Nous proposons l'usage de systèmes multiagents pour résoudre des problèmes d'optimisation impliquant des simulateurs numériques coûteux. Il est alors usuel de remplacer certains appels aux simulateurs numériques par des appels à des métamodèles. L'idée proposée dans cet article est d'assigner les métamodèles adéquats à chaque sous-région afin de (i) rendre l'optimisation moins coûteuse, (ii) générer une méthode d'optimisation qui trouve les optima globaux et locaux et (iii) fournir une meilleure compréhension du problème d'optimisation et de son espace de conception. La technique utilisée est de partitionner l'espace de conception entre divers agents utilisant des métamodèles différents pour approximer leur sous-région et se coordonnant pour modifier les frontières de leur sous-région. In this paper we explore the use of multi-agent methods to tackle complex optimization problems that require expensive simulations. We particularly focus on surrogate-based optimization for problems in which direct optimization is too expensive. The proposed strategy partitions the design space between several agents that use different surrogates to approximate their subregion landscape. Agents coordinate by exchanging points to compute their surrogate and by modifying the boundaries of their subregions. The rationale behind this technique is to assign adequate surrogate to each subregion so that (i) optimization is cheaper, (ii) the overall optimization process is not only global in scope but also stabilizes on local optima and (iii) the final partitioning provides a better understanding of the optimization problem.
Dans le cadre de la conception de produits complexes, et en nous basant sur une méthode d'optimisation multi-agent par partitionnement de l'espace de conception, nous proposons une nouvelle méthode permettant au système multiagent de découvrir tous les optima locaux par des mécanismes auto-organisés de création et de destruction d'agents, et ce avec un nombre limité d'appels aux fonctions coûteuses. Les agents sont en charge de la découverte d'optima locaux dans leur propre partition de l'espace de conception, qui évolue au cours de la résolution. Notre approche est mise en oeuvre sur un problème illustratif en 2 dimensions et un problème difficile en 6 dimensions. Based on an multi-agent optimization method for complex system design with adaptive partitioning of the design space, we propose a new multi-agent method to discover all the local optima using self-organizing mechanisms of creation and destruction of agents, with a limited number of expensive function calls. Each agent is responsible for the discovery of local optima in its own partition of the design space, which evolves during the solving process. Our approach is implemented on a sample illustrative 2D-problem and a more difficult 6D-problem.