Algorithmes améliorés de colonies d'abeilles artificielles pour la planification de la trajectoire des robots

Abstract

En tant que classe d’algorithmes stochastiques, les algorithmes méta-heuristiquessont efficaces pour résoudre des problèmes d’optimisation grâce à un compromis entre larandomisation et la recherche locale. De tels algorithmes sont avérés efficaces et simplesà comprendre. Néanmoins, il y a encore des pistes d’amélioration, comme la facilitéd’être piégé dans les optimums locaux ou l’accélération de la vitesse de convergence.Et la gestion précise du compromis entre l’exploration et l’exploitation pour toutes lestâches d’optimisation est toujours un défi. Dans ce contexte, cette thèse traite uneclasse d’algorithmes méta-heuristiques représentée par l’algorithme ABC (Artificial BeeColony). Une série de variantes améliorées en analysant les caractéristiques et les faib-lesses de l’algorithme ABC a été proposée. De plus, des problèmes ayant une valeurd’application plus élevée sont également pris en compte. Les algorithmes ABC améliorésproposés ont résolu avec succès différents types de problèmes d’optimisation pratiques,y compris des tâches de planification de trajectoire pour un seul robot et multi-robotsdans divers environnements.