Heuristique

École supérieure d'ingénieurs privée de
Gafsa
Cycle d’ingénieur(deuxième année INFO)
Heuristique
Présenté par :
Cherif Samira
Proposé par :
Mr. Issaoui Brahim
Plan
• Introduction
• Problèmes d’optimisation
• Optimisation
• Classification des Méthodes d’optimisation (Résolution)
• Méthodes Approchées
• Heuristique
• L’heuristique en intelligence artificielle
• Avantages et inconvénients
• Conclusion
• Références
Introduction
• Les méthodes de résolution exactes permettent d’obtenir une solutions dont

l’optimalité est garantie, et dans certaines situations, on chercher des solutions
sans garantie d’optimalité, mais au profit d’un temps de calcul plus réduit. Pour
cela, On applique des méthodes appelées heuristiques et métaheuristiques.
Quelles sont ces méthodes?
Problèmes d’optimisation(1)
• On qualifié généralement de « combinatoires » les problèmes dont la résolution

se ramène à l'examen d'un nombre fini de combinaisons (appelée aussi
solutions). Bien souvent cette résolution se heurte à une explosion du nombre de
combinaisons à explorer.
• En mathématique, l’optimisation combinatoire recouvre toutes les méthodes qui
permettent de déterminer l’optimum d’une fonction avec ou sans contraintes.
Problèmes d’optimisation(2)
• A chaque problème d'optimisation, on peut associer un problème de décision

dont le but est de déterminer s'il existe une solution pour laquelle la fonction
objectif soit inférieure (resp. supérieure) ou égale à une valeur donnée.
• La complexité d'un problème d'optimisation est liée à celle du problème de
décision qui lui est associé. En particulier, si le problème de décision est NP-
complet, alors le problème d'optimisation est dit NP-difficile.
Optimisation
• Optimisation = Modélisation + Résolution
• modélisation d'un problème : espace de recherche, solutions

• formulation mathématique : fonction objectif, contraintes
• application d'une méthode d'optimisation
• obtention d'une solution
Classification des Méthodes
d’optimisation (Résolution)
• Méthodes exactes (complètes):

Elles se basent généralement
sur une recherche complètes
de l’espace des combinaisons
afin de trouver une solution
optimale.
• Méthodes approchées
(incomplètes): Elles permettent
de trouver une bonne solution
(pas forcément optimale) dans
un temps raisonnable.
Méthodes Approchées
• Les méthodes approchées ont pour but de trouver une solution admissible en
un temps raisonnable, mais sans garantie l’optimalité de cette solution.
L’avantage principale de ces méthodes est qu'elles peuvent s'appliquer à
n'importe quelle classe de problèmes, faciles ou très difficiles. De plus, elles ont
démontré leurs robustesses et efficacités face à plusieurs problèmes
d’optimisation combinatoires.
• Elles englobent deux classes : Heuristiques & Méta- heuristiques
Heuristique (1)
• L'analyse heuristique (du grec heuriskein qui veut dire trouver) est une méthode de
résolution utilisée pour fournir une solution réalisable lorsqu'un problème est trop
complexe, notamment en raison de l'explosion combinatoire (grand nombre de critères à
prendre en compte).
• Contrairement à un algorithme, qui va chercher à explorer une à une toutes les
combinaisons possibles jusqu'à trouver la solution optimale, l'heuristique est une sorte de
« raccourci » qui va s'appuyer sur une technique de filtrage pour réduire délibérément le
champ des possibilités.
• Ensemble de règles, basées sur l’expérience, sur le passé, sur l’interprétation, sur les
connaissances personnelles et permettent de répondre à un problème.
• Il s’agit d’une démarche par tâtonnement basée sur des règles empiriques.
Heuristique (2)
• Méthodes constructives qui génèrent des solutions à partir d’une solution initiale
en essayant d’en ajouter petit à petit des éléments jusqu’à ce qu’une solution
complète soit obtenue (ex: Algorithme glouton)
• Méthodes de fouilles locales qui démarrent avec une solution initialement
complète et de manière répétitive essaie d’améliorer cette solution en explorant
son voisinage(ex: descente de gradient ).
Heuristique (3)
• Pas de garantie d’optimalité
• Spécifique à un seul problème
• Construisant une seule solution
• Problème classique
• Recherche dépendant du problème (guider)
Heuristique (4)
• Domaines d’application :
 Classification
 Recherche
 Ordonnancement
 intelligence artificielle
 … etc
L’heuristique en intelligence artificielle
• L'heuristique est aussi couramment utilisée dans le domaine de l'intelligence

artificielle pour construire des modèles prédictifs. On distingue deux grandes familles
d'approches heuristiques :
• l'heuristique perturbative, qui vise à mélanger et recombiner des ensembles déjà
construits de façon aléatoire (ex : pour optimiser le trajet d’un voyageur de
commerce selon les villes les plus « prometteuses ».
• 'heuristique constructive (aussi appelée méthode gloutonne) qui génère des
combinaisons de façon incrémentale par un processus stochastique (ex : pour
définir quelle prochaine ville va visiter le voyageur de commerce, on se déplace vers
la ville la plus proche non visitée jusqu'à ce que toutes les villes aient été choisies).
Avantages et inconvénients
• Avantages:
 Facile à apprendre;
 Facile à mettre en œuvre (en série ou en parallèle);
 Ne pas se arrêter à optimum local et la puissance de trouver un optimum global;
 sera de plus en plus important dans l'avenir.
• Inconvénients:
 pas de garantie d'optimalité.
 S’il y a trop de contraintes, difficile de trouver des solutions
Conclusion
• Une heuristique est le choix d'un élément aléatoire a l’aide de problème.
• Les heuristiques ont été utilisées avec succès pour résoudre de nombreux
problèmes d’optimisation difficiles, et ces approches obtiennent bien souvent de
très bons résultats lors des compétitions.
• Méta(au-delà) + heuristique = trouver avec un plus haut niveau d'abstraction.
• Métaheuristique est un algorithmes d'optimisation (généralement de type
stochastique) combinant plusieurs approches heuristiques.
Références
• Christine Solnon, Résolution de problèmes combinatoires, Universite
Lyon, 2007;
• Christine Shoemaker, Heuristic Methods for Optimization, Aout ;
• Christian Tanzer, Meta-Heuristics, janvier 2011;
• Denis Robilliard, Recherche opérationnelle et
• Optimisation, Univ Littoral-Cote d’opale, 2010
• Jin-Kao Hao et Christine Solnon, Métaheuristiques , 2005

Heuristique

Transféré par

Droits d'auteur :

Formats disponibles

Heuristique

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

Heuristique

Transféré par

Droits d'auteur :

Formats disponibles

École supérieure d'ingénieurs privée de

• Les méthodes de résolution exactes permettent d’obtenir une solutions dont

• On qualifié généralement de « combinatoires » les problèmes dont la résolution

• A chaque problème d'optimisation, on peut associer un problème de décision

• Optimisation = Modélisation + Résolution

• modélisation d'un problème : espace de recherche, solutions

• Méthodes exactes (complètes):

• L'heuristique est aussi couramment utilisée dans le domaine de l'intelligence

Vous aimerez peut-être aussi