Chapitre Antennes Microbande

SOMMAIRE
INTRODUCTION GENERALE 1
CHAPITRE I : RESEAUX D’ANTENNES IMPRIMEES

I.1. INTRODUCTION 6
I.2. HISTORIQUE 6
I.3. PRESENTATION DE LA STRUCTURE DE L’ANTENNE MICROBANDE 7
I.4. AVANTAGES ET INCONVENIENTS 8
I.5. METHODES D'ANALYSE 10
I.5.1. Modèle de la ligne de transmission 10
I.5.2. Modèle de la cavité 11
I.5.3. Analyse full-wave (méthode des moments) 12
I.6. TECHNIQUES D’ALIMENTATION 12
I.6.1. Alimentation avec la ligne microruban 13
I.6.2. Alimentation par câble coaxial 13
I.6.3. Alimentation couplée par ouverture 14
I.6.4. Alimentation couplée par proximité 15
I.7. LES RESEAUX D’ANTENNES IMPRIMEES 17
I.7.1. Etude de l’élément rayonnant primaire 19
I.7.1.1. Diagramme de rayonnement 19
I.7.1.1.1. Notions de plan de coupe 19
I.7.1.1.2. Diagramme de rayonnement 21
I.7.1.2. Gains d’une antenne 22
I.7.2. Réseaux rectilignes 23
I.7.3. Réseaux plans 24
I.7.4. Réseaux conformés 26
I.8. CONCLUSION 28
CHAPITRE II : ALGORITHMES GENETIQUES MULTI-OBJECTIFS

II.1. INTRODUCTION 30
II.2. JUSTIFICATION 31
II.3. APPLICATION PRATIQUE : SYNTHESE DE RESEAUX CONFORMES 33
II.4. OBJECTIFS ET CONTRIBUTIONS 33
II.5. OPTIMISATION MULTICRITERE 34
II.5.1. Concepts de base et terminologie concernant l’optimisation 35
II.5.2. Problème multi-objectif 37
II.5.2.1. Comparaison de vecteurs 39
II.5.2.2. Dominance de Pareto 40
II.5.2.3. Optimalité au sens de Pareto 41
II.5.2.4. Ensemble non-dominé et frontière 42
II.5.3. Exemple de problème multicritère 43
II.5.4. Recherche et décision 45
II.5.5. Difficultés additionnelles des problèmes multicritère 47
II.5.6. Méthodes non-linéaires pour la recherche de solutions 48
II.5.6.1. Méthodes de « direction de recherche » 48
II.5.6.2. Méthodes d’« exclusion de semi-espaces » 50
II.5.6.3. Méthodes de « recherche par populations » 51
II.5.7. Considérations sur les méthodes de recherche, problème multicritère
et antenne imprimées 52
II.6. AGMO 53
II.7. L’ALGORITHME GENETIQUE 54
II.8. L’ETAT DE L’ART DE L’ALGORITHME GENETIQUE MULTI-OBJECTIF 56
II.9. PRINCIPALES PREOCCUPATIONS DANS LA RECHERCHE MULTICRITERE 58
II.10. L’ALGORITHME GENETIQUE MULTIOBJECTIF A TROIS POPULATIONS
COURANTES 61
II.10.1. Extraction des solutions non-dominées 65
II.10.2. Réduction de l’espace de recherche 66
II.10.3. « Éclaircissement » (clearing) des solutions non-dominées 68
II.10.4. Construction de la population de travail ܱܴܲܲ‫ܮܣܧ‬ 70
II.10.5. Technique de niche 71
II.10.6. Le processus de sélection 74
II.10.7. Croisement et mutation 75
II.10.8. Prise en compte des contraintes sur les paramètres 78
II.10.9. Elitisme global 79
II.11. CONCLUSION 79
CHAPITRE III : SYNTHESE DE RESEAUX CONFORMES PAR ALGORITHMES

GENETIQUES MULTI-OBJECTIFS
III.1. INTRODUCTION 81
III.2. ANALYSE DE RESEAUX CONFORMES D’ANTENNES 82
III.2.1. Réseaux conformes d’antennes 82
III.2.2. Approche théorique 83
III.2.3. Calcul du diagramme dans le repère global 87
III.2.3.1. Réseau conformé 87
III.2.3.2. Positionnement des sources 87
III.2.3.3. Problème des indéterminations 90
III.2.3.4. Calcul du diagramme de rayonnement élémentaire 90
III.2.4. Analyse du rayonnement 91
III.2.5. Conclusion 91
III.3. SYNTHESE DE RESEAUX CONFORMES D’ANTENNES 92
III.3.1. Introduction 92
III.3.2. Position du problème 93
III.3.3. Contraintes liées aux réseaux conformes 94
III.3.3.1. Test de visibilité des éléments rayonnants 96
III.3.3.2. Prise en compte des diagrammes élémentaires 97
III.3.4. Définition du gabarit 98
III.3.5. Fonction de coût utilisée (fitnesse) 101
III.4. RESULTATS DE LA SYNTHESE 102
III.4.1. Réseau dièdre 102
III.4.2. Réseau tétraèdre 105
III.4.3. Réseau pyramidal 110
III.4.4. Réseau cylindrique 116
III.4.5. Réseau cône 121
III.4.6. Réseau hémisphérique 127
CONCLUSION GENERALE 133
REFERENCES BIBLIOGRAPHIQUES 138
ANNEXE A : MODELISATION DE LA SOURCE ELEMENTAIRE 147
ANNEXE B : PSEUDO-CODE DES DIFFERENTES ETAPES DE L’ALGORITHME

GENETIQUE MULTI-OBJECTIF 150
INTRODUCTION GENERALE

Introduction générale

INTRODUCTION GENERALE
Dans les systèmes utilisant les ondes électromagnétiques comme support,

les antennes jouent un rôle fondamental. Elles assurent la conversion d’une
propagation guidée vers une propagation en espace libre et vice-versa. La
conception de ces dispositifs s’appuie sur diverses techniques d’analyse bien
maîtrisées visant à résoudre numériquement les équations de MAXWELL pour le
problème considéré.
Les systèmes spatiaux trouvent un grand nombre d’applications dans un

vaste domaine d’activités : les télécommunications, la localisation, la navigation,
l’observation de la Terre, etc… La diversité de ces applications implique
l’utilisation d’une large gamme de concepts d’antennes allant des structures
simples jusqu’aux architectures complexes (réseaux conformes).
L’augmentation constante du nombre d’antennes embarquées sur des

avions a conduit à une prise de conscience sur la nécessité de trouver de
nouvelles technologies d’antennes aéroportées. En effet, cette accumulation
d’antennes détériore les performances de l’avion, que ce soit d’un point de vue
structural ou aéromécanique. L’idée d’insérer une antenne sur sa structure même
(ailes, fuselage) permettrait de bénéficier, entre autres, de toutes les spécificités
propres à un réseau d’antennes, de l’élargissement de la couverture angulaire
mais aussi d’une meilleure directivité. Cependant, la mise en place d’une antenne
réseau conforme à la structure de l’avion ne va pas sans rencontre de difficultés.
Les antennes aéroportées actuelles fonctionnent tout en étant montées sur

des bâtis rigides, ayant pour fonction de réduire le plus possible les niveaux de
déformation ou de vibration, les antennes pouvant fonctionner jusqu'à 10
(3 de longueur d'onde) et même au-delà.
Page | 1


L’utilisation en systèmes de télécommunications des antennes imprimées

est liée directement à leurs grandes performances. L’exploitation expérimentale
de ce type d’antennes nécessite à la fois une couverture omnidirectionnelle de
l’espace ainsi qu’une adaptation de la caractéristique de rayonnement aux
besoins d’utilisation. A ce niveau, il devient impératif d’implanter ces antennes
imprimées sur des structures conformes et de synthétiser le diagramme de
rayonnement de l’ensemble ainsi formé.
Dans le domaine des réseaux d’antennes imprimées, le problème de

synthèse consiste à estimer les variations d’amplitude et de phase de
l’alimentation et de la répartition spatiale des éléments rayonnants qui
permettent de fournir un diagramme de directivité aussi proche que possible d’un
diagramme désiré optimal spécifié à partir d’un gabarit. Le but de cette
optimisation est donc de rechercher la combinaison optimale de ces différents
paramètres afin que le réseau réponde aux besoins de l’utilisateur et selon un
cahier des charges précis.
La synthèse automatique ou optimisation reste cependant un challenge et

de nombreux travaux de recherche sont menés afin de mettre au point des outils
de synthèse efficaces en termes de coût numérique et de précision des résultats
obtenus. De nombreuses méthodes analytiques et numériques ont été
développées pour essayer de synthétiser un diagramme de rayonnement. Parmi
les premières, nous pouvons citer celles de TAYLOR et de TCHEBYCHEFF.
Dans les années récentes, les approches numériques sont devenues plus
populaires et ont été appliquées à différents types de réseaux, comme les
réseaux non périodiques ou les réseaux conformes.
Parmi celles-là, on peut citer les algorithmes d’optimisation linéaire et non

linéaire et les méthodes adaptatives. Récemment, des techniques d’optimisation
globale sont apparues comme les algorithmes génétiques, la recherche tabou ou
le recuit simulé, dans le but d’obtenir le minimum global et d’éviter de rester
piégé dans un minimum local comme dans le cas des méthodes déterministes.
Page | 2


C’est donc dans cet ordre que s’inscrit cette étude qui prévoit l’orientation
locale en azimut et en élévation des éléments du réseau afin d’adapter la
caractéristique de rayonnement à une fonction. Le problème étant plus
complexe, les méthodes de synthèse déterministes ne peuvent être de grande
utilité, le travail sera entamé par des procédés de calcul aléatoire (Algorithmes
Génétiques).
Le sujet de thèse a pour but d’approfondir les performances des

algorithmes génétiques dans les problèmes d’optimisation. Ces algorithmes
présentent l’avantage d’effectuer une recherche à partir d’une population, c'est-
à-dire une recherche multipoints, pour trouver la meilleure solution d’un
problème mono-objectif ou bien multi-objectifs.
Cette thèse présente une brève revue des concepts et méthodes

d’optimisation et détaille en outre l’implémentation d’un « Algorithme Génétique
Multi-Objectif » (AGMO) associé à un module d’analyse pour la synthèse des
réseaux conformés antennes imprimées.
Nous allons essayer, dans les limites du possible, de faire encadrer le

problème d’étude de ces structures d’antennes, par une présentation généralisée
et un traitement mathématique du problème de rayonnement des réseaux
conformés d’antennes imprimées en analyse et en synthèse.
Le premier chapitre sera consacré aux généralités sur les antennes

imprimées, leur mécanisme de fonctionnement, les types d’alimentations
cohérents ainsi que leur association en réseaux rectiligne, plan et conformé. Une
étude théorique permettant l’évaluation du champ rayonné par un réseau
rectiligne de plusieurs antennes microrubans est ensuite élaborée. Une extension
de cette étude aux réseaux plans et conformés est également exposée.
Le deuxième chapitre constitue la phase préparatoire pour aborder le

problème de synthèse des diagrammes de rayonnement des réseaux conformés
d’antennes imprimées. Nous y présenterons les grandes lignes des algorithmes
génétiques et de l’évolution différentielle. Nous décrirons par la suite le
Page | 3


développement d’un outil d’optimisation stochastique multicritères (AGMO) qui,

en association avec les analyses, permet le traitement de problèmes complexes.
C’est un algorithme d’optimisation qui traite les deux espaces, celui des
paramètres et celui des objectifs, sans en privilégier aucun, ce qui rend plus
facile le processus de recherche des solutions optimales.
Le troisième et dernier chapitre est le plus important ; il est consacré à la

synthèse des réseaux d’antennes imprimées par notre AGMO. La première partie
de ce chapitre concerne tout spécialement les réseaux conformés d’antennes
imprimées, leur structure et géométrie, leur application, les nouvelles contraintes
qu’ils imposent, etc.... Pour le calcul du diagramme de rayonnement de ces
structures, il ne sera pas possible de définir un facteur de réseau comme pour les
réseaux rectilignes et plans, alors le champ électromagnétique sera calculé pas à
pas en introduisant la notion de repère tournant et les matrices de transition
entre coordonnées cartésiennes et sphériques et vice versa, sans négliger de
traiter les cas d’indétermination pour ne pas avoir des divergences lors des
calculs. La deuxième partie décrit notre approche pour implanter l’AGMO à la
résolution du problème de synthèse de réseaux conformés d’antennes
imprimées. Après avoir posé le problème, nous passons à la présentation des six
structures de réseaux conformés proposés : dièdre, tétraèdre, pyramide,
cylindre, cône, et hémisphère par des graphiques de leurs aspects et des
formules mathématiques exprimant les coordonnées cartésiennes des sources
empreintes sur leurs surfaces. Nous en terminerons avec des visualisations
projetées propres au rayonnement électromagnétique de ces structures obtenues
pour des gabarits centrés et dépointés dans différents plans d’observation. Les
performances et les caractéristiques de l’AGMO sont mises en point pour chaque
exemple. Même si ces mises au point ont été proposées pour les quelques
exemples spécifiques présentés, elles sont généralisables et leurs conclusions
s'appliquent à n’importe quel problème d’optimisation.
Nous achèverons notre manuscrit par une conclusion générale sur tout ce
qui a été dit ou obtenu à propos de l’optimisation et de la synthèse des réseaux
d’antennes imprimées ainsi que sur les perspectives prometteuses existantes
dans ce domaine d’études intéressant les services de télécommunications et les
laboratoires de recherche.
Page | 4

CHAPITRE I
RESEAUX D’ANTENNES IMPRIMEES

Chapitre I Réseaux d’antennes imprimées

I.1. INTRODUCTION
La technique des circuits imprimés a révolutionné les domaines de
l’électronique et plus récemment, celui des hyperfréquences, où elle se prête
particulièrement bien à la réalisation des circuits d’antennes et des antennes
plaques. Les plaques microbandes peuvent trouver une application dans les
circuits intégrés micro-ondes comme résonateurs planaires pour oscillateurs et
filtres. Ces plaques rectangulaires peuvent être utilisées aussi comme éléments
rayonnants.
Avant d’aborder le sujet en question, nous avons préféré donner en

premier lieu un aperçu historique sur les antennes ainsi qu’une présentation de
leur structure. Les avantages, les inconvénients et les différentes méthodes
d’analyse sont aussi rapportés. Ensuite, nous décrirons succinctement leur
fonctionnement et leur mécanisme de rayonnement.
En fin, nous terminerons ce chapitre en présentant les techniques d’excitation les
plus répandues des réseaux d’antennes.
I.2. HISTORIQUE
Grâce à leurs nombreux avantages, les antennes plaques sont devenues
très populaires dans diverses applications civiles et militaires. Ces antennes ont
été proposées la première fois par DESCHAMPS en 1953. Cependant, il a fallu
attendre plus de vingt ans pour que MUNSON réalisa la première antenne
microbande [9]. En 1979 un colloque sur les antennes tenu au Mexique lance un
intérêt international pour les antennes microrubans. Plusieurs articles ont été
présentés lors de cette réunion puis apparus dans une édition spéciale des
transactions d'IEEE sur les antennes et la propagation [5]. Un des premiers livres
qui définit les caractéristiques des antennes, et qui est toujours une référence
standard, a été écrit par BAHL et BHARTIA [10]. Depuis, plusieurs travaux sont
apparus montrant la polyvalence en terme de géométries possibles ce qui les
rend applicables dans différentes situations.
Page | 6


I.3. PRESENTATION DE LA STRUCTURE DE L’ANTENNE MICROBANDE

Sous sa forme la plus fondamentale, une antenne microbande se compose
d’une pièce métallique rayonnante sur un côté (patch) du substrat diélectrique et
un plan de masse de l'autre côté comme représenté sur la figure I.1. Le patch
est généralement fabriqué à base d’un matériau conducteur tel que le cuivre ou
l'or et il peut prendre n'importe quelle forme possible. Le patch rayonnant et les
lignes d'alimentation sont habituellement photo gravés sur le substrat
diélectrique (céramique ou polymère).
Les paramètres physiques et géométriques liés à cette structure sont :
- La permittivité relative du substrat diélectrique.

- La tangente des pertes dans ce même substrat, avec dominance des pertes
joules.
- L’épaisseur du substrat.
- L’épaisseur, la forme, les dimensions propres du dépôt métallique
rayonnant dont plusieurs en formes de pavés ont été étudiés ; il reste que
la forme rectangulaire est la plus répandue.
Substrat diélectrique
Source rayonnante (Patch)
Plan de masse
Figure I.1 : Structure d'une antenne imprimée

Afin de simplifier l'analyse et l’estimation des performances, le patch a

généralement une forme rectangulaire, circulaire, triangulaire, elliptique ou autre
forme connue comme indiqué dans la figure I.2. Pour un patch rectangulaire, sa
longueur est généralement 0.3 0.5 , où est la longueur d'onde dans
l’espace libre.
Page | 7


Le patch est sélectionné de façon qu’il soit très mince ( , où est

l'épaisseur du patch). La taille du substrat diélectrique est habituellement
0,003 0.05 . La constante diélectrique du substrat est typiquement
dans la gamme 2.2 12.
Dipôle Rectangle Carré Triangle
Disque Elliptique Anneau circulaire Pentagone
Figure I.2 : Divers types d’éléments rayonnants
Les antennes imprimées rayonnent principalement en raison des champs

marginaux entre le bord du patch et le plan de masse. Pour la bonne
performance d'antenne, un substrat diélectrique épais ayant une faible constante
diélectrique est souhaitable, puisque cela fournit une meilleure efficacité, une
largeur de bande plus grande et un meilleur rayonnement [12]. Cependant, une
telle configuration mène à une taille d'antenne plus grande. Afin de concevoir
une antenne moins encombrante, il est nécessaire d’employer des constantes
diélectriques plus élevées mais nous allons avoir une largeur de bande plus
étroite. Par conséquent un compromis doit être fait entre les dimensions de
l'antenne et les performances.
I.4. AVANTAGES ET INCONVENIENTS

Les antennes imprimées sont de plus en plus utilisées dans des
applications sans fil dues à leur structure miniaturisées. Donc elles sont
extrêmement compatibles pour les incorporées dans les dispositifs sans fil
portatif tels que les téléphones cellulaires etc. Pour l’utilisation des antennes
imprimées dans la télémétrie et sur les missiles, elles doivent être très minces et
Page | 8


conformes. Un autre secteur où elles ont été employées avec succès est la
communication par satellite. Certains de leurs principaux avantages discutés par
BALANIS [12] et KUMAR et RAY [16] sont indiqués ci-dessous:
- Poids léger et volume petit.
- Configuration planaire miniaturisée qui peut être facilement rendue conforme
pour n’importe quelle surface.
- Le faible coût de fabrication, par conséquent elles peuvent être fabriquées en
grande quantité.
- Supportent la polarisation linéaire aussi bien que la polarisation circulaire.
- Peuvent être facilement intégrées avec les circuits intégrés micro-ondes
(MICs).
- Capables d’opérer en mode bi-fréquence.
- Mécaniquement robustes une fois montées sur des surfaces rigides.
Ces antennes souffrent d'un certain nombre d’inconvénients par rapport

aux antennes conventionnelles :
- Largeur de bande étroite.
- Faible rendement.
- Faible Gain.
- Rayonnement parasite des alimentations et des jonctions.
- Excitation d’ondes de la surface.
Les antennes imprimées ont un facteur de qualité très élevé.

représente les pertes liées à l'antenne et un grand mène à une largeur de
bande étroite et faible rendement. peut être réduit en augmentant l'épaisseur
du substrat diélectrique. Mais au fur et à mesure que l’épaisseur augmente, une
fraction croissante de la puissance totale délivrée par la source sera consommée
par les ondes de surface. Cette contribution d’ondes de surface peut être
considérée comme perte de puissance puisqu'elle est finalement dispersée au
niveau de substrat diélectrique et cause la dégradation des caractéristiques de
l'antenne. Cependant, des ondes de surfaces peuvent être minimisées par
l’utilisation des structures photoniques comme discuté par QIAN [11]. D'autres
problèmes tels que le faible gain et la faible puissance peuvent être surmontés
en employant un réseau d’antenne.
Page | 9


I.5. METHODES D'ANALYSE

Les modèles les plus courants dans l'analyse des antennes imprimées sont
- Modèle de ligne de transmission.
- Modèle de cavité.
- Modèle full-wave (qui inclut principalement la méthode de l’équation intégrale
/méthode des moments).
Le modèle de la ligne de transmission est le plus simple : il donne de

bonnes interprétations physiques mais modélise difficilement le couplage. Le
modèle de la cavité rayonnante est quant à lui plus précis que le modèle de la
ligne de transmission mais en même temps plus complexe. Cependant il donne
une bonne interprétation physique, mais approche aussi difficilement le couplage
bien qu'il donne de bons résultats.
Lorsqu'il est appliqué correctement, le modèle full-wave est très précis, très
souple et traite les éléments isolés aussi bien que les réseaux finis et infinis, les
réseaux empilés, les formes arbitraires et le couplage. Cependant c'est le modèle
le plus complexe.
I.5.1. Modèle de la ligne de transmission

Ce modèle représente l'antenne imprimée par deux fentes de largeur et
de hauteur séparées par une ligne de transmission de longueur . Le
microruban est essentiellement une ligne non homogène de deux diélectriques,
typiquement le substrat et l’air (Figure I.3).
Bande conductrice

Plan de masse
Lignes de champ électrique
Figure I.3 : Modèle de la ligne de transmission
Page | 10


La majorité des lignes de champ électrique résident dans le substrat et

une partie de quelques lignes circulent en air. En conséquence, cette ligne de
transmission ne peut pas supporter le mode TEM, puisque les vitesses de phase
sont différentes dans l'air et dans le substrat. Au lieu de cela, le mode dominant
de la propagation est le mode quasi-TEM. Par conséquent, une constante
diélectrique effective doit être obtenue afin de tenir compte des champs de
bord et la propagation des ondes dans la ligne. La valeur du est légèrement
inférieure à parce que les champs marginaux autour de la périphérie du patch
ne sont pas confinés dans le substrat diélectrique mais sont également étendus
dans l’air [14].
I.5.2. Modèle de la cavité

Une antenne imprimée peut être assimilée à une cavité fermée par deux
murs électriques en 0, plan de masse et en , le conducteur métallique
supérieur, et par des murs magnétiques verticaux. Une longueur et une largeur
effectives sont introduites pour prendre en compte les débordements des champs
sur les bords de l’antenne. Pour l’excitation, nous prenons pour modèle un
courant électrique parallèle à l’axe (Figure I.4) et réparti uniformément.
Région I

Murs magnétique
Alimentation

Plan de masse
Région II
Figure I.4 : Modèle de la cavité

Pour calculer le champ interne à la cavité , nous utilisons la méthode dite

de raccord de mode. Elle consiste à diviser la cavité en deux régions I et II
dépourvues de sources et ensuite à résoudre l’équation de HELMHOLTZ (sans
second membre) dans chaque région.
Page | 11


Les champs lointains sont donnés par le rayonnement des ouvertures

verticales et la puissance totale rayonnée est obtenue en intégrant le champ
lointain dans tout le demi-espace supérieur.
De plus, une conductance de rayonnement est définie pour chaque mode.

Cette conductance dissipe la même puissance que celle rayonnée par la cavité.
Enfin, les pertes dans le conducteur et dans le diélectrique sont obtenues

en utilisant une méthode de perturbation. Nous calculons les pertes diélectriques
en intégrant le champ électrique (évalué dans le cas sans perte) sur le volume de
la cavité [12,13].
I.5.3. Analyse full-wave (méthode des moments)

Une des méthodes, qui fournit l'analyse full-wave des antennes imprimées,
est celle des moments. Dans cette méthode, les courants de surface sont
employés pour modéliser le patch et les courants de polarisation de volume sont
employés pour modéliser les champs dans le substrat diélectrique. Il a été
montré par NEWMAN et TULYATHAN [15] qu’une équation intégrale est obtenue
pour ces courants inconnus et l'usage de la méthode de moments ; cette
équation intégrale est convertie en équations matricielles, ce qui peut alors être
résolu par des diverses techniques algébriques pour fournir le résultat.
I.6. TECHNIQUES D’ALIMENTATION

Les antennes imprimées peuvent être alimentées par une variété de
méthodes qui peuvent être classées en deux catégories : avec contact et sans
contact. Dans les méthodes avec contact, la puissance de RF est alimentée
directement au patch rayonnant en utilisant un élément de connexion tel qu'une
ligne microruban. Dans les techniques sans contact, le couplage de champ
électromagnétique garantit le transfert de la puissance entre la ligne microruban
et le patch rayonnant [12]. Les quatre techniques d'alimentation les plus
courantes utilisées sont la ligne microruban, la sonde coaxiale (techniques avec
contact), le couplage par ouverture et le couplage par proximité (technique sans
contact).
Page | 12


I.6.1. Alimentation avec la ligne microruban

Dans ce type de technique d'alimentation, un ruban conducteur est
connecté directement au bord du patch rayonnant comme le montre la figure I.5.
La longueur de la bande conductrice est plus petite par rapport au patch et ce
genre d'alimentation a l'avantage que celle-ci peut être gravée sur le même
substrat pour fournir une structure planaire.
Source rayonnante (Patch) Substrat diélectrique
Ligne d’alimentation
(Microruban)
Plan de masse
Figure I.5 : Alimentation par microruban

Le but de l'encart coupé dans le patch est d'adapter l’impédance de la

ligne d'alimentation au patch sans avoir recours à un élément d’adaptation
additionnel. Ceci est achevé par un contrôle correct de la position de l'encart. Par
conséquent c'est une technique d’alimentation facile, puisqu'elle permet la
fabrication et la simplicité de modélisation, ainsi que l’adaptation d'impédance.
Cependant, certaines applications nécessitent un substrat épais, ce qui engendre
l’augmentation des ondes de surface et le rayonnement parasite, entraînant une
dégradation de la bande passante [12].
I.6.2. Alimentation par câble coaxial

L'alimentation coaxiale ou l'alimentation par sonde est une technique très
utilisée pour alimenter les antennes plaques. Le conducteur intérieur du
connecteur coaxial s’étend à travers le diélectrique et il est soudé au patch, alors
que le conducteur extérieur est relié au plan de masse (Figure I.6).
Page | 13


Source
rayonnante
Connecteur coaxial
Plan de masse
Figure I.6 : Alimentation par sonde coaxiale
L'avantage principal de ce type d'alimentation est qu’elle peut être placée

à n’importe quel endroit désiré du patch afin d’assurer l’adaptation d’impédance.
Cette méthode d'alimentation est facile à fabriquer et a un rayonnement
parasitaire faible. Cependant, son inconvénient principal est qu'elle fournit une
bande passante étroite et elle est difficile à modéliser puisqu'un trou doit être
foré dans le substrat et le connecteur sort en dehors du plan de masse, cela ne
la rend pas complètement planaire pour les substrats épais ( 0.002 ).
En outre, pour des substrats plus épais, l’accroissement de la longueur de sonde
rend l'impédance d’entrée plus inductive, menant aux problèmes d’adaptation
[17]. Il est clair à partir de ce que nous avons vu, qu’avec un substrat
diélectrique épais, ce qui fournit une large bande passante, les alimentations par
lignes microruban et par câble coaxiale soufrent de plusieurs inconvénients. Les
techniques d'alimentation sans contact que nous allons discuter ci-dessous,
résolvent ces problèmes.
I.6.3. Alimentation couplée par ouverture

Dans ce type d'alimentation, le patch rayonnant et la ligne microruban
d'alimentation sont séparés par le plan de masse comme représenté dans la
figure I.7. Le couplage entre le patch et la ligne d'alimentation est assuré par
une fente ou une ouverture dans le plan de masse.
Page | 14


Source rayonnante
Substrat 1
Plan de masse
ε η
Substrat 2 ε η
Ouverture
ou fente Stub
Ligne microruban
Substrat 2 d’alimentation
Figure I.7 : Alimentation couplée par ouverture (ou fente)
L'ouverture de couplage est habituellement centrée sous le patch. La

quantité de couplage à partir de la ligne d'alimentation au patch est déterminée
par la forme, la taille et l'emplacement de l'ouverture. Puisque le plan de masse
sépare le patch et la ligne d’alimentation, le rayonnement parasite est minimisé.
D'une façon générale, un matériau ayant une constante diélectrique élevée est
employé pour le substrat inférieur, alors qu’un matériau épais ayant une
constante diélectrique faible est employé pour le substrat supérieur afin
d’optimiser le rayonnement du patch [12]. L'inconvénient majeur de cette
technique d'alimentation est qu'elle présente des difficultés au niveau de la
fabrication en raison des couches multiples, qui augmentent également
l'épaisseur d'antenne. Cette technique d’alimentation fournit aussi une largeur de
bande étroite.
I.6.4. Alimentation couplée par proximité

Cette technique d'alimentation est connue également sous le nom de
couplage électromagnétique. Deux substrats diélectriques sont employés tels que
la ligne d'alimentation soit située entre les deux substrats et le patch est imprimé
sur le substrat supérieur comme il est montré dans la figure I.8. L'avantage
principal de cette technique d'alimentation est qu'elle élimine le rayonnement
parasite dû à l'alimentation et fournit une largeur de bande très élevée (plus que
13%) [12], en raison de l'augmentation globale de l'épaisseur de l'antenne. Cette
technique fournit également des choix entre deux milieux diélectriques différents,
Page | 15


un pour le patch et un pour la ligne d'alimentation pour optimiser les

performances de l’antenne.
Source rayonnante
Substrat 1
Couplage 1
Substrat 2 2
Ligne microruban
d’alimentation Plan de masse

Figure I.8 : Alimentation couplée par proximité
L’adaptation peut être réalisée en contrôlant la longueur de la ligne

d'alimentation. L'inconvénient principal de cette technique d'alimentation est
qu'elle est difficile à fabriquer en raison des deux couches diélectriques qui
nécessitent un alignement approprié. En outre, il y a une augmentation de
l'épaisseur globale de l'antenne.
Le tableau I.1 récapitule ci-dessous les caractéristiques des différentes

techniques d'alimentation.
Alimentation Alimentation Alimentation Alimentation

Caractéristiques par ligne par ligne couplée par couplée par
microruban coaxiale ouverture proximité
Rayonnement parasite de
Plus Plus Moins Minimum
l’alimentation
Pauvres à cause
Fiabilité Meilleur Bon Bon
de soudure
Soudure et Alignement Alignement

Facilité de fabrication Facile
forage requis requis requis
Adaptation d’impédance Facile Facile Facile Facile
Bande passante
(réalisé avec adaptation 2‐5% 2‐5% 2‐5% 13%
d’impédance)
Tableau I.1 : Comparaison entre les différentes techniques d'alimentation [4]
Page | 16

Chapitree I Réseeaux d’anten
nnes imprim
mées

I.7. LE
ES RESEA
AUX D’ANT
TENNES IMPRIME
I EES
L
L'utilisatio aque unique s'avère
on d'une antenne pla e souvent insuffisante pour
dre aux contrainte
répond es de ray
yonnemen ées. Des caractériistiques
nt imposé
spécifiq
ques comme un ga obe principal conformé ne peuvent
ain élevé ou un lo p
généra
alement être
ê obten
nues que par le re
egroupem
ment de p
plusieurs sources
s
rayonn
nantes pou
ur former un
u systèm
me appelé « réseau ».
»
L groupe
Le ement en réseau le mple est obtenu avec des sources
e plus sim s
identiques qui se
e déduisen anslation. Ces alignements
nt les unes des autrres par tra
nt être sittués dans un plan (réseaux linéaire-rréseaux plans) (Figure I.9
peuven
(a)) ou
u plaqués sur
s une su
urface courbe (résea ure I.9 (b)).
aux conforrme) (Figu

a. Réseaux linéaires et
e plans b. Réseauxx conforme
es
d'antennes d'an
ntennes
Figure I.9 : Rése

eaux d’antennes imp
primées
P
Pour le ré
éseau liné
éaire, nou
us essayon
ns de con
nformer le
e diagram
mme de
rayonn
nement uniquement dans le
e plan contenant les sourrces. Lors
s d'une
cation du diagramm
modific me de rayo
onnement sur l'ense
emble de l'hémisphè
ère, les
sources élémentaires doivent être disposées selon
s le ré
éseau bidim
mensionne
el.
D
Dans une
e antenne
e réseau, l'énergie est distrribuée en
ntre les diverses
d
sources rayonna
antes selon
n une loi donnée
d : les
l caracté
éristiques de rayonn
nement
du système dépendent à la fois du diagramm
me de rayonnementt de l'élém
ment de
base, des
d coeffic
cients d'ex
xcitation en
n amplitud chaque source, la
de et en phase sur c
distanc
ce entre élléments ett aussi de l’orientatiion angula
aire des pa
atchs.
Page | 17
P


La géométrie du réseau est déterminée grâce aux étapes suivantes [8]:

- Le gain, la taille maximale de l'antenne, les ouvertures angulaires des
diagrammes dans les plans principaux déterminent le nombre d'éléments
rayonnants nécessaires.
- La distance entre deux éléments rayonnants successifs peut varier de 0.6 à
0.75 pour que la directivité du réseau soit maximale. Si les éléments sont
trop rapprochés, le phénomène de couplage qui se crée fait diminuer la valeur
maximale de la directivité. S'ils sont trop éloignés, des lobes de réseau
apparaissent.
- Si le diagramme de rayonnement doit vérifier un gabarit éventuellement
imposé, des outils de synthèse de réseau permettent de déterminer les
pondérations et déphasages à appliquer à chaque élément. La pondération en
amplitude permet notamment de diminuer le niveau des lobes secondaires et
la pondération en phase de diriger le lobe principal dans une direction
privilégiée.
- Ensuite, à partir de la théorie des lignes, il faudrait élaborer le circuit des
lignes microrubans alimentant les différents éléments rayonnants. L'objectif
de cette étape est double : d'une part, il faut réaliser l'adaptation 50 de
l'antenne au niveau du point d'excitation et, d'autre part, réaliser les
répartitions en phase et en amplitude calculées au cours de l'étape
précédente.
Ces dispositifs sont très intéressants pour deux raisons :

a. Ils permettent de réaliser des aériens à balayage électronique, lesquels sont
de plus en plus employés dans les techniques radars.
b. Ils permettent également la réalisation d’antennes plaquées sur des surfaces
qui peuvent être en principe de formes quelconques.
Leur théorie élémentaire suppose qu’il n’y a aucun couplage entre les
sources élémentaires, ce qui n’est pas le cas. La présence de ces couplages va
modifier à la fois les diagrammes individuels de chacune de ces sources et leurs
impédances d’entrée, ces dernières font souvent entraîner l’apparition de
directions aveugles. Quant aux déformations des diagrammes, elles se
retrouveront sur la forme du diagramme de l’ensemble. Ce dernier effet est
Page | 18


surtout sensible dans le cas des réseaux conformés. Enfin, il ne faut pas oublier
qu’un réseau dans lequel les sources rayonnantes sont régulièrement disposées
constitue une structure périodique, laquelle peut propager des ondes de surface
qui vont d’ailleurs participer aux couplages entre sources, donc intervenir dans le
gain et le diagramme du réseau [6].
Globalement, les réseaux d’antennes imprimées sont des antennes très

utilisées compte tenu de leurs nombreux avantages. La possibilité que l’on puisse
jouer sur de nombreux facteurs et donc adapter le diagramme notamment aux
exigences les plus variées des cahiers des charges explique le fait que leurs
domaines d’applications sont extrêmement variés. On peut citer des applications
[1] dans les systèmes mobiles et satellitaires, réseaux conformés sur surfaces
coniques (ailes d’avions, missiles…).
I.7.1. Etude de l’élément rayonnant primaire

L'élaboration d'un réseau d'antennes imprimées dépend entièrement des
caractéristiques obtenues sur l'antenne élémentaire, en termes de fréquence de
résonance, de bande passante, de diagramme de rayonnement et de gain. C'est
pourquoi une étude approfondie de cet élément de base est absolument
nécessaire.
I.7.1.1. Diagramme de rayonnement

Dans cette partie, nous allons présenter le calcul du champ rayonné à
grande distance de l’antenne dans tout l’espace. La plupart de ces notions sont
définies pour l’antenne considérée en émission ou en réception.
I.7.1.1.1. Notions de plan de coupe

Un graphique en trois dimensions paramétré en fonction de la direction
permet de présenter au mieux les caractéristiques de rayonnement. Néanmoins,
nous représentons en série de plans de coupe les diagrammes afin de mieux les
visualiser. Sur la figure I.10, nous observons une sphère fictive représentée
partiellement. Sur cette sphère, nous avons évalué les composantes de champs
électriques qui permettent de caractériser le rayonnement d’une antenne.
Page | 19


0°
Méridien à constant
Angle polaire
Cercle à constant
Antenne 90° 90°
Angle azimutal
Equateur 90°
0°
Figure I.10 : Définition des coordonnées pour les tracés de diagramme
Prenons comme exemple une antenne que l’on polarise verticalement avec
un lobe de rayonnement principal dans la direction . Le plan est le plan
horizontal. Deux plans de coupe permettent de caractériser le rayonnement.
Dans le plan 90° , la composante verticale du champ électrique est tracée
en fonction de l’angle d’azimut . Nous désignerons ce diagramme par
90°, . Il est généralement appelé diagramme du plan . Dans le plan , c’est
l’angle polaire qui permet de mesurer la composante de champ électrique.
On désigne ce diagramme par , 90° et il est généralement appelé
diagramme du plan .
Si nous polarisons l’antenne horizontalement et en prenant un lobe

principal de rayonnement dans la direction , nous évaluons les diagrammes en
fonction des angles et . Les plans sont les mêmes que pour l’antenne à
polarisation verticale. La différence est que la composante de champ est tracée
selon (horizontale). Nous identifions donc les diagrammes significatifs par
90°, et , 90° .
Page | 20


Il est néanmoins rare de rencontrer une seule polarisation de champ.

Généralement, on trace les diagrammes de rayonnement en champ ou en
puissance en valeur absolue ou relative. Nous les présentons sous forme de
rapport exprimé en décibels et normalisé, à savoir l’intensité maximale du champ
dans une direction donnée, et le niveau de référence. Dans la mesure où le tracé
des courbes du champ électromagnétique présente des variations de grandes
amplitudes, cette présentation est très appréciée. Lorsque l’on évoque
diagramme, on parle d’abord du rayonnement isotrope car il permet de
caractériser les autres diagrammes. Le rayonnement isotrope se définit par une
densité de puissance par unité d’angle solide, appelée aussi intensité de
rayonnement égale quelle que soit la direction considérée.
I.7.1.1.2. Diagramme de rayonnement

Nous définissons le diagramme de rayonnement d’une antenne comme
étant la fonction représentant la densité de puissance rayonnée à grande
distance par unité d’angle solide.
A grande distance d'un système rayonnant supposé à l'origine du

système de référence, l'onde rayonnée est sphérique et présente localement les
propriétés d'une onde plane. Dans une direction donnée , , la densité de
puissance rayonnée par unité d'angle solide est une grandeur indépendante de ,
reliée au champ électrique en régime harmonique par la relation :
, , , (I.1)
Avec 120 Ω impédance d’onde dans le vide.

Soit , la direction du maximum de cette densité. On exprime alors la
fonction , normalisée à 1 par :
,
, (I.2)
,
, ,
, (I.3)
, ,
Avec | , , | , , , , (I.4)
Page | 21


La fonction , représente le diagramme de rayonnement de l'antenne.

Ce diagramme, indépendant de la puissance d'alimentation de l'aérien,
caractérise la répartition de la puissance rayonnée dans l'espace à grande
distance. Une expression simplifiée peut alors être établie et sera utilisée pour
évaluer numériquement le diagramme de rayonnement.
I.7.1.2. Gains d’une antenne

Le gain d’une antenne est le rapport de l’intensité maximum de
rayonnement obtenue au sommet du lobe principal sur l’intensité de
rayonnement dans la même direction qui serait produite par une source
électromagnétique isotrope alimentée par la même puissance d’entrée.
Le gain du réseau dépend de celui de l'antenne élémentaire défini par la

relation :
, , (I.5)
Avec , la densité de puissance rayonnée par unité d'angle solide dans la

direction , et la puissance de normalisation.
Suivant la nature de , trois types de gain sont définis :

- Le gain réalisé , pour , avec la puissance incidente prenant en
compte les pertes par désadaptation et les pertes dans l'antenne (pertes
diélectriques, pertes par effet Joule…); c'est le gain que l'on obtient en
mesure.
- Le gain intrinsèque , pour , avec la puissance acceptée dans
l'antenne ne prenant pas en compte les pertes par désadaptation.
- La directivité , pour avec la puissance totale rayonnée ; c'est
une caractéristique intrinsèque de l'antenne seule, représentant la capacité de
l'antenne à concentrer l'énergie dans une direction particulière.
Une fois l’ensemble des caractéristiques de l’élément de base précisément

connues, nous pouvons passer à la mise en réseau de ces éléments primaires, à
savoir la détermination de sa géométrie puis l’élaboration du circuit de
distribution.
Page | 22


I.7.2. Réseaux rectilignes

Pour calculer le champ rayonné par un réseau rectiligne, considérons un
ensemble de sources identiques alignées régulièrement sur un axe d’un
repère cartésien et équidistantes d’une distance « » appelée pas du réseau
(Figure I.11).

Figure I.11 : Réseau rectiligne
Avant toute chose, il est important pour ce qui suit de supposer qu’il
n’existe pas de couplage entre les sources et que chacune d’elles en présence
des autres rayonne le même champ .
Le champ total rayonné en zone lointaine par le réseau rectiligne sera la

somme des différentes contributions des champs rayonnés par chaque source
pondérées par les coefficients d’excitation et ceux de leurs déphasages
géométriques. L’expression du diagramme de directivité est donnée par :
∑ (I.6)
Qu’on peut encore écrire :
(I.7)
: Indice de la source.
: Nombre total des sources.
: Diagramme élémentaire d’une source unique.
: Constante de propagation et est la longueur d’onde.
Page | 23


Où est une fonction propre au réseau, appelée facteur du réseau. Il ne dépend

que du pas du réseau et de sa loi d’excitation . Physiquement, il représente le
gain apporté par l’association en réseau [1,2].
I.7.3. Réseaux plans

Les réseaux bidimensionnels d'antennes furent très utilisés il y a quelques
décades pour faire des émissions directionnelles dirigées horizontalement en
ondes courtes. Ces communications servaient à communiquer avec d'autres
continents ou avec des navires en mer. Ce sont les antennes utilisées surtout
dans les radars à balayage. Ce type d'antenne permet d'orienter le faisceau du
radar sans déplacer mécaniquement l'antenne [1,3].
Les réseaux bidimensionnels d'antennes actuelles sont formés par

quelques milliers d'émetteurs individuels disposés en réseau bidimensionnel
carré, rectangulaire ou, plus souvent, hexagonal.
Considérons un réseau de antennes élémentaires, dans le plan

(Figure I.12). Chacune de ces sources , rayonne un champ qui
peut s'écrire, à grande distance, d'après le théorème de superposition:
, , , (I.8)
, ,
Figure I.12 : Réseau plan rectangulaire
Page | 24


Avec :
, : Caractéristique vectorielle de rayonnement de la source en
présence des autres aériens.
, : Position du centre de la source dans le plan .
, , : Coordonnées sphériques du point d'observation.
L’application du théorème de superposition [7] permet de calculer le

champ total , , rayonné par le réseau :
, , ∑ ∑ , (I.9)
Les termes , prennent en compte la spécificité du rayonnement de

chaque source élémentaire ainsi que l’influence des sources voisines ou encore
de la proximité du plan de masse.
Lorsque les sources sont très faiblement couplées, des coefficients

d'excitation complexes sont introduits via la relation :
, , (I.10)
Où , représente la caractéristique vectorielle de rayonnement normalisée

(indépendante de la puissance d'alimentation), supposée identique pour chaque
source, ce qui implique que les éléments du réseau soient tous orientés et
polarisés de la même façon.
Le champ total rayonné s'écrit alors :
, , , , (I.11)
Avec :
, ∑ ∑ (I.12)
Le terme , est appelé communément le "facteur de réseau"; il ne

dépend que de la répartition des éléments dans le réseau et de leurs coefficients
d'excitation.
Page | 25

Chapitree I Réseeaux d’anten
nnes imprim
mées

L diagramme de rayonnem
Le ment du réseau est donné par la relation
r
suivantte :
| , | | , |
, | | | |
(I.13)
, ,
Où , est la direction du maxim

mum du terme : | , , | .
La dire
ectivité ma
aximale du
u réseau est calculée
e par l'exp
pression :
| , | | , |
, (I.14)
| , | | , |
Pour un
u rayonnement un
niquementt dans le demi-espace supérrieur au plan
p du
réseau.
I.7.4. Réseaux conformés

D par le
De e, les antennes imprimées mises
eur forme m en réseau peuvent
p
ent épouser différentes surfa
aiséme aces, leurr permetta
ant de miieux s'inté
égrer à
l'enviro
onnement (Figure I.13).
I Cet aspect est intéressant pourr de nomb
breuses
applica
ations da
ans les domaines
s civils ou milita
aires pou
ur des raisons
aérody
ynamiques
s ou de cou
uverture angulaire
a [1].
[

Fiigure I.13 : Réseaux

x conformés
L
L'analyse de réseaux d'antenn
nes imprim
mées conformes difffère beauc
coup de
celle des
d résea aires. En effet, les diagram
aux plana mmes de chaque source
ntaire surr des surfaces no
élémen on planes peuventt être tous différe
ents et
fortement distorrdus, supp
primant la notion de d réseau. Il faut ajouter à
e facteur de
cela les difficulté
és d'analy es fonctions de Gre
yse liées à un calcul précis de een des
sources élémenttaires. De plus, les effets
e de courbure
c m
modifient lle couplage entre
capteurs et celuii-ci doit êttre pris en compte à l'aide de technique
es adaptée
es.
Page | 26
P


Le plus souvent, les réseaux conformés sont utilisés pour assurer une
couverture sur 360° en azimut et élévation desservant ainsi toute la sphère
d’observation, d’où une meilleure détection des cibles en mouvement dans
l’espace. C’est d’ailleurs cette dernière fonction parmi tant d’autres qui a fait
qu’on soit vite orienté vers l’usage des réseaux conformés d’antennes imprimées.
La nouvelle orientation des sources rend la notion du facteur de réseau

hors usage et nous met devant l’évidence de calculer les valeurs de notre
diagramme de rayonnement pas à pas tout en introduisant des matrices de
changement de repère pour retrouver les contributions différentes des sources
apportées au rayonnement général du réseau, dans le repère global. De la même
façon nous devrons faire appel aux matrices de passage des coordonnées
sphériques aux coordonnées cartésiennes et vice versa, dans le but de connaître
toutes les composantes du champ électromagnétique d’une part, et d’autre part,
pouvoir appliquer la notion de passage entre les repères différents sans
ambiguïté.
Page | 27


I.8. CONCLUSION
La technologie microbande en général, et les antennes imprimées en
particulier connaissent un succès croissant auprès des industriels et des
professionnels de télécommunication, qu’elle soit spatial ou terrestre. Il est
nécessaire de bien définir l’intégralité des paramètres des antennes, afin de
prévoir son comportement avant même la réