Optimization of the cost of industrial packaging by PSO, SA and GA optimization algorithms

The metaheuristic known as the optimization algorithm; a resolution of difficult problems of minimization or maximization of a function in order to find almost optimal solutions. There are a wide variety of metaheuristics, but in this research article we will only talk about three optimization algorithms that will help us optimize the cost of packaging an industry by using MATLAB software to program them. The first algorithm is the best-known particle swarm optimization in the optimization field, which is inspired by the simulation movement of a group of birds, the second is the simulated annealing inspired by annealing in metallurgy, a Heat treatment technique also involving controlled cooling of a material which affects both temperature and energy. And the last is the genetic algorithm which is commonly used to give high quality results to optimization problems by relying on bio-inspired operators such as mutation, crossing and selection. We will compare the performance of each of them using the test functions according to their uptime and convergence and will apply to our industrial optimization problem.

La métaheuristique connue sous le nom d’algorithme d’optimisation ; une résolution de problèmes difficiles de minimisation ou de maximisation d’une fonction afin de trouver des solutions quasi optimales. Il existe une grande variété de métaheuristiques, mais dans cet article de recherche, nous ne parlerons que de trois algorithmes d’optimisation qui vont nous aider à optimiser le cout de l’emballage d’une industrie en utilisant le logiciel MATLAB pour les programmer. Le premier algorithme est l’optimisation des essaims de particules le plus connu dans le domaine d’optimisation, qui est inspiré par le mouvement de simulation d’un groupe d’oiseaux, le second est le recuit simulé inspiré du recuit en métallurgie, une technique de traitement thermique impliquant également refroidissement contrôlé d’un matériau qui affecte à la fois la température et l’énergie. Et le dernier est l’algorithme génétique qui est couramment utilisé pour donner des résultats de haute qualité aux problèmes d’optimisation en s’appuyant sur des opérateurs bio-inspirés tels que la mutation, le croisement et la sélection. Nous comparerons la performance de chacun d’entre eux à l’aide des fonctions tests en fonction de leur durée de fonctionnement et de leur convergence et seront appliquer sur notre problème d’optimisation industriel.

Optimization industry Manufacturing process particle swarm optimization Simulated annealing Genetic algorithm

Optimization industrie Procédé de fabrication Optimisation par essaims particulaires algorithme Recuit simulé Algorithme génétique