cartographie simultanée :
La solution à la localisation et cartographie simultanées (SLAM) problème est une

question clé dans le domaine du contrôle de robot mobile, qui est considéré comme un «Saint
Graal» du robot mobile autonome [ 38 ]. La tâche essentielle de SLAM est qu’un robot
explore dans un environnement inconnu pour apprendre l’environnement (carte) en utilisant
les capteurs à bord, tout en utilisant simultanément cette carte pour localiser dans
l’environnement. Un certain nombre d’approches ont été proposées pour résoudre le problème
de SLAM, et l’algorithme de SLAM le plus typique et largement utilisé est SLAM à base de
EKF à l’heure actuelle. Cependant, les problèmes de SLAM ne sont pas résolus de manière
efficace. Par exemple, la précision du bruit du système et le modèle de bruit d’observation
décidera la précision finale des algorithmes de SLAM à base d’EKF. Récemment, de plus en
plus d’attention a été concentrée sur l’émulation du système biologique considéré comme
[19]
responsable de la cartographie et de navigation chez les animaux, qui sont présentés comme
suit. Milford et Wyeth [ 33 ] ont étudié la navigation persistante et problème de
la cartographie d’un robot autonome, et un système de SLAM biologiquement inspiré basée
sur des modèles de cartographie dans l’hippocampe des rongeurs (RatSLAM) a été
présenté. Le RatSLAM proposé se compose de trois éléments : un ensemble de cellules de
vue local, un réseau de cellules de pose, et une carte de l’expérience. Les cellules de pose
forment un réseau continu attracteur trois dimensions (CAN). Pour chaque pose cellule locale
d’excitation et d’inhibition sont obtenus grâce à une distribution gaussienne tridimensionnelle
des connexions pondérées.
2 2 2 2
 a,b,c  e (a b) / k p
 c 2  c 2
/ k d  e (a  b) / k p
exc exc inh inh
e e / kd , (5)
Où k p et k d sont des constantes variantes pour la place et la direction, respectivement,

et a , b , et c représentent les distances entre les unités en x ‘, y ‘, et thetav coordonnées « ,
respectivement. Les cellules de vue locaux sont un ensemble d’unités de taux codés utilisés
pour représenter ce que le robot est de voir. Les connexions entre vue cellule locale V i et
posent des cellules P x ‘, y ‘, thetav ‘ sont stockés dans une matrice β , qui sont calculés par
  max (
t 1
,
t
i , x ', y ' ' i , x ', y ' ' VP

i x ', y ', '
), (6)
Où λ est le taux d’apprentissage. La carte de l’expérience est une carte topologique semi
métrique contenant des représentations de lieux (appelés expériences) et des liens entre les
expériences décrivant les transitions entre ces lieux. RatSLAM effectue SLAM en continu
tout en interagissant avec les
systèmes locaux et mondiaux de navigation et un module de sélection de tâches qui

sélectionne les tâches entre l’ exploration, la livraison et les modes de recharge. Les
expériences réelles de robots sont menées, où les lieux de travail sont étages dans deux
bâtiments différents à l’Université du Queensland à Brisbane, en Australie. Les résultats
démontrent que RatSLAM peut servir comme une ressource de cartographie fiable pour un
système autonome dans de multiples environnements.
Barrera et Weitzenfeld [ 24 ] ont présenté une architecture de robot avec la cognition et

de navigation capacités spatiales qui capture certaines propriétés des structures cérébrales de
rats impliqués dans l’ apprentissage et la mémoire. Le cadre biologique détaillé de leur
modèle proposé peut être vu dans leur document, qui comprend quatre modules principaux :
[20]
module de chemin d’intégration, points de repère de traitement module, lieu module de

représentation, et des modules d’apprentissage. Les procédures de base de ce modèle se
résument comme suit : (1) l’information sensorielle , y compris l’ information kinesthésique,
l’ information visuelle et l’ information des affordances est entrée dans le module cortex
pariétal postérieur (PPC), qui est proposé dans le cadre d’un chemin réseau de médiation
neurale l’intégration ; (2) l’hippocampe reçoit l’ information visuelle et kinesthésique du
cortex rétrosplénial et le cortex entorhinal existant dans le module de PPC,
respectivement ; (3) l’état interne est combiné avec des incitations, qui sont sous le contrôle
de l’hypothalamus latéral ; (4) Tous les résultats du processus (y compris les affordances de
schéma perceptif, le schéma perceptif repère, et les résultats d’apprentissage) sont intégrés
dans le module lieu de représentation comprenant une couche lieu cellulaire et une couche
graphique du monde, pour obtenir la base de décision pour le module de sélection d’action,
qui permettra de déterminer les sorties de moteur robotiques. Du point de vue de la robotique,
ce travail peut être placé dans l’espace entre la cartographie et plan d’exploitation existant de
l’heure actuelle dans la littérature de SLAM.
I.4.3 Contrôle de la coopération

Systèmes de multi robot ont fait l’objet de nombreuses recherches depuis les années
1970 pour diverses tâches. La coordination des systèmes de multi robot a récemment attiré
de plus en plus d’attention, car une équipe de robot mobile peut accomplir rapidement et
efficacement [une tâche 6 , 16 ]. Beaucoup de travail a été fait sur la coopération dans
les systèmes de multi robot, et les principales questions dans ce domaine comprennent
la chasse, la planification et la recherche de nourriture. Dans cet article, une certaine
littérature liée à ces problèmes résolus par BIA est examiné Tan et al. [ 17 ] ont proposé un
algorithme de contrôle coopérative multi robot pour l’ exploration de l’ environnement basé
sur le modèle de réseau immunitaire du BT-cellule. Dans leur algorithme, l’environnement
qui sera détecté est considéré comme un antigène. Le robot est considéré comme une cellule
B. Les stratégies de comportement robotique sont considérées comme des anticorps produits
par les cellules B.
Les paramètres de contrôle de l’algorithme sont équivalents aux effets régulateurs de cellules
T. L’équation dynamique pour les niveaux d’anticorps d’incitations et de concentration est la
suivante :
[21]
 (t )   (t  1)    (t  1). (t  1),
i i i i
  (t  1) i

m  (t  1)   Tki (t  1) 
N N
 (7)
 
j 1 ij j k 1 k
 
 N N 
 ci (t  1)  k i   g,
i
Où Θ i ( t ) est le niveau de l'incitation i ème anticorps; θ i ( t ) est la concentration du i ème

anticorps; N est le nombre d'anticorps; m ij représente les coefficients d'affinité entre les i ème
et j e anticorps; r ki représente le coefficient de rejet entre le k ième et i ième
anticorps; α représente le taux d'interaction entre le i ème anticorps et d' autres
anticorps, β représente le taux d'interaction entre le i ème anticorps et l'antigène; c i ( t )
représente la concentration des cellules T qui régule la concentration d'anticorps de cellules
B; k i représente le taux de mortalité naturelle de la i ème anticorps; et g i représente le taux de
correspondance entre la i ème anticorps et l'antigène. Chaque robot détecte
l’environnement, selon le taux de correspondance entre l'anticorps et l'antigène, jusqu'à ce
que l'exploration dans le milieu soit terminée.
Yang et Zhuang [ 72 ] ont présenté une Ant Colony Optimization algorithme amélioré pour
la résolution de l' agent mobile (robot) routage problème. Les fourmis coopèrent en utilisant
une forme indirecte de communication médiatisée par les traces de phéromone de parfum et
de trouver la meilleure solution à leurs tâches guidées à la fois par l’information (exploitation)
qui a été acquis et la recherche (exploration) de la nouvelle route. Lorsque la fourmi k se
déplace, la probabilité que la fourmi k choisit l'ordinateur hôte suivant à visiter est :
(8)
où p k ( r , s ) est la probabilité que la fourmi k choisit le s e ordinateur hôte comme la

prochaine destination; r est l'ordinateur hôte courant qui la fourmi est à; d ( i , j ) est le temps
que d'un mobile l' agent a besoin de la i ème à la j ème ordinateur hôte; τ ( i , j ) est la piste de
phéromone sur le trajet entre le i ème et j ème ordinateur hôte; p i est la probabilité que l'agent
mobile complète la tâche dans la i ème ordinateur hôte, puis le retard de temps dans cet
[22]
ordinateur hôte est notée t i ; J i ( r ) est l'ensemble des ordinateurs hôtes qui restent à être
visité par la fourmi i positionné dans la r e ordinateur hôte; ß (0 ≤ ß ≤ 1) est un paramètre pour
contrôler le compromis entre visibilité (heuristique constructive) et la concentration de
phéromone. Ensuite , plus les traces de phéromone sur la route que les fourmis choisissent,
plus le temps de retard et plus la probabilité que les fourmis choisissent cette voie. Les traces
de phéromone sur la route peuvent s'évaporer au fil du temps, ainsi que les traces de
phéromone dans l'itinéraire peuvent être mis à jour après que toutes les fourmis complètent
leurs tournées, respectivement, et revenir à l'ordinateur hôte initial. L'algorithme a été intégré
avec succès dans un système de robot humanoïde simulé qui a remporté la quatrième place du
RoboCup Concours Mondial de 2008.
I.5. Orientations futures :

Informatique intelligente bio-inspirés est un relativement nouveau domaine
interdisciplinaire de la recherche, et il y a de nombreux problèmes théoriques nécessaires à
résoudre. Les problèmes théoriques les plus importants et les plus étudiés sont le problème de
la convergence, le problème de l'efficacité, et le problème de la norme d'évaluation. Parce que
la plupart du BIA est basées sur la recherche de probabilité, il est difficile de prouver
rigoureusement la convergence et l'efficacité des BIA en mathématiques. Actuellement, de
nombreux résultats de recherche théoriques visent à un algorithme spécifique pour mener à
bien les travaux de recherche. Une des œuvres futures est d'intégrer certains algorithmes
associés à un cadre théorique commun pour la preuve de la convergence et de l'efficacité. En
outre, l'évaluation des BIA devrait être menée dans un aspect spécifique pour une tâche
spécifique, telle que la vitesse de calcul ou l'exactitude de la solution, car il est difficile de
trouver un BIA, qui convient à tous les problèmes. Lorsque nous concevons un algorithme, le
principe pratique devrait être suivi, et l'algorithme avec le complexe inutile ne doit pas être
sélectionné. D'autres branches de recherche dans l'étude de la théorie de la BIA comprennent
le problème de la sélection des paramètres initiaux et le problème de la vitesse de
convergence. Nous pensons que beaucoup de roman BIA seront développés en permanence
avec l'approfondissement de la recherche biologique.
À l'avenir, les BIA joueront un rôle important dans de plus en plus de champs. Dans le
champ d'application pour le contrôle du robot mobile sur la base de BIA, les principales
[23]
orientations futures comprennent des capteurs bio-inspirés, modèle cognitif, et les robots bio-
inspirés.
Dans les capteurs robotiques, le développement des capteurs traditionnels rencontre un

gros problème; autrement dit, il devient de plus en plus difficile d'améliorer la précision des
capteurs, ainsi que le coût des capteurs de production est de plus en plus. Cependant, comme
nous le savons, beaucoup d'organismes ne disposent pas de capteurs de haute précision, alors
qu'ils peuvent réaliser la fonction de son sens. Ainsi, les capteurs bio-inspirés peuvent être une
bonne solution pour les capteurs robotiques. Dans le modèle cognitif, actuellement de
nombreux résultats de la recherche ont été obtenus sur la base du mécanisme de travail du
cerveau des rats et des êtres humains. Une autre question importante qui devrait être de
préoccupation est la performance du BIA dans des applications réelles de robots mobiles.
Dans un avenir proche, le robot avec une grande intelligence, l'auto-apprentissage et

l'auto-perception deviendra le grand public dans le domaine du robot mobile.
[24]
I.6. Conclusions :
Dans ce chapitre, nous avons analysé les principales caractéristiques du BIA basé sur
notre travail et la vue d'ensemble de la littérature et donné une classification des BIA du
mécanisme biomimétique. Selon la classification, nous avons sondé le processus de
réalisation de chaque catégorie de BIA par certains algorithmes concrets sélectionnés avec
soin. En outre, nous avons sondé les applications de BIA axées sur le champ de commande de
robot mobile. Enfin, nous avons fourni quelques orientations possibles pour des études
futures. En raison de la littérature importante et croissante dans ce domaine, de nombreux
résultats intéressants ont pas été inclus dans une tentative de capturer certains des domaines
clés dans ce domaine.
Il est clair que les BIA vont être l'un des points les plus chauds de la recherche dans le
domaine intelligente de calcul, y compris la théorie et de la recherche de l'application. Et BIA
jouera un rôle important dans le contrôle du robot mobile, qui sera une bonne solution pour
améliorer l'intelligence et de l'autonomie du robot mobile et peut résoudre le goulot
d'étranglement du développement des technologies traditionnelles, telles que l'équilibre entre
la précision et le coût. À l'heure actuelle, de nombreux problèmes de base du contrôle de robot
mobile basé sur BIA ont été explorées et les résultats sont excitant de démontrer le potentiel
de BIA. Cependant, la plupart des résultats disponibles ne sont menées par la simulation; des
efforts supplémentaires sont nécessaires pour développer une BIA plus efficace et le transit de
ces résultats à des applications réelles dans le contrôle du robot mobile.
[25]
Optimisation par essaim de particule Chapitre II
II. Optimisation par essaim de particules (OEP, PSO)
II.1. INTRODUCTION :
L’homme s’inspire de plus en plus de la nature qui l’entoure pour mettre en place des
algorithmes simulant le comportement des animaux.
Les Méta-heuristiques permettent de trouver facilement et rapidement la solution la plus
approchée du l’optimum si ce dernier existe.
Nous allons faire la connaissance avec une de ces méthodes, celle-ci est dite « optimisation
par essaims de particule » dont l’idée directrice est la simulation du comportement collectif des
oiseaux à l’intérieur d’une nuée, et étudier la possibilité de son application pour contrôler les
robots mobiles.
Le problème à résoudre peut souvent s'exprimer comme un problème d'optimisation : on

