Bendebbache, Mohamed Sami2019-01-172019-01-172016http://hdl.handle.net/123456789/8097Le Travail effectué s’articulait essentiellement autour de l’association de la méthode de colonie des fourmis API et les réseaux de neurones MLP pour permettre d’aboutir à un élément de traitement performant capable de traiter des systèmes connus par leurs complexités (fortement non linéaire, multivariables…). L’algorithme d’entrainement proposé est présenté en deux variantes : API-MLP et APImhybride- MLP. Après leur mise à l’épreuve en simulation, le premier processus non linéaire monovariable a été contrôle par les deux méthodes (algorithmes) en affichant des performances très convaincants. Quant au second processus multivariable qui présentait plus de complexité, a été contrôlé par la méthode API-MLP, utilisant deux structures de contrôle : décentralisée et couplée, affichant des performances acceptables. Par conséquent la méthode de colonie de fourmis dite API a pu optimiser l’entrainement des réseaux de neurones MLP pour le contrôle des systèmes non linéaires complexes avec succès, ce qui élargie l’exploitation des métaheuristiques et rend leur avenir prometteur. En perspectives, il serait intéressant d’essayer la méthode API pour optimiser l’entrainement des réseaux RBF, ce qui réduirait l’effort de calculs. Il serait aussi intéressant d’associer celle-ci avec les fuzzy systèmes et les contrôleurs à base de PIDfrOther