Benchmarks

Benchmark d’un transformateur

Ce benchmark présente le problème d’optimisation d’un transformateur de sécurité à variables discrètes et non classables qui peut être utile à l’élaboration de nouvelles méthodes d’optimisation combinatoire, multi-niveaux et multi-objectif sous contraintes. Des premiers résultats d’optimisation sont comparés :

• Dans le cas combinatoire avec la méthode Branch-and-Bound (BB) et un algorithme génétique (GA),
• Dans le cas multi-niveaux avec des techniques de Space-Mapping (SM),

• Dans le cas multi-objectif avec les méthodes d’agrégation pondérée et Non-Dominated Sorting Genetic Algorithm (NSGA-II).

Deux modèles thermo-électromagnétiques sont établis : le premier est un modèle éléments finis 3D (MEF), le deuxième est un modèle analytique. Un site internet a été réalisé pour rassembler les informations utiles en vue de tester le benchmark ainsi que les premiers résultats d’optimisation présentés. Il permettra à la communauté scientifique de capitaliser leurs résultats et de comparer les méthodes d’optimisation.

Benchmark d’un moteur roue

Ce benchmark présente un modèle de dimensionnement d’un moteur à courant continu sans balais. Deux problèmes d’optimisation sous contraintes sont présentés – un problème d’optimisation mono-objectif et un autre multi-objectif – qui peuvent être utiles à l’élaboration et au test de nouvelles méthodes d’optimisation. Les résultats d’optimisation sont comparés :

• Dans le cas mono-objectif avec des métaheuristiques – un algorithme génétique (GA), un algorithme de colonie de fourmis (ACO), et un algorithme d’essaim de particules (PSO) – et la méthode déterministe de programmation quadratique séquentielle (SQP) combiné à une approche multi-start (point initial multiple),
• Dans un cas multi-objectif avec deux algorithmes évolutionnaires – Non-dominated Sorting Genetic Algorithm (NDGA-II) et Strength Pareto Evolutionary Algorithm (SPEA2) – et un algorithme de pondération des objectifs combiné avec SQP.

Consultez le site internet dédié.