Adaptation Des Méthodes D'optimisation Par Intelligence Artificielle Pour La Conception Optimale Des Machines Électriques

Résumé: Dans cette thèse on a proposé de nouveaux algorithmes, qui appartiennent à la classe de l’intelligence artificielle, à partir de la combinaison ou l’hybridation entre différents algorithmes, dont le but est de les adapter à la conception optimale des machines électriques. On a proposé trois stratégies fondamentales d’hybridation, la première consiste à combiner les réseaux de neurones artificiels avec les deux méthodes de l’Intelligence d’Essaim, le PSO et le TLBO. Dans la deuxième stratégie on a combiné d’une part, la méthode de BA avec celle exacte basée sur la méthode du simplexe et d’autre part, la méthode de TLBO avec les deux méthodes exactes, simplexe et Quasi-Newton. Cependant, dans la troisième stratégie on a combiné entre la méthode BA et la technique de croisement, pareille à celle utilisée dans les algorithmes génétiques, et aussi entre les méthodes TLBO et la technique de la recherche locale de l’algorithme BA, d’où le nouveau algorithme TLBO-RLS. L’objectif de cette hybridation est de réduire les inconvénients des méthodes de l’Intelligence d’Essaim tels que les temps de calcul très élevés et la convergence prématurée. Pour valider l’efficacité des algorithmes développés, ils ont été appliqués à trois fonctions test connues, après à trois problèmes de conception optimale en électrotechnique, le problème test international TEAM 25, un moteur synchrone à reluctance variable avec barrières du flux et une machine synchrone à double excitation.

Publié dans la revue: