Un système adaptatif par agents avec utilisation des algoritmes génétiques : application à l'ordonnancement d'atelier de type job-shop nm

Cette these a pour objet la conception d'un systeme adaptatif par agents avec utilisation des algorithmes genetiques multi objectifs. L'application consiste en l'ordonnancement d'atelier de type job-shop nm. Dans un premier temps, nous avons cherche a determiner une representation calculable efficace pour nos problemes d'ordonnancement. Du fait d'un probleme np-difficile, la methode du placement par lots a ete retenue afin de diminuer la complexite. Afin d'ameliorer des solutions existantes, nous avons utilise les algorithmes genetiques multi objectifs. Ils consistent en l'amelioration d'une population de solutions possibles, ou, en fonction des resultats obtenus, les solutions les moins bonnes sont vouees a disparaitre au profit des meilleures. Celles-ci sont alors choisies pour les etapes de croisements et de mutations afin d'aboutir a une nouvelle population. Vu le nombre de criteres retenus, nous ne cherchons pas a determiner la meilleure solution possible mais obtenir le meilleur compromis possible en utilisant la notion de Pareto. Bien que cette methode fournisse de bons resultats statistiquement, nous avons realise un systeme base sur la notion d'agents, afin d'introduire une approche dynamique, avec une evolution genetique de ceux-ci. Nous avons defini une modelisation du probleme par agents afin qu'ils puissent collaborer pour aboutir a une bonne solution. Pour definir une evolution de notre systeme d'agents, nous avons mis en place une methode d'analyse en composante principale afin de determiner des groupes d'agents selon les divers parametres. A partir des groupes, nous realisons des croisements entre ceux-ci pour renforcer les groupes et les agents qui les composent. Afin de ne pas perdre de specificites, nous avons defini les notions de groupe moyen et d'agent moyen dans un groupe. Cette methode nous permet d'aboutir plus rapidement vers une bonne solution, laquelle est generalement meilleure.