La recherche tabou est une métaheuristique d'optimisation présentée par Fred W. Glover en 1986. On trouve souvent l'appellation recherche avec tabous en français. Cette méthode est une métaheuristique itérative qualifiée de recherche locale au sens large. L'idée de la recherche tabou consiste, à partir d'une position donnée, à en explorer le voisinage et à choisir la position dans ce voisinage qui minimise la fonction objectif. Il est essentiel de noter que cette opération peut conduire à augmenter la valeur de la fonction (dans un problème de minimisation) : c'est le cas lorsque tous les points du voisinage ont une valeur plus élevée. C'est à partir de ce mécanisme que l'on sort d'un minimum local. Le risque cependant est qu'à l'étape suivante, on retombe dans le minimum local auquel on vient d'échapper. C'est pourquoi il faut que l'heuristique ait de la mémoire : le mécanisme consiste à interdire (d'où le nom de tabou) de revenir sur les dernières positions explorées. Les positions déjà explorées sont conservées dans une file FIFO (appelée souvent liste tabou) d'une taille donnée, qui est un paramètre ajustable de l'heuristique. Cette file doit conserver des positions complètes, ce qui dans certains types de problèmes, peut nécessiter l'archivage d'une grande quantité d'informations. Cette difficulté peut être contournée en ne gardant en mémoire que les mouvements précédents, associés à la valeur de la fonction à minimiser. Les démonstrations de convergence (capacité de l'algorithme à trouver le minimum global si le temps imparti tend vers l'infini) pour la recherche tabou existent, mais supposent des conditions strictes, rarement présentes en pratique. De nombreuses variantes existent, principalement au niveau de la définition du voisinage et de la manière de gérer la mémoire. Dreo J.; Pétrowski A.; Siarry P.; Taillard E., Métaheuristiques pour l'optimisation difficile ; recuit simulé, recherche tabou, Eyrolles, 2003. Glover, F. ; Laguna, M. ; Tabu search, 1997, Kluwer Academic Publishers, Dordrecht. Catégorie

À propos de ce résultat
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
Cours associés (4)
CS-330: Artificial intelligence
Introduction aux techniques de l'Intelligence Artificielle, complémentée par des exercices de programmation qui montrent les algorithmes et des exemples de leur application à des problèmes pratiques.
MATH-600: Optimization and simulation
Master state-of-the art methods in optimization with heuristics and simulation. Work involves:
  • reading the material beforehand
  • class hours to discuss the material and solve problems
  • homework
Afficher plus
Séances de cours associées (29)
Satisfaction contrainte : Formulation et algorithmes
Couvre la formulation de problèmes de satisfaction des contraintes et d'algorithmes systématiques pour les résoudre efficacement.
Optimisation de la colonie de fourmis : routage et optimisation
Explore Ant Colony Optimization (ACO) pour le routage et l'optimisation, en discutant d'heuristique constructive, de recherche locale, de mécanismes phéromones et d'applications du monde réel.
Descente de gradient riemannienne: théorème de convergence et méthode de recherche de ligne
Couvre le théorème de convergence de Riemannian Gradient Descent et la méthode de recherche de ligne.
Afficher plus
Publications associées (100)