Résumé:
Le but du travail est d'étudier la possibilité de ramener plus d'efficacité dans les algorithmes évolutionnaires multi objectifs à travers Incorporation de connaissances sur le vrai front Pareto. Ces informations se résument dans un nombre très réduit de solutions médianes se trouvant sur le vrai front et qui sont déterminées grâce à un algorithme génétique bien définie et dont l'appellation est LMOGA (Lexico-Max-Ordering Genetic Algorithm) [7]. Le travail consiste dans un premier temps d'incorporer dans les différents algorithmes évolutionnaires [35] considérées les connaissances fournées par LMOGA ensuite de faire une série de simulations en utilisant les fonctions testes de Zitzler, Deb &Thiele [36]. Ces simulations permettent de comparer les algorithmes résultants par rapports à leurs ainés (telles que SPEA2, NSGAII) en termes de qualité de solutions obtenues et de vitesse de convergence.
Mots clés Optimisation multi-objectives, Dominance, solution de Pareto, Algorithmes évolutionnaires. Introduction
