Méthodes de résolution hybrides pour les problèmes de type knapsack: Méthodes hybrides PDF, EPUB

Optimisation computationnelle et applications 60: 1, 89-110.


ISBN: 6131552207.

Nom des pages: 125.

Télécharger Méthodes de résolution hybrides pour les problèmes de type knapsack: Méthodes hybrides gratuitement. Livres disponibles dans ces formats pdf, epub, ebook, mobi.

Dans cette thèse, nous nous intéressons aux problèmes du knapsack multidimensionnel à choix multiple. Ils interviennent essentiellement en télécommunication. Nous proposons de nouvelles méthodes hybrides de résolution exacte et approchée. Dans un premier temps, nous proposons des méthodes heuristiques en se basant sur les techniques de génération de colonnes et d’arrondi. Ensuite, nous abordons une méthode de recherche locale, dite méthode de branchement local, où des contraintes linéaires sont introduites pour intensifier et diversifier la recherche. Cette méthode est ensuite hybridée avec la génération de colonnes et une technique d’arrondi. Concernant la résolution exacte, nous nous basons sur une méthode de « Branch and cut ». Nous commençons par proposer de nouvelles contraintes valides pour le problème. Ensuite, nous les associons à des contraintes de couverture locales et globales dans un schéma énumératif. Les approches heuristiques et l’algorithme exact que nous proposons sont comparés à d’autres heuristiques de la littérature et au Solveur de programmes linéaires Cplex.

Dans le tableau 11, nous montrons les valeurs de la fonction d’évaluation moyenne de l’algorithme de recherche de coucou standard, la méthode NM et l’algorithme HCSNM proposé, respectivement. Les décideurs, de nos jours, font face à des problèmes du monde réel complexes ayant plus. Clairement, la combinaison d’algorithmes génétiques avec l’heuristique en bas à gauche et ses variantes est l’approche la plus fréquente et les métaheuristiques les plus récentes n’ont pas encore été explorées.

Quelques exemples de ces modèles sont représentés sur la figure 2. En 1995, Dr. Eberhart et Dr. Kennedy ont développé le. Les mèmes ayant une récompense plus élevée ont plus de chances d’être répliqués ou copiés. SPEA2 et MOGA), en les utilisant comme heuristiques de bas niveau.