Abstract FR:

Ce mémoire présente une étude sur la conception de méthodes hybrides efficaces pour l'optimisation combinatoire. Nous avons mené cette étude sur trois fronts : - la structure intrinsèque des instances du QAP (problème d'affectation quadratique) ; - les métaheuristiques sur environnements distribués ; - les mécanismes d'hybridation et de coévolution. Pour analyser les instances, nous avons étudié leurs paysages de fitness. Nous avons adopté une démarche basée sur le comportement d'une méthode de descente et avons proposé des indicateurs qui font ressortir trois tendances : type I - un paysage plat et rugueux ; type II - regroupement central des optima locaux constituant un massif ; type III - plusieurs massifs d'optima locaux éparpillés. Cette taxinomie originale rejoint d'autres classements obtenus de manière empirique. Pour étudier les métaheuristiques parallèles, nous avons distingué les recherches locales des méthodes à population. Pour les deux cas, nous avons proposé un modèle et avons sélectionné différentes formes de parallélisation. Pour les exécutions, nous avons utilisé diverses plates-formes parallèles. Nous avons constaté que les recherches locales sont plus efficaces sur les instances uniformes (type I) et qu'à l'inverse, les méthode à population sont plus performantes sur les instances structurées (type II). Ces constatations nous ont amené à considérer l'hybridation pour résoudre les instances de type III. Dans notre présentation des métaheuristiques hybrides, outre une taxinomie originale, nous avons proposé une méthode hybride parallèle qui associe puissance de calcul et coévolution. Cet hybride repose sur la coévolution d'agents de recherche locale, de diversification, et d'intensification. Ces agents coopèrent à travers une mémoire adaptative. Nous avons appliqué ce modèle coévolutionniste au QAP, et avons égalé, pour de nombreuses instances du QAP, les meilleurs résultats connus.