Test PDF

Table des matières
1 Etat de l’art sur l’analyse des réseaux sociaux 6

1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2.1 Réseau social . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2.2 Réseaux sociaux en ligne . . . . . . . . . . . . . . . . . . . . 9
1.3 Origines des réseaux sociaux . . . . . . . . . . . . . . . . . . . . . . 10
1.4 Historique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4.1 Le classement des réseaux sociaux en Europe en 2016 . 12
1.4.2 Les Types des RS . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4.2.1 RS de publication . . . . . . . . . . . . . . . . . . 14
1.4.2.2 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.2.3 RS de partage . . . . . . . . . . . . . . . . . . . . 14
1.4.2.4 RS de partage video . . . . . . . . . . . . . . . . . 14
1.4.2.5 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.2.6 RS de partage de photos . . . . . . . . . . . . . . 15
1.4.2.7 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4.2.8 RS de partage audio . . . . . . . . . . . . . . . . . 15
1.4.2.9 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4.2.10 RS de partage de présentation . . . . . . . . . . . 15
1.4.2.11 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4.2.12 RS de partage de discussion . . . . . . . . . . . . 15
1.4.2.13 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.5 Représentation d’un réseau social . . . . . . . . . . . . . . . . . . . 16
1.5.1 Les acteurs sociaux . . . . . . . . . . . . . . . . . . . . . . . . 16
1.5.2 Les liens sociaux . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.5.3 Représentation graphique . . . . . . . . . . . . . . . . . . . . 17
1.5.4 Reprèsentation matricielle . . . . . . . . . . . . . . . . . . . 17
1.5.4.1 Thèoréme . . . . . . . . . . . . . . . . . . . . . . . . 19
1
TABLE DES MATIÈRES
1.5.5 Graphe orientè . . . . . . . . . . . . . . . . . . . . . . . . . . 19

1.5.6 Fonctionnement d’un Rèseau Social . . . . . . . . . . . . . 20
1.5.7 Domaines d’application rèseaux sociaux en ligne . . . . . 21
1.6 Analyse des réseaux sociaux en ligne . . . . . . . . . . . . . . . . 22
1.6.1 Origine de l’analyse des réseaux sociaux . . . . . . . . . . 22
1.6.2 Notion de calcule en ARS . . . . . . . . . . . . . . . . . . . 22
1.6.3 Centralité d’intermédiarité . . . . . . . . . . . . . . . . . . . 23
1.6.4 Centralienne de proximité . . . . . . . . . . . . . . . . . . . 23
1.6.5 Centralisation de pouvoir . . . . . . . . . . . . . . . . . . . . 23
1.6.6 Prestige . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.6.7 La Représentation des RS dans l’ARS . . . . . . . . . . . . 24
1.6.7.1 Les branches de l’ARS . . . . . . . . . . . . . . . . 24
1.6.8 La détection des structures communautaires . . . . . . . . 24
1.6.9 L’étude de l’évolution dynamique des réseaux sociaux . . 24
1.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2 Détection de communauté 26
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2 Communautés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2.1.1 Les bases . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2.1.2 Définitions locales . . . . . . . . . . . . . . . . . . 28
2.2.1.3 Définitions globales . . . . . . . . . . . . . . . . . . 28
2.2.2 Définitions basées sur la similarité des sommets . . . . . . 28
2.2.3 Les méthode pour calculer la similarité . . . . . . . . . . . 29
2.2.4 Complexité informatique . . . . . . . . . . . . . . . . . . . . 29
2.2.5 Objective de détection de communautés dans les graphes 30
2.3 Les approches . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.3.1 Méthodes Traditionnelles . . . . . . . . . . . . . . . . . . . . 31
2.3.1.1 Partition de graphe . . . . . . . . . . . . . . . . . . 31
2.3.1.2 Partitions . . . . . . . . . . . . . . . . . . . . . . . . 31
2.3.1.3 Classification hiérarchique . . . . . . . . . . . . . . 32
2.3.1.4 Clustering partiel . . . . . . . . . . . . . . . . . . . 34
2.3.1.5 Cluster spectral . . . . . . . . . . . . . . . . . . . . 35
2.3.1.6 Algorithmes proposés ( metaheuristiques ) . . . 35
2.3.1.7 Algorithme de chauve souris amélioré basé sur
l’algorithme évolutionnaire différentiel . . . . . . 36
2.3.1.8 Algorithme de recherche de dispersion basé sur
l’algorithme génétique . . . . . . . . . . . . . . . . 37
2.4 Modularité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.5 évaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
Page | 2
TABLE DES MATIÈRES
2.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3 Autres approches liées à la colonie d’abeilles 43

3.1 Hybrid Fuzzy Logic and Artificial Bee Colony Algorithm for Intru-
sion Detection and Classification . . . . . . . . . . . . . . . . . . . . 45
3.1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.1.2 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.1.3 Calcul naturel . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.1.4 Biologiquement Calcul Inspiré . . . . . . . . . . . . . . . . . 46
3.1.5 Biologie Motivé informatiquement . . . . . . . . . . . . . . . 46
3.1.6 Calcul avec biologie . . . . . . . . . . . . . . . . . . . . . . . 47
3.1.7 Informatique intelligente . . . . . . . . . . . . . . . . . . . . 47
3.1.8 Processus de création d’un algorithme inspiré da La Nature 47
3.1.9 Application de l’algorithme (méta heuristiques) . . . . . . 47
3.2 Optimisation Combinatoire En mathématique . . . . . . . . . . . . 49
3.2.1 Minimum Local . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.2.2 Minimum Global . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.2.3 Voisinage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.3 Classification des Méta heuristiques . . . . . . . . . . . . . . . . . 49
3.4 Notre approche Algorithme Génétique . . . . . . . . . . . . . . . . 51
3.4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.4.2 Terminologie . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.5 Fonctionnement générale . . . . . . . . . . . . . . . . . . . . . . . . 52
3.5.1 Définition 01 (Gène) . . . . . . . . . . . . . . . . . . . . . . . 52
3.5.2 Définition 02 (Chromosome) . . . . . . . . . . . . . . . . . . 52
3.5.3 Définition 03 (Individu) . . . . . . . . . . . . . . . . . . . . . 52
3.5.4 Définition 04 (population) . . . . . . . . . . . . . . . . . . . 52
3.5.5 Définition 05 (Génération) . . . . . . . . . . . . . . . . . . . 52
3.5.6 Dentition 06 (fonction de fitness ou fonction d’évaluation) 53
3.5.7 Fonctionnement général . . . . . . . . . . . . . . . . . . . . 53
3.6 Algorithme de base AG . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.7 Principe de fonctionnement . . . . . . . . . . . . . . . . . . . . . . . 55
3.7.1 Codage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.7.1.1 Codage binaire . . . . . . . . . . . . . . . . . . . . . 55
3.7.1.2 Codage réel . . . . . . . . . . . . . . . . . . . . . . 55
3.7.1.3 Codage alphabiotique . . . . . . . . . . . . . . . . 56
3.7.2 Population Initiale . . . . . . . . . . . . . . . . . . . . . . . . 56
3.7.3 Adaptation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.8 Les opérateurs d’un algorithme génétique . . . . . . . . . . . . . . 57
3.8.1 la sélection . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.8.1.1 la sélection par roulette . . . . . . . . . . . . . . . 57
Page | 3
3.8.1.2 Sélection par rang . . . . . . . . . . . . . . . . . . 57
3.8.1.3 Sélection par Elitisme . . . . . . . . . . . . . . . . 58
3.8.2 Le croisement . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.8.2.1 Le croisement binaire . . . . . . . . . . . . . . . . 60
3.8.2.2 Croisement uniforme . . . . . . . . . . . . . . . . . 61
3.8.2.3 Croisement réel . . . . . . . . . . . . . . . . . . . . 61
3.8.3 La Mutation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.8.3.1 mutation binaire . . . . . . . . . . . . . . . . . . . . 62
3.8.3.2 mutation réelle . . . . . . . . . . . . . . . . . . . . 62
3.9 Critère d’arrêt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
Bibliographie 64
bibliographie 64
Table des figures 65
TABLE DES MATIÈRES
Introduction Générale
ans la nature, plusieurs espèces sont caractérisées par le comportement

D social. Les bancs de poissons, les nuées d’oiseaux, et les troupeaux d’ani-
maux terrestres, sont le résultat du besoin biologique qui leur pousse á vivre en
groupe.
Ce comportement et également un des principaux caractéristiques des insectes
sociales (abeilles, termites, fourmis). De ces principes lá, les chercheurs se sont
inspirés pour développer des méthodes basées sur les comportements de ces
animaux, et ont donné naissance á ce que l’on appelle par Métaheuristique.
Ce mot concerne toutes les méthodes qui modélisent l’interaction des agents
(animaux) qui sont en mesure de s’auto-organiser. Elles représentent des mé-
thodes de résolution de problème combinatoires qui consistent á réitérer certains
processus jusquá obtenir la solution optimale.
L’une des insectes les plus organisées et les plus rigoureuses dans leur travails
est l’abeille. Les abeilles possèdent une très grande capacité de communication.
Et grâce á sont intelligence, une méthode appelée méthode des abeilles a été
développer. Dans cette méthode, les abeilles artificielles représentent des agents
qui en collaborant les une avec les autres, résolvent des problèmes complexes
d’optimisation combinatoire.
On présentera dans cet exposé, un bref historique de cette méthode, une
description du comportement des abeilles, en suite on entamera l’algorithme
d’optimisation par colonie d’abeille, et on terminera par une conclusion.
Page | 5
Chapitre 1
Etat de l’art sur l’analyse des réseaux
sociaux
Sommaire
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2.1 Réseau social . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2.2 Réseaux sociaux en ligne . . . . . . . . . . . . . . . . . . . 9
1.3 Origines des réseaux sociaux . . . . . . . . . . . . . . . . . . . . 10
1.4 Historique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4.1 Le classement des réseaux sociaux en Europe en 2016 12
1.4.2 Les Types des RS . . . . . . . . . . . . . . . . . . . . . . . 13
1.5 Représentation d’un réseau social . . . . . . . . . . . . . . . . 16
1.5.1 Les acteurs sociaux . . . . . . . . . . . . . . . . . . . . . . . 16
1.5.2 Les liens sociaux . . . . . . . . . . . . . . . . . . . . . . . . 16
1.5.3 Représentation graphique . . . . . . . . . . . . . . . . . . . 17
1.5.4 Reprèsentation matricielle . . . . . . . . . . . . . . . . . . 17
1.5.5 Graphe orientè . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.5.6 Fonctionnement d’un Rèseau Social . . . . . . . . . . . . 20
1.5.7 Domaines d’application rèseaux sociaux en ligne . . . . 21
1.6 Analyse des réseaux sociaux en ligne . . . . . . . . . . . . . . 22
1.6.1 Origine de l’analyse des réseaux sociaux . . . . . . . . . 22
6
1.6.2 Notion de calcule en ARS . . . . . . . . . . . . . . . . . . 22
1.6.3 Centralité d’intermédiarité . . . . . . . . . . . . . . . . . . 23
1.6.4 Centralienne de proximité . . . . . . . . . . . . . . . . . . 23
1.6.5 Centralisation de pouvoir . . . . . . . . . . . . . . . . . . . 23
1.6.6 Prestige . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.6.7 La Représentation des RS dans l’ARS . . . . . . . . . . . 24
1.6.8 La détection des structures communautaires . . . . . . . 24
1.6.9 L’étude de l’évolution dynamique des réseaux sociaux . 24
1.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
Page | 7
1.1. INTRODUCTION
1.1. Introduction
e nos jours, les réseaux sociaux ont pris une importante part dans la vie
D quotidienne des millions d’utilisateurs abonnés à ces derniers, en offrant
une large gamme d’intérêts et de pratiques. La principale caractéristique des
réseaux sociaux est la capacité de réunir différents individus autour d’un point
de vue commun ou de les rassembler autour de croyances collectives.
Les réseaux sociaux permettent aux gens de se connecter avec des étrangers
ou de maintenir leurs relations existantes.
Les gens se connectent aux réseaux sociaux pour des intérêts partagés tels
que la profession, les études, le business ou pour des intérêts fondés sur la
langue commune, la nationalité ou des partages raciaux, religieux, et sexuels.
Les réseaux sociaux intègrent plusieurs outils et de nouvelles technologies
de communication comme la connectivité mobile ou le partage des photos et de
vidéos ainsi que les techniques de géo localisation.
Le grand nombre d’abonnés et leur activités sur les RS a engendré une grande
masse d’informations.
En effet l’exploitation de cette masse d’informations a conduit à la naissance
de différentes études sur les RS , c’est pour ça il est important de bien cerner
l’usage de ces réseaux sur le Web Pour cela il est nécessaire de définir les
réseaux sociaux, leur typologie et de savoir comment ils peuvent se former et se
construire.
Afin de mieux cerner le phénomène et d’en comprendre la portée, un cas
particulier MySpace est le réseau social le plus utilisé au monde.
Dans ce chapitre, nous présentons l’état de l’art de réseaux sociaux, en
couvrant la plupart de ses aspects, tout en nous consacrant plus particulièrement
aux avancées les plus récentes du domaine, nous donnerons quelques définitions
et la terminologie. Nous aborderons les réseaux sociaux et leurs représentations.
Page | 8
1.2. DÉFINITION
1.2. Définition
1.2.1. Réseau social
Aujourd’hui, un réseau social est défini comme une structure définie par
des relations entre des individus . Concrétement, c’est l’ensemble des individus
avec qui une personne est en contact. Il s’agit également de liens entre des
personnes : les habitants d’un quartier, une famille...
Un réseau social représente un systéme d’entités en interaction.
On le modélisera comme un graphe G=( D .S) ; A / où S est un ensemble
d’entités (les sommets ou nòuds du graphe) et A est l’ensemble des arcs (ou
connexions) représentant les interactions entre ces sommets .
Figure 1.1 – Réseau social montrant les noeuds et les liens.
1.2.2. Réseaux sociaux en ligne

La définition des réseaux sociaux en ligne englobe la mise en réseau pour
les affaires, le plaisir, et tous les points entre les deux.
Page | 9
1.3. ORIGINES DES RÉSEAUX SOCIAUX
Les réseaux eux-mêmes ont des objectifs différents, et leurs homologues en

ligne fonctionnent de diverses manières. Autrement dit, un réseau social permet
aux gens de communiquer avec des amis et des connaissances à la fois anciennes
et nouvelles.
Définit un site de réseautage social comme un site Web qui fournit une
communauté virtuelle pour les personnes intéressées par un sujet particulier ou
simplement pour traîner ensemble .
Bien que ce soit une description précise, une définition plus détaillée du
réseautage social en ligne engloberait également toutes les façons dont les gens
peuvent se connecter.
Les réseaux en ligne tels que Facebook, Twitter, MySpace et LinkedIn offrent
aux utilisateurs une variété de moyens pour augmenter leurs réseaux, partager
des notes et divers types de médias, et se connecter à différents niveaux.
Certaines des façons dont les gens peuvent réseauter sur ces sites com-
prennent :
Avoir des amis ou des contacts actuels suggèrent d’autres personnes avec
qui vous voudrez peut-être faire du réseautage Partage de photos, de fichiers
audio et vidéo, d’òuvres écrites, de liens et d’autres médias
Afficher un curriculum vitae ou une expérience de travail pour la recherche
d’emploi et le recrutement , promouvoir une marque ou un service auprès de ceux
qui pourraient avoir besoin du produit ou du service.
1.3. Origines des réseaux sociaux

La première personne à avoir représenté un réseau social est Jacob Levy
Moreno au début des années 1930 [Moeno,1933].
Son objectif étant de visualiser graphiquement un réseau social, il a représenté
les personnes par des points et une relation entre deux personnes par des flèches.
Au milieu du 20ième siècle, Cartwright et Harary sont les premiers à avoir
appliqué la théorie des graphes dans l’analyse des réseaux sociaux. Le graphe
est devenu par la suite la représentation adoptée par toutes les sciences mani-
pulant l’analyse des réseaux sociaux, dont la sociologie, les mathématiques et
Page | 10
1.4. HISTORIQUE
Figure 1.2 – les différents types de RS avec des exemples de SRS réels
l’informatique.
1.4. Historique
La notion de réseau social est née depuis que l’homme est constitué en société,
en formant des groupes sociaux selon une croyance ou un thème fédérateur tel
que la religion, la classe sociale, le niveau d’étude... etc.
Avec l’apparition d’internet cette notion a pris de nouvelles grandeurs, parmi
les premiers réseaux sociaux apparus nous citons : Le premier réseau social a
avoir réuni toutes les catégories de base pour faire quelque chose de complet
Page | 11
1.4. HISTORIQUE
est Sivdegrees.com en 1997 Cependant en 2000, le site d fermer malgré des

millions d’utilisateurs par manque d’argent, Depuis Sivdegrees.com, la création
de nouveaux réseaux sociaux ne cesse d’augmenter.De 1997 à 2001, beaucoup de
platesformes par communautés se sont créées comme par exemple :AsianAvenue
(composé uniquement de la communauté asiatique),BlackPlanet (composé unique-
ment de la communauté noire),MiGente (composé uniquement de la communauté
latine).Ces sites permettaient aux utilisateurs de créer des profils personnels
ou professionnels mais aussi de faire des rencontres amoureuses entre commu-
nautés.Des réseaux sociaux réservés aux affaires professionnels En 2001, le site
Ryze.com a vu le jour mais il ne connut pas le succès,C’est LinkedIn, crée en
2002 en Californie (Etats-Unis), qui devient un réseau professionnel très actif :En
novembre 2015, le site comptait plus de 400 millions de membres issus de 170
secteurs différents d’activité dans plus de 200 pays et territoires.En France il y a
environ 10 millions de membres actifs.C’est en 2004 que la création de Facebook
a vu le jour par Marc Zuckerberg alors qu’il étudiait encore à Harvard.Pour la
petite histoire, au lancement de Facebook, il fallait impérativement une adresse
mail universitaire contenant Harvard.edu pour s’inscrire. Cela veut dire qu’à son
lancement Facebook était un réseau social fermé. A partir de 2003, l’augmenta-
tion en volume de nouveaux réseaux sociaux a donné lieu a un terme anglais :
YASN ( Yet Another Social Networking , soit encore un autre réseau social ).
En 2007 Facebook connane ascension phénoménale.
En France, c’est seulement lors de sa mise en ligne traduite en langue
française le 10 mars 2008 que les inscriptions montèrent en flèches En juin 2009,
Facebook comptait plus de 340 millions de visiteurs uniques selon la société de
mesure d’audience ComScore.
1.4.1. Le classement des réseaux sociaux en Europe en 2016
Mesure en d’utilisateurs actifs par mois Facebook (1,79 milliards),YouTube (pas

de résultats), WhatsApp (1 milliard), Facebook Messenger ( 1 milliard),Facebook
Groups (1 milliard), Google Hangouts (1 milliard), Instagram (500 millions),
Page | 12
1.4. HISTORIQUE
Figure 1.3
1.4.2. Les Types des RS

D’apres la définition d’Esther Dyson des réseaux sociaux Les réseaux sociaux
fournissent des outils qui facilitent le processus de mise en relation autour d’un
centre d’intérêt commun et permettent la prise de contact en ligne qui amène
une classification des réseaux sociaux selon différents critères :
Page | 13
1.4. HISTORIQUE
Les services fournis aux acteurs sociaux.

D’autre part, si nous considérons un autre critère tel que le role, type de
liens.
1.4.2.1. RS de publication
Les RS de publication sont des RS de distribution d’informations fournies col-

lectivement par un ensemble d’utilisateurs tels que les wikis ou individuellement
dans le cas des blogs.
1.4.2.2. Exemple
Wikipedia.org, blogger.com , twitter.com.
1.4.2.3. RS de partage
Ce type de RS permet à l’utilisateur de partager des documents avec les

autres utilisateurs du RS.
En général, ils sont équipés par des moteurs de recherche pour rendre plus
facile la fouille de documents ainsi qu’ils peuvent gérer la confidentialité du
contenu (public ou privé).
On distingue quatre catégories selon les types des documents :
1.4.2.4. RS de partage video
Cette catégorie de RS est la plus populaire parmi les autres, où l’utilisateur a

la possibilité de visionner ou publier des vidéos, les commenter ou les télécharger
si leurs contextes le permettent.
1.4.2.5. Exemple
youtube.com, BlogTV.com, Buzdeo.com, GodTube.com, MetaCafe.com, Sti-

ckam.com
Page | 14
1.4. HISTORIQUE
1.4.2.6. RS de partage de photos
Les photos sont téléchargées vers les RS par l’utilisateur et elles sont
partagées avec les autres membres souhaités du réseau.
1.4.2.7. Exemple
Clickfriends.com, Flickr.com, Fotki.com, Snappages.com, Picasa.com, Zoomr.com.
1.4.2.8. RS de partage audio
Dans ces communautés l’utilisateur peut développer ses propres musiques,

les distribuer et au même temps jouer de la musique avec les autres membres
en ligne.
1.4.2.9. Exemple
Last.FM, Pandora.com, iLike.com, Imeem.com, Radioblog.com.
1.4.2.10. RS de partage de présentation
Ces plateformes permettent aux utilisateurs de visualiser les ficher de dif-

férents formats comme PDF (livre ou article scientifique...etc.) sous forme de
présentation en ligne.
1.4.2.11. Exemple
Slideshare.net, Scribd, Issuu
1.4.2.12. RS de partage de discussion
Les RS de discussions sont fondés et subsistent grâce aux utilisateurs qui se

réunissent autour des sujets et des intérêts communs, en élaborant des conver-
Page | 15
1.5. REPRÉSENTATION D’UN RÉSEAU SOCIAL
sations qui peuvent être instantanées ou hors ligne sur des thèmes spécifiques.
Ces conversations amènent d’importantes masses d’informations actuelles, d’où
nous pouvons dire que ces RS sont des moyens d’interaction sociale directe pour
les utilisateurs.
1.4.2.13. Exemple
Les forums, les RS de chat.
1.5. Représentation d’un réseau social

On peut définir la structure sociale par toutes les unités qui constituent une
société ou un réseau social dans notre cas comme les individus, les groupes, les
communautés... etc. Ainsi que les liens et les relations qui relient ces unités. On
peut inclure aussi les réactions et le comportement des unités et le développement
effectué sur les relations et les liens.
1.5.1. Les acteurs sociaux

Les acteurs sociaux constituent l’unité la plus importante de la structure
sociale, sans eux on ne peut pas parler de RS.
Les individus ou les utilisateurs d’un RS sont les acteurs évidents, néanmoins,
les groupes et les communautés formés par les individus sont considérés comme
acteurs sociaux.
1.5.2. Les liens sociaux

Les liens sociaux sont les relations crées par les acteurs sociaux, les liens
sociaux peuvent prendre plusieurs sens et types. Elles peuvent être amicales ou
professionnelles ou familiales ...etc.
Page | 16
Figure 1.4
1.5.3. Représentation graphique

Les graphes tirent leur nom du fait qu’on peut les représenter par des dessins.
A chaque sommet de G on fait correspondre un point distinct du plan et on
relie les points correspondant aux extrémités de chaque arête.
Il existe donc une infinité de représentations d’un graphe.
Les arêtes ne sont pas forcément rectilignes.
Si on peut dessiner un graphe G dans le plan sans qu’aucune arête n’en
coupe une autre (les arêtes ne sont pas forcément rectilignes), on dit que G est
planaire.
Le graphe G ci-dessus est planaire
1.5.4. Reprèsentation matricielle

Graphe non-orientè
Soit G un graphe non-orientè qui posséde n sommets numèrotès de 1
Page | 17
Figure 1.5
On appelle matrice d’adjacence du graphe la matrice A = (ai,j) où ai,j est le

nombre d’arêtes joignant le sommet i au sommet j.
Exemple : Voici un graphe, et la matrice d’adjacence correspondante :
Figure 1.6
Page | 18
On peut remarque que cette matrice est symètrique.

C’est le cas pour toutes les matrices d’adjacence d’un graphe non-orientè.
Le rèsultat principal concernant les matrices d’adjacence est le thèoréme
suivant :
1.5.4.1. Thèoréme
Soit G un graphe non-orientè de matrice d’adjacence A. Le nombre de chaines

de longueur n joignant le sommet i au sommet j est donnè par le terme d’indice
i,j de la matrice An.
1.5.5. Graphe orientè

on peut ègalement dèfinir la matrice d’adjacence d’un graphe orientè.
Cette fois, le coefficient ai,j dèsigne le nombre d’arcs d’origine i et d’extrèmitè
j.
Exemple : Pour le graphe suivant :
Figure 1.7
on trouve la matrice d’adjacence :
Page | 19
Figure 1.8
Cette matrice n’est plus symètrique. En revanche, le terme d’indice (i,j) de la

matrice An compte toujours le nombre de chemins allant de i vers j.
1.5.6. Fonctionnement d’un Rèseau Social

Le fonctionnement d’un rèseau social est souvent caractèrisè par une même
et unique procèdure : crèation d’un profil, recherche d’autres profils en relation
avec mes centres d’intèrêt et enfin la mise en relation (directe ou non). Op-
tionnellement, la prise de contact (commentaire, mail etc.) peut être intègrèe.
Bien entendu, en fonction de la typologie des rèseaux certaines diffèrences
apparaissent. D’un ctè les rèseaux sociaux de type plate-forme, mettent sposition
des contenus sans crèation de profil, sans qu’il y ait besoin d’avoir une appar-
tenance communautè. Cependant, si l’internaute souhaite faire partie de cette
communautè, en diffusant ses propres vidèos par exemple, il doit obligatoirement
se crèer une fiche d’identitè (profil). Ainsi, l’internaute est reconnu en tant que
membre de ladite communautè . Une fois qu’il est membre, il est possible de
rechercher des profils, de diffuser et de partager des contenus. Par contre, il n’y
a pas de mise en relation oprement parler. Les membres du rèseau ne peuvent
interagir entre eux qu’en rèagissant, sous forme de commentaires, s contenus
publiès. Ainsi les rèseaux de type plate-forme sont essentiellement orientès vers
le partage et la diffusion de contenu (souvent des vidèos ou des photos) De
l’autre ctè, on a les rèseaux sociaux personnels (gènèralistes ou thèmatiques)
qui se rapprochent rèellement plus de l’univers social et partage de contenu. La
lecture du contenu est toujours libre d’accés, comme pour les rèseaux de type
plate-forme. Cependant, la crèation d’un profil est nettement plus avancèe. Ce
profil, vèritable carte d’identitè, est essentiel pour entrer dans la communautè
Page | 20
mais surtout pour y participer et crèer des liens avec les autres membres. En
gènèral, ce profil est prèsentè par un espace personnel (page web) visible par
tous les internautes. Il s’agit d’un espace rèservè aux membres où ils ont la
possibilitè d’y mettre tout ce qu’ils souhaitent : Textes, histoires, journal intime,
photos de vacances ou encore vidèos. La mise en relation des membres se fait
de maniére trés simple soit par un lien vers l’autre profil que l’internaute insére
manuellement dans blogroll soit en invitant l’autre membre joindre n cercle
d’amis. Les rèseaux sociaux personnels sont donc plus orientès vers la diffusion
d’informations que vers la relation entre membres. Enfin, les rèseaux sociaux pro-
fessionnels sont les plus avancès d’un point de vue des fonctionnalitès proposèes
pour la gestion de sa communautè. La crèation de son profil est primordiale pour
pouvoir profiter de tous les services associès aux rèseaux professionnels. L’objectif
de ce type de sites est clairement de se construire un rèseau le plus grand et
pertinent possible. Que ce soit dans le cadre d’une recherche d’emploi, pour
trouver des capacitès de financement ou encore des opportunitès de partenariat,
les rèseaux sociaux peuvent s’avèrer bien utiles pour ce genre de demande. De
ce fait, la crèation de sa fiche personnelle (son curriculum vitae ici) est vitale.
Si vous voulez être trouvè où trouver du monde, il faut que cette fiche soit la
plus compléte possible tout en dèfinissant bien ses objectifs professionnels. En
fait, l’utilisation d’un rèseau social en ligne doit se faire image d’un vèritable
rèseau. D’un point de vue de la mise en relation entre les membres, les rèseaux
professionnels sont certainement les plus aboutis tout comme la recherche de
profil. Elles aboutissent souvent sur les profils recherchès et en quelques clics,
avec un message de demande de mise en contact, l’invitation est envoyèe par
courrier èlectronique. Par la suite, la personne invitèe a le choix de refuser ou
d’accepter la mise en relation. Si elle l’accepte, elle sera en contact direct avec
la personne et aura accés utes ses informations professionnelles mais ègalement,
et surtout, verra le rèseau du membre ainsi que son degrè de proximitè avec ses
autres contacts. La crèation de son rèseau n’est pas plus compliquèe que cela et
permet d’être rapidement en relation avec le monde entier
1.5.7. Domaines d’application rèseaux sociaux en ligne

Les domaines d’application des rèseaux sociaux sont trés divers : relation
client, gestion des changements en interne, valorisation des expertises... Et toutes
les fonctions de l’entreprise peuvent bènèficier de leur mise en òuvre. Comme pour
le collaboratif où il existe autant d’outils que de visions de mode de collaboration,
les èditeurs de RSE proposent une mise en scéne du rèseau social diffèrente.
Certaines solutions ont choisi de reprendre l’approche ègocentrèe en matiére
d’organisation de l’information des rèseaux sociaux publics (Facebook, Video,
etc.), mettant au 1er plan pour chaque membre ses informations, ses discussions
Page | 21
1.6. ANALYSE DES RÉSEAUX SOCIAUX EN LIGNE
et partages, ses contacts ou celles du membre auquel on s’intèresse.
1.6. Analyse des réseaux sociaux en ligne

L’analyse des réseaux sociaux est une approche sociologique fondée sur la
théorie des réseaux sociaux, elle est définie comme étant l’étude des entités
sociales (les personnes dans les organisations qu’on appelle acteurs) ainsi que
leurs interactions et leurs relations. Ces interactions et relations peuvent être
représentées par un graphe ou un réseau, dans lequel chaque nòud représente
un acteur et chaque lien est une relation. On peut étudier les propriétés de la
structure et son rle ainsi que la position et le prestige de chaque acteur social on
peut rechercher aussi les différents types de sous-graphes comme par exemple
les communautés formées par des groupes d’acteurs ayant des intérêts communs,
en isolant le groupe d’individus ayant une densité élevée . Le réseau social peut
être aussi une source permettant l’élaboration de recommandations : Trouver un
expert dans un domaine donné, suggérer des produits ndre, proposer un ami, etc.
Cette élaboration peut être fondée sur des algorithmes d’exploration de chemins,
d’analyse de degré.
1.6.1. Origine de l’analyse des réseaux sociaux

L’analyse des réseaux sociaux est apparue il y a environ 70 ans. Son cycle
de vie peut être divisé en trois grandes périodes : Les fondements de l’approche
entre les années 1940 et 1960, certaines études publiées parlent sur les systèmes
de relations (1957, Elisabeth Bott, système de relations des familles). Articulation
de la méthode : entre les années 1960 et 1970, caractérisée par le développement
des recherches méthodologiques. Des recherches sur le nombre de relations
reliant les acteurs des RS ont été publiées et misent en place (1967, Stanley
Milgram). A période du développement actuel : de 1980 jusqu’au aujourd’hui. Les
recherches actuelles se mènent autres fins tels que la famille, les relations de
travail, la camaraderie...etc. et surtout sur la notion du petit monde .
1.6.2. Notion de calcule en ARS

On présente dans ce qui suit quelque mesure utilisée dans l’ARS : La centra-
lité : Les acteurs importants sont ceux qui sont liés et impliqués avec les autres
acteurs D’une façon extensive. Dans le cadre d’une organisation, une personne
qui a beaucoup de contacts et qui communiquent bien avec les autre personnes
est considérée plus importante qu’une autre personne ayant moins de contacts.
Ces contacts sont modélisés par des liens. Un acteur central est un acteur qui
Page | 22
est impliqué dans plusieurs liens. Chaque nòud dans le réseau social est un
acteur et chaque lien indique que les deux acteurs aux extrémités communiquent
ensemble. Intuitivement, on remarque que l’acteur 1 est l’acteur le plus central
par ce qu’il/elle communique avec la majorité des autres acteurs. Il y a différents
types de liens ou d’implications entre acteurs. Par conséquence, plusieurs types
de centralités seront définis sur les graphes dirigés et non dirigés.
1.6.3. Centralité d’intermédiarité

Cette notion exprime le degré de liaison dun acteur social avec d’autres
acteurs sociaux qui ne sont pas forcément interconnectés directement entre eux.
C’est le nombre de gens auxquels une personne est connectée de façon indirecte,
via des liens directs . Si deux acteurs non adjacents j et k veulent communiquer
et si l’acteur i se localise sur le chemin entre j et k, alors i a un certain contrle
sur leur interaction. L’intermédiarité mesure ce contrle de i sur les deux autres
acteurs. Par conséquent, si i se localise sur le chemin de plusieurs interactions
alors i est un acteur important.
1.6.4. Centralienne de proximité

La centralienne de proximité est un indice exprimant si un acteur social est
près de tous les autres acteurs du même RS (d’une manière directe ou non). Soit
d (i, j) la distance la plus courte rtir de l’acteur i vers l’acteur j (mesurée par le
nombre de liens via le chemin le plus court).
1.6.5. Centralisation de pouvoir

Cest La différence entre le nombre de liens pour chaque nòud divisée par le
nombre total de liens. Plus cet indice est élevé plus le RS est centralisé au tour
des acteurs importants de ce RS.
1.6.6. Prestige
Le prestige est une mesure plus raffinée que la centralité. on distingue entre
les liens sortants et ceux entrants. Un acteur prestigieux est un acteur ayant
beaucoup de liens entrants. Le prestige d’un acteur est mesuré par le nombre
des liens entrants
Page | 23
1.6.7. La Représentation des RS dans l’ARS

Pour effectuer de L’ARS sur un Réseau social on devient avoir une structure
analysable qui représente les RS. L’ARS utilise deux approches pour représenter
un réseau, soit par matrices ou par graphes. De nos jours, les graphes sont
utilisés dans tous les domaines gr ur simplicité d’utilisation et leur capacité
esumer les informations. La représentation graphique des RS est la plus répandue
et on peut dire que l’une des racines de l’ARS est la théorie des graphes. On va
introduire dans ce qui suit certaines notions sur la théorie de graphes les plus
utilisées dans l’ARS. Ensuite présenter les deux approches de visualisation : par
matrice et par graphe.
1.6.7.1. Les branches de l’ARS

Les principales branches dans l’ARS sont la détection des structures commu-
nautaires ou les groupes d’acteurs sociaux fortement liés, et l’étude temporelle
du développement de la structure sociale.
1.6.8. La détection des structures communautaires

Une des tes principales de l’analyse des réseaux sociaux est de capturer les
structures communautaires dans les RS. La notion des structures communautaires
a été reconnue comme une caractéristique statistique importante des systèmes
en réseau cette dernière décennie. En effet, une communauté peut être définie
dans un RS modélisé par un graphe comme un sous -graphe dont les nòuds sont
fortement connectés entre eux mais moins connectés avec les autres nòuds du
réseau. Cette branche de l’ARS s’intéresse ouver de tels groupes de nòuds dans
un réseau. On peut interpréter ce problème par un problème de classification,
c’est re satisfaisant le critère qui dit que les nòuds dans chaque communauté
(sous-graphe) ont des liens denses entre eux, mais moins chaes avec les autres.
C’est re, la recherche des communautés dans un RS revient assifier les acteurs
sociaux par les méthodes statistiques de classification.
1.6.9. L’étude de l’évolution dynamique des réseaux sociaux

L’un des aspects les plus importants des RS est l’évolution dynamique de
leurs structures au fil du temps. Les RS sont fondés sur deux notions de base
principales : Acteur social et lien social, sachant que le nombre des acteurs
sociaux et leurs états (rle, importance...etc.) changent avec le temps ainsi que
les interactions et les relations qu’ils construisent sont aussi instables. Par
conséquent, il est nécessaire de trouver des techniques d’études des RS qui
Page | 24
1.7. CONCLUSION
prennent en compte cet aspect. L’une des techniques qui existent est l’évaluation
temporelle des RS . L’évaluation temporelle visualise l’état de la structure sociale
instant donné en évaluant son comportement t instant.
1.7. Conclusion
Les réseaux sociaux ont toujours été présents dans la vie sociale de l’être
humain. Ils n’attendaient plus qu’un moyen pour prendre de l’ampleur. Ce moyen
est Internet et les nouvelles technologies. Ainsi il est possible de créer des
réseaux de plusieurs millions de personnes. Tout individu peut entrer en relation
par le biais de 5 contacts maximum, avec n’importe quelle personne se trouvant
sur la surface de la terre. La puissance des réseaux sociaux est donc décuplée gr
au média Internet. Il s’agit lun phénomène que nul ne pouvait prévoir, il y a encore
quelques années. La technologie a mis portée de tout acun ou presque un outil
possédant un très fort potentiel social. Enfin, il est intéressant de mettre en étroite
relation entre les réseaux sociaux et le monde de l’entreprise. C’est en effet, un
ensemble sous-estimé du domaine social sur Internet. Bien entendu, il existe des
réseaux sociaux professionnels mais leur utilisation reste exclusivement externe
entreprise. Lorsque l’on parle de communauté, d’environnements collaboratifs, de
dynamique de groupe, tout le monde pense entreprise, lieu de prédilection des
relations et de contacts humains.
Page | 25
Chapitre 2
Détection de communauté
Sommaire
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2 Communautés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2.2 Définitions basées sur la similarité des sommets . . . . . 28
2.2.3 Les méthode pour calculer la similarité . . . . . . . . . . 29
2.2.4 Complexité informatique . . . . . . . . . . . . . . . . . . . 29
2.2.5 Objective de détection de communautés dans les graphes 30
2.3 Les approches . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.3.1 Méthodes Traditionnelles . . . . . . . . . . . . . . . . . . . 31
2.4 Modularité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.5 évaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
26
2.1. INTRODUCTION
2.1. Introduction
a science moderne des réseaux a apporté des avancées significatives à
L notre compréhension des systèmes complexes.

Une des caractéristiques les plus pertinentes des graphes représentant des
systèmes réels est la structure de communauté, ou regroupement, c’est-à-dire
l’organisation de sommets dans des clusters, avec de nombreux arêtes reliant
les sommets d’un même cluster et relativement peu.
De tels amas, ou communautés, peuvent être considérés comme des comparti-
ments relativement indépendants d’un graphe, jouant un rle similaire, par exemple
aux tissus ou aux organes du corps humain. La détection des communautés revêt
une grande importance en sociologie, en biologie et en informatique, disciplines
où les systèmes sont souvent représentés sous forme de graphiques.
Ce problème est très difficile et n’est pas encore résolu de manière satisfai-
sante, malgré les efforts considérables d’une grande communauté interdiscipli-
naire de scientifiques qui y travaillent depuis quelques années.
2.2. Communautés
2.2.1. Définitions
2.2.1.1. Les bases
Le premier problème dans le regroupement de graphe est de chercher une
définition quantitative de la communauté. Aucune définition n’est universellement
acceptée. En fait la définition dépend souvent du système spécifique en question
et / ou l’application que l’on a en tête. II nous obtenons l’idée qu’il doit y avoir
plus d’arêtes "à l’intérieur" de la communauté que les sommets de la communauté
avec le reste du graphique. Ceci est la ligne de référence à la base de la plupart
des définitions communautaires, Mais beaucoup de recettes alternatives sont
compatible avec elle. De plus, dans la plupart des cas, les entités sont définies
par un algorithme, ils sont juste les produits finaux de l’algorithme, sans précision
a priori de la définition.
Page | 27
2.2. COMMUNAUTÉS
2.2.1.2. Définitions locales

Les communautés sont des parties du graphe avec quelques liens avec le
reste du système. Dans une certaine mesure, ils peuvent être considérés comme
des entités séparées avec leur propre autonomie, Donc il est logique de les
évaluer indépendamment. Les communautés peuvent également être identifiées
par une mesure de forme physique, exprimant dans quelle mesure un sous-graphe
satisfait donné la propriété liée à sa cohésion.
Figure 2.1
2.2.1.3. Définitions globales

Les communautés peuvent également être définies en graphe dans son en-
semble. Cela est raisonnable dans ces cas quels groupes sont des parties
essentielles du graphe qui peuvent ne pas être démonté sans affecter sérieu-
sement le fonctionnement du système. La littérature offre de nombreux critères
pour identifier les communautés. Dans la plupart des cas, ils sont des définitions
indirectes, dans lesquelles certaines propriétés globales du graphe sont utilisées
dans un algorithme qui fournit des communautés à la fin. Cependant, il existe une
classe de définitions appropriées, basé sur l’idée qu’un graphe a une structure
communautaire s’il est différent d’un graphe aléatoire.
2.2.2. Définitions basées sur la similarité des sommets

Il est naturel de supposer que les communautés sont des groupes de sommets
similaires les uns aux autres. On peut calculer la similarité entre chaque paire
de sommets par rapport à certains propriété de référence, locale ou globale, peu
importe si ils sont connectés par un bord ou non. S’il est possible d’incorporer
Page | 28
2.2. COMMUNAUTÉS
les sommets du graphe dans un espace euclidien n-dimensionnel, en assignant

une position à eux, on pourrait utiliser la distance entre une paire de comme
mesure de leur similitude (c’est en fait une mesure sùr de la dissimilitude parce
que des sommets similaires sont attendus d’être proches les uns des autres).
Compte tenu des deux points de données : A= (a1 ,a2,...,an) and B= (b1,b2,...,bn).
2.2.3. Les méthode pour calculer la similarité

Euclidean distance(L2-norm),
Figure 2.2
Manhattan distance (L1-norm)
Figure 2.3
Et L infini-norm
Figure 2.4
2.2.4. Complexité informatique

L’énorme quantité de données sur les réseaux réels actuellement disponible
rend la question de l’efficacité du regroupement algorithmes essentiels. La
complexité de calcul d’un algorithme est l’estimation de la quantité de ressources
Page | 29
2.2. COMMUNAUTÉS
Figure 2.5
requis par l’algorithme pour effectuer une te. Cela implique à la fois le nombre
d’étapes de calcul nécessaires et le nombre d’unités de mémoire qui doivent
être simultanément alloué pour exécuter le calcul. De telles demandes sont
généralement exprimées par leurs évolutivités avec la taille de système. Dans le
cas d’un graphe, la taille est indiqué par le nombre de sommets n et / ou nombre
d’arêtes.
2.2.5. Objective de détection de communautés dans les graphes
L’objectif de la détection de communautés dans les graphes, ou encore dans

les réseaux sociaux est de créer une partition des sommets, en tenant compte
des relations qui existent entre les sommets dans le graphe, de telle sorte que
les communautés soient composées de sommets fortement connectés et qu’elles
soient peu reliées entre eux (Brandes et al., 2003 ; Newman, 2004 ; Schaeffer,
2007 ; Lancichinetti et Fortu-nato, 2009). Parmi les principales méthodes de
détection de communautés proposées dans la littérature, on peut citer celles qui
Page | 30
2.3. LES APPROCHES
optimisent une fonction de qualité pour évaluer la qualité d’une partition donnée,
comme la modularité, la coupe ratio, la coupe min-max ou la coupe normalisée
(Kernighan et Lin, 1970 ; Chan et al., 1994 ;Shi et Malik, 2000 ; Ding et al., 2001 ;
Newman et Girvan, 2004), les techniques hiérarchiques comme les algorithmes
de division (Flake et al., 2003), les méthodes spectrales (Von Luxburg, 2007) ou
l’algorithme de Markov et ses extensions (Satuluri et Parthasarathy, 2009). Ces
techniques de partitionnement de graphes sont très utiles pour détecter des
composantes fortement connectées dans un graphe. Cette section est consacrée à
la détection de telles communautés qui repose donc uniquement sur les arêtes et
leurs dispositions dans et entre les classes. Deux sommets classés un ensemble
doivent être plus liés entre eux, directement ou par l’intermédiaire d’autres
sommets, que vis-à-vis de sommets placés dans d’autres classes.
2.3. Les approches

2.3.1. Méthodes Traditionnelles
2.3.1.1. Partition de graphe
Le problème du partitionnement de graphe consiste à diviser les sommets en
groupes de taille prédéfinie . La partition de graphe est un problème fondamental
en parallèle l’informatique, le partitionnement et la disposition des circuits, et
dans conception de nombreux algorithmes en série, y compris les techniques
résoudre des équations différentielles partielles et linéaires éparses de systèmes
d’équations. La plupart des variantes du partitionnement de graphe ont le
problème de NP-difficile. Il y a cependant plusieurs algorithmes qui peuvent faire
du bon travail, même si leurs solutions ne sont pas nécessairement optimales
(Pothen, 1997). De nombreux algorithmes effectuer une bissection du graphe.
Partitions dans plus de deux groupes sont généralement atteintes par itération
bissection De plus, dans la plupart des cas, on impose contrainte que les clusters
ont une taille égale. Ce problème est appelée bissection minimale et est NP-
difficile.
2.3.1.2. Partitions
Notions de base : Une partition est une division d’un graphe en clusters,
telle que chaque sommet appartient à un cluster, dans les sommets de systèmes
réels peuvent être partagés entre Différentes communautés. Une division d’un
graphique en chevauchement (ou floue) communautés est appelée couverture. Le
nombre de partitions possibles dans k clusters d’un graphe avec n sommets est le
nombre de Stirling de second. Les partitions peuvent être hiérarchisées, lorsque
Page | 31
2.3. LES APPROCHES
Figure 2.6
le graphique a différents niveaux d’organisation / structure à différentes échelles.

Dans ce cas, les clusters s’affichent à leurs tours de structure communautaire,
avec de plus petites communautés à l’intérieur, qui peut contenir de plus petites
communautés
Les fusions de communautés sont représentées par des lignes horizontales.
Le niveau le plus élevé représente le graphique entier en tant que communauté
unique. Coupe le diagramme horizontalement à une certaine hauteur Le dia-
gramme est hiérarchique par construction : chaque communauté appartenir à un
niveau est entièrement inclus dans une communauté à un niveau supérieur. Les
dendrogrammes sont régulièrement utilisés sociologie et biologie. La technique
de la classification hiérarchique.
2.3.1.3. Classification hiérarchique

En général, on en sait très peu sur la communauté et la structure d’un graphe.
Il est rare de connae le nombre des grappes dans lesquelles le graphie est divisé,
ou d’autres indications à propos de l’adhésion des sommets. Dans telle procédures
de regroupement des cas comme les méthodes de partitionnement de graphe
peut difficilement être utile, et on est obligé de faire hypothèses raisonnables
quant au nombre et à la taille des clusters, qui sont souvent injustifiées. D’autre
part, le graphe peut avoir une structure hiérarchique, i. e. afficher plusieurs
niveaux de regroupement des sommets, avec petites clusters incluses dans de
grands groupes, qui sont à son tours inclus dans les grands groupes, et ainsi
de suite. par exemple réseaux sociaux ont souvent une structure hiérarchique
Page | 32
2.3. LES APPROCHES
Figure 2.7 – Schématique d’un graphe hiérarchique
Figure 2.8 – Un dendrogramme, ou arbre hiérarchique ,Horizontal les coupes corres-

pondent aux partitions du graphe dans les communautés.
(Section III.C.1). Dans de tels cas, on peut utiliser la hiérarchie algorithmes de

regroupement (Hastie et al., 2001), i. e. regroupement techniques qui révèlent
la structure à plusieurs niveaux de la graphe. La classification hiérarchique est
Page | 33
2.3. LES APPROCHES
très fréquente dans les réseaux sociaux, analyse de réseau, biologie, ingénierie,
marketing, etc. Le point de départ de tout regroupement hiérarchique La méthode
est la définition d’une mesure de similarité entre sommets. Après avoir choisi
une mesure, on calcule la similitude pour chaque paire de sommets, peu importe
s’ils sont connecté ou non. A la fin de ce processus, il en reste un avec une
nouvelle matrice n ? n X, la matrice de similarité. Dans la section III.B.4 nous
avons énuméré plusieurs définitions possibles similarité. Les techniques de
classification hiérarchique visent à identifier les groupes de sommets avec une
grande similitude, et peut être classé en deux catégories :
• Algorithmes d’agglomérations, dans lesquels les clusters sont itérativement

fusionné si leur similarité est suffisante haute.
• Algorithmes de diviseurs, dans lesquels les clusters sont itérativement

diviser en supprimant les arêtes reliant les sommets avec faible similitude.
2.3.1.4. Clustering partiel

Le regroupement partitionnel indique une autre classe populaire des méthodes
pour trouver des grappes dans un ensemble de points de données. Ici, le nombre
de groupes est pré assigné, disons k. Les points sont intégrés dans un espace
métrique, de sorte que chaque sommet est un point et une mesure de distance
sont définis entre les paires de points dans l’espace. La distance est une mesure
de dissimilarité entre les sommets. L’objectif est de séparer des points dans k
groupes de manière à maximiser / minimiser un donné fonction de coùt basée
sur les distances entre les points et / ou des points aux centros, i. e. positions
convenablement définies dans l’espace. Certaines des fonctions les plus utilisées
sont énumérées ci-dessous : K-clustering minimum, a fonction de coùt est ici
le diamètre d’un cluster, qui est la plus grande distance entre deux points d’un
cluster. Les points sont classés de telle sorte que le plus grand du groupe k les
diamètres sont les plus petits possibles. L’idée est de Gardez les clusters très
compact ". La somme de k-clustering ,identique au k-clustering minimum, mais le
diamètre est remplacé par la distance moyenne entre toutes les paires de points
d’un cluster. k-centre, pour chaque cluster, on définit une référence point xi, le
centro, et calcule le maximum di des distances de chaque point de cluster de le
centro. Les clusters et les centros sont auto-consciemment choisi de telle sorte
à minimiser la plus grande valeur de di . k-médiane,même que k-centre, mais la
distance maximale du centro est remplacé par la moyenne distance.
Page | 34
2.3. LES APPROCHES
2.3.1.5. Cluster spectral

Supposons avoir un ensemble de n objets x1 ; x2. xn avec une fonction de
similarité par paire S définie entre eux, qui est symétrique et non négatif (c’est-
à-dire, S (xi ; xj) = S (xj ; xi) ? 0, 8i ; j = 1 ; : : n). Cluster spectral ter inclut toutes
les méthodes et techniques qui partitionnent l’ensemble en clusters en utilisant
les vecteurs propres des matrices, comme S lui-même ou d’autres matrices qui
en dérivent. En particulier, les objets pourraient être des points dans un espace
métrique, ou les sommets d’un graphe. La classification spectrale consiste en
une transformation de l’ensemble initial d’objets en un ensemble de points dans
l’espace, dont les coordonnées sont des éléments de vecteurs propres : l’ensemble
des points est ensuite regroupé via la norme techniques, comme le clustering
,k-means. Un peut se demander pourquoi il est nécessaire de regrouper les points
obtenus à travers les vecteurs propres, quand on peut directement regrouper
l’ensemble initial d’objets, en fonction de la matrice de similitude. La raison en
est que le changement de représentation induite par les vecteurs propres rend
les propriétés du cluster de l’ensemble de données initial beaucoup plus évident.
De cette façon, clustering spectral est capable de séparer les points de données
n’a pas pu être résolu en appliquant directement le clustering k-means, par
exemple, comme ce dernier tend à livrer convexe ensembles de points.
2.3.1.6. Algorithmes proposés ( metaheuristiques )
Dans cette section, six algorithmes adaptés au problème du CD sont décrits.

Les algorithmes originaux de recherche de chauves-souris et de gravitation ont
été adaptés pour résoudre le problème d’optimisation de la modularité, qui est
une optimisation discrète de problème. Les autres algorithmes : (big bang-big
crunch modifié, chauve-souris améliorée :
algorithme basé sur différentiel évolutif, hyper-efficace,recherche et dispersion
algorithme de recherche basé sur des algorithmes génétiques) ont été soutenu par
de nouvelles techniques ou méthodes hybrides, en plus de leur standard versions,
pour trouver la solution optimale pour la détection des meilleurs modules.
Dans cette étude, nous voulions analyser les résultats des algorithmes méta-
heuristiques avec différents mécanismes les uns des autres dans la solution du
problème CD. En termes de l’original versions d’algorithmes, seulement l’algo-
rithme de recherche de dispersion basé sur l’algorithme génétique est approprié
pour résoudre des problèmes d’optimisation discrets. Les cinq autres algorithmes
doivent être adaptés au problème d’optimisation discrète (le problème du CD). Ces
algorithmes sont conçus pour résoudre le problème de CD selon l’organigramme
Page | 35
2.3. LES APPROCHES
montré dans la figure .
Figure 2.9
2.3.1.7. Algorithme de chauve souris amélioré basé sur l’algorithme

évolutionnaire différentiel
Dans cette section, l’algorithme de chauve-souris amélioré basé sur l’évolution
différentielle algorithme (BADE) est introduit. Les principales étapes de cet
algorithme ont été conçues selon l’organigramme de la Fig. 4 et la version
originale de l’algorithme de la chauve-souris. Le BADE implique deux étapes
différentes, contrairement au BA précédent. Dans le tableau 2,ces étapes sont
indiquées en gras.
L’algorithme d’évolution différentielle (DEA) a été utilisé processus de ré-
génération de la population de la BADE. En cours de production de solutions
candidat , le DEA et la version originale de BA ont été utilisés l’ensemble pour
la sélection de sommets adjacents . Le DEA, qui est un algorithme d’optimisation
métaheuristique basé sur la population, génère des résultats assez réussis en
optimisant les paramètres dans un espace de solution adapté aux problèmes du
monde réel . Une nouvelle personne est sélectionnée en fonction de Equation 7
dans le processus de mutation de l’algorithme original DEA.
Dans le BADE, de nouveaux individus sont produits en ajoutant le troisième
vecteur et la différence pondérée des deux premiers vecteurs, en utilisant la
Page | 36
2.3. LES APPROCHES
formule donnée dans l’équation 7, de l’original DEA à trois vecteurs qui ont
été choisis au hasard parmi la population de chauves-souris généré par le BA
original. La phase de reproduction individuelle de la BADE est montré à la Fig.
5.
Figure 2.10
2.3.1.8. Algorithme de recherche de dispersion basé sur l’algorithme

génétique
Cet algorithme (SSGA) implique la transmission à la génération suivante en
raison de la L’approche Scatter Search (SS) des meilleurs chromosomes acquis
par l algorithme génétique (GA) ,et soumettant la population au croisement et
à la mutation processus autour des meilleures solutions. Le SSGA fonctionne
conformément à toutes les étapes sauf l’étape "Conversion" donnée à la Fig. 4.
Puisque l’algorithme proposé génère des valeurs discrètes , ces valeurs générées
ne nécessitent pas de conversion supplémentaire. Le pseudo code de la SSGA
est donnée dans le Tableau 4. Les opérations de mutation et de croisement
utilisées par l’algorithme sont implémentées pour chaque ensemble de référence
(sous-ensembles). Le tableau nommé comme contrle de changement array (CCA)
indique le tableau de contrle constitué de la valeur zéro et un. Le gène (vertex
voisin) est choisi parmi le premier chromosome si la valeur d’index du tableau est
0, et il est choisi parmi le second chromosome si la valeur d’indice du tableau est
1 (étapes 4a et 4b). Bien que les individus en méthode de mutation des méthodes
classiques sont sélectionnés au hasard, dans notre méthode proposée, alors que
les individus qui présentent plus les solutions appropriées sont soumises à une
mutation unique, les individus dont les valeurs de fitness sont considérés comme
très loin de la modularité optimale sont soumis à multi-mutation (étapes 4c et
4d). Les processus suivants sont effectués conformément à la norme approches
de GA et SS.
1. Créer une population initiale (générée aléatoirement)
2. Créer un ensemble de référence en utilisant la population
3. Sélectionnez un sous-ensemble en utilisant l’ensemble de référence
Page | 37
2.4. MODULARITÉ
4. Effectuer une méthode de combinaison au sous-ensemble (chaque gé-

notype), et effectuer une méthode d’amélioration des combinaisons une.
génotypes de sélection en fonction de la roulette [28] (si sélectionné)
b. processus de croisement selon CCA (si sélectionné)
c. processus de mutation unique pour les génotypes appropriés (si néces-
saire)
d. processus multi-mutation pour les mauvais génotypes (si nécessaire)
5. Mettre à jour l’ensemble de référence
6. Répétez l’étape 3 à l’étape 6 jusqu’à ce qu’un nouveau jeu de référence soit

requis
7. Répétez l’étape 2 à l’étape 7 jusqu’à ce qu’une population soit requise
8. Répétez les étapes 1 à 8 jusqu’a ce que le critère de terminaison soit fourni.
2.4. Modularité
L’une des fonctions de fitness les plus populaires et bien connues dans la
littérature est la fonction de modularité. Le concept de modularité a été introduit
en 2004 . Dans ces études, la fonction de modularité basées sur le principe
selon lequel les relations entre les membres dans les communautés doivent être
maximisés et que les relations de ces membres avec les membres des autres
communautés doivent être minimisé. La fonction d’évaluation ainsi obtenue est
basée sur une approche non aléatoire et modèle mathématique. Lorsque l’on
considère également la difficulté de l’analyse des grandes et structures de graphe
complexes, on peut comprendre que le problème de maximisation de la modularité
est un problème de NP-difficile. La fonction de modularité la plus basique Q
qui représente la fonction de modularité du graphe est donnée dans l’équation
suivante :
Figure 2.11
Où, indique les probabilités de bord des sommets binaires, montre le fraction
d’arêtes ayant au moins une extrémité dans le groupe (pourcentage d’arêtes
Page | 38
2.4. MODULARITÉ
avec au moins 1terminer dans le module i). Pour une fonction de modularité
plus générale, lorsqu’un réseau d’échantillons donné est représenté avec toute
structure de graphe, les structures communautaires acquises peuvent être consi-
dérées comme sous-graphes qui ont les qualités et les quantités telles que la
propriété communes maximums , le nombre d’interaction, la similitude de position
en soi. Alors que les sommets (nòuds) qui sont les membres de ces structures
doivent avoir le maximum relations ou propriétés communes maximums avec les
nòuds dans sa propre communauté (à l’intérieur de la communauté), ils doivent
avoir les relations minimales ou communes de propriétés avec les nòuds de
l’autre communauté (en dehors de la communauté). En domaines social , les
personnes ayant de fortes relations se trouvent dans les communautés similaires,
les colonies de créatures vivantes qui se nourrissent les unes les autres se
trouvent dans la même communauté dans les domaines de l’environnement, et
les clusters d’ordinateurs qui ont le maximum de données l’échange et la colla-
boration maximale qu’ils se forment sont situés dans la même communauté dans
les réseaux informatiques peut être donné comme un exemple lié à la Problème
de CD. Supposons qu’une structure de graphe donnée G (V, E) représente un
réseau d’échantillons, et G, V et E représente le graphe donné, l’ensemble des
sommets et l’ensemble des arêtes, respectivement. V = vi | i = 1, 2, 3 ... n et E =
ej | j = 1, 2, 3 ... m où i, j, n et m représentent l’indice du sommet, l’indice du bord,
le nombre des sommets totaux et le nombre des arêtes totales, respectivement.
De plus, supposons qu’une matrice d’adjacence Adj qui démontre les relations
entre les membres des groupes E et V avec des dimensions nxn est défini. Adj
est généré par l’équation 2
Figure 2.12
Q qui représente la fonction de modularité du graphe G est donnée dans

l’équation 3.
où Q se réfère à la fonction objective à maximiser. Alors que Ad (i,j) représente
le matrice d’adjacence du graphe G, le nombre de bords totaux dans le réseau
est calculé par la formule donnée dans l’équation 4. ki et kj décrivent les degrés
des ième et jième sommets respectivement, et ki le degré du sommet est calculé
selon l’équation 5. Ci et Cj indique la communauté dans laquelle appartiennent
les ième et jème sommets, respectivement . (ci,cj) exprime également la fonction
Page | 39
2.5. ÉVALUATION
Figure 2.13
qui indique si les ième et jème sommets participent au même communauté ou

non. (ci,cj) crée une sortie selon l’équation 6.
Figure 2.14
Dans cette étude, la fonction donnée dans l’équation 3 a été utilisée comme
une fonction de remise pour la détection des communautés les plus appropriées
du monde réel de réseaux donné dans le processus de test. Les paramètres
de cette fonction et le complément , descriptions de l’autre problème CD ont
été adaptées aux algorithmes donnés dans la section suivante et les résultats
obtenus des études expérimentales ont été présenté dans les tableaux et les
figures. De plus, les résultats obtenus ont été évalués en analysant en détail
dans la section 4.
2.5. évaluation
Dans la littérature, on rencontre principalement deux modes d’évaluation
des méthodes développées en classification non supervisée de sommets dans
les réseaux d’information. La première d’entre eux est l’évaluation à l’aide de
critères internes. On cherche alors à obtenir une partition la meilleure possible
au sens d’un critère particulier, comme la modularité. Or face à un problème réel,
la question que l’on se pose est plutt "La solution que m’apporte l’algorithme
est-elle de qualité, a-t-elle de bonnes propriétés ?" que "La solution que m’apporte
Page | 40
2.6. CONCLUSION
l’algorithme est-elle la meilleure ?" (Ou l’une des meilleures, la meilleure réponse
face à un compromis temps / résultat). En particulier, la notion de "bonne
solution" varie selon le contexte d’application. Le second mode d’évaluation est
la confrontation des classes fournies par la méthode à des groupes "naturels".
On dira alors que l’on évalue le résultat selon un critère externe. Le score se
calcule alors en termes de précision et de rappel, ou encore de F-mesure. Si
plusieurs mesures hybrides ont été proposées pour opérer la classification dans
des réseaux d’information, elles ne peuvent pas réellement être employées en
tant que critères d’évaluation, en tout cas si elles sont également utilisées pour
construire les classes car l’évaluation sera biaisée. Dans l’état de l’art figure
cependant le critère de Joint Silhouette Coefficient proposé par Moser et al.
et qui permet de quantifier la qualité d’une partition construite sur un réseau
d’information en tenant compte des deux types de données : attributs et relations
(Moser et al., 2007). Cet indice, inspiré de l’indice de Silhouette de Rousseeuw
(Rousseeuw, 1987), est défini par :
Figure 2.15
2.6. Conclusion
Le fait que l’analyse de réseau social se situe entre plusieurs domaines
(so-l’informatique, les mathématiques et la physique) a conduit à de nombreux
approches thodologiques.
C’est pourquoi tant de programmes ont été créés dans l’ordre manipuler
et étudier les réseaux sociaux. Alors qu’un outil autonome est très utile pour
la visualisation graphique (jusqu’à un maximum de quelques milliers de nuds),
format de données conversion ou calcul d’indicateurs, les bibliothèques sont
plus adaptées aux tes impliquant des dizaines de milliers de nuds et pour des
opérations telles que l’union et la différence entre les ensembles de nuds ou
pour le regroupement.
Une juste séparation des algorithmes, des interfaces d’utilisateurs (y compris
Page | 41
2.6. CONCLUSION
les capacités de visualisation) et la manipulation des données apparaomme une

te importante afin de rassembler et promouvoir les meilleures fonctionnalités
parmi les outils. Par exemple, récemment, Gephi a commencé une telle approche
avec la publication récente de la Gephi bo à outils , une bibliothèque créée à
partir de la logique et des algorithmes de Gephi. Nous pouvons également dire
qu’aujourd’hui, les outils disponibles gratuitement sont en mesure de fournir un
très riche ensemble de fonctionnalités, mais si une analyse spécifique est requise,
des développements de code spécifiques peut être nécessaire. Ce qui concerne la
nécessité de stocker de plus grands réseaux, de nouvelles architectures proposé
notamment les bases de données NoSQL, comme Neo4j 13 qui peut être utilisé
pour stocker des données structuré en graphiques plutt qu’en tableaux. Enfin à ce
moment-là, les principaux défis concernant l’exploration graphique sont orientés
vers une visualisation de haut niveau notamment pour les graphes hiérarchiques.
Parmi les améliorations possibles des outils d’analyse de réseaux sociaux,
nous pouvons mentionner tout d’abord extraction sociale qui exploite simulta-
nément les attributs de nud et la structure graphique et d’autre part l’analyse
temporelle qui devrait nous permettre d’étudier l’évolution des réseaux au fil du
temps.
Page | 42
Chapitre 3
Autres approches liées à la colonie
d’abeilles
Sommaire
3.1 Hybrid Fuzzy Logic and Artificial Bee Colony Algorithm for
Intrusion Detection and Classification . . . . . . . . . . . . . . . 45
3.1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.1.2 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.1.3 Calcul naturel . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.1.4 Biologiquement Calcul Inspiré . . . . . . . . . . . . . . . . 46
3.1.5 Biologie Motivé informatiquement . . . . . . . . . . . . . . 46
3.1.6 Calcul avec biologie . . . . . . . . . . . . . . . . . . . . . . 47
3.1.7 Informatique intelligente . . . . . . . . . . . . . . . . . . . 47
3.1.8 Processus de création d’un algorithme inspiré da La
Nature . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.1.9 Application de l’algorithme (méta heuristiques) . . . . . 47
3.2 Optimisation Combinatoire En mathématique . . . . . . . . . . 49
3.2.1 Minimum Local . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.2.2 Minimum Global . . . . . . . . . . . . . . . . . . . . . . . . 49
43
3.2.3 Voisinage . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.3 Classification des Méta heuristiques . . . . . . . . . . . . . . . 49
3.4 Notre approche Algorithme Génétique . . . . . . . . . . . . . . 51
3.4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.4.2 Terminologie . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.5 Fonctionnement générale . . . . . . . . . . . . . . . . . . . . . . 52
3.5.1 Définition 01 (Gène) . . . . . . . . . . . . . . . . . . . . . . 52
3.5.2 Définition 02 (Chromosome) . . . . . . . . . . . . . . . . . 52
3.5.3 Définition 03 (Individu) . . . . . . . . . . . . . . . . . . . . 52
3.5.4 Définition 04 (population) . . . . . . . . . . . . . . . . . . 52
3.5.5 Définition 05 (Génération) . . . . . . . . . . . . . . . . . . 52
3.5.6 Dentition 06 (fonction de fitness ou fonction d’évaluation) 53
3.5.7 Fonctionnement général . . . . . . . . . . . . . . . . . . . 53
3.6 Algorithme de base AG . . . . . . . . . . . . . . . . . . . . . . . 53
3.7 Principe de fonctionnement . . . . . . . . . . . . . . . . . . . . . 55
3.7.1 Codage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.7.2 Population Initiale . . . . . . . . . . . . . . . . . . . . . . . 56
3.7.3 Adaptation . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.8 Les opérateurs d’un algorithme génétique . . . . . . . . . . . . 57
3.8.1 la sélection . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.8.2 Le croisement . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.8.3 La Mutation . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.9 Critère d’arrêt . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
Page | 44
3.1. HYBRID FUZZY LOGIC AND ARTIFICIAL BEE COLONY ALGORITHM FOR
INTRUSION DETECTION AND CLASSIFICATION
3.1. Hybrid Fuzzy Logic and Artificial Bee Colony

Algorithm for Intrusion Detection and Classifica-
tion
3.1.1. Introduction
La nature est une source puissante d’inspiration pour résoudre des problèmes
complexes en informatique, puisqu’elle montre des phénomènes extrêmement
divers, dynamiques, robustes, complexes et fascinants. Elle trouve toujours la
solution optimale pour résoudre son problème, et maintien l’équilibre parfait
entre ses composantes. Nouvelle ère est ouverte avec les algorithmes inspirés
de la nature (Bio-inspiré) qui sont des méta heuristiques imitant la nature pour
résoudre des problèmes d’optimisation. Dans les décennies passées, de nombreux
efforts de recherches ont été concentrés dans ce secteur particulier. Ce chapitre
présente une vue d’ensemble sur les algorithmes inspirés de la nature.
3.1.2. Définition
On peut définir l’informatique bio-inspirée comme un système ou une architec-
ture dont l’organisation est issue de la connaissance que l’on a du fonctionnement
des systèmes vivants. Il s’agit donc de comprendre des phénomènes biologiques
(propriétés d’adaptation, d’auto-organisation...), de les modéliser afin d’utiliser
cette modélisation pour mettre au point de nouvelles méthodologies de traitement
de l’information utilisant les propriétés essentielles du vivant. L’objectif est de
reproduire et utiliser les mécanismes observés dans le vivant dans différents
domaines (informatique, recherche, mathématiques, robotique...). Il est intéres-
sant d’observer, par exemple, le fonctionnement d’une société d’insectes afin
de comprendre comment est mise en uvre leur intelligence collective. En effet,
des sociétés composées d’individus "simples" (thermites, fourmis, abeilles par
exemple), peuvent ensemble résoudre des problèmes complexes en suivant des
règles élémentaires. Les défis visés sont par exemple de mieux formaliser de
nouvelles méthodes de calculs cellulaires, d’élaborer de nouveaux algorithmes
d’optimisation, de développer des architectures bio-inspirées pour des machines
autonomes... Un algorithme est un ensemble d’instructions à suivre qui défi-
nissent "ce qu’il faut faire" et "dans quel ordre" pour résoudre un problème donné
(ou un ensemble de problèmes). Les algorithmes vont permettre de résoudre
des problèmes dits "combinatoires", caractérisés par leur complexité. En effet,
leur résolution nécessite l’exploration d’un nombre important de combinaisons.
En pratique, on ne pourra pas résoudre toutes les instances d’un problème
complexe, certaines pouvant être résolues plus rapidement que d’autres. Il s’agit
Page | 45
donc de trouver une solution de qualité suffisante en un temps raisonnable,

l’objectif étant d’avoir un comportement acceptable en pratique. Nous sommes
fréquemment heurtés à des problèmes complexes : gérer un emploi du temps,
trouver le chemin le plus court (optimisation des transports), trouver les maxima,
minima ou zéros de fonctions... Nous allons présenter des algorithmes dits méta
heuristiques visant à résoudre des problèmes d’optimisation complexes par une
méthode d’itération qui progresse vers un maximum ou un minimum local comme
l’extrémum d’une fonction. Cette façon de faire ne garantit pas que la solution
sera optimale, ni même l’écart avec la valeur optimale. Cependant, le temps
nécessaire pour obtenir cette solution sera beaucoup plus faible.
3.1.3. Calcul naturel

Une perspective importante sur débraillés Intelligence artificielle est la
motivation et d’inspiration pour la stratégie de traitement de l’information de base
d’une donnée technique. Les ordinateurs ne peuvent faire ce qu’ils sont instruits,
donc considération est de distiller le traitement des informations provenant
d’autres domaines d’études, comme le monde physique et la biologie. L’étude des
biologiquement motivés le calcul est appelé Biologiquement Informatique Inspiré,
et l’un des trois domaines connexes de l’informatique naturelle. Informatique
naturelle est un domaine interdisciplinaire concerné par la relation de calcul et
la biologie, qui en plus de Biologiquement Inspiré Informatique est également
composé de biologie et de l’informatique plan informatique Motivé avec Biologie.
3.1.4. Biologiquement Calcul Inspiré

Biologiquement Calcul Inspiré est inspiré par calcul biologique métaphore,
aussi appelé bio mimétisme et Biomimétiques dans d’autres systèmes de dis-
ciplines. Le but de ce champ est de concevoir mathématique et des outils
d’ingénierie pour générer des solutions aux problèmes de calcul. Le domaine
implique l’utilisation de procédures pour trouver des solutions abstraites du
monde naturel pour traiter les problèmes de calcul phrasés.
3.1.5. Biologie Motivé informatiquement

Informatiquement Biologie motivé consiste à enquêter sur la biologie à
l’aide des ordinateurs. Le but de ce domaine est d’utiliser les sciences de
l’information et simulation pour modéliser les systèmes biologiques dans les
ordinateurs numériques dans le but de reproduire et de mieux comprendre les
comportements dans les systèmes biologiques. Le champ facilite la capacité de
mieux comprendre la vie comme-il-est et d’enquêter comme pourrait-être la vie. En
Page | 46
règle générale, le travail dans ce sous-domaine ne concerne pas la construction

d’outils mathématiques et d’ingénierie, il est plutt axé sur la simulation des
phénomènes naturels. Des exemples courants comprennent artificielle la vie,
la géométrie fractale (L-systèmes, systèmes de fonction itérative, Particule
Systèmes, mouvement brownien), et Automates cellulaires. Un domaine connexe
est que de biologie computationnelle généralement concernés par la modélisation
biologique des systèmes et l’application des méthodes statistiques telles que
dans le sous-domaine de Bioinformatique.
3.1.6. Calcul avec biologie

Calcul avec la biologie est l’étude des substrats autres que dans lequel
le silicium pour mettre en uvre le calcul. Des exemples courants comprennent
Informatique moléculaire ou de l’ADN et de l’informatique quantique.
3.1.7. Informatique intelligente

L’intelligence informatique est un nom moderne pour le sous-domaine de
l’IA concerné avec des techniques sous-symbolique (aussi appelé désordre,
débraillé, et doux). L’intelligence informatique décrit des techniques axées sur
la stratégie et le résultat. Le champ couvre largement sous-disciplines axés sur
adaptatif et les systèmes d’intelligence, sans pas limiter : calcul évolutionniste,
Essaim Intelligence (Optimisation des particules Essaim et Fourmie Colonie),
Flou Systems, Artificiel immunitaire Systèmes et Réseaux de neurones artificiels.
3.1.8. Processus de création d’un algorithme inspiré da La

Nature
Tout d’abord, la nature donne l’inspiration aux chercheurs de développer une
observation D’un phénomène naturel particulier. Premièrement, Les développeurs
créent et testent un modèle, Utilisent des simulations mathématiques qui aident
à raffiner le modèle original. Ensuite, le modèle raffiné sera utilisé pour extraire
une méta heuristique qui peut être utilisée comme une base pour finalement
concevoir un algorithme inspiré de la nature. La Figure illustre le cadre utilisé
pour passer d’un phénomène naturel à un algorithme inspiré de la nature
3.1.9. Application de l’algorithme (méta heuristiques)

La recherche taboue est un méta heuristique de recherche locale très popu-
laire, elle a connu un large succès pour résoudre divers problèmes d’optimisation
Page | 47
Figure 3.1 – Passage d’un phénomène naturel à un algorithme inspiré de la nature
combinatoires. Le terme méta heuristique vient des mots grecs méta (au de la)
et heuriskein (trouver).
Il n’y a pas clairement de consensus sur la notion exacte des heuristiques et
des métas heuristiques. Nous allons adopter Celles-ci :
Une heuristique est une technique de résolution spécialisée a un problème.
Elle ne garantit pas la qualité de la solution obtenue.
Un méta heuristique est une heuristique générique qu’il faut adapter à chaque
problème. Il ne faut pas confondre méta heuristique et math euristique.
Une math euristique est une méthode d’optimisation combinant des techniques
métas heuristiques a des algorithmes " de programmation mathématique (PM).
On peut ainsi avoir des métas heuristiques dénies ou améliorées par des
techniques de PM, ou des métas heuristiques accélérant des algorithmes de PM.
Exemple : Utiliser un méta heuristique pour générer des colonnes en généra-
tion de colonnes. Une méta heuristique : est une méthode algorithmique capable
de guider et d’orienter le processus de recherche dans un espace de solution,
souvent très grand à des régions riches en solutions optimales. Le fait de rendre
cette méthode abstraite et plus générique conduite à une utilisation vaste pour
des champs d’applications différents. A ces applications, les méta heuristiques
Page | 48
3.2. OPTIMISATION COMBINATOIRE EN MATHÉMATIQUE
permettent, de trouver des solutions, peut être pas toujours optimales, en tout
cas très proches de l’optimum et en un temps raisonnable.
3.2. Optimisation Combinatoire En mathématique

L’optimisation combinatoire recouvre toutes les méthodes qui permettent de
déterminer l’optimum d’une fonction avec ou sans contraintes. Soit S un ensemble
de solutions à un problème d’optimisation et f une fonction objective qui mesure
la valeur f (s) avec s ? S . Pour un problème de minimisation on cherche à
déterminer une solutions qui minimise la fonction objective. Un minimum est une
solution qui fait partie des solutions réalisable, dans le domaine d’optimisation
on distingue deux types de minimums :
3.2.1. Minimum Local

3.2.2. Minimum Global
3.2.3. Voisinage
3.3. Classification des Méta heuristiques

Les problèmes d’optimisation combinatoire sont souvent des problèmes très
difficiles dont la résolution par des méthodes exactes peut s’avérer très longue ou
peu réaliste. L’utilisation de méthodes heuristiques permet d’obtenir des solutions
de bonne qualité en un temps de résolution raisonnable. Les Heuristiques
sont aussi très utiles pour le développement de méthode des exactes fondées
sur des techniques d’évaluation et de séparation (Branch And Bound). Une
Heuristique est un algorithme qui a pour but de trouver une solution réalisable,
sans garantie d’optimalité, contrairement aux méthodes exactes qui garantissent
des solutions exactes. Comme Les algorithmes de résolution exacte sont de
complexité exponentielle pour les problèmes difficiles, il peut être plus judicieux de
faire appel aux heuristiques pour calculer une solution approchée d’un problème
ou aussi pour accélérer le processus de résolution exacte. Généralement une
heuristique est conçue pour un problème particulier, mais les approches peuvent
contenir des principes plus généraux, On parle de méta heuristique.
Page | 49
3.3. CLASSIFICATION DES MÉTA HEURISTIQUES
Figure 3.2 – les Méthode d’optimisation combinatoire
Figure 3.3 – Classes des méta-heuristiques
Page | 50
3.4. NOTRE APPROCHE ALGORITHME GÉNÉTIQUE
3.4. Notre approche Algorithme Génétique

3.4.1. Introduction
Les algorithmes génétiques (AGs) sont des algorithmes d’optimisation sto-
chastique fondés sur les mécanismes de la sélection naturelle et de la génétique.
On part avec une population de solutions potentielles (chromosomes) initiales
arbitrairement choisies. On évalue leur performance (fitness) relative. Sur la base
de ces performances on crée une nouvelle population de solutions potentielles en
utilisant des opérateurs évolutionnaires : la sélection, le croisement et la muta-
tion. On recommence ce cycle jusqu’à ce que l’on trouve une solution satisfaisante.
Les algorithmes génétiques ont déjà une histoire relativement ancienne puisque
les premiers travaux de John Holland sur les systèmes adaptatifs remontent ’a
1962 [Hol62]. L’ouvrage de David Goldberg [Gol89c] a largement contribué à les
enrichir.
3.4.2. Terminologie
F Les chromosomes sont des chaînes d’ADN.

F L’élément de base des chromosomes est un gène.
F La position d’un gène sur le chromosome est son locus.
F L’ensemble des gènes d’un individu est son génotype.
F l’ensemble du patrimoine génétique d’une espèce est le génome. Les différentes
versions d’un même gène sont appelées allèles.
Figure 3.4 – Classes des méta-heuristiques
Page | 51
3.5. FONCTIONNEMENT GÉNÉRALE
3.5. Fonctionnement générale

Avant d’expliquer en détail le fonctionnement d’un algorithme génétique, nous
allons présenter quelque mots relatifs à la génétique. Le vocabulaire utilisé est le
même que celui de la théorie de l’évolution et de la génétique, on emploie le terme
individu (solution potentielle), population (ensemble de solutions), génotype (une
représentation de la solution), gène (une partie du génotype), parent, enfant,
reproduction, croisement, mutation, génération, etc.
3.5.1. Définition 01 (Gène)

Un gène est une suite de bases azotées (adénine (A), cytosine (C), guanine
(G), et la thymine (T)) qui contient le code d’une protéine. On appellera gène la
suite de symboles qui codent la valeur d’une variable. Dans le cas général, un
gène correspond à un seul symbole (0 ou 1 dans le cas binaire). Une mutation
changera donc systématiquement l’expression du gène muté.
3.5.2. Définition 02 (Chromosome)

Un chromosome et constitué d’une séquence finie de gènes qui peuvent
prendre des valeurs appelées allèles qui sont prise dans un alphabet qui doit
être judicieusement choisi pour convenir de problème étudié.
3.5.3. Définition 03 (Individu)

On appellera individu une des solutions potentielles. Dans la plupart des cas
un individu sera représenté par un seul chromosome
3.5.4. Définition 04 (population)

On appellera population l’ensemble des solutions potentielles qui ’utilise
L’AG.
3.5.5. Définition 05 (Génération)

On appellera génération l’ensemble des opérations qui permettent de passer
d’une population Pi à une population Pj. Ces opérations seront généralement :
sélection des individus de la population courante, application des opérateurs
génétiques, évaluation des individus de la nouvelle population.
Page | 52
3.6. ALGORITHME DE BASE AG
3.5.6. Dentition 06 (fonction de fitness ou fonction d’éva-

luation)
Est la pièce maitresse dans la processus de optimisation. C’est l’élément
qui permet aux algorithmes génétiques de prendre en compte un problème
donné. Pour que le processus d’optimisation puisse donner de bons résultats,
il faut concevoir une fonction de fitness permettent une évaluation pertinente
des solutions d’un problème sous forme chiffrée. Cette fonction est déterminée
en fonction du problème à résoudre et du codage choisi pour les chromosomes.
Pour chaque chromosome, elle attribue une valeurs numérique, qui set supposée
proportionnelle à la qualité de l’individu en tant que solution. Le résultat renvoyer
par la fonction dévaluation va permettre de sélectionner ou de refuser un individu
selon une stratégie de sélection.
3.5.7. Fonctionnement général

Leur fonctionnement est extrêmement simple, on part d’une population de
solutions potentielles (chromosomes) initiales, arbitrairement choisies. On évalue
leur performance (Fitness) relative. Sur la base de ces performances on crée
une nouvelle population de solutions potentielles en utilisant des opérateurs
évolutionnaires simples : la sélection, le croisement et la mutation. Quelques
individus se reproduisent, d’autres disparaissent et seuls les individus les mieux
adaptés sont supposés survivre. On recommence ce cycle jusqu’à ce qu’on trouve
une solution satisfaisante. En effet, l’héritage génétique à travers les générations
permet à la population d’être adaptée et donc répondre au critère d’optimisation,
la figure N09 illustre les principales étapes d’un algorithme génétique. Un
algorithme génétique recherche le ou les extrema d’une fonction définie sur un
espace de données.
3.6. Algorithme de base AG

Début
• Générer une population initiale de n chromosome.
• Evaluer la fitness des chromosomes avec la fonction f(x)
• Répéter
• Calculer la fonction fitness f(x), pour tout chromosome x
• Appliquer l’opération de sélection
Page | 53
3.6. ALGORITHME DE BASE AG
Figure 3.5 – fonctionnement de AG
• Appliquer l’opération de croisement avec une probabilité PC
• Appliquer l’opération de mutation avec une probabilité de PM
• Ajouté les nouveaux chromosomes à la nouvelle population
• Calculer la fonction de fitness f(x) ,pour tous chromosomes x
• Appliquer l’opération de remplacement
• Jusqu’à la satisfaction des conditions de terminaison Fin
Page | 54
3.7. PRINCIPE DE FONCTIONNEMENT
3.7. Principe de fonctionnement

3.7.1. Codage
La première étape est de définir et coder convenablement le problème. On
retrouve différents techniques de codages. Le codage est un processus de repré-
sentation des gènes. Le processus peut être effectué par utilisation des : bits,
nombres, arbres, tableaux, listes ou tous autres objets. La littérature définit deux
types de codage : binaire et réel.
3.7.1.1. Codage binaire

C’est la représentation la plus fréquente. Chaque gène dispose du même
alphabet binaire 0, 1Un gène est alors représenté par Un entier long (32 bits), les
chromosomes qui sont des suites des gènes sont représentés par des tableaux
de gènes et les individus de notre espace de recherche sont représentés par des
tableaux de chromosomes.
Figure 3.6
3.7.1.2. Codage réel

Une autre approche de codage pour coder les solutions en tant que une suite
de nombres entiers ou de nombres réels, avec chaque position représentant
encore un certain aspect particulier de la solution . Ce type de codage présente
certains avantages par apport au codage binaire : Le codage réel est robuste
pour les problèmes considérés comme un codage difficile pour le codage binaire.
Ce codage nécessite une adaptation des opérateurs de croisement et mutation.
Tableau1 :
Page | 55
3.7. PRINCIPE DE FONCTIONNEMENT
Figure 3.7
3.7.1.3. Codage alphabiotique

Une troisième approche est de représenter des individus dans AG comme
une suite de caractère, ou chaque caractère représente un aspect spécifique
de la solution. Ce type de codage est utilisé dans de nombreux cas poussés
d’algorithme génétique comme en bioinformatique.
Figure 3.8 – codage alphabétique d’un chromosome
3.7.2. Population Initiale

Plusieurs mécanismes de génération de la population initiale sont utilisés
dans la littérature. Le choix de l’initialisation se fait en fonction des connaissances
que l’utilisateur a sur le problème. S’il n’a pas d’informations particulières,
alors une initialisation aléatoire, la plus uniforme possible afin de favoriser une
exploration de l’espace de recherche maximum, sera la plus adaptée. Par ailleurs,
cette étape présente un problème principal qui est celui de choix de la taille de
la population. En effet une taille de population trop grande augmente le temps
de calcul et nécessite un espace mémoire considérable, alors qu’une taille de
population trop petite conduit à l’obtention d’un optimum local.
Page | 56
3.8. LES OPÉRATEURS D’UN ALGORITHME GÉNÉTIQUE
3.7.3. Adaptation
La fonction d’adaptation, ou fitness, associe une valeur pour chaque individu.
Cette valeur a pour but d’évaluer si un individu est mieux adapté qu’un autre
à son environnement. Ce qui signifie qu’elle quantifie la réponse fournit au
problème pour une solution potentielle données. Ainsi les individus peuvent être
comparés entre eux. Cette fonction, propre au problème, est souvent simple à
formuler lorsqu’il ya peu de paramètres. Au contraire, lorsqu’il ya beaucoup de
paramètres ou lorsqu’ils sont corrèles, elle est plus difficile à définir. Dans ce cas,
la fonction devient une somme pondérée de plusieurs fonctions. Un ajustement
des coefficients est nécessaire.
3.8. Les opérateurs d’un algorithme génétique

Quatre opérations caractérisent les algorithmes génétiques rappellent l’ori-
gine de ces méthodes. Ils vont permettre à la population d’évoluer, par la création
d’individus nouveaux construits à l’aide des individus ancien sont : la sélection
et la croisement, la mutation et le remplacement
3.8.1. la sélection
La sélection permet d’identifier statistiquement les meilleurs individus de la
population courante qui seront à se reproduire. Cette opération est fondée la
performance des individus, estimée à l’aide de la fonction d’adaptation. Il existe
différents principes de sélection :
3.8.1.1. la sélection par roulette

La sélection des individus par la méthode de la roulette s’inspire de la
roue de loterie sur laquelle chaque individu est représenté par un secteur
proportionnel à sa fitness. On fait tourner la roue et on sélectionne un individu. Les
individus les mieux évalués ont statistiquement plus de chance d’être sélectionnés,
mais donnent aussi une possibilité aux individus mal adaptés d’être choisis. à
chaque individu i une probabilité est associée, d’être choisi proportionnelle à
son adaptation fi :
3.8.1.2. Sélection par rang

La sélection par rang trie d’abord la population par fitness. Chaque individu
se voit associé un rang en fonction de sa position. Rang est calculée selon le total
des adaptations des individus divisé par la taille de la population, autrement
Page | 57
rang =P ensemble fi/n, alors le plus mauvais individu aura le premier rang, le
suivant le deuxième rang, ainsi de suite. La sélection par rang d’un individu est
la même que par roulette, mais les proportions sont en relation avec le rang
plutt qu’avec la valeur de l’évaluation. Avec cette méthode de sélection, tous
les individus ont une chance d’être sélectionnés. Cependant, elle conduit à une
convergence plus lente vers la bonne solution.
prob(i) = fi=Pfj où désigne la somme des adaptations de la population.
Figure 3.9
3.8.1.3. Sélection par Elitisme

Cette méthode consiste à sélectionner les n individus dont on a besoin ,pour
la nouvelle génération P’ en prenant les n meilleurs individus de la population P
après l’avoir triée de manière décroissante selon la fonction d’adaptation (fitness)
de ses individus. Il est inutile de préciser que cette méthode est encore pire
Page | 58
que celle de la loterie biaisée dans le sens où elle amènera à une convergence
prématurée encore plus rapidement et surtout de manière encore plus sûre que
la méthode de sélection de la loterie biaisée. En effet, la pression de la sélection
est trop forte, la variance nulle et la diversité inexistante. Une sélection par
élitisme après avoir trié la population selon la fonction d’adaptation permet de
nous donner la population suivante :
Figure 3.10
3.8.2. Le croisement
La naissance d’un nouvel individu, nécessite la prise aléatoire d’une partie des
gènes de chacun des deux parents. Ce phénomène, issu de la nature est appelé
croisement (crossover). Le croisement est le processus de prendre deux parents
et de produire à partir d’elles des enfants. Il s’agit d’un processus essentiel
pour explorer l’espace des solutions possibles. La littérature définit plusieurs
opérateurs de croisement. Ils différent selon le type de codage adapté et la
nature du problème traité.
Figure 3.11
Page | 59
3.8.2.1. Le croisement binaire

croisement en un point : on choisit au hasard un point de croisement, pour
chaque couple (Figure3.8). Notons que le croisement s’efectue directement au
niveau binaire, et non pas au niveau des gènes. Un chromosome peut donc être
coupé au milieu d’un gène.
Figure 3.12
croisement en deux points : On choisit au hasard deux points de croisement

(Figure3.9). Par la suite, nous avons utilisé cet opérateur car il est généralement
considéré comme plus efficace que le précédent [Beasley, 1993b].
Figure 3.13
Croisement en n-points : Ce type de croisement s’énonce par un choix aléatoi-

rement de n-points de coupure pour dissocier chaque parent en n+1 fragments.
Pour former un fils, il suffit de concaténer alternativement n+1 sous chaînes
à partir des deux parents.
Page | 60
3.8.2.2. Croisement uniforme

Il existe des versions distinctes de ce croisement. La plus connue consiste à
définir de manière aléatoirement un masque, c’est-à-dire une chaîne de bits d’en
même longueur que les chromosomes des parents sur lesquels il sera appliqué.
Ce masque est destiné pour savoir, pour chaque locus, quel est le parent de
premier fils qui devra hériter du gène s’y trouvant ; si face à un locus le masque
présente un 1, le fils héritera le gène s’y trouvant du parent1, s’il présente un 0
il en héritera du parent2. La création du fils2 se fait de manière symétrique : si
pour un gène donné le masque indique que le fils1 devra recevoir celui-ci du
parent1 alors le fils2 le recevra du parent2, et si le fils1 le reçoit du parent2
alors le fils2 le recevra du parent1, (Figure3.10).
Figure 3.14
3.8.2.3. Croisement réel

Le croisement réel ne se différencie du croisement binaire que par la nature
des éléments qu’il altère : ce ne sont plus des bits qui sont échangés à droite
du point de croisement, mais des variables réelles.
3.8.3. La Mutation
C’est un processus où un changement mineur de code génétique est appliqué
à un individu pour introduire de la diversité et ainsi d’éviter de tomber dans des
optimums locaux. Différentes manières de mutation d’un chromosome sont aussi
définies dans la littérature.
Page | 61
3.9. CRITÈRE D’ARRÊT
3.8.3.1. mutation binaire

Dans un algorithme génétique simple, la mutation en codage binaire est
la modification aléatoire occasionnelle (de faible probabilité) de la valeur d’un
caractère de la chaîne.
Figure 3.15 – représentation schématique d’une mutation dans un chromosome
3.8.3.2. mutation réelle

La mutation réelle ne se différencie de la mutation binaire que par la nature
de l’élément qu’elle altère : ce n’est plus un bit qui est inversé, mais une variable
réelle qui est de nouveau tirée au hasard sur son intervalle de définition.
3.9. Critère d’arrêt

Le critère d’arrêt indique que la solution est suffisamment approchée de
l’optimum. Plusieurs critère d’arrêt de l’algorithme génétique sont possibles. On
peut arrêter l’algorithme après un nombre générations suffisant pour que l’espace
de recherche soit convenablement exploré. Ce critère peut s’avérer couteux en
temps de calcule si le nombre d’individus à traiter dans chaque population est
important. On peut aussi envisager d’arrêter l’algorithme lorsque la fonction
d’adaptation d’un individu dépasse un seuil fixé au départ.
Page | 62
Conclusion
A méthode d’optimisation par colonie d’abeille est l’une des récentes mé-
L thodes d’optimisation. Elle est représentée par un algorithme qui peut e
appliqué à de nombreux problèmes d’optimisation dans le management, l’ingé-
nierie, et le contrle.
Elle est basée sur le concept de coopération qui rend les abeilles plus efficaces
et ainsi arrivées à leurs buts rapidement. Cette méthode a la capacité, gr à
l’échange d’informations et le processus de recrutement d’intensifier la recherche
dans les régions prometteuses de l’espace de solutions.
Bibliographie
[1] H. YAHYA, Book "The Miracle of the honeybee", G. M. D. Cd., Ed. Okmeydani-
Istanbul-Turkey, March 2007.
[2] harunyahya. http ://jlpetitlaurent.free.fr/abeille/http ://lerucherdulac.free.fr.
[3] Mezhoudi Houcem Edinne, "Rlution du probl daffectation de frence dynamique

en utilisant un algorithme basr le comportement des abeilles," 2010.
[4] Dervis Karaboga, Bahriye Basturk, A powerful and efficient algorithm for nu-
merical function optimization : artificial bee colony (ABC) algorithm. Springer
Science+Business Media B.V. 2007.
64
Table des figures
1.1 Réseau social montrant les noeuds et les liens. . . . . . . . . . . 9

1.2 les différents types de RS avec des exemples de SRS réels . . . . 11
1.3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.7 Schématique d’un graphe hiérarchique . . . . . . . . . . . . . . . . 33
2.8 Un dendrogramme, ou arbre hiérarchique ,Horizontal les coupes
correspondent aux partitions du graphe dans les communautés. 33
2.9 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.10 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.11 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.12 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.13 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.14 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.15 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.1 Passage d’un phénomène naturel à un algorithme inspiré de la

nature . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.2 les Méthode d’optimisation combinatoire . . . . . . . . . . . . . . . 50
65
TABLE DES FIGURES
3.3 Classes des méta-heuristiques . . . . . . . . . . . . . . . . . . . . . 50

3.4 Classes des méta-heuristiques . . . . . . . . . . . . . . . . . . . . . 51
3.5 fonctionnement de AG . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.8 codage alphabétique d’un chromosome . . . . . . . . . . . . . . . . 56
3.9 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.10 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.11 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.12 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.13 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.14 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.15 représentation schématique d’une mutation dans un chromosome 62
Page | 66
Liste des Algorithmes
67

Test PDF

Transféré par

Droits d'auteur :

Formats disponibles

Test PDF

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

Test PDF

Transféré par

Droits d'auteur :

Formats disponibles

Table des matières

1 Etat de l’art sur l’analyse des réseaux sociaux 6

1.5.5 Graphe orientè . . . . . . . . . . . . . . . . . . . . . . . . . . 19

3 Autres approches liées à la colonie d’abeilles 43

ans la nature, plusieurs espèces sont caractérisées par le comportement

Figure 1.1 – Réseau social montrant les noeuds et les liens.

1.2.2. Réseaux sociaux en ligne

Les réseaux eux-mêmes ont des objectifs différents, et leurs homologues en

1.3. Origines des réseaux sociaux

est Sivdegrees.com en 1997 Cependant en 2000, le site d fermer malgré des

1.4.1. Le classement des réseaux sociaux en Europe en 2016

Mesure en d’utilisateurs actifs par mois Facebook (1,79 milliards),YouTube (pas

1.4.2. Les Types des RS

Les services fournis aux acteurs sociaux.

Les RS de publication sont des RS de distribution d’informations fournies col-

Wikipedia.org, blogger.com , twitter.com.

Ce type de RS permet à l’utilisateur de partager des documents avec les

1.4.2.4. RS de partage video

Cette catégorie de RS est la plus populaire parmi les autres, où l’utilisateur a

youtube.com, BlogTV.com, Buzdeo.com, GodTube.com, MetaCafe.com, Sti-

1.4.2.6. RS de partage de photos

Clickfriends.com, Flickr.com, Fotki.com, Snappages.com, Picasa.com, Zoomr.com.

1.4.2.8. RS de partage audio

Dans ces communautés l’utilisateur peut développer ses propres musiques,

Last.FM, Pandora.com, iLike.com, Imeem.com, Radioblog.com.

1.4.2.10. RS de partage de présentation

Ces plateformes permettent aux utilisateurs de visualiser les ficher de dif-

Slideshare.net, Scribd, Issuu

1.4.2.12. RS de partage de discussion

Les RS de discussions sont fondés et subsistent grâce aux utilisateurs qui se

Les forums, les RS de chat.

1.5. Représentation d’un réseau social

1.5.1. Les acteurs sociaux

1.5.2. Les liens sociaux

1.5.3. Représentation graphique

1.5.4. Reprèsentation matricielle

On appelle matrice d’adjacence du graphe la matrice A = (ai,j) où ai,j est le

On peut remarque que cette matrice est symètrique.

Soit G un graphe non-orientè de matrice d’adjacence A. Le nombre de chaines

1.5.5. Graphe orientè

on trouve la matrice d’adjacence :

Cette matrice n’est plus symètrique. En revanche, le terme d’indice (i,j) de la

1.5.6. Fonctionnement d’un Rèseau Social

1.5.7. Domaines d’application rèseaux sociaux en ligne

et partages, ses contacts ou celles du membre auquel on s’intèresse.

1.6. Analyse des réseaux sociaux en ligne

1.6.1. Origine de l’analyse des réseaux sociaux

1.6.2. Notion de calcule en ARS

1.6.3. Centralité d’intermédiarité

1.6.4. Centralienne de proximité

1.6.5. Centralisation de pouvoir

1.6.7. La Représentation des RS dans l’ARS

1.6.7.1. Les branches de l’ARS

1.6.8. La détection des structures communautaires

1.6.9. L’étude de l’évolution dynamique des réseaux sociaux

L notre compréhension des systèmes complexes.

2.2.1.2. Définitions locales

2.2.1.3. Définitions globales

2.2.2. Définitions basées sur la similarité des sommets