1) Introduction
Les métaheuristiques forment un ensemble de méthodes utilisées en recherche opérationnelle pour résoudre des problèmes d’optimisation réputés difficiles. Résoudre un problème d’optimisation combinatoire, c’est trouver l’optimum d’une fonction, parmi un nombre fini de choix, souvent très grand. Les applications concrètes sont nombreuses, que ce soit dans le domaine de la production industrielle, des transports ou de l’économie – partout où se fait sentir le besoin de minimiser des fonctions numériques, dans des systèmes où interviennent simultanément un grand nombre de paramètres.
A ces problèmes de minimisation, les métaheuristiques permettent, dans des temps de calcul raisonnables, de trouver des solutions, peut-être pas toujours optimales, en tout cas très proches de l’optimum ; elles se distinguent en cela des méthodes dites exactes, qui garantissent certes la résolution d’un problème, mais au prix de temps de calcul prohibitifs pour nombres d’applications industrielles.
Nous nous proposons de fournir un panorama de toutes ces techniques, parfois redoutablement efficaces, qui se développent depuis une vingtaine d’années.
Parmi les méthodes de métaheuristiques on s’intéresse dans cet exposé par la méthode de recherche à voisinage variable(RVV).
2) Historique
La Recherche à Voisinages Variables (RVV) a été proposée par Mladenovic et Hansen en 1997. Une RVV utilise méthodiquement plusieurs types de voisinages.
Soit L = (N(1),…, N(T)) une liste finie de voisinages, où N(t)(s) est l’ensemble des solutions dans le voisinage de s.Dans la plupart des méthodes de recherche locale, on a T=1. Ces voisinages interviennent de la manière suivante
Dans le processus de recherche d’une RVV. Étant donnée une solution initiale s, on génère une solution voisine s’ dans et on lui applique une procédure de recherche locale afin d’obtenir une solution s’’. Si, alors on pose et on génère une nouvelle solution voisine dans. Sinon, la solution courante reste s et on