Optimisation multicritère et
conception d’idéotypes
Mohamed-Mahmoud MEMMAH, PSH Avignon
En collaboration avec:
M. Génard, F. Lescourret, N. Bertin, B. Quilot, ….
Mon projet de recherche
Model-based design of integrated cropping systems (ICS) allows:
experiments that would be impractical, too expensive, too lengthy
identification of complex interactions in the real systems
investigation of uncertain situations
identification of the best management strategies to be implemented to satisfy a set of
conflicting objectives (environmental protection, economic viability, gustative quality, etc.)
subject to strong constraints.
Biophysical part
Decisional part
Climate:
Cultural practices, Evaporation, temperature, radiation..
pest control,
spatial organisation Crop: Soil:
Plant’s growth Water, mineral
elements
Biotic elements:
Pests, weeds..
Solutions Plant-pest-natural enemies interactions 1
Optimisation Simulation
algorithm models
Genotype-Environment-Practices interactions 2
Design’s objectives
And constraits
3
Landscapes-pests-natural enemies interactions
Optimisation
Monocritère Vs. Multicritère
Optimisation monocritère : le problème a une Optimisation multicritère : le problème a au
seule fonction objectif. moins deux fonctions objectifs.
Exemple: Produire plus (agri intensive) Example: Produire plus tout en préservant
l’environnement
But: obtenir la solution optimale si But: obtenir un ensemble de solutions
elle existe! de compromis
D
D C
C Production
Productio
B Front de Pareto
B
n
A
A
INS Impact Envi (INS)
Optimisation
Classification: problèmes et méthodes d’optimisation
Optimisation Hybridation de méthodes
Optimisation difficile
combinatoire continue
Méthodes Approchées Non linéaire
Méthodes exactes spécialisées Linéaire
Heuristiques spécialisées Autres Méthodes globales Méthodes locales
Source: [Link]
Métaheuristiques
Définition:
“An iterative generation process which guides a subordinate
heuristic by combining intelligently different concepts for
exploring and exploiting the search space using learning
strategies to structure information in order to find efficiently
near-optimal solutions” (Laporte and Osman 1995)
bien adaptées à certains types de problèmes d’optimisation
multicritère: espace de recherche très large et pas bien connu,
problème boîte noire, plusieurs minima locaux, etc.
Vecteur de
?
1
Fonctions
0.5
décision X objectifs F(X)
0
(modèle de simulation)
-0.5
60
60
40
40
20
0 0
20
L’algorithme d’optimisation
peut seulement évaluer
les solutions
Métaheuristiques
…...partie de l’intelligence computationnelle
M-M. MEMMAH, F. Lescourret, X. Yao, C. Lavigne (2015). Metaheuristics for agricultural land use optimization. A review.
Agronomy for Sustainable development. Volume 35, Issue 3, pp. 975-998.
Source: [Link]
Métaheuristiques
Les algorithmes évolutionnaires
• include genetic algorithms, evolution strategies,
Create initial population evolutionary programming, and genetic programming.
• Population-based method
Fitness evaluation • Based on natural selection theory
• Basic idea: to simulate the evolution of a population of
Selection for reproduction potential solutions using operators such as selection,
crossover, and mutation in order to create better
Crossover and mutation individuals.
• At each generation, the algorithm selects a group of
Create new population solutions (parents) and then uses recombination to create
new individuals (offspring) and applies mutation to
maintain the diversity in a population and finally selects
No
End? among the combined parents and offspring populations
the solutions forming the next generation. The selection is
Yes
based on individual (solution) fitness which evaluates how
good the solutions are according to the criteria of the
Best obtained solutions problem. The process is repeated until the satisfaction of a
predefined stopping criterion, such as the maximum
number of generations.
Métaheuristiques
Les algorithmes évolutionnaires: NSGA-II
pour le cas multiobjectif
Tri par non generations
dominance Pt + 1
F_1 Tri par
Pt densité de
F_2 solutions
400 ind
F_3
selection
mutation Qt critères
recombinaison Rejeté
Rt
Deb et al, 2002
Évaluation:
modèle
Métaheuristiques
Optimisation par Essaims Particulaires: l’algorithme MOPSO-CD
pour le cas multiobjectif
Initialiser l’essaim: positions et
vélocités
Évaluer chaque particule de Initialiser l’archive externe A avec
l’essaim, initialiser pbest et gbest les particules non dominées
Identifier gbest en utilisant
Mettre à jour la vélocité l’opérateur de « crowding Archive
distance » externe A
Mettre à jour la position
Insérer toutes les solutions non-
Évaluer chaque particule dominées dans l’archive si elles ne sont
pas dominées par un élément de celui-
ci
Mettre à jour pbest
Non
Stop? Retourner les solutions archivées
Oui
Optimisation des interactions G x E x P : pêcher/moniliose
Trouver les meilleures combinaisons de génotypes et pratiques culturales adaptées à et
respectueuses d’environnements spécifiques
‘Fruit Virtuel’
éclaircissage irrigation
cultivars
sensibilité aux µcracks
caractéristiques de croissance
humidité
température
rayonnement
croissance
du fruit
teneur
en
sucres infection
transpiration
microfissures
Optimisation des interactions
Introduction
G x E x P : pêcher/moniliose
Modèle Fruit Virtuel
Potentiel Température Potentiel
hydrique hydrique rameau
État du foliaire Radiation
système Humidité relative
Masse fraiche du fruit
Part de la pulpe/fruit
TMS pulpe
Carbone Sucres
photosynthèse EAU
sucrose, sorbitol, Pression osmotique
Balance carbone du rameau Flux C
glucose et fructose Quantités Pression de
Croissance en MS du noyau et de de sucres turgecence
la pulpe
Plasticité du tissue
Poids sec de la pulpe Caractère sucré
Poids sec noyau
réserves C
Respiration
Maintenance et Transpiration
croissance
Conductance de la peau
Microfissure de la peau
Taux d’extension de la cuticule
Sous-model Température
variables Émission C02
Flux de matière ou d’information
Sorties principales Perte H20
Environnement Zone microfissures
[Link] et al, 2010
Optimisation des interactions G x E x P : pêcher/moniliose
Formulation
6 paramètres génétiques identifiés par analyse de sensibilité du modèle FV comme les plus influents
sur les sorties d’intérêt:
3 critères min ( FM ( X ), ST ( X ), DC ( X ))T
X
Masse fruit (g) maximiser
Sweetness (%) maximiser
s.t
Densité cracks (%) minimiser X D
50 MF ( X ) 300
0 ST ( X ) 20
0 DC ( X ) 0.2
M-M. Ould-Sidi, B. Quilot-Turion, A. Kadrani, G. Michel, F. Lescourret (2014). The Relationship between Metaheuristics Stopping
Criteria and Performances: Cases of NSGA-II and MOPSO-CD for Sustainable Peach Fruit Design.
International Journal of Applied Metaheuristics Computing (IJAMC), 5(3), pp. 44-70.
Optimisation des interactions G x E x P : pêcher/moniliose
Des idéotypes moins sensibles à la moniliose
Modèle de
rameau fructifère
Sensibilité à la moniliose
> 106 idéotypes testés ~ % de microfissures
● < 7%
● > 14%
Front =
meilleur compromis
NSGA-II : un algorithme
évolutionnaire multiobjectif
Hortimodel 2012 Nanjing
Optimisation des interactions G x E x P : pêcher/moniliose
Des idéotypes moins sensibles à la moniliose
sous différentes pratiques (charge & irrigation)
4 fruits/rameau 20 fruits/rameau
Sensibilité à la moniliose
~ % de microfissures
● < 7%
● > 14%
Stress hydrique
Sucre
Moins sensible, plus
sucrés,
mais plus petits
Masse
Optimisation des interactions G x E x P : pêcher/moniliose
MOPSO-CD : Scénario cultural WI_LC, Avignon (2009), 18 répétions
Taille de Nombre de Taille de l’archive Probabilité C1 C2 w
l’essaim générations externe de mutation
100 400 100 0.1 1 1 0.4
Conclusions et perspectives
Les métaheuristiques
• Ne requièrent ni dérivabilité ni continuité de(s) critère(s) et/ou contrainte(s)
• Peu de paramètres à spécifier
• Plusieurs paradigmes
• Compromis entre la recherche locale et la recherche globale
• Plusieurs variantes pour différentes types de problèmes d’optimisation
•Hybridation métaheuristique/métaheuristique ou métaheuristique/autre
méthode d’optimisation
Les métaheuristiques
• Many-objective optimisation
• Combinaisons de QTLs
• Paysage