définit une fonction objectif, ou fonction de coût, que l'on cherche à minimiser ou à maximiser
par rapport à tous les paramètres concernés.
La définition du problème d'optimisation est souvent complétée par la donnée de
contraintes. On distingue les contraintes impératives (ou « dures ») et les contraintes indicatives
(ou « molles »).
Tous les paramètres des solutions retenues doivent respecter les contraintes du premier
type, qui peuvent aussi être vues comme définissant l'espace de recherche, faute de quoi ces
solutions ne sont pas réalisables.
Les contraintes indicatives doivent simplement être respectées aussi bien que possible. De
nouvelles méthodes, dénommées méta heuristiques, comprenant notamment la méthode du recuit
simulé, les algorithmes évolutionnaires, la méthode de recherche tabou, les algorithmes de
colonies de fourmis… sont apparues, à partir des années 1980, avec une ambition commune :
résoudre au mieux les problèmes dits d'optimisation difficile.
Revenons sur la définition de l'optimisation difficile. Deux sortes de problèmes reçoivent,
dans la littérature, cette appellation, non définie strictement (et liée, en fait, à l'état de l'art en
matière d'optimisation) :
 certains problèmes d'optimisation discrète, pour lesquels on ne connaît pas d'algorithme
exact polynomial (c'est-à-dire dont le temps de calcul est proportionnel à Nn, où N désigne
le nombre de paramètres inconnus du problème, et n est une constante entière). C'est le cas,
en particulier, des problèmes dits « NP-difficiles », pour lesquels on conjecture qu'il
[26]
n'existe pas de constante n telle que le temps de résolution soit borné par un polynôme de
degré n.
 certains problèmes d'optimisation à variables continues, pour lesquels on ne connaît pas
d'algorithme permettant de repérer un optimum global (c'est-à-dire la meilleure solution
possible) à coup sûr et en un nombre fini de calculs.
Des efforts ont longtemps été menés, séparément, pour résoudre ces deux types de
problèmes. Dans le domaine de l'optimisation continue, il existe ainsi un arsenal important de
méthodes classiques dites d'optimisation globale [38], mais ces techniques sont souvent
inefficaces si la fonction objectif ne possède pas une propriété structurelle particulière, telle que
la convexité. Dans le domaine de l'optimisation discrète, un grand nombre d'heuristiques, qui
produisent des solutions proches de l'optimum, ont été développées ; mais la plupart d'entre elles
ont été conçues spécifiquement pour un problème donné.
II.2. L’optimisation par essaim de particules (PSO)

Le méta heuristique basée sur la méthode des essaims particulaires ("Particle Swarm
Optimization", PSO) a été développée par Kennedy et Eberhart en 1995. Le principe de la
méthode provient analogiquement avec les comportements collectifs d’animaux.
L'optimisation par essaims particulaires (PSO) est classée dans les techniques d'optimisation
stochastiques à population. Une brève description de l’algorithme PSO est présentée dans les
paragraphes suivants.
Observez un champ en train d’être labouré en automne, lorsque le soc de la charrue pénètre
le sol pour la première fois le champ est vide de tout goéland et quelques minutes après une nuée
accompagne le tracteur. Au début du labour un oiseau découvre la source de nourriture et très
rapidement un autre arrive et ainsi de suite.
Que s’est-il passé ? L’information concernant un festin potentiel s’est largement diffusée
au sein du groupe de goéland. Les goélands volaient à la recherche de nourriture de façon plus
ou moins ordonnée et le rassemblement s’est effectué par un échange (volontaire ou non) social
d’informations entre individus de la même espèce.
L’un d’entre-eux à trouver une solution et les autres se sont adaptés en copiant sa solution,
ceci offre un caractère adaptatif à la méthode.
Au départ J. Kennedy et R. Eberhart cherchaient à simuler la capacité des oiseaux à voler
de façon synchrone et leur aptitude à changer brusquement de direction tout en restant en une
formation optimale. Le modèle qu’ils ont proposé à ensuite été étendu en un algorithme simple et
[27]
efficace d’optimisation.
Les particules sont les individus et elles se déplacent dans l’hyperespace de recherche.
Le processus de recherche est basé sur deux règles :
1. Chaque particule est dotée d’une mémoire qui lui permet de mémoriser le meilleur point
par lequel elle est déjà passée et elle a tendance à retourner vers ce point.
2. Chaque particule est informée du meilleur point connu au sein de son voisinage et elle va
tendre à aller vers ce point.
II.2.1. Origines :
Ces deux concepteurs, Russel Eberhart et James Kennedy, cherchaient à modéliser des
interactions sociales entre des « agents » devant atteindre un objectif donné dans un espace de
recherche commun, chaque agent ayant une certaine capacité de mémorisation et de traitement
de l'information. La règle de base était qu’il ne devait y avoir aucun chef d’orchestre, ni même
aucune connaissance par les agents de l’ensemble des informations, seulement des connaissances
locales. Un modèle simple fut alors élaboré.
Dès les premières simulations, le comportement collectif de ces agents évoquait celui d'un
essaim d’êtres vivants convergeant parfois en plusieurs sous essaims vers des sites intéressants.
Ce comportement se retrouve dans bien d'autres modèles, explicitement inspirés des systèmes
naturels. Ici, la métaphore la plus pertinente est probablement celle de l’essaim d’abeilles,
particulièrement du fait qu’une abeille ayant trouvé un site prometteur sait en informer certaines
de ses consœurs et que celles-ci vont tenir compte de cette information pour leur prochain
déplacement.
Finalement, le modèle s’est révélé être trop simple pour vraiment simuler un comportement
social, mais par contre très efficace en tant qu’outil d’optimisation.
Comme nous allons le voir, le fonctionnement de la PSO fait qu’elle peut être rangée dans les
méthodes itératives (on approche peu à peu de la solution) et stochastiques (on fait appel au
hasard).Sous ce terme un peu technique, on retrouve un comportement qui est aussi vieux que la
vie elle-même : améliorer sa situation en se déplaçant partiellement au hasard et partiellement
selon des règles prédéfinies.
II.2.2. Terminologie (quelques définitions) :

La terminologie de l'optimisation par essaim de particules est empruntée aux études
sociales du comportement animal dues à l’existante analogie.
[28]
1. particule :
Dans la terminologie de PSO, un vecteur de paramètre s'appelle la particule. Toutes les particules
dans l'essaim agissent individuellement sous le même principe : accélérez vers le meilleur
endroit global et le meilleur endroit personnel tout en constant vérification de la valeur de son
endroit courant.
2. Position :
La position du vecteur de paramètre dans l'espace de recherche est la position de particule.
3. la fonction coût (fitness) :
Comme dans toutes les techniques évolutionnaires de calcul il doit y avoir une certaine fonction
ou méthode pour évaluer la qualité d'une position.
La fonction coût doit prendre la position dans l'espace de recherche et renvoyer un nombre
simple représentant la valeur de cette position. La fonction coût fournit l'interface entre le
problème physique et l'algorithme d'optimisation.
4. meilleur personnel (Pbest) :
L'endroit avec la valeur d'aptitude la plus élevée individuellement découverte par une particule
est connu en tant que meilleur personnel. Chaque particule a son propre meilleur personnel
déterminé par le chemin qu'il a pris.
5. meilleur global (Gbest) :
L'emplacement de la plus haute valeur d'aptitude rencontrée par toutes les particules jusqu'à un
certain moment dans le temps (itération) est connu sous le nom de la Global Best. Pour
l'ensemble de l'essaim il y a un seul Global Best.
Chaque particule a le moyen de connaître la Global Best découvert par l'ensemble de l'essaim.
À chaque point du temps chaque particule compare l'aptitude de son emplacement actuel à celui
des Global Best.
Si une particule est atteinte à un endroit de plus d'aptitude, Global Best est remplacé par celui des
particules position actuelle.
II.2.3. Description informelle :

La version historique peut facilement être décrite en se plaçant du point de vue d’une
particule. Au départ de l’algorithme, un essaim est réparti au hasard dans l’espace de recherche,
chaque particule ayant également une vitesse aléatoire. Ensuite, à chaque pas de temps :
_chaque particule est capable d'évaluer la qualité de sa position et de garder en mémoire sa
meilleure performance, c'est-à-dire la meilleure position qu’elle a atteinte jusqu’ici (qui peut en
fait être parfois la position courante) et sa qualité (la valeur en cette position de la fonction à
[29]
optimiser).
_Chaque particule est capable d'interroger un certain nombre de ses congénères (ses
informatrices, dont elle-même) et d'obtenir de chacune d'entre elles sa propre meilleure
performance (et la qualité afférente).
_À chaque pas de temps, chaque particule choisit la meilleure des meilleures performances dont
elle a connaissance, modifie sa vitesse en fonction de cette information et de ses propres données
et se déplace en conséquence.
Le premier point se comprend facilement, mais les deux autres nécessitent quelques précisions.
Les informatrices sont définies une fois pour toute de la manière suivante
(Figure II.1) :
Figure II.1: Le cercle virtuel pour un essaim de sept particules.
Le groupe d’information de taille trois de la particule 1 est composé des particules 1, 2 et 7.

On suppose que toutes les particules soient disposées (symboliquement) en cercle et, pour la
particule étudiée, on inclut progressivement dans ses informatrices, d’abord elle- même, puis les
plus proches à sa droite et à sa gauche, de façon à atteindre le total requis. Il y a bien sûr de
nombreuses variantes, y compris celle consistant à choisir les informatrices au hasard, mais
celle-ci est à la fois simple et efficace.
[30]
Figure II. 2:Schéma de principe du déplacement d'une particule.
Pour réaliser son prochain mouvement, chaque particule combine trois tendances : suivre sa
vitesse propre, revenir vers sa meilleure performance, aller vers la meilleure performance de ses
informatrices.
Une fois la meilleure informatrice détectée, la modification de la vitesse est une simple
combinaison linéaire de trois tendances, à l’aide de coefficients de confiance :
_La tendance « aventureuse », consistant à continuer selon la vitesse actuelle,

_La tendance « conservatrice », ramenant plus ou moins vers la meilleure position déjà trouvée,
_la tendance « panurgienne », orientant approximativement vers la meilleure informatrice.
Les termes « plus ou moins » ou « approximativement » font référence au fait que le hasard joue
un rôle, grâce à une modification aléatoire limitée des coefficients de confiance, ce qui favorise
l’exploration de l’espace de recherche.
Naturellement, pour pouvoir être programmé, tout ceci est formalisé dans des équations de
mouvement. Un point intéressant est que, contrairement à bien d’autres heuristiques qui restent
purement expérimentales, il existe une analyse mathématique précisant les conditions de
convergence et le choix des paramètres.
[31]
II.2.4. Le voisinage :
Le voisinage constitue la structure du réseau social. Les particules à l’intérieur d’un
voisinage communiquent entre-elles. Différents voisinages ont été étudiés et sont considérés en
fonction des identificateurs des particules et non des informations topologiques comme les
distances euclidiennes dans l’espace de recherche [39]:
– Topologie en étoile (figure II.2(a)) : le réseau social est complet, chaque particule est attirée
vers la meilleure particule notée gbest et communique avec les autres.
– Topologie en anneau (figure II.2 (b)): chaque particule communique avec n (n = 3) voisines
immédiates. Chaque particule tend à se déplacer vers la meilleure dans son voisinage local
notée lbest.
– Topologie en rayon (figure II.2(c)): une particule "centrale" est connectée à tous les autres.
Seule cette particule centrale ajuste sa position vers la meilleure, si cela provoque une
amélioration l’information est propagée aux autres.
Figure II.3; les différents types de voisinage (étoile, anneau, rayon)
[32]
II.2.5. Principales caractéristiques :

Ce modèle présente quelques propriétés intéressantes, qui en font un bon outil pour de
nombreux problèmes d’optimisation, particulièrement les problèmes fortement non linéaires,
continus ou mixtes (certaines variables étant réelles et d’autres entières) :
– il est facile à programmer, quelques lignes de code suffisent dans n’importe quel langage
évolué,
– il est robuste (de mauvais choix de paramètres dégradent les performances, mais
n’empêchent pas d’obtenir une solution).
Signalons, de plus, qu'il existe des versions adaptatives qui évitent même à l'utilisateur la peine
de définir les paramètres (taille de l'essaim, taille des groupes d'informatrices, coefficients de
confiance).
Par ailleurs, on notera que cette heuristique se démarque des autres méthodes évolutionnaires
(typiquement, les algorithmes génétiques) sur deux points essentiels : elle met l'accent sur la
coopération plutôt que sur la compétition et il n'y a pas de sélection (au moins dans les versions
de base), l'idée étant qu'une particule même actuellement médiocre mérite d'être conservée, car
c'est peut-être justement elle qui permettra le succès futur, précisément du fait qu'elle sort des
sentiers battus.
II.2.6. L'équation de mouvement :

PSO est essentiellement développé grâce à la simulation d'oiseaux affluents dans les deux
dimensions spatiales.
La position de chaque agent est représentée par la position sur les axes XY et la vitesse est
exprimée par v x (la vitesse de l'axe X) et v y (la vitesse de l'axe Y).
La modification de la position d'un agent indiquée est définie par la position et
l'information de vitesse.
Chaque agent connaît la valeur de son mieux à ce jour (pbest) et sa position (XY).
Cette information est l’analogie de l'expérience personnelle de chaque agent. En outre, chaque
agent connaît la meilleure valeur à ce jour dans le groupe (gbest) entre pbests.
Cette information est analogie de la connaissance de la façon dont les autres agents qui les
entourent ont accompli. À savoir, pour que chaque agent peut modifier sa position il faut utiliser
les informations suivantes:
-sa position actuelle (x, y),
-sa vitesse actuelle (v x , v y ) ,
[33]
- la distance entre sa position actuelle et pbest

- la distance entre sa position actuelle et gbest
Cette modification peut être représentée par le concept de vitesse. La vitesse de chaque agent
peut étre modifiée par l'équation suivante [ Sha]:
k 1
 W vi  c1 rand 1  ( pbest  xi )  c2 rand 2  ( gbest  xi )
k k k
v i 1
(1)
Où:
k 1
_ vi : la vitesse de l'agent i, à l'itération k
– W : Le poids inertiel,
– c j
: paramètre d'accélération (facteur de pondération),
– rand : numéro aléatoire entre 0 et 1,

k
_ x : la position de l'agent i, à l'itération k,
i
– pbest i : meilleur personnel de l’agent i,

– gbest : meilleur global dans le group.
Le poids inertiel décroît d'une valeur max à une valeur min :
 wmin
w w max
 wmax  iter (2)
iter max
Où:
– wmax : poids initial,
– wmin : poids final,
– iter : le nombre d'itération maximal,

max
– iter : l'itération en cours.
En utilisant l'équation ci-dessus, dans le calcul de la vitesse, ce qui est peu à peu près de
[34]
pbest et gbest peut être calculé. La position actuelle (recherche dans l'espace de
recherche) est donnée par l'équation suivante:
k 1 k 1
 x v
k
x i i i
(3)
Figure II.4: Mise à jour d'une particule avec l'algorithme PSO
II.2.7. Description algorithmique :

Le but de l’algorithme PSO est d’optimiser une fonction dans un espace donné. Dans la
majorité des cas, l’algorithme d'optimisation recherche le maximum ou le minimum global de
l’espace de recherche. Voici la description des étapes de l’algorithme PSO:
Étape 0:
L'initialisation de la vitesse et la position de chaque particule dans l'essaim.
Étape 1 :
Si le critère d’arrêt est vérifié, alors l'algorithme se termine. S’il ne l’est pas, une nouvelle
itération commence en retournant à l’Étape 2 avec la première particule (i =1). Le critère d’arrêt
correspond généralement à un nombre d’itérations prédéfinies, mais on peut également spécifier
un critère d’arrêt en fonction de la meilleure valeur de qualité G ( p ) obtenue pour l’ensemble
g
des particules.
Pour toutes les particules de la population, exécuter les Étapes 2 à 6.
[35]
Étape 2 :
Calcul de la qualité G ( p ) de la particule i en fonction de G ( x )
i i
et son vecteur de position
( xi ) .
Étape 3:
Établir si la qualité G ( x ) obtenue par la particule i est supérieure à la meilleure qualité que
i
cette particule a obtenue antérieurement. Si G (x ) >G ( p ) ,

i i
la présente position de la
particule xi est sauvegardée comme étant la meilleure position pi obtenue à ce jour pour la
k
particule i. p x G (p) G (p ) V
i i i g i
Étape 4 :
Établir si la qualité G (pi) obtenue par la particule i est plus grande que la meilleure qualité G (p
g) obtenue pour l’ensemble de la population. Si tel est le cas, l’indice de la particule ayant obtenu
la meilleure qualité g prend la valeur i.
Étape 5 :
k 1
Mettre à jour la vitesse de déplacement V i
de la particule i. Cette mise à jour tient compte de
k
la vitesse précédente de la particuleV i , de sa position présente x i
, de la position de la
meilleure qualité p i
obtenue par cette particule ainsi que de la position de la meilleure qualité
globale p g obtenue par la population. Une fois cette vitesse mise à jour, il faut vérifier si la
k 1
nouvelle vitesse V i
de la particule i est contenue dans les limites autorisées V i
∈ (-
V max
 V max ). Si tel n’est pas le cas, la nouvelle vitesse est réduite à la borne la plus proche.
Étape 6 :
k 1
Mettre à jour la position x i
de la particule i. Cette mise à jour tient compte de la position
k k 1
précédente de la particule x i
ainsi que de la nouvelle vitesse V i calculée à l’étape 5. Une fois
k 1
la position de la particule i mise à jour, il faut vérifier si la nouvelle position x i
est contenue
dans l’espace de recherche spécifié par
x i
∈( x ,x
min max
). Si tel n’est pas le cas, la nouvelle position est ramenée à la borne la plus
proche.
[36]
L’algorithme ci-dessous présente un sommaire de l’algorithme PSO.
Algorithme : Optimisation par essaims particulaires
Initialisation des paramètres xi ,V i , x , x ,V

min max max
,
for k = 1 au itération maximum

for i = 1 au nombre de particules
If G ( x ) G ( p )
i i
// G () évaluer la qualité
p i = xi // p id
meilleure position
End If
g=i // arbitraire
for j = index des voisins de la particule i
If G (p) > G (p )
i g
then g=j //index de la meilleure particule
globale
next j
k 1
 wvi  c1 rand × (p  xi )  c2 rand × (p  xi ) ,
k k k
V i i g v  ( v
i max
, vmax )
k 1 k 1
 x v
k
x i i i
, x  (x , x
i min max
)
next i
next k, jusqu’à obtention du critère d’arrêt
[37]
Figure II.5: un digramme simple représente les différentes étapes de PSO.
[38]
II.2.8. Les paramètres dans l'algorithme PSO :

L’équation la plus importante dans l’algorithme PSO est la mise à jour de la vitesse de
déplacement des particules:
k 1
 wvi  c1 rand × (p  xi )  c2 rand × (g  xi )
k k k
V i best best
II.2.8.1. Poids inertiel :

Le poids inertiel (w) est un paramètre utilisé pour équilibrer la force de la vitesse
précédente de la particule. La formule de mise à jour de la vitesse d’une particule est :
k 1
 wvi  c1 rand1× (p  xi )  c2 rand 2 × (g  xi )
k k k
V i besti best
De nombreux tests ont également été effectués pour trouver la valeur optimale de w [Hen].
L’une des meilleures techniques trouvée consiste en une fonction linéaire diminuant la valeur de
w de 0.9 à 0.4 sur le nombre maximal d’itérations à effectuer. Ainsi, la valeur de w diminue
légèrement après chaque itération PSO. Au début d’une optimisation, les particules feront de
grands déplacements. Ceci permettra d’explorer une grande partie de l’espace. Puis, à mesure
que le nombre d’itérations augmente, la grandeur des déplacements des particules diminuera,
permettant ainsi de raffiner la recherche.
Figure II.6 : l'effet du paramètre w sur le déplacement de chaque particule.
[39]
II.2.8.2. Les paramètres d'accélération c1 & c2 :

Les valeurs attribuées à c1, c 2 ont fait l’objet d’une recherche. Bien que un très grand
nombre de simulations et bien des tentatives sont effectuées, car ces deux paramètres ont un
grande effet sur la direction dans laquelle la particule va prendre à chaque pas de temps, comme
nous avons vu que c1 force la particule d'accélérer vers la meilleure performance déjà trouvée
(Personnel Best), et que c 2 force la particule d'accélérer vers le Global Best. Plusieurs valeurs
sont attribuées à c1, c 2 mais les valeurs les plus utilisées sont données par [Ken]:
c1 = 2, c 2 = 2, par conséquence il est conseillé aussi par plusieurs auteurs de varier
c1, c 2 selon le problème à optimiser.
II.2.8.3. Nombre de particules :

Le choix du nombre de particules utilisés lors de l’optimisation est un autre sujet traité par
Kennedy et Eberhart [Ken]. Bien que le nombre de particules optimum varie selon le type de
problèmes à optimiser, il est généralement conseillé d’utiliser de 10 à 30 particules lors de
l’emploi de l’algorithme PSO. Pour améliorer le résultat de l’optimisation, il est également
recommandé de faire quelques cycles PSO lors de l’utilisation d’un petit nombre de particules,
car cet algorithme est sensible aux valeurs initiales des particules. On peut diminuer cette
sensibilité en utilisant un grand nombre de particules (50 et plus) et ainsi n’exécuter qu’un seul
cycle d’optimisation PSO.
II.2.8.4. Critères d'arrêt de l'algorithme :

Plusieurs critères d'arrêt [Dub] sont possibles pour l'algorithme PSO:
• Un seuil sur les fonctions coûts de la meilleure particule mémorisée.
• Une limite en termes de nombre d'itérations ou de temps de calcul.
• Plus d'amélioration de la meilleure particule pendant un nombre minimal d'itérations fixé a
priori.
[40]
II.2.9. Les variantes de PSO :

II.2.9.1. Discrète PSO :
L'original PSO est essentiellement développé pour les problèmes d'optimisation continue.
Toutefois, beaucoup de problèmes pratiques d'ingénierie sont formulés comme problèmes
d'optimisation combinatoire [39].
Kennedy et Eberhart ont développé une version binaire et discrète de PSO pour ces problèmes.
Ils ont proposé un modèle dans lequel la probabilité d'un agent de décider oui ou non, vrai ou
faux, ou de faire une autre décision, est une fonction de la situation personnelle et les facteurs
sociaux comme suit:
k 1
 1) 
k k
p (x i f (x ,v , p i i besti
,g )
best
(4)
Le paramètre V, un agent de prédisposition à faire un ou l'autre choix, de déterminer un seuil de

probabilité. Si V est haute, l'agent est plus susceptible de choisir 1, et pour des valeurs basses,
l'agent est plus susceptible de choisir 0. Ça exige un seuil de rester dans l'intervalle [0, 1]. L'une
des fonctions de l'accomplissement de cette fonction est la fonction sigmoïde.
1
sig (v ) 
k
(5)
1  exp ( vi )
i k
L'agent de la cession devrait être ajustée en fonction des succès de l'agent et du groupe.
Pour ce faire, une formule pour chaque vik qui sera une fonction de la différence entre la
position actuelle de l'agent et la meilleure position trouvée à ce jour par lui-même et par le
groupe. À savoir, comme la version de base continue, la formule de version binaire de PSO peut
être décrite comme suit:
k 1
 vi  rand × (p  xi )  rand × (g  xi )
k k k
V i besti best
(6)
k 1 k 1 k 1 k 1
p  sig (v
i i
) Then x i
 1; else x i
0 (7)
Où, rand: un numéro tiré au hasard d'une distribution uniforme avec un plafond prédéfini.
k 1
p i
: Un vecteur de nombres aléatoires de [0.0, 1.0].
Dans la version binaire, la limite de rand est souvent posée de manière à ce que les deux limites
de rands somment à 4,0. Ces formules sont réitérées à maintes reprises au- dessus de chaque
[41]
dimension de chaque agent. Le deuxième et troisième trimestre de (II.6) être pondérés comme la
version de base continue de PSO.
v
k
i
Peut être limités, de tel sorte que sig ( v k
i
) ne pas approcher trop de près à 0,0 ou 1,0.
De cette façon, il y a toujours une chance de renverser un peu. Un constant paramètre Vitesse
max peut être réglé au début d'un procès. Dans la pratique, v max est souvent dans [-4, 0, +4,0].
L'ensemble des algorithmes de la version binaire de la PSO est presque la même que celle de la
version de base continue, sauf l'équation de décision ci-dessus.
II.3. domaines de recherche et d'applications :

II.3.1. Problèmes bien adaptés :
L'implémentation très simple ainsi qu'une convergence rapide ont rendu la méthode
attractive pour de nombreux problèmes. Elle a été initialement utilisée pour régler les paramètres
d'un réseau de neurones.
Les performances sont comparables voire meilleures que celle fournies par l'algorithme de rétro-
propagation habituel.
Dans l'ensemble la PSO a des très bons résultats pour des problèmes continus non linéaires,
souvent meilleurs en termes de temps de calcul et de la qualité de l'optimum par rapport aux
autres approches. Des très bons résultats ont été également reportés sur des problèmes mixtes (à
variables continues et discrètes).
De plus la convergence rapide rend le système bien adapté à l'optimisation dynamique (dont les
paramètres changent en fonction du temps).
II.3.2. Problèmes mal adaptés :

L'utilisation de la PSO sur des problèmes purement discrets a été essayée avec des
résultats plus mitigés. Il en est de même lorsque l'espace est fortement contraint [38]: les
variables ne peuvent prendre qu'un nombre restreint de valeurs et les particules ne peuvent donc
pas librement se promener dans l'espace.
[42]
II.3.3. Exemples d'applications industrielles

• Commande des robots
• Conception du profil d'une aile d'avion
• Calcul de trajectoire pour le forage
• Conception de filtres optiques
• Timing d'ouverture des soupapes d'un moteur à explosion
• Contrôle de la température de l'air d'une serre
II.4 Exemple sur ATLAB:

On va faire une simulation du mouvement d’essaim pour obtenir la solution minimum
globale de chaque particule.
II.4.1. Résultats:
Pour 1 itération
[43]
Pour 20 itérations
Pour 30 itérations
fig II.7. Simulation du mouvement d’essaim par PSO
II.5.2 Discussion:
On a Remarqué à partir de l'image que pour la première itération, nous trouvons tous les
agents mobiles au point de départ, et pour 20 itérations, les agents étaient sur leur chemin au
point qu’il est précisé dans le programme. Nous constatons que tous les agents sont arrivés au
point de cible à l’itération 30, 30 est le nombre d’itération pour atteindre l’objectif.
On a réussi dans cet exemple a voire les mouvements des particules pendant leur déplacement
[44]
II.5. COCLUSION :
Les méta-heuristiques permettent l'absence d'hypothèses particulière sur la régularité de la
fonction objective
Les résultats obtenue par PSO sont très satisfaisants et confirment bien la validité de
l’algorithme.
Le choix de paramètres reste l'un des problèmes de l'optimisation par particules d'essaim.
[45]
Algorithme d’optimisation d’exploration des bactéries Chapitre III
III. Algorithme d’optimisation d’exploration des bactéries
III.1. Introduction :
L’algorithme d’optimisation de d’exploration des bactéries (Bacteria Foraging
optimisation Algorithm ou BFOA), proposé par Passino [1], est un nouveau venu à la famille
des algorithmes d'optimisation inspirés de la nature. Au cours des cinq dernières
décennies, les algorithmes d’optimisation tels que des algorithmes génétiques (GAS) [2],
Programmation évolutive (EP) [3], évolutionnaire de Stratégies (ES) [4], qui puisent leur
inspiration dans l' évolution et la génétique naturelle, ont été dominant dans le domaine de
d'optimisation. Récemment, l’algorithme d essaim naturel inspiré comme l’optimisation par
essaim de particule (Particule Swarm Optimisation ou PSO) [37], colonies de fourmis
optimisation (ACO) [6] a trouvé leur chemin dans ce domaine et prouvé leur
efficacité. Suivant la même tendance des algorithmes basés essaim, Passino a proposé la
BFOA dans [1]. L’idée clé du nouvel algorithme est l’application de la stratégie du groupe de
recherche de nourriture d'un essaim de bactéries E.coli dans l’optimisation de la fonction
multi-optimale. La recherche des éléments nutritifs par les bactéries de manière à
optimiser l’énergie obtenue par unité de temps. Une Bactérie individuelle peut aussi
communiquer avec les autres par l’envoi de signaux. Une bactérie prend des décisions
d’exploration après avoir examiné les deux facteurs précédents. Le processus, dans lequel une
bactérie se déplace par petits pas lors de la recherche pour les éléments nutritifs, est appelé
chimiotactisme et l’idée clé de BFOA est d’imiter le mouvement chimiotactique des bactéries
virtuelles dans l'espace de recherche de problème.
Depuis sa création, la technique BFOA a attiré l'attention des chercheurs de divers
domaines de la connaissance en particulier en raison de sa motivation biologique
et la structure gracieuse.
Les chercheurs tentent d’hybrider BFOA avec différents autres algorithmes afin
d'explorer ses propriétés de recherche locales et globales séparément. Il a déjà été appliqué
à de nombreux problèmes du monde réel et prouvé son efficacité sur de nombreuses variantes
de GA et de PSO. La modélisation mathématique, l’adaptation et la modification de
l'algorithme pourrait être une partie importante de la recherche sur BFOA à l' avenir.
[46]
III.2. Algorithme d’optimisation d’exploration des bactéries(B.F.O.A) :

Pendant la recherche de nourriture des bactéries réelles, la locomotion est réalisée par un
ensemble de flagelles comme traction. Flagelles qui aide la Bactérie E. coli à linge ou nager,
qui sont deux opérations de base effectuées par une bactérie au moment
e la recherche de nourriture [40, 41]. Quand elles tournent les flagelles dans le sens des
aiguilles d'une montre, chaque flagelle tire sur la cellule. Cela se traduit par le déplacement de
flagelles indépendamment et, enfin, la bactérie dégringole avec moindre nombre de tumbling
alors que dans un endroit dangereux, il tombe souvent de trouver un gradient de nutriments.
Déplacement du flagelle dans le sens inverse des aiguilles aide la bactérie à nager à un rythme
très rapide.
Dans l'algorithme mentionné ci-dessus les bactéries subit un chimiotactisme, où ils
aiment à se déplacer vers un gradient de nutriments et d’éviter l’environnement
nuisible. En général, les bactéries se déplacent pour une plus longue distance dans un
environnement convivial.
La figure 1 illustre la façon dont le mouvement dans le sens horaire et anti - horaire
d'une Bactérie dans une solution nutritive
Fig.III.1 : nagé et sèche des bactéries

Quand ils reçoivent nourriture suffisante, elle est augmentée en longueur et en présence
de température appropriée ils se cassent au milieu à partir d’une réplique exacte de lui -
même. Ce phénomène a inspiré Passino à présenter un événement de reproduction
BFOA. En raison de la survenance de changements environnementaux soudains ou d’attaque,
[47]
les progrès chimiotactique peut être détruit et un groupe de bactéries peut se déplacer à un
autre lieu ou une autre peuvent être introduit dans l'essaim de préoccupation. Ceci constitue le
cas D’élimination -dispersion dans la population bactérienne réelle, où toutes les bactéries
dans une région sont tuées ou groupe est dispersé dans une nouvelle partie de
l'environnement.
( ) où θ∈ 
p
Maintenant, supposons que nous voulons trouver le minimum de J (c’est-
à-dire θ est de p vecteur de dimension de nombres réels), et nous ne disposons pas des
mesures ou une description analytique de la pente  J ( ) . BFOA imite les quatre
mécanismes principaux observés dans un système bactérien réel: chimiotactisme,

grouillante, la reproduction et l’élimination-dispersion pour résoudre cette optimisation non-
gradient problème. Une bactérie virtuelle est en fait une solution d’un essai (peut être appelé
une recherche-agent) qui se déplace sur la surface fonctionnelle (voir la figure 2) pour
localiser l'optimum global.
Fig. III.2: Un essaim bactérien sur une surface multimodale fonction objective.
Nous allons définir une étape chimiotactique qui peut être une chute suivie d'une chute
ou d’une chute suivie d'une course.
Soit J l'indice pour l'étape de chimiotactique. Soit k l'indice pour l'étape de
reproduction. Soit l indice de l'événement d'élimination-dispersion.
Laissez également
[48]
p : Dimension de l'espace de recherche,
s : Nombre total de bactéries présentes dans la population,
N C
: Le nombre d'étapes chimiotactiques,
N s
: La longueur de la natation.
N re
: Le nombre d'étapes de reproduction,
N ed
: Le nombre d'événements d'élimination-dispersion,
p ed
: Elimination-dispersion probabilité,
C (i ) : La taille de l'étape de prise dans la direction aléatoire indiquée par le tambour.
Soit p ( j , k , l )   ( j , k , l ) / i  1,2,..., s  représenter la position de chaque membre

i
dans la population des bactéries s au j - ème étape chimiotactique, k -éme étape de la
reproduction, et l’événement d'élimination-dispersion est l - ème.
Ici, Soit J (i , j , k , l ) désignant le coût à l'emplacement de la bactérie i - ème
 ( j , k ,l ) 
i p
∈ (parfois nous laissons tomber les indices et se réfère à la i - ème
position de la bactérie comme ).

i
Notez que nous allons interchangeable faire référence à j comme étant un «coût» (en
utilisant la terminologie de la théorie de l’optimisation) et comme étant un nutriment surface

(en référence aux connexions biologiques). Pour les populations bactériennes réelles, S peut
être très grandes (par exemple, S = 109), mais p = 3. Dans nos simulations informatiques,
nous allons utiliser des tailles de population beaucoup plus petites et garder la taille
de la population fixe.
BFOA, cependant, permet p > 3, de sorte que nous pouvons appliquer la méthode
à des problèmes d'optimisation dimensionnelle élevées. Ci - dessous, nous décrivons

brièvement les quatre étapes de choix dans BFOA.
[49]
Chimiotactisme : Ce processus simule le mouvement d'une cellule E.coli par la natation et

tumbling via flagelles. Biologiquement une bactérie E. coli peut se déplacer de deux façons
différentes. Il peut nager pendant une période de temps dans le même sens où il peut culbuter,
et alterner entre ces deux modes de fonctionnement pour toute sa vie.
 ( j , k ,l )
i
Supposer représente les bactéries à i -ème j -ième chimiotactique, l'étape
d'élimination-dispersion de la reproduction et l -ème k -ème. C (i ) est la taille de l'étape

prise dans la direction aléatoire spécifiée par la chute (unité de longueur d'exécution). Puis, en
calcul le chimiotactisme le mouvement de la bactérie peut être représentée par :
 ( j 1,k , l )   ( j , k , l )  c (i ) ii
i i
(1)
 i )  (i )
T
(
Où Δ indique un vecteur dans la direction aléatoire dont les éléments se trouvent dans [-1, 1].
Fourmillement : Un comportement de groupe intéressant a été observé pour plusieurs

espèces motiles y compris les bactéries E. coli et S. typhimurium, où les modèles spatio-
temporels complexes et stables (essaims) sont formés dans un milieu nutritif semi - solide. Un
groupe de cellules d’E. Coli se charge dans un anneau voyageant en déplaçant le gradient de
nutriments lorsqu'il est placé au milieu d’une matrice semi – solide avec un seul nutriment
chimio-effecteur. Les cellules lorsqu'elles sont stimulées par un niveau élevé de succinate,
libèrent un aspertate attractif, ce qui leur permet de se regrouper en groupes et donc se
déplacer comme motifs concentriques d'essaims dont la densité bactérienne est élevée.
La signalisation de cellule à cellule dans E. coli essaim peut être représentée par la fonction
suivante.
s
J cc ( , p ( j , k , l )) =  J ( , ( j , k , l )) =
cc
i
i 1
s
 p

  d attractan t exp wattractan t  ( m   i )
2
 
m
( +
i 1  m 1 
s
 p

 h  ( 
2
exp ( w
i
rapellant rapellant m m
) ) (2)
i 1  m 1 
Où J ( , p ( j , k , l )) est
cc
la valeur de la fonction objectif à ajouter à l'objectif réel
la fonction (à réduire au minimum) pour présenter un temps variable fonction objective, S est
[50]
le nombre total de bactéries, p est le nombre de variables à optimiser, qui sont présents dans
chaque bactérie et θ= [ θ1, θ2,…, θp]T est une point dans la p dimensionnel chercher domaine.
d attractan t
, w attractan t
, h
rapellant
, w
rapellant
sont différents coefficients qui doivent être choisis
correctement [1, 9].
Reproduction: Les bactéries les moins sains finissent par mourir tandis que chacune des
bactéries saines (ceux cédant valeur inférieure de la fonction objectif) asexuée divisé en deux
bactéries, qui sont ensuite placés dans le même emplacement. Cela permet de maintenir la
constante de la taille des essaims.
Élimination et Dispersion : Les changements graduels ou soudains dans l'environnement

local où une population bactérie vit peuvent se produire pour diverses raisons, par exemple
une augmentation locale significative de la température peut tuer un groupe de bactéries qui
sont actuellement dans une région avec une forte concentration de gradients de nutriments.
Les événements peuvent avoir lieu dans une telle façon que toutes les bactéries dans une
région sont tués ou un groupe est dispersé dans un nouvel emplacement. Pour simuler ce
phénomène dans BFOA certaines bactéries sont liquidées au hasard avec une probabilité très
faible, tandis que les nouveaux remplacements sont au hasard initialisés sur l'espace de
recherche.
Le pseudo-code ainsi que l'organigramme (Figure 3) de l'algorithme complet est présenté ci -
dessous:
L'algorithme BFOA
Les Paramètres:
[Étape 1] Initialisations des paramètres p ,s ,N ,N ,N ,N
C s re ed
, p , C (i )
ed
(i = 1,2,
),  .
i
... , s
[51]
Algorithme:
[Étape 2] Elimination-dispersion boucle: l = l +1
[Étape 3] Boucle de reproduction: k = k +1
[Étape 4] Chimiotactisme boucle: j = j +1
[a] Pour i = 1,2 ... S prendre une étape de chimiotactique pour bactérie i comme suit.
[b] la fonction Computer de remise en forme, J (i, j, k, l).
Soit, J (i, j, k, l)= J (i, j, k, l)+Jcc (θi (j,k,l),P(j,k,l)) ( par exemple ajouter à la cellule à cellule
profil attractant-répulsif pour simuler le comportement d’essaimage)
Où Jcc est défini dans (2).
[c] Soit Jdernier = J (i, j, k, l) pour enregistrer cette valeur puisque nous pouvons trouver un
meilleur coût via une course.
[d] Tumble: générer un vecteur aléatoire Δ(i) ∈ ℜp avec chaque élément Δm (i) = 1,2,…, P
un nombre aléatoire sur [-1, 1].
[e] Move: Let
 ( j 1,k , l )   ( j , k , l )  c (i ) ii
i i
 i )  (i )
T
(
Cela se traduit par une étape de taille C(i) dans la direction du tambour pour la bactérie i.
[f] Computer j (i , j 1,k , l ) et soit

j (i , j 1,k , l ) = j (i , j,k , l ) + J cc ( ( j 1,k , l ) , p ( j 1,k , l ) ).
i
[g] Nager
i) Soit m = 0 (compteur pour la longueur de natation).
ii) while m < Ns (si ont pas descendu trop long).
• Soit m = m + 1.
• Si j (i , j 1,k , l ) < J last (Si faire mieux), laissez - J last

= j (i , j 1,k , l ) et
laisser
 ( j 1,k , l ) =  ( j , k , l )  c (i ) ii
i i
 (i )  (i )
T
Et utiliser cette θi (j+1, k, l) pour calculer le nouveau J (i, j+1, k, l) comme nous l'avons fait
dans [f]
• Sinon, laissez - m = Ns. Ceci est la fin de l'instruction while.
[h] Aller à la prochaine bactérie (i +1) Si ≠ (c. -à- aller à [b] pour traiter la prochaine bactérie).
[52]
[Etape 5]Si j < Nc , Passez à l' étape 4. Dans ce cas, continuer chimiotactisme depuis la vie
des bactéries n’est pas limité.
[Etape 6] Reproduction:
[a] Pour k et l donnée, et pour chaque i= 1, 2,…, S, laisser
Nc1
J health   J (i , j , k , l )
i
(3)
j 1
La santé de la bactérie i (une mesure de combien de nutriments dont il a obtenu plus de sa

durée de vie et dans quelle mesure il était à éviter les substances nocives). Trier les bactéries
et chimiotactique paramètres C(i) dans l’ordre de coût croissant Jhealth (coût plus élevé signifie
moins bonne santé). [b] Le Sr bactéries avec le plus haut Jhealth Les valeurs sont mortes et les
bactéries de la Sr restant avec les meilleures valeurs scission (ce processus est effectué par les
copies qui sont faites sont placés au même endroit que leur parent).
[Etape 7] Si k < Nre , Passez à l' étape 3. Dans ce cas, on n'a pas atteint le nombre de spécifié
étapes de reproduction, de sorte que nous commençons la prochaine génération de la boucle
chimiotactique.
[Etape 8] Elimination-dispersion: Pour i=1,2,…, S avec une probabilité Ped, éliminer et
disperser chaque bactérie (ce qui maintient le nombre de bactéries dans la constante
de la population). Pour ce faire, si une bactérie est éliminée, il suffit de disperser les uns les
autres à un emplacement aléatoire sur le domaine d'optimisation. Si l < Ned, Puis passez
à l’étape 2; autrement fin.
[53]
Fig.III.3: Organigramme Algorithme d’optimisation d’exploration des bactéries
[54]
Dans la figure 4, nous illustrons le comportement d'un essaim bactérien sur les contours
constants des coûts des deux modèles de sphère dimensionnelle:
f(x1,x2)= x12 + x22 . Contours de coûts constants sont courbes x1_- x2 plan le long duquel
f(x1,x2)= x12 + x22 = constant .
III.3. Analyse de la chimiotactique dynamiques en BFOA :

Considérons une seule cellule de bactérie qui subit les étapes chimiotactiques selon (1)
sur une simple dimensionnel espace de fonction objectif. Etant donné que chaque dimension
du chimiotactisme simulée est mise à jour indépendamment des autres et le seul lien entre les
dimensions de l'espace de problème sont introduits par l'intermédiaire des fonctions
objectives, une analyse peut être effectuée le cas unidimensionnel, sans perte de généralité.
La bactérie vit dans le temps continu et à la t ième instant sa position est donnée par θ (t).
Ensuite, nous énumérons quelques hypothèses simplificatrices qui ont été
pris en considération pour le bien de gagner aperçu mathématique.
i) La fonction objectif J(θ) est continue et dérivable à tous les points dans l'espace de
recherche.
Cette fonction est uni- modale dans la région d'intérêt et de son seul et unique optimal
(minimum) est situé à θ = θ0. Aussi J(θ) ≠ 0 pour θ ≠ θ0.
ii) la taille de la chimiotactique étape C est inférieure à 1 (Passino lui-même pris C = 0,1
dans [41]).
iii) L'analyse porte sur les régions du paysage de remise en forme où les gradients de la
fonction sont petit c-à-dire près de la optima.
[55]
Les trajectoires des bactéries, Génération=1 Les trajectoires des bactéries, Génération=2
Les trajectoires des bactéries, Génération=4 Les trajectoires des bactéries, Génération=3
Fig.III. 4: Comportement de convergence des bactéries virtuelles sur les contours des coûts constants
en deux dimensions de la sphère modèle.
[56]
III.3.1. Dérivation d'expression pour la rapidité:

Maintenant, selon BFOA, la bactérie change de position que si la fonction objectif
modifié la valeur est inférieure à celle - dire précédent J(θ) > J (θ+ Δ θ) c’est-à-dire J(θ) - J
(θ+ Δ θ) est positive. Ce assure que la bactérie se déplace toujours dans le sens
décroissant de valeur de la fonction objective. UNE notamment itération commence par
générer un nombre aléatoire, ce qui suppose que deux valeurs avec une égale probabilité.
Il est nommé comme la direction de chute et est notée par Δ. Il peut prendre que deux valeurs
1 ou -1 avec des probabilités égales. Pour une dimension problème d'optimisation Δ est
de l’unité grandeur. La bactérie se déplace d'un montant de C Δ si la valeur de la fonction
objective est réduite pour nouvel emplacement.
Dans le cas contraire, sa position ne changera pas du tout. En supposant que le taux uniforme
de changement de position, si le se déplace bactérie C Δ par unité de temps, sa position est
modifiée par (C Δ) (Δ t) dans (Δ t) seconde. Il décide de se déplacer dans la direction dans
laquelle la concentration de l’augmentation des nutriments ou en d’autres termes la fonction
objective diminue c’est-à-dire J(θ) - J (θ+ Δ θ) > 0.
Dans le cas contraire, il reste immobile, nous avons supposé que Δ t est une infime
quantité positive, donc signe de la quantité J(θ) - J (θ+ Δ θ) restes inchangé si Δ t
divise. Ainsi, la bactérie va changer sa position si et seulement si est
positive. Cette prise de décision cruciale (à savoir si faire un pas ou non) l’activité de la
bactérie peut être modélisé par une fonction échelon unitaire (également connu sous le nom
fonction de Heaviside [10, 11]) définie comme
U(x) = 1, if x >0;
= 0, autrement (3)
Ainsi, Δ θ = U . (C. Δ) (Δt), Où la valeur de Δ θ est 0 ou (C. Δ) (Δt) selon la
valeur de la fonction échelon unitaire. En divisant les deux côtés de la relation ci - dessus par
Δ t nous obtenons,
 = U [- ] C. Δ (4)
Velocity est donnée par
V b
 lim [U { }.C. Δ
t 0
Comme Δ t → 0 fait du Δ θ → 0, On peut écrire,
V b
= [U {- ( lim ) ( lim )} .C. Δ]
 0 t 0
[57]
Encore J(x), est supposé être continu et dérivable. lim Est la valeur du

 0
dJ( )
gradient à ce point et peut être désigné par ou G. Par conséquent, nous avons:
d
V b
= U (-G V b ) CΔ (5)
dJ( )
Où, G= = gradient de la fonction objectif à θ.
d
En (5) argument de la fonction échelon unitaire est - GVb. La valeur de la fonction échelon
unitaire est 1 si G et Vb sont de signes différents et dans ce cas, la vitesse est CΔ. Dans le cas
contraire, il est 0 décision bactérie immobile. Donc, (5) suggère que la bactérie se déplace la
direction du gradient négatif. Puisque l'unité fonction de l' étape u(x) a une discontinuité de
saut à X = 0, Pour simplifier l'analyse plus loin, nous remplaçons u(x) avec la fonction
logistique continu φ(x), où
1
 (x) =  kx
1 e
1
On remarque que, u(x) = Lt  ( x)  Lt 1   kx
(6)
k  k 
e
La figure 5 illustre la façon dont la fonction logistique peut être utilisée pour calculer la
fonction échelon unitaire utilisée pour la prise de décision dans le chimiotactisme. Pour fins
d'analyse
k ne peut pas être infini. Nous nous limitons à modérément grandes valeurs de k (par exemple
k = 10) pour lesquels φ(x) se rapproche assez u(x). Ainsi, pour
Les valeurs modérément élevées de k φ(x) se rapproche assez u(x). Par conséquent,
à partir de (5),
C
V b
=
1 e V b
kG
(7)
Selon les hypothèses (ii) et (iii), si C et G sont très petites et k 10, puis aussi nous pouvons
avoir
|kGV b | << 1. Dans ce cas, nous négligeons termes d'ordre supérieur dans l'expansion de
ekgvb
et avoir ekgvb ≈ 1+ kGVb. Substituant dans (7), on obtient,
C. 1
 Vb =
2 kGV b
1
2
[58]
C. kGV b kGV b kGV b

 Vb = (1- ) [ | | << 1, négligeant plus termes, ( 1  )-1 ≈ (1-
2 2 2 2
kGV b
)]
2
Après quelques manipulations que nous avons,

C. 1
 Vb = (8)
2 kCG
1
4
C. kGC kGC kGC
 Vb = (1- ) [ | | = | |<< 1, en tant que | Δ|=1 et
2 4 4 4
en négligeant les termes d'ordre supérieur.]

2 2
C. kG C
 Vb = -
2 8
   1
2
kC C
 Vb =- G
2
(9)
8 2
L’équation (9) est applicable à un système de bactérie unique et il ne tient pas compte de la
cellule à cellule effet de signalisation. Une analyse plus complexe pour le système à deux
bactéries impliquant l'effet d’essaimage a été inclus à l'annexe. Il indique que, d’une durée de
perturbation complexe est ajouté à la dynamique de chaque bactérie due à l'effet des cellules
bactériennes voisines. Cependant, le terme devient négligeable pour les petites valeurs assez
de C (0,1) et la dynamique en vertu de ces les circonstances se réduit pratiquement à celui
qui est décrit dans l’équation (9). Dans ce qui suit, nous allons poursuivre l'analyse
pour le système de bactérie unique pour une meilleure compréhension de l'chimiotactique
dynamique.
III.3.2. Vérification de l’expression pour Vélocité Expérimental :

Équation caractéristique du chimiotactisme (9) représente la dynamique de la bactérie
prenant chimiotactique des pas. Afin de vérifier le degré de fiabilité de l'équation représente le
mouvement de la bactérie virtuelle comparé les résultats obtenus à partir de (10) avec celui
de la fonction de BFOA. Tout d' abord l'équation est exprimée en forme itérative, qui est,
2
kC C(n)
Vb(n)= θ(n) – θ (n-1) = - G (n-1) +
8 2
[59]
 θ(n) = θ(n-1) - C G (n-1) +

k C(n)
(10)
8 2
Où n est l'indice d'itération. Le vecteur de linge est également fonction du nombre d'itérations
(c-à- dire chimiotactique numéro d'étape), à savoir qu'il est généré à plusieurs reprises
pour des itérations successives. Nous avons pris J(θ) = θ2 comme fonction objectif pour cette
expérimentation. Bactérie a été initialisée à – 2 c-à- dire θ(0) = – 2 et C est pris comme 0,2.
Gradient de F(x) est 2 x. Donc G(n – 1) peut être remplacé par 2 θ(n – 1) .Finalement pour ce
cas spécifique, nous obtenons,
2
kC C(n)
θ(n)= (1– ) θ(n–1)+ (11)
4 2
On calcule les valeurs de θ(n) pour des itérations successives selon la relation itérative ci -
dessus. Aussi les valeurs des positions sont notées des lignes directrices suivantes de BFOA.
Avec la position actuelle est modifiée par C Δ si valeur de la fonction objective diminue pour
nouvelle position. Les résultats ont été présentés dans la figure 6. Figure 6 (a)
montre la position dans l’itération successive selon la BFOA et tel qu'il
est obtenu à partir de (11). Ici aussi, nous ont pris la position des changements de bactérie
linéaire entre deux itérations consécutives.
Un décalage entre les valeurs réelles et prédites est aussi indiqué. Sur la figure 6
(b) les valeurs réelles et prédites de la vitesse est affichée. La vitesse est supposé constante
entre deux itérations successives. Selon BFOA grandeur de vitesse est soit C (0,2 dans ce cas)
ou 0. Différence entre réel et la vitesse prévue est affiché comme erreur. Le temps écoulé
entre deux itérations consécutives est dépensé pour calcul et est nommé comme
unité de temps. Ceci peut être perçu comme étant le temps requis par une bactérie
mesuré la teneur en éléments nutritifs d'un nouveau point sur la condition
physique du paysage. En fait, il est le temps pris par le processeur pour effectuer des calculs
numériques.
[60]
III.3.3. Chimiotactisme et le gradient classique Recherche décent :

De l’expression (9) de la section 3.1, nous obtenons
2
kC C d
 - G  
/

/
Vb= – G + (12)
8 2 dt
2
kC C
Où  est – 
/ /
et est .
8 2
Le gradient classique recherche de descente algorithme est donné par le suivant la dynamique
de dimension unique [12]:
d
 - .G   (13)
dt
Où, α est le taux d’apprentissage et β est l'élan. Similitude entre les équations (12) et (13)
suggère que chimiotactisme peuvent être considérés comme une recherche de
descente de gradient modifiée, où , une fonction de chimiotactique étape de taille peut être
/
identifié comme étant le paramètre de taux d'apprentissage.
III.3.4. Un cas spécial :

Si la valeur optimale de la fonction objective n’est pas exactement zéro, l’étape de taille
adaptée en fonction de (15) peut ne pas disparaître près d’optima. L’étape de taille diminuerait
si la bactérie se rapproche des optimums, mais ne peut approcher de zéro toujours. Pour
obtenir une convergence plus rapide pour de telles fonctions, il devient nécessaire de
modifier le schéma d'adaptation. Utilisation des informations gradient dans le schéma
d'adaptation à savoir faire par alliance la taille en fonction de la fonction gradient (disons C=
C J(θ), G)) Peuvent ne pas être assez pratique, car dans les problèmes d'optimisation de la vie
réelle, nous traitons souvent avec des fonctions discontinues et non différentiables.
Afin de rendre BFOA une boîte noire optimiseur générale, notre système d’adaptation devrait
être une généralisation une exécution satisfaisante dans ces situations aussi.
Par conséquent, d'accélérer la convergence sous ces circonstances, nous proposons une
stratégie d'adaptation alternatif de la manière suivante:
J ( )  J best
C (16)
J ( )  J best  
[61]
J best
Est la valeur de la fonction objective pour la meilleure globalement bactérie (avec une
faible valeur de fonction objective).

J ( )  J best est l'écart de la valeur de remise en forme d'une bactérie individuelle de global
meilleur. L’expression (16) peut être réarrangée pour donner,

1
C . (17)

1
J ( )  J best
Si une bactérie est loin en dehors de la meilleure mondiale, J ( )  J best serait grande

fabrication C  1  0 . D'autre part, si une autre bactérie est très proche de
J ( )  J best
lui, l’étape taille de cette bactérie sera presque disparaître, parce que J ( )  J best devient
faible et le dénominateur de (17) pousse très grand. Le scénario est représenté dans la figure
7. BFOA avec le schéma d’adaptation de l’équation (15) est désignée sous le ABFOA1 et
BFOA avec le schéma d'adaptation décrit au point (17) est désignée en tant que ABFOA2.
[62]
III.4. Exemple sur MATLAB
On va faire une animation du mouvement bactérienne pour obtenir la solution minimum

global à chaque chimiotactique
III.4.1. Résultats :
Pour 50 itérations
Pour 30 itérations
Pour 30 itérations
Fig III.5 résultat d’animation du mouvement bactérienne
[63]
III.5. Comparaison de PSO et BFO par la fonction de Rosenbrock

III.5.1. Fonction de Rosenbrock
La fonction de Rosenbrock est une fonction non convexe de deux variables utilisée
comme test pour des problèmes d'optimisation mathématique. Elle a été introduite par
Howard H. Rosenbrock en 1960. Elle est aussi connue sous le nom de fonction banane.
La fonction présente un minimum global à l'intérieur d'une longue vallée étroite de forme
parabolique. Si trouver la vallée analytiquement est trivial, on peut voir que les algorithmes de
recherche du minimum global convergent difficilement.
La fonction est définie par :

n
( x)  100  ( xi 1  xi ) 2 (1  xi ) 2 , x  3,3
2
f 2
D
i 1
Le minimum global est obtenu au point , pour lequel la fonction vaut 0.
Un coefficient différent est parfois donné dans le second terme, mais cela n'affecte pas la
position du minimum global.
III.5.2. Résultats obtenu
Fonction de rosenbrock par PSO Fonction de rosenbrock par BFO

Fig III.6. resolution de la fonction de rosenbrock
[64]
Optimisation de fonction de rosenbrock par PSO
Optimisation de fonction de rosenbrock par BFO
Fig III.7. Optimisation de la fonction de rosenbrock par PSO et BFO
[65]
III.5.3. Discussion
Par l’utilisation de la fonction de rosenbrock par la méthode de (PSO), on a noté qu'on a

besoin de grand nombre d'itérations nécessaires pour atteindre une optimisation minimal. Par
contre que la méthode de (bfo) nécessite un plus petit nombre d'itérations pour déterminer
l’optimisation minimal.
PSO a une grande vitesse de convergence, mais se trouve à souffrir en termes de précision.
D'autre part BFA est un algorithme très structuré qui a une mauvaise convergence vitesse,
mais une grande précision.
Et ça c’est qui nous a conduit à choisir (BFO) afin de contrôler le robot, qui a travaillé sur
[66]
III.6. CONCLUSION:
Dans ce chapitre, l’algorithme d’optimisation d’exploration des Bactérienne utilisé pour

trouver la note optimale des dispositifs est décrit La technique bactérienne a gagné en
popularité dans la résolution de problèmes d'optimisation.
Est on va utiliser cet algorithme a la commande des robots mobiles.
[67]
La planification de trajectoire par BFO Chapitre IV
IV.1 INTRODUCTION :
Un robot est une machine équipée de capacités de perception, de décision et d’action qui
lui permette d’agir de manière autonome dans son environnement en fonction de la perception
qu’il en a. Les robots mobiles sont largement utilisés dans les environnements industriels pour
le transport de produits par exemple. Le plus souvent ces tâches sont répétitives et suivent un
chemin bien défini, parfois même bien matérialisé comme des lignes sur le sol. Il y a
actuellement une forte tendance à élargir les milieux où évoluent les robots à des
environnements de bureaux ou à des environnements domestiques (robots de service). Les
types d’applications possibles sont innombrables. Cela peut être des tâches de nettoyage et
d’entretien ou encore une assistance à une personne handicapée dans des tâches d’exploration
et de préhension. Un robot peut également servir de guide pour la visite d’un musée. On parle
alors, de façon générale, de robotique d’intérieur.
Un tel cadre d’utilisation requiert que le système robotisé dispose d’un niveau minimum
d’autonomie et de facilités de navigation. Pour ce faire, le système doit généralement
accomplir trois tâches de base qui sont la localisation, la planification et la navigation. La
robotique mobile vise à rendre un système autonome dans ses déplacements. Un robot, doté
de capacités de perception et d’information sur son environnement, doit pouvoir se mouvoir
en autonomie, sans se perdre et tout en évitant les obstacles. Une des tâches que doit
accomplir le robot et donc de planifier sa trajectoire dans l’environnement.
[68]
IV.2 Algorithme d’optimisation d’exploration des bactéries

BFA est basée sur le comportement alimentaire d'Escherichia coli (E. coli) présente
dans l'intestin humain et il est déjà été utilisé à des nombreux problèmes d'ingénierie.
Des études menées par A. Stevens montrent que BFA est meilleur que l’algorithme de PSO en
termes de la convergence, la robustesse et la précision. BFA est la dernière tendance qui est
efficace à l’optimisation des paramètres des structures.
Dans ce travail, le BFA a été utilisé dans le programme développé Afin de contribuer
à une planification efficace de chemin limitant la chance de se trouver piégé dans l’optimum
local. En outre la simulation des robots se déplaçant au sein d’une plateforme en présence
d’obstacle, a été réalisée dans un environnement virtuel en utilisant le compilateur C. À partir
du programme de commande, il est possible de lire les valeurs d'entrée et de montrer la
simulation requise dans une fenêtre graphique.
Fig. 1. Planification de chemin en utilisant BFA
[69]
IV.3 La coordination des robots :

Plusieurs travaux ont été réalisés dans le passé et se passent dans le domaine du multi
robots de coordination. Yamauchi [8] a développé un algorithme d'exploration multi-robots
asynchrone distribuée qui introduit le concept de cellules de frontière.
Les cellules de frontière sont les zones frontalières entre les environnements connus et
inconnus. Leur idée de base est de laisser chaque mouvement du robot passe à la cellule de
frontière la plus proche indépendamment. Cela porte la capacité de tolérance aux
pannes. Cependant, les multiples robots peuvent se déplacer vers la même cellule de frontière,
rendant ainsi le processus inefficace. Par conséquent, leur algorithme manque de coordination
suffisante. Parhi et al. [9] ont proposé une technique de contrôle de la navigation des robots
mobiles intelligents. Les comportements coopératifs qui utilisant une colonie de robots sont
de plus en plus devenus significatifs dans l’application industrielle, commerciale et
scientifique. Des problèmes tels que la coordination de plusieurs robots, la planification de
mouvement et la coordination de la robotique multiple. Les systèmes sont généralement
approchés ayant un (hiérarchique) contrôleur central à l’esprit. Ici en utilisant la technique de
règle de base et de la modélisation Pétri nette, pour éviter la collision entre robots.
Le deuxième modèle incorpore technique floue logique basée sur des règles et les deux
modèles sont comparés. Il a été constaté que la technique à base de règles a un ensemble des
règles obtenues par la règle induction et ensuite avec heuristiques dérivées
manuellement. Cette technique utilise règles et prend en compte les distances des obstacles
autour des robots et portant des cibles afin de calculer le changement nécessaire de l’angle de
braquage.
Avec l'utilisation du modèle des réseaux de Pétri les robots sont capables de négocier les
uns avec les autres. Il a vu que, en utilisant une technique basée sur des règles-neuro-floue les
robots sont en mesure d'éviter tous les obstacles (statiques et obstacles mobiles), échapper
à des impasses, et de trouver des cibles dans un des environnements très
encombrés. L’utilisation de ces techniques autant que 1000 mobiles robots peuvent
naviguer avec succès ni collision les uns avec les autres, ni entrer en collision avec obstacles
présents dans l'environnement.
Il n’a été observé que la base de règles-neuro-flou technique est la meilleure par rapport
à la technique à base de règles pour la navigation de plusieurs robots mobiles. Grabowski et
al [10] ont étudié la coordination d'une équipe des miniatures robots qui
échangent des Informations de cartographie et des capteurs. Dans leur système, un robot joue
comme un chef d'équipe qui intègre les informations recueillies par les autres robots. Cette
[70]
équipe chef de file dirige le mouvement des autres robots à des domaines inconnus. Ils ont
développé un nouveau système de localisation qui utilise des mesures de distance sur la base
sonar pour déterminer les positions de tous les robots du groupe. Avec leurs positions
connues, une occupation Grille algorithme de mise en correspondance bayésienne peut être
utilisé pour combiner les données de capteur à partir de plusieurs robots avec différentes
modalités de détection. Simmons et al. [11] ont développé un multi-robot d’exploration semi-
distribué algorithme qui nécessite un agent central pour évaluer la soumission de tous les
autres robots pour obtenir le gain le plus d’information, tout en réduisant le coût ou le voyage
distance. Cependant, il y a quelques limites à cette approche. Le travail a été fait en supposant
que les robots commencent en vue les uns des autres et sont dit que leur première
(approximatif) emplacement relatif. Mais une fois que les robots ont besoin de fusionner
avec des cartes initial coordonnées inconnues et dans le but de savoir où ils sont liés à un
autre, des techniques plus sophistiquées sont nécessaires pour la cartographie
et la localisation.
Gerkey et Mataric proposé une méthode de vente aux enchères pour la coordination multi-
robots dans leur système MURDOCH [12]. Une variante du protocole contrat net,
MURDOCH produit une approximation distribuée à un optimum global d'utilisation des
ressources.
L'utilisation d'un agent commissaire-priseur est similaire à la méthode de l’agent central
utilisé dans Simmons
Le travail montre essentiellement l'efficacité de la négociation distribuée
des mécanismes tels que MURDOCH pour la coordination des systèmes multi-robots
physiques.
Dans la plupart des travaux précédents, la communication entre robots est supposée être
parfaite, ce qui rend leurs algorithmes incapables de gérer les obstacles inattendus,
occasionnel lien de communication de pannes.
IV.4 Planification de trajectoire (path planification)

La planification d’une chemin ou trajectoire pour de robots multiples [13] a été
largement étudiée au cours de ces dix dernières années. Problème de planification Le
chemin de la robotique est de générer un chemin continu pour un robot donné entre une
première et une configuration de but (ou l’emplacement) du robot. Le long de ce chemin, le
robot ne doit pas intersecté donnée régions interdites (généralement, obstacles) [4,14]. Il
existe deux approches de base pour la planification de chemin multi-robots problème -
[71]
centralisée et découplées. En cas d'approche centralisée, chaque robot est traité comme un
seul système composite, et la planification est faite dans un composite l’espace de
configuration, formé en combinant les espaces de configuration de l'individu
robots. Considérant que, en cas d'approche découplée, les chemins sont d' abord générés pour
les robots séparés indépendamment, puis leurs interactions sont considérées (en ce qui
concerne les chemins générés). L'avantage en cas d'approches centralisées est qu'ils trouvent
toujours une solution quand on existe.
Cependant, la difficulté pratique est que, si l’exhaustivité est à obtenir, il
donne des méthodes dont la complexité du temps est exponentielle de la dimension de
l'espace de configuration composite mais les planificateurs découplés intrinsèquement sont
incomplètes et peuvent conduire à des situations de blocage. Même l'apparence simple
problème de la planification de mouvement pour un nombre arbitraire de robots rectangulaires
dans un vide espace de travail rectangulaire est encore PSPACE-complet [14].
I.4.1 Planification centralisée:

Ardema et Skowronski [15] décrit une méthode pour générer la commande de
mouvement sans collision pour deux manipulateurs contraintes spécifiques, par
la modélisation du problème comme un jeu non coopératif.
Bennewitz et autres. [3] a présenté une méthode pour trouver et en optimisant la priorité
les régimes de ces priorités et découplés des techniques de planification. L'existant approches
applique un régime de priorité unique qui les rend trop sujettes à l’échec les cas où il
existe des solutions valables.
En recherchant dans l'espace des systèmes d'établissement des priorités, leur approche
surmonte cette limitation. Il effectue une recherche aléatoire avec Hill- escalade pour
trouver des solutions et de minimiser la longueur totale du trajet. Pour concentrer
la recherche, l’algorithme est guidé par les contraintes générées à partir de la spécification de
tâche. Des expériences menées non seulement ont donné lieu à une réduction significative du
nombre d’échecs dans lesquels aucune solution ne peut être trouvée, ils ont également montré
une réduction significative de la longueur du trajet d’ensemble.
D’autres approches centralisées pour résoudre les problèmes de planification multi-
robots comprennent diverses techniques de terrain potentiel. Ces techniques appliquent
différentes approches pour traiter le problème des minima locaux dans la fonction potentielle.
[72]
Autre méthodes limitent les mouvements des robots pour réduire la taille de l'espace de
recherche. Tournassoud [16] a proposé une approche potentielle sur le terrain où la
coordination de mouvement est exprimée en tant que problème d'optimisation locale.
Dans [17] Barraquand et autres. Présenter une technique de champ de potentiel pour de
nombreux disques dans environnements avec des couloirs étroits. Pour échapper à des minima
locaux, soi-disant contraintes mouvements sont exécutés qui forcent une
configuration de coordonnées pour augmenter ou diminuer jusqu'à ce qu'un point de la
fonction potentielle selle est atteint. Ce planificateur de champ de potentiel a été expérimenté
avec succès jusqu'à dix robots.
IV.4.2 Planification découplé:

Les planificateurs découplés aident à trouver les chemins des robots individuels
indépendamment avant d’employer différentes stratégies pour résoudre les éventuels
conflits. Ils risquent de ne pas trouver une solution, même s'il y a une Populaire approche
découplée prévoit dans le temps et l’espace de configuration par Erdmann et Lozano-Perez
[18], qui peut être construite pour chaque robot, compte tenu des positions et orientations de
tous les autres robots à chaque point dans le temps.
Les techniques de ce type assignent priorités aux robots individuels et le calcul des
trajectoires des robots sur la base de l’ordre implicite par ces priorités.
Ferrari et autres. [19] utilise un schéma de priorité fixe et choisit détours aléatoires pour les
robots avec une priorité inférieure. Variations de solutions initiales pour robots sans collision
les chemins sont obtenus par rapport aux paramètres de qualité qui donnent des règles
heuristiques pour l’évaluation du plan robustesse. Alors que les facteurs d'impact de collision
(CIF et de la CAF) sont pris en considération pour évaluer la qualité d'une voie
unique, les indices de performance (RT ME, et VE), sont utilisés pour évaluer la qualité
globale d'un plan. Erdmann et Lozano-Perez [18] a proposé le schéma
de la planification des priorités. La première tâche consiste à attribuer des priorités aux robots
qui sont suivi en ramassant des robots dans l’ordre de priorité décroissante. Pour chaque
robot de ramassé un chemin est prévu, éviter les collisions avec les obstacles statiques ainsi
que les robots précédemment cueillies, qui sont considérés comme des obstacles mobiles.
Une autre approche de la planification découplée est la méthode de coordination du chemin.
L’idée clé de cette technique est de garder les robots sur leurs parcours individuels et laisser le
Robots arrêter, aller de l’avant, ou même se déplacer vers l’arrière sur leurs trajectoires, afin
d’éviter les collisions. Bien et Lee [16] ont proposé une méthode pour parvenir à une
[73]
contrainte de chemin minimum paire de trajectoire de temps pour les deux robots
avec des couples de manœuvre et vitesses limitées. Un espace de coordination en deux
dimensions est conçu pour identifier une collision a le long de région des chemins qui se
transforme en un dans le temps par rapport a voyagé sur longueur d’espace avec le profil de
vitesse de l’un des deux robots.
IV.5. Problème de formulation

L'environnement de l’échantillon se compose d'un espace rectangulaire comprenant
stationnaire obstacles dont nous avons connaissance a priori. Les informations
d'environnement comprennent les limites de l'espace de travail rectangulaire et la
forme, l’emplacement et l’orientation de tous les obstacles fixes dans l'espace de travail
donné. L'espace de travail est supposé avoir aucun obstacle mobile.
Fig.V.1. Environnement échantillon avec des obstacles fixes
[74]
Ici, la grande limite non rempli rectangulaire (figure V.1.) représente la limite de
l’espace de travail.
Les polygones solides à l’intérieur de l'espace de travail sont les obstacles fixes. Chaque robot
a une source et un point qui est donné au début du problème de but.
Les deux points de source et le but se situent dans les limites de l'espace de travail.
IV.6 Compilateur utilisé

DEV-C++ a été utilisé pour développer la simulation. Le langage de programmation
utilisé était Visual C ++. La simulation a été exécutée sur un ordinateur au processeur I3.
L'algorithme peut prendre en charge un certain nombre de robots avec chaque robot ayant son
propre source et le but. Le chemin d'accès optimale calculée par ce PSO algorithme + BFA
peut être rentable utilisé pour coordonner plusieurs robots en temps réel industriel
environnements où il y a des prédéterminées obstacles connus dans l'espace de travail.
Une réduction de la longueur du trajet parcouru par les robots directement traduit par des
économies en le coût et le temps. Une armée de robots mobiles à usage général peut
efficacement fonctionner par la coordination entre eux pour effectuer des tâches spécialisées
qui autrement exigent dédiée robots spécialisés. En outre la coordination générale parmi ceux-
ci robots à usage permettra de réduire la nécessité de robots spécialisés menant à des
économies en coût pour l'industrie et l'utilisation efficace des ressources disponibles dans
l'espace de travail.
IV.6.1 Algorithme de la planification du chemin de robots mobiles:

-L'utilisateur sera invité à entrer le type d'obstacle .Dépendent sur le type de numéro
d'obstacle de côtés si elle est un polygone.
-Ensuite, en fonction du type d'obstacle, il demande à entrer dans la coopération ordonnée des
sommets si elle est un polygone et de la coordonnée du centre et le rayon si elle est un cercle.
-L'utilisateur a la possibilité d'ajouter un certain nombre d'obstacles dans l’arène. L'arène a un
système de coordonnées qui varie de 0 à 700 dans l'axe horizontal (axe x), et de 0 à 500 dans
l’axe vertical (axes-Y).
-Après avoir inséré les obstacles, il vous demandera d'entrer le point de départ et le point de
l'agent mobile de destination.
[75]
-Dans le programme au point de départ coordonnées sont prises comme une et b et le point
de destination est considérée comme (x1, y1).
-Pour plus court chemin à distance le robot doit se déplacer à la destination le long d'une ligne
droite. Donc, la pente de la ligne joignant (A, b) et (x1, y1) est mo = (y1-b) / (x1-a).
L'équation de la ligne dans laquelle le robot doit se déplacer: yje = (Mo) * (xje-a) + b.
-Maintenant "pour la boucle" pour le programme sera commencé à incrémenter la valeur
de xje par 1 et d’obtenir la valeur de yje de ce qui précède l'équation susmentionnée.
-Selon la valeur de coordonnées donnée aux obstacles l'équation et l'étendue de leur côté ou
courbes sont obtenues.
-Alors que la "boucle" est en cours d'exécution les valeurs de xi et yi étaient en continu en
cours de vérification avec les équations de côtés ou courbes (cercle) des obstacles.
-Si la valeur de xi et yi satisfait aux valeurs prédéterminées de l'équation alors le robot se
déplace jusqu'à ce que le point de ce côté avec l'extrémité même pente que celle de la côte,
afin d'éviter la collision.
Obstacles
Fig IV.2 Figure montre les obstacles et l'Aréna enfermant
[76]
Fig IV.3 Figure montre le programme demandant l'entrée pour le point cible après avoir terminé les
obstacles
Fig IV.4 Figure montre la voie tracée par l'agent mobile pour Destination (600, 280)
[77]
[78]
IV.6.2 PROGRAMME
Notre simulation est limitée à un seul Robot mobile à la fois et les obstacles ont également été
prédéfinis. On peut voir le chemin tracé par un certain nombre de robots mobiles ayant
différents points de départ et la recherche des cibles de coordonnées différentes. Pour cela,
l'étude de l'intelligence bio inspirée a est nécessaire pour la prise de décision des robots de
choisir le meilleur parcours parmi pour atteindre le point d’arrivée en se basant sur certaines
conditions.
Le programme lié à l'ajout de souplesse pour l'utilisateur obstacles définis et la navigation
sans collision des robots mobiles dans un environnement inconnu.
IV.6.3 Résultats
Dans la simulation, la limite rectangulaire non remplie signifie les limites de l'espace de
travail dans lequel les robots peuvent se déplacer. Les polygones solides bleus sont des
obstacles fixes dans l'environnement.
La position, l'orientation et la forme de l'obstacle dans l’environnement seront fournies au
robot avant son déplacement dans l'espace de travail.
Les points verts sont les points de départ des robots. Puisque nous utilisons deux robots
dans cet exemple, nous avons deux points de départ étiquetés S1 et S2. Le point rouge
marqué G est la destination spécifiée pour les deux robots.
La ligne rouge dans la figure 8 est le chemin calculé de la BFA et l'orange les points sont les
points de la trajectoire de commande de BFA.
Le chemin est constitué de segments de ligne reliant ces points de contrôle.
On a constaté que les robots sont réussi à éviter les obstacles et les autres robots et suit
un chemin optimal pour atteindre le point cible. "Point 1" est le point de départ et "point 2" est
le point cible
[79]
Fig IV.7 résultat finale
IV.6.4 Applications:
1. Ce type de système peut être utilisé dans les automobiles pour sans collision au volant.
2. Il peut également être utilisé de manutention des déchets dans les réactions nucléaires où
les robots mobiles doivent effectuer le travail avec précision.
3. Il peut être utilisé dans le transport dans l'industrie.
[80]
IV.7. CONCLUSION:
Le programme écrit en langage C ++ pour la simulation du trajet tracée par les robots
mobiles fonctionne avec succès. Le schéma des pages précédentes est l'arène où le robot est
placé. Le robot se déplace du point de départ et passe le long du chemin indiqué sur la figure
en évitant les obstacles au point de couleur rouge qui est le point de destination.
Lorsque le robot se déplaçait le long de son chemin, il a eu quelques problèmes à naviguer
quand il existe plus d'un obstacle. Le compilateur DEV C++ était un mode très efficace en
raison de sa solidité et de bon matériel l'interface.
[81]
Conclusion Générale
Dans ce travail de recherche que nous avons accompli, on a essayé d’appliquer un

algorithme bio-inspiré (BFA) pour commander des robots mobiles, et illustre le fait que
l'algorithme de BFO basé sur champ de potentiel principes se comporte bien dans les
problèmes d'optimisation combinatoire où séquentielle combinaison de points d'obstacles de
sommets constituent le chemin
Nous avons commencé notre travail par l’étude des méthodes de calcul intelligentes
qu’il sont définies comme des algorithmes intelligents bio-inspirés (BIA) pour les distinguer
des méthodes intelligentes artificielles traditionnelles. BIA ont fait des progrès significatifs
dans les deux compréhensions de la neuroscience et les systèmes biologiques et l’application
à divers domaines, tels que le contrôle de robot mobile.
Ensuite on a étudié l’algorithme d’optimisation par essaim de particule (PSO) qu’il est
classé dans les techniques d'optimisation stochastiques à population. Et on a conclure qu’il est
un algorithme très structuré qui a une très bonne convergence vitesse, mais une mauvaise
précision, et il est généralement utiliser pour l’optimisation globale.
Un autre algorithme a été étudié dans ce projet, il est l’algorithme d’optimisation
d’exploration des bactéries (bacterial foraging algorithme), BFA est un algorithme très
structuré qui a une mauvaise convergence vitesse, mais une grande précision.
Ce projet illustre le fait que l'algorithme de BFO basé sur champ de potentiel principes
se comporte bien dans les problèmes d'optimisation combinatoire où séquentielle combinaison
de points d'obstacles de sommets constituent le chemin. Cette méthode d'utilisation d'un
collection de points de sommet en tant que domaine pour le chemin d'accès restreint l'espace
de solution à partir de tout l'espace libre non-obstacle contenant des points indénombrables à
un ensemble discret de points. Cette réduction drastique des points de domaine du problème
d'optimisation réduit le temps et les ressources de calcul nécessaires.
[82]
Le programme écrit en langage C ++ pour la simulation du trajet tracée par les robots
mobiles fonctionne avec succès. Le schéma des pages précédentes est l'arène où le robot est
placé. Le robot se déplace du point de départ et passe le long du chemin indiqué sur la figure
en évitant les obstacles au point de couleur rouge qui est le point de destination.
Lorsque le robot se déplaçait le long de son chemin, il a eu quelques problèmes à naviguer
quand il existe plus d'un obstacle. Le compilateur DEV C++ était un mode très efficace en
raison de sa solidité et de bon matériel l'interface.
Nous encourageons les futures chercheures à utiliser une méthode intelligente

d’optimisation basée sur les essaims de particules (Particles Swarm Optimisation) avec un
algorithme d’optimisation d’exploration des bactéries (bacterial foraging algorithme). Une
combinaison de PSO + BFA est donc dotée de haut vitesse de convergence et la précision
louable. Cela peut être autrement dit que le PSO effectuer une recherche globale et de fournir
un chemin près optimal très rapidement, ce qui est suivie d'une recherche locale par BFA qui
affine le chemin et donne un optimum chemin de grande précision. PSO a une déficience
inhérente de piégeage dans les optima locaux mais la vitesse de convergence élevé alors que
BFA a l'inconvénient d'avoir une très mauvaise vitesse de convergence, mais la capacité à ne
pas piéger dans les optima locaux. Le PSO + BFA combiner obtient le meilleur des deux
algorithmes individuels en ayant une bonne convergence vitesse et surmonte le handicap de
piégeage dans l’optimum local.
[83]
Bibliographie
Bibliographie
[1] Binitha S., Sathya S. S. A survey of Bio inspired optimization algorithms. International
Journal of Soft Computing and Engineering. 2012; 2(2):137–151.
[2] Kopacek P. Development trends in robotics. Elektrotechnik &
Informationstechnik. 2013;130(2):42–47. doi: 10.1007/s00502-013-0129-1.
[3] Bongard J. Biologically inspired computing. Computer. 2009;42(4):95–98. doi:
10.1109/MC.2009.104.
[4] Duan H., Zhang X., Xu C. Bio-Inspired Computing. Beijing, China: Science Press; 2011.
[5] Karaboga D., Akay B. A survey: algorithms simulating bee swarm intelligence. Artificial
Intelligence Review. 2009;31(1–4):61–85. doi: 10.1007/s10462-009-9127-4.
[6] Chandra Mohan B., Baskaran R. Survey on recent research and implementation of ant
colony optimization in various engineering applications. International Journal of
Computational Intelligence Systems. 2011;4(4):566–582.
doi: 10.1080/18756891.2011.9727813.
[7] Passino K. M. Biomimicry of bacterial foraging for distributed optimization and
control. IEEE Control Systems. 2002;22(3):52–67. doi: 10.1109/mcs.2002.1004010.
[8] Bhushan B., Singh M. Adaptive control of DC motor using bacterial foraging
algorithm. Applied Soft Computing Journal. 2011;11(8):4913–4920. doi:
10.1016/j.asoc.2011.06.008.
[9] Rajasekar N., Krishna Kumar N., Venugopalan R. Bacterial foraging algorithm based
solar PV parameter estimation. Solar Energy. 2013;97:255–265. doi:
10.1016/j.solener.2013.08.019.
[10] Sanyal N., Chatterjee A., Munshi S. An adaptive bacterial foraging algorithm for fuzzy
entropy based image segmentation. Expert Systems with
Applications. 2011;38(12):15489–15498. doi: 10.1016/j.eswa.2011.06.011.
[11] Liu W., Niu B., Chen H., Zhu Y. Robot path planning using bacterial foraging
algorithm. Journal of Computational and Theoretical Nanoscience. 2013; 10(12):2890–
2896. doi: 10.1166/jctn.2013.3296.
[12] Zhao R., Tang W. Monkey algorithm for global numerical optimization. Journal of
Uncertain Systems. 2008;2(3):165–176.
Master automatique
Bibliographie
[13] Zheng L. An improved monkey algorithm with dynamic adaptation. Applied

Mathematics and Computation. 2013; 222:645–657. doi: 10.1016/j.amc.2013.07.067.
[14] Yi T.-H., Zhou G.-D., Li H.-N., Zhang X.-D. Optimal sensor placement for health
monitoring of high-rise structure based on collaborative-climb monkey
algorithm. Structural Engineering and Mechanics. 2015;54(2):305–317. doi:
10.12989/sem.2015.54.2.305.
[15] Suguna S. K., Maheswari S. U. Performance analysis of feature extraction and selection
of region of interest by segmentation in mammogram images between the existing meta-
heuristic algorithms and Monkey Search Optimization (MSO) WSEAS Transactions on
Information Science and Applications. 2014;11:72–82.
[16] Pisanti N. DNA computing: a survey. Bulletin of the European Association for
Theoretical Computer Science. 1998;(64):188–216.
[17] Paun G. Membrane computing-a quick survey. Journal of Computational and
Theoretical Nanoscience. 2011;8(3):304–312.
[18] Bersini H., Varela F. J. Parallel Problem Solving from Nature. Vol. 496. Berlin,
Germany: Springer; 1991. Hints for adaptive problem solving gleaned from immune
networks; pp. 343–354. (Lecture Notes in Computer Science).
[19] Hodgkin A. L., Huxley A. F. A quantitative description of membrane current and its
application to conduction and excitation in nerve. The Journal of
Physiology. 1952;117(4):500–544. doi: 10.1113/jphysiol.1952.sp004764.
[20] Barrera A., Weitzenfeld A. Biologically-inspired robot spatial cognition based on rat
neurophysiological studies. Autonomous Robots. 2008;25(1-2):147–169. doi:
10.1007/s10514-007-9074-3.
[21] Adleman L. M. Molecular computation of solutions to combinatorial problems.
Science. 1994;266(5187):1021–1024. doi: 10.1126/science.79736
[22] Ezziane Z. DNA computing: applications and challenges.
Nanotechnology. 2006;17(2):R27–R39. doi: 10.1088/0957-4484/17/2/r01.
[23] Jiao H., Zhong Y., Zhang L. An unsupervised spectral matching classifier based on
artificial DNA computing for hyperspectral remote sensing imagery. IEEE Transactions
on Geoscience and Remote Sensing.2014;52(8):4524–4538.
[24] Zoraida B. S. E., Arock M., Ronald B. S. M., Ponalagusamy R. DNA algorithm
employing temperature gradient for Freeze-Tag Problem in swarm robotics. Transactions
of the Institute of Measurement and Control.2012;34(2-3):278–290.
Master automatique
Bibliographie
[25] Reynolds R. G. An introduction to cultural algorithms. Proceedings of the 3rd Annual

Conference on Evolutionary Programming; 1994; San Diego, Calif, USA. pp. 131–139.
[26] Ali M. Z., Reynolds R. G. Cultural algorithms: a Tabu search approach for the
optimization of engineering design problems. Soft Computing. 2014;18(8):1631–1644.
doi: 10.1007/s00500-013-1169-5.
[27] Guo Y.-N., Yang M., Cheng J. Path planning method for robots in complex ground
environment based on cultural algorithm. Proceedings of the 1st ACM/SIGEVO Summit
on Genetic and Evolutionary Computation (GEC '09); June 2009; Shanghai, China. pp.
185–191.
[28] Manfredi L., Assaf T., Mintchev S., et al. A bioinspired autonomous swimming robot as
a tool for studying goal-directed locomotion. Biological Cybernetics. 2013;107(5):513–
527. doi: 10.1007/s00422-013-0566-2.
[29] [Tri] Tristram Gräbener "Optimisation par essaim de particules"16 novembre 2007 p4
[30] [Sha] Mohamed A. El-Sharkawi "Fundamentals of Particle Swarm Optimization

Techniques "Computational Intelligence Applications (CIA) Lab.University of
Washington p1, 2,3,4 [Oli] Antoine Dutot et Damien Olivier " Optimisation par essaim
de particules
[31] P. J. Angeline, “Evolutionary optimization versus particle swarm optimization:
philosophy and performance differences,” in Proceedings of the 7th Annual Conference
[32] R. C. Eberhart and Y. Shi, “Comparison between genetic algorithms and particle swarm
optimization,” in Proceedings of the 7th Annual Conference on Evolutionary
Programming, pp.611–618, New York, NY, USA, 1998.
[33] D. Caputo, F. Grimaccia, M.Mussetta, and R. E. Zich, “Genetical swarm optimization of
multihop routes in wireless sensor networks,” Applied Computational Intelligence and
Soft Computing, vol. 2010, Article ID 523943, 14 pages, 2010.
[34] K. M. Passino, “Biomimicry of bacterial foraging for distributed optimization and
control,” IEEE Control Systems Magazine, vol. 22, no. 3, pp. 52–67, 2002.
[35] S. Mishra, “A hybrid least square-fuzzy bacterial foraging strategy for harmonic
estimation,” IEEE Transactions on Evolutionary Computation, vol. 9, no. 1, pp. 61–73,
2005.
[36] S. Mishra and C. N. Bhende, “Bacterial foraging techniquebased optimized active power
filter for load compensation,” IEEE Transactions on Power Delivery, vol. 22, no. 1, pp.
457– 465, 2007.
Master automatique
Bibliographie
[37] A. Biswas, S. Dasgupta, S. Das, and A. Abraham, “A synergy of differential evolution

and bacterial foraging optimization for faster global search,” International Journal on
Neural and Mass-Parallel Computing and Information Systems, pp. 607– 626, 2007.
[38] Y. Shi and R. Eberhart, “Modified particle swarm optimizer,” in Proceedings of the IEEE
International Conference on Evolutionary Computation (ICEC ’98), pp. 69–73,
Anchorage, Alaska, USA, May 1998.
[39] B. Singh, K. Al-Haddad, and A. Chandra, “Review of active filters for power quality
improvement,” IEEE Transactions on Industrial Electronics, vol. 46, no. 5, pp. 960–971,
1999.
[40] H. Akagi, E. H. Watanabe, and M. Aredes, Instantaneous Power Theory and Applications
to Power Conditioning, IEEE Press/Wiley-Inter-science, NJ, USA, 2007.
[41] V. Soares, P. Verdelho, and G. D. Marques, “An instantaneous active and reactive
current component method for active filters,” IEEE Transactions on Power Electronics,
vol. 15, no. 4, pp. 660–669, 2000.
[42] M. I. M. Montero, E. R. Cadaval, and F. B. González, “Comparison of control strategies
for shunt active power filters in three-phase four-wire systems,” IEEE Transactions on
Power Electronics, vol. 22, no. 1, pp. 229–236, 2007.
[43] S. H. Zak, Systems and Control, Oxford University Press, New York, NY, USA, 1st
edition, 2003.
[44] C. A. Smith and A. B. Corripio, Automatic Processes Control, México D.F., México,
1st edition, 1991
Master automatique
Abstract
In this paper, we consider the utilization of biomimicry of bacterial foraging strategy to develop an
adaptive control strategy for mobile robot, and proposed a bacterial foraging approach for robot path
planning. In the proposed model, robot that mimics the behavior of a single bacterium is able to
determine an optimal collision-free path between a start and a target point in the environment surrounded
by obstacles. In the simulation studies, a test scenario of static environment with several obstacles is
adopted to evaluate the performance of the proposed method. Simulation results show that the robot
which reects the bacterial foraging behavior can adapt to complex environments in the planned
trajectories with both satisfactory accuracy and stability.
Keywords: mobile robots, obstacles, bio-inspired algorithms, particle swarm optimization

algorithms (PSOA), Bacterial foraging optimization algorithm (BFOA)
Résumé
Dans cet article, nous considérons l'utilisation de la biomimétique de la stratégie de recherche de

nourriture bactérienne pour développer une stratégie de contrôle adaptatif pour robot mobile, et a proposé
une approche de recherche de nourriture bactérienne pour le chemin de Planification des robots. Dans le
modèle proposé, un robot qui imite le comportement d'une seule bactérie est capable de déterminer un
chemin optimal sans collision entre un début et un point dans l'environnement entouré d'obstacles cible.
Dans les études de simulation, un scénario de test de l'environnement statique avec plusieurs obstacles est
adopté pour évaluer la performance de la méthode proposée. Les résultats de simulation montrent que le
robot qui suivi le comportement alimentaire bactérienne peut adapter à des environnements complexes
dans le prévu trajectoires à la fois avec précision et une stabilité satisfaisante
Mots clés : robot mobile, obstacle, algorithme bio-inspiré, algorithmes d’optimisation par essaim de
particule (PSOA), algorithme d’optimisation d’exploration des bactéries(BFOA)
‫هلخص‬
‫ ًشٓ أى استخذام اإلستشاي٘ي٘ت اليضٗئ٘ت الحْ٘ٗت للبكت٘شٗب لبحث عي الغزاء لْضع استشاي٘ي٘ت الس٘طشة علٔ التك٘ف‬،‫فٖ ُزٍ الوقبلت‬
‫ الشّبْث‬،‫ فٖ الٌوْرج الوقتشح‬.‫ ّاقتشاح ًِح البكت٘شٗب فٖ لبحث عي الغزاء ّاسقبطَ علٔ الشّبْيبث لتخط٘ط هسبسُب‬،‫للشّبْث الوتحشك‬
ٖ‫ ف‬.‫الزٕ ٗحبكٖ سلْك بكت٘شٗب ّاحذة ُْ قبدس علٔ يحذٗذ الوسبس األهثل ب٘ي بذاٗت ًّقطت الِذف فٖ ب٘ئت هحبطت ببلعقببث دّى االصطذام‬
‫ ّيب٘ي ًتبئح الوحبكبة أى الشّبْث ٗتبع‬.‫ اعتوذًب اختببسا لب٘ئت ثببتت هع العقببث الوتعذدة لتق٘٘ن أداء الطشٗقت الوقتشحت‬،‫ًتبئح دساسبث الوحبكبة‬
. ‫السلْك الغزائٖ اليشثْهٖ ٗوكي أى ٗتك٘ف هع الب٘ئبث الوعقذة فٖ الوسبس الوخطط لَ بكل دقت ّاستقشاس‬
,‫ خْاسصه٘ت هستْحبة هي األح٘بء‬,‫ سّبْث هتحشك‬:‫كلوبث دالل٘ت‬

BACT2RIE st160007

Transféré par

Droits d'auteur :

Formats disponibles

BACT2RIE st160007

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

BACT2RIE st160007

Transféré par

Droits d'auteur :

Formats disponibles

REPUBLIQUE ALGERIENNE

UNIVERSITE LARBI TEBESSI - TEBESSA

Développement d’un algorithme

Année Universitaire 2015 / 2016

Ce que je veux dire

Ce que je crois dire

Ce que vous avez envie d'entendre

Ce que vous croyez entendre

Ce que vous entendez

Ce que vous avez envie de comprendre

Ce que vous croyez comprendre

Ce que vous comprenez

Il y a dix possibilités qu'on ait des difficultés à communiquer.

Mais essayons quand même...

volonté et le courage pour la réalisation de ce travail. Merci Allah.

contribué de près ou de loin à l'élaboration de ce mémoire ainsi qu'à la

réussite de cette formidable année universitaire !

Je remercie vivement le Pr. Khemaissia sedik, promoteur de ce mémoire,

de m’avoir permis de mener à bien celui-ci.

Je tiens à remercier d’avance l’ensemble des membres du jury pour

l’intérêt qu’ils porteront à ce travail.

Je remercie également profondément mes parents pour leur implication

tant matérielle que temporelle.

Enfin, j’adresse mes remerciements les plus sincères à ma famille, amis,

qui m’ont toujours soutenu et encouragé au cours de la réalisation de ce

mémoire. Merci à toutes et à tous.

Liste des abréviations

SLAM La solution à la localisation et cartographie simultanées

Pbest Meilleur personnel

Gbest Meilleur global

Liste des figures

Figure I.5 planification de trajectoire de robot en réseau de neurones bio-inspirés en 19

Figure II.1 Le cercle virtuel pour un essaim de sept particules…………………………….. 30

Figure III.6 la fonction resolution de de rosenbrock………………………………………... 64

Figure IV.7 Resultat finale …………………………………………………………………. 80

Liste des tableaux

Liste des figures iii

I.1 Introduction ……………………………………………………………………………... 4

I.2 Classification des BIA …………………………………………………………………... 5

I.3 Théories de Vue d'ensemble …………………………………………………………… . 9

I.3.1 Inspiré d’Organisme Comportements …………………………………………… 9

1.3.1.1 Algorithme d’optimisation d’exploration des bactéries (B.F.O.A) ….. 9

1.3.1.2 L’Algorithme d'escalade des singes ………………………………….. 10

1.3.2 Inspiré d’Organisme Structure …………………………………………………... 11

1.3.2.1 Calcul d'ADN ………………………………………………………… 11

1.3.2.2 Système immunitaire artificiel ……………………………………….. 12

I.3.3 Inspiré d'Evolution ………………………………………………………………. 13

I.3.3.1 Algorithme de gêne égoïste …………………………………………... 13

I.3.3.2 Algorithme d'invasion des mauvaises herbes ………………………… 13

I.3.3.3 Culture Algorithme …………………………………………………... 14

I.4 Applications Vue d'ensemble de BIA pour le contrôle Robot 16

I.4.1 La planification de trajectoire …………………………………………………… 16

I.4.2 Localisation et cartographie simultanée ………………………………………… 19

I.4.3 Contrôle de la coopération ………………………………………………………. 21

I.5 Orientations futures ……………………………………………………………………... 23

I.6 Conclusion ………………………………………………………………………………. 25

II.1 Introduction ……………………………………………………………………………. 26

II.2 L’optimisation par essaim de particules (PSO) ………………………………………... 27

II.2.1 Origines ………………………………………………………………………. 28