University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'auteur
Auteur Ihcene Naas |
Documents disponibles écrits par cet auteur
Ajouter le résultat dans votre panier Affiner la recherche
Titre : Clustering, application sur les données des eaux embouteillées en Algérie Type de document : texte imprimé Auteurs : Ihcene Naas ; Khemal-Bencheikh,yamina, Directeur de thèse Editeur : Setif:UFA Année de publication : 2017 Importance : 1 vol (44 f.) Catégories : Thèses & Mémoires:Mathématique Mots-clés : Modélisation et aide à la décision Côte titre : MAM/0223 En ligne : https://drive.google.com/file/d/1QkWKEzyRMKIvk7ow260Ltbc7zFK3ee-F/view?usp=shari [...] Format de la ressource électronique : Clustering, application sur les données des eaux embouteillées en Algérie [texte imprimé] / Ihcene Naas ; Khemal-Bencheikh,yamina, Directeur de thèse . - [S.l.] : Setif:UFA, 2017 . - 1 vol (44 f.).
Catégories : Thèses & Mémoires:Mathématique Mots-clés : Modélisation et aide à la décision Côte titre : MAM/0223 En ligne : https://drive.google.com/file/d/1QkWKEzyRMKIvk7ow260Ltbc7zFK3ee-F/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAM/0223 MAM/0223 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Improved Gravitational Search Algorithm for Solving Optimization Problems Type de document : texte imprimé Auteurs : Rayene Assil, Auteur ; Fatma Zohra Kemouche ; Ihcene Naas, Directeur de thèse Editeur : Sétif:UFS Année de publication : 2024 Importance : 1 vol (25 f.) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Mathématique Mots-clés : Optimizationproblem
Metaheuristic
GravitationalSearchAlgorithm
Stochasticstability PlanetaryGearTrainproblemIndex. décimale : 510-Mathématique Résumé :
Inaddressingreal-worldoptimizationchallenges,classicaloptimizationmethodsoftenfallshort,leading
to theriseofmetaheuristicalgorithms.Analyzingthestabilityofthesealgorithmsisessentialforun-
derstandingtheirfunctionality,definingstabilitydomainsforcontrolparameters,andenhancingtheir
efficacy.ThisstudyfocusesonmodelingandstabilityanalysisoftheGravitationalSearchAlgorithm(GSA),
a prominentmetaheuristicinspiredbygravitationalinteractions.Mimickingcelestialbodies’movements,
GSA collaborativelyexploressolutionspacestotacklecomplexoptimizationtasks.ThroughtheVan
Neumancriteria,thealgorithm’sstochasticstabilityconditionsarederivedandutilizedtorefineparame-
terization.AsimulationisconductedonthePlanetaryGearTrainproblemtovalidatethetheoreticalfindings.Note de contenu :
Sommaire
1 Metaheuristics:Generalitiesanddefinitions1
1.1Introduction........................................ 1
1.2Preliminaries....................................... 1
1.2.1Optimizationproblem.............................. 1
1.2.2Combinatorialoptimization.......................... 2
1.2.3Complexity.................................... 3
1.2.4Optimizationmethods.............................. 4
1.3Metaheuristics....................................... 5
1.3.1Overviewofmetaheuristicalgorithms..................... 5
1.3.2Texonomyofmeta-heuristicalgorithms................... 6
1.3.3Stabilityofmetaheuristicalgorithms..................... 7
2 GravitationalSearchAlgorithm:Overviewandstabilityanalysis9
2.1Introduction........................................ 9
2.2Overviewongravitationalsearchalgorithm..................... 9
2.2.1Thepseudo-codeofGSAalgorithm...................... 12
2.3Stabilityanalysis..................................... 12
2.3.1Relatedwork.................................... 12
2.3.2VanNeumanstability.............................. 14
2.3.3Model........................................ 14
3 ApplicationofGSAfornoisereductioninplanetarygearstrain18
3.1Introduction........................................ 18
3.2PlanetaryGearTrainproblem.............................. 18
3.2.1Theformulationoftheproblem........................ 19
3.3Experimentalresultsandanalysis........................... 22
3.3.1Testedalgorithms................................. 22
3.3.2Parametersettings................................ 22
3.3.3Constrainthandling............................... 23
3.3.4Resultsanddiscussions............................. 23Côte titre : MAM/0730 Improved Gravitational Search Algorithm for Solving Optimization Problems [texte imprimé] / Rayene Assil, Auteur ; Fatma Zohra Kemouche ; Ihcene Naas, Directeur de thèse . - [S.l.] : Sétif:UFS, 2024 . - 1 vol (25 f.) ; 29 cm.
Langues : Anglais (eng)
Catégories : Thèses & Mémoires:Mathématique Mots-clés : Optimizationproblem
Metaheuristic
GravitationalSearchAlgorithm
Stochasticstability PlanetaryGearTrainproblemIndex. décimale : 510-Mathématique Résumé :
Inaddressingreal-worldoptimizationchallenges,classicaloptimizationmethodsoftenfallshort,leading
to theriseofmetaheuristicalgorithms.Analyzingthestabilityofthesealgorithmsisessentialforun-
derstandingtheirfunctionality,definingstabilitydomainsforcontrolparameters,andenhancingtheir
efficacy.ThisstudyfocusesonmodelingandstabilityanalysisoftheGravitationalSearchAlgorithm(GSA),
a prominentmetaheuristicinspiredbygravitationalinteractions.Mimickingcelestialbodies’movements,
GSA collaborativelyexploressolutionspacestotacklecomplexoptimizationtasks.ThroughtheVan
Neumancriteria,thealgorithm’sstochasticstabilityconditionsarederivedandutilizedtorefineparame-
terization.AsimulationisconductedonthePlanetaryGearTrainproblemtovalidatethetheoreticalfindings.Note de contenu :
Sommaire
1 Metaheuristics:Generalitiesanddefinitions1
1.1Introduction........................................ 1
1.2Preliminaries....................................... 1
1.2.1Optimizationproblem.............................. 1
1.2.2Combinatorialoptimization.......................... 2
1.2.3Complexity.................................... 3
1.2.4Optimizationmethods.............................. 4
1.3Metaheuristics....................................... 5
1.3.1Overviewofmetaheuristicalgorithms..................... 5
1.3.2Texonomyofmeta-heuristicalgorithms................... 6
1.3.3Stabilityofmetaheuristicalgorithms..................... 7
2 GravitationalSearchAlgorithm:Overviewandstabilityanalysis9
2.1Introduction........................................ 9
2.2Overviewongravitationalsearchalgorithm..................... 9
2.2.1Thepseudo-codeofGSAalgorithm...................... 12
2.3Stabilityanalysis..................................... 12
2.3.1Relatedwork.................................... 12
2.3.2VanNeumanstability.............................. 14
2.3.3Model........................................ 14
3 ApplicationofGSAfornoisereductioninplanetarygearstrain18
3.1Introduction........................................ 18
3.2PlanetaryGearTrainproblem.............................. 18
3.2.1Theformulationoftheproblem........................ 19
3.3Experimentalresultsandanalysis........................... 22
3.3.1Testedalgorithms................................. 22
3.3.2Parametersettings................................ 22
3.3.3Constrainthandling............................... 23
3.3.4Resultsanddiscussions............................. 23Côte titre : MAM/0730 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAM/0730 MAM/0730 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible
Titre : Meta-heuristic algorithms for solving ordinary differential equations Type de document : texte imprimé Auteurs : Houda Boulekfouf, Auteur ; Houda Chettout ; Ihcene Naas, Directeur de thèse Editeur : Sétif:UFS Année de publication : 2024 Importance : 1 vol (39 f.) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Mathématique Mots-clés : Differential equations
Approximate methods
Meta-heuristic algorithms
Optimization problems
Gravity search algorithms
RL.Index. décimale : 510-Mathématique Résumé :
When analytical methods are unable to solve differential equations, approximation methods are considered the best solution. Among the approximation methods, the meta-heuristic algorithm that was devised by observing phenomena that occur in nature has proven its ability to find near-optimal solutions to real-valued numerical problems. This work focuses on solving initial value problems by transforming them into an optimization problem by creating an objective function that includes both the initial value problem and its initial conditions. We used one of the most famous optimization methods: the gravity search algorithm, which is based on the principles of Newtonian gravity and the laws of motion. In the scientific work, we focus on the application of this algorithm in the field of electronics and electrical engineering when we solve the problem of the initial value resulting from an RL circuit.Note de contenu :
Sommaire
1 DIFFERENTIALEQUATIONS 1
1.1 Introduction . .................................. 1
1.2 Differentialequations . ............................. 2
1.2.1 Ordinarydifferentialequation . ................... 2
1.2.2 Taxonomyofdifferentialequations . ................. 3
1.3 TaxonomyofmethodsforsolvingDEs . ................... 4
1.3.1 Numericalmethodsforsolvingdifferentialequations . ...... 5
1.4 Limitationoftheclassicmethod . ....................... 10
2 Meta-heuristicsalgorithmforsolvingODEs 12
2.1 Introduction . .................................. 12
2.2 Optimizationproblems . ............................ 13
2.2.1 Typesofoptimizationmethods . ................... 14
2.3 Meta-heuristicalgorithms . .......................... 15
2.3.1 Meta-heuristicbackground . ..................... 15
2.3.2 Classificationofmeta-heuristicalgorithms . ............ 16
2.4 Meta-heuristicforsolvingODEs . ...................... 18
2.4.1 Statoftheart . ............................. 18
2.4.2 TransformationofanODEsintooptimizationproblem . ..... 20
3 SolvingRLCircuitProblemusingGSAalgorithm 23
3.1 Introduction . .................................. 23
3.2 Anoverviewofthegravitationalsearchalgorithm . ............ 24
3.2.1 FlowChartofGSAalgorithm . .................... 27
3.3 RLCircuitProblem . .............................. 28
3.3.1 TheStepResponseofanRLCircuit . ................ 28
3.4 RLcircuitintooptimizationproblem . ................... 29
3.5 Simulationandnumericalresult . ...................... 30
3.5.1 ParametersadoptedofGSA . ..................... 30
3.5.2 Application . .............................. 30
3.5.3 Resultsanddiscussion . ........................ 31Côte titre : MAM/0728 Meta-heuristic algorithms for solving ordinary differential equations [texte imprimé] / Houda Boulekfouf, Auteur ; Houda Chettout ; Ihcene Naas, Directeur de thèse . - [S.l.] : Sétif:UFS, 2024 . - 1 vol (39 f.) ; 29 cm.
Langues : Anglais (eng)
Catégories : Thèses & Mémoires:Mathématique Mots-clés : Differential equations
Approximate methods
Meta-heuristic algorithms
Optimization problems
Gravity search algorithms
RL.Index. décimale : 510-Mathématique Résumé :
When analytical methods are unable to solve differential equations, approximation methods are considered the best solution. Among the approximation methods, the meta-heuristic algorithm that was devised by observing phenomena that occur in nature has proven its ability to find near-optimal solutions to real-valued numerical problems. This work focuses on solving initial value problems by transforming them into an optimization problem by creating an objective function that includes both the initial value problem and its initial conditions. We used one of the most famous optimization methods: the gravity search algorithm, which is based on the principles of Newtonian gravity and the laws of motion. In the scientific work, we focus on the application of this algorithm in the field of electronics and electrical engineering when we solve the problem of the initial value resulting from an RL circuit.Note de contenu :
Sommaire
1 DIFFERENTIALEQUATIONS 1
1.1 Introduction . .................................. 1
1.2 Differentialequations . ............................. 2
1.2.1 Ordinarydifferentialequation . ................... 2
1.2.2 Taxonomyofdifferentialequations . ................. 3
1.3 TaxonomyofmethodsforsolvingDEs . ................... 4
1.3.1 Numericalmethodsforsolvingdifferentialequations . ...... 5
1.4 Limitationoftheclassicmethod . ....................... 10
2 Meta-heuristicsalgorithmforsolvingODEs 12
2.1 Introduction . .................................. 12
2.2 Optimizationproblems . ............................ 13
2.2.1 Typesofoptimizationmethods . ................... 14
2.3 Meta-heuristicalgorithms . .......................... 15
2.3.1 Meta-heuristicbackground . ..................... 15
2.3.2 Classificationofmeta-heuristicalgorithms . ............ 16
2.4 Meta-heuristicforsolvingODEs . ...................... 18
2.4.1 Statoftheart . ............................. 18
2.4.2 TransformationofanODEsintooptimizationproblem . ..... 20
3 SolvingRLCircuitProblemusingGSAalgorithm 23
3.1 Introduction . .................................. 23
3.2 Anoverviewofthegravitationalsearchalgorithm . ............ 24
3.2.1 FlowChartofGSAalgorithm . .................... 27
3.3 RLCircuitProblem . .............................. 28
3.3.1 TheStepResponseofanRLCircuit . ................ 28
3.4 RLcircuitintooptimizationproblem . ................... 29
3.5 Simulationandnumericalresult . ...................... 30
3.5.1 ParametersadoptedofGSA . ..................... 30
3.5.2 Application . .............................. 30
3.5.3 Resultsanddiscussion . ........................ 31Côte titre : MAM/0728 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAM/0728 MAM/0728 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible
Titre : Stochastic stability analysis of Artificial Bee colony algorithm Type de document : texte imprimé Auteurs : Assia Bendaoud, Auteur ; Racha Rouba, Auteur ; Ihcene Naas, Directeur de thèse Editeur : Sétif:UFS Année de publication : 2023 Importance : 1 vol (31 f.) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Mathématique Mots-clés : Problème d’optimisation Métaheuristique
Algorithme de Colonie d’abeilles artificielles
Stabilité stochastique
Problème potentiel de Lennard-Jones.Index. décimale : 510-Mathématique Résumé : Il existe des nombreux problèmes réels qui ont été formulés comme des problèmes d’optimisation difficiles
auxquels les méthodes d’optimisation classiques ont échoué à résoudre. Cela a conduit à l’émergence d’une
nouvelle famille d’algorithmes appelés métaheuristiques. Cependant, il est crucial d’analyser la stabilité des
métaheuristiques afin de mieux comprendre leur fonctionnement, de déterminer les domaines de stabilité Ã
imposer sur leurs paramètres de contrôle et, par conséquent, d’améliorer leurs performances.
Ce travail porte sur la modélisation et l’analyse de stabilité de l’un des algorithmes les plus connus :
l’algorithme de colonie d’abeilles artificielles (ABC). Cet algorithme simule le comportement de butinage
des abeilles naturelles. L’idée de base de cette méthode consiste à créer un système d’abeilles artificielles qui
collaborent les unes avec les autres afin de résoudre des problèmes complexes d’optimisation. L’algorithme
est modélisé par un processus itératif matriciel, et des conditions de stabilité aléatoires sont atteintes et
utilisées pour améliorer le paramétrage de cet algorithme. Une simulation a été réalisée sur le problème
potentiel de Lennard-Jones pour valider nos résultats théoriques = Many real-world problems have been formulated as hard optimization problems that classical optimization
methods have failed to solve them. This has led to the emergence of a new family of algorithms called
metaheuristics. However, it is crucial to analyze the stability of metaheuristics to better understand how they
work, determine the stability domains to impose on their control parameters, and consequently, improve
their performance. This work focuses on the modeling and stability analysis of one of the well-known
metaheuristics algorithms: the Artificial Bee Colony (ABC) algorithm. This algorithm simulates the foraging
behavior of bees in nature. The basic idea behind this method is to create a system of artificial bees that
collaborate with each other to solve complex optimization problems. The algorithm is modeled by an
iterative matrix process, and stochastic stability conditions are reached and used to improve the algorithm’s
parameterization. A simulation was carried out on the potential Lennard-Jones problem to validate our
theoretical results.Côte titre : MAM/0670 En ligne : https://drive.google.com/file/d/15oSDfxnyBBr6hmIYTkHYhAqsKC3re9pt/view?usp=drive [...] Format de la ressource électronique : Stochastic stability analysis of Artificial Bee colony algorithm [texte imprimé] / Assia Bendaoud, Auteur ; Racha Rouba, Auteur ; Ihcene Naas, Directeur de thèse . - [S.l.] : Sétif:UFS, 2023 . - 1 vol (31 f.) ; 29 cm.
Langues : Anglais (eng)
Catégories : Thèses & Mémoires:Mathématique Mots-clés : Problème d’optimisation Métaheuristique
Algorithme de Colonie d’abeilles artificielles
Stabilité stochastique
Problème potentiel de Lennard-Jones.Index. décimale : 510-Mathématique Résumé : Il existe des nombreux problèmes réels qui ont été formulés comme des problèmes d’optimisation difficiles
auxquels les méthodes d’optimisation classiques ont échoué à résoudre. Cela a conduit à l’émergence d’une
nouvelle famille d’algorithmes appelés métaheuristiques. Cependant, il est crucial d’analyser la stabilité des
métaheuristiques afin de mieux comprendre leur fonctionnement, de déterminer les domaines de stabilité Ã
imposer sur leurs paramètres de contrôle et, par conséquent, d’améliorer leurs performances.
Ce travail porte sur la modélisation et l’analyse de stabilité de l’un des algorithmes les plus connus :
l’algorithme de colonie d’abeilles artificielles (ABC). Cet algorithme simule le comportement de butinage
des abeilles naturelles. L’idée de base de cette méthode consiste à créer un système d’abeilles artificielles qui
collaborent les unes avec les autres afin de résoudre des problèmes complexes d’optimisation. L’algorithme
est modélisé par un processus itératif matriciel, et des conditions de stabilité aléatoires sont atteintes et
utilisées pour améliorer le paramétrage de cet algorithme. Une simulation a été réalisée sur le problème
potentiel de Lennard-Jones pour valider nos résultats théoriques = Many real-world problems have been formulated as hard optimization problems that classical optimization
methods have failed to solve them. This has led to the emergence of a new family of algorithms called
metaheuristics. However, it is crucial to analyze the stability of metaheuristics to better understand how they
work, determine the stability domains to impose on their control parameters, and consequently, improve
their performance. This work focuses on the modeling and stability analysis of one of the well-known
metaheuristics algorithms: the Artificial Bee Colony (ABC) algorithm. This algorithm simulates the foraging
behavior of bees in nature. The basic idea behind this method is to create a system of artificial bees that
collaborate with each other to solve complex optimization problems. The algorithm is modeled by an
iterative matrix process, and stochastic stability conditions are reached and used to improve the algorithm’s
parameterization. A simulation was carried out on the potential Lennard-Jones problem to validate our
theoretical results.Côte titre : MAM/0670 En ligne : https://drive.google.com/file/d/15oSDfxnyBBr6hmIYTkHYhAqsKC3re9pt/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAM/0670 MAM/0670 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible
