L'aléatoire contrôlé en optimisation

Les métaheuristiques d'optimisation procèdent à un "tirage au hasard" pour effectuer certains choix ou appliquer certaines règles, pour cela elles doivent faire appel à un ou plusieurs générateurs de nombres aléatoires (GNA). De nombreux types de GNA existent, de l'aléatoire vrai jusqu'au codé simple. Ils peuvent être manipulés pour produire des distributions spécifiques. Les performances d'un algorithme dépendent du GNA utilisé.
Cet ouvrage s'intéresse à la comparaison d'optimiseurs, il définit une approche effort-résultat d'où peuvent être dérivés tous les critères classiques (médiane, moyenne, etc.) et d'autres plus sophistiqués. Les codes-sources utilisés pour les exemples sont aussi présentés, cela permet une réflexion sur le "hasard superflu", expliquant succinctement pourquoi et comment l'aspect stochastique de l'optimisation pourrait être évité dans certains cas.

Les métaheuristiques sont utilisées pour résoudre des problèmes d'optimisation complexes, à chaque fois que l'on veut identifier, avec un temps de calcul raisonnable, des solutions efficaces. Il s'agit donc d'une approche pragmatique, qui a des sources d'inspiration multiples. L'objectif de cette série est d'étendre le champ d'application des métaheuristiques, en proposant des approches transversales du domaine, des études centrées sur des applications spécifiques ou encore des analyses consacrées à des familles de métaheuristiques particulières.