Etude comparative entre des différents algorithmes d’optimisation sur plusieurs bases des données uni-critère et multicritère.

Abstract

L'intelligence artificielle (IA) vise à imiter l'intelligence humaine en utilisant des algorithmes exécutés dans un environnement informatique. Avec l'évolution technologique rapide, l'analyse du Big Data est devenue essentielle pour extraire des informations pertinentes. Les techniques d'optimisation et de recommandation jouent un rôle crucial en adaptant les résultats aux besoins spécifiques des utilisateurs. Notre objectif avec ce projet est d'appliquer et de comparer différents algorithmes d'optimisation dans le contexte de l'intelligence artificielle et du Big Data. L'optimisation joue un rôle clé dans le traitement des grands volumes de données et l'amélioration des systèmes complexes. Ce mémoire se concentre sur la comparaison et l'optimisation de trois algorithmes d'optimisation : l'algorithme de Dijkstra, l'algorithme génétique et l'algorithme A*. Il étudie comment ces algorithmes peuvent résoudre des problèmes d'optimisation complexes et compare leurs performances en termes de rapidité et d'efficacité. L'objectif principal était d'analyser, d'évaluer et de comparer les performances de ces algorithmes sur quatre bases de données différentes, dont deux bases de données uni-critères et deux bases de données multicritères. Les paramètres de l'algorithme génétique, tels que la taille de la population, le nombre d'itérations et les différents opérateurs génétiques, sont détaillés. L'évaluation montre que les algorithmes A* et Dijkstra sont généralement plus rapides que l'algorithme génétique pour les bases de données uni-critères et multicritères. Les performances des algorithmes ont été mesurées en termes de temps d'exécution et de capacité à atteindre les objectifs d'optimisation minimaux ou maximaux selon les configurations de graphes et critères spécifiques.