Showing papers by "Éric D. Taillard published in 2003"

Métaheuristiques pour l'optimisation difficile

Abstract: Les metaheuristiques et leurs applications. Les ingenieurs, les economistes, les decideurs se heurtent quotidiennement, quel que soit leur secteur d'activite, a des problemes d'optimisation. Il peut s'agir de minimiser un cout de production, d'optimiser le parcours d'un vehicule ou le rendement d'un portefeuille boursier, de rationaliser l'utilisation de ressources, d'ameliorer les performances d'un circuit electronique, de fournir une aide a la decision a des managers, etc... Cet ouvrage presente une famille de techniques d'optimisation, appelees "metaheuristiques", adaptees a la resolution de problemes pour lesquels il est difficile de trouver un optimum global ou de bons optimums locaux par des methodes plus classiques. Un ouvrage de reference illustre d'etudes de cas. La premiere partie de l'ouvrage presente les principales metaheuristiques : recuit simule, recherche avec tabous, algorithmes evolutionnaires et algorithmes genetiques, colonies de fourmis. La deuxieme partie decrit differentes variantes et extensions de ces methodes, ainsi que de nouvelles voies de recherche. Y sont egalement proposes des conseils methodologiques : techniques de modelisation, comparaisons de methodes et choix de la methode la mieux adaptee a un probleme donne. La troisieme partie presente trois etudes de cas reels : optimisation de reseaux de mobiles UMTS (France Telecom R&D), gestion de trafic aerien (ENAC), optimisation de tournees de vehicules (ILOG)A qui s'adresse ce livre : Aux eleves ingenieurs et etudiants en mathematiques appliquees, algorithmique, recherche operationnelle, gestion de production, economie et finance, aide a la decision,etc... Aux ingenieurs, enseignants-chercheurs, informaticiens, industriels, economistes et decideurs ayant a resoudre des problemes complexes d'optimisation et d'aide a la decision.

Heuristic Methods for Large Centroid Clustering Problems

Abstract: This article presents new heuristic methods for solving a class of hard centroid clustering problems including the p-median, the sum-of-squares clustering and the multi-source Weber problems. Centroid clustering is to partition a set of entities into a given number of subsets and to find the location of a centre for each subset in such a way that a dissimilarity measure between the entities and the centres is minimized. The first method proposed is a candidate list search that produces good solutions in a short amount of time if the number of centres in the problem is not too large. The second method is a general local optimization approach that finds very good solutions. The third method is designed for problems with a large number of centress it decomposes the problem into subproblems that are solved independently. Numerical results show that these methods are efficient—dozens of best solutions known to problem instances of the literature have been improved—and fast, handling problem instances with more than 85,000 entities and 15,000 centres—much larger than those solved in the literature. The expected complexity of these new procedures is discussed and shown to be comparable to that of an existing method which is known to be very fast.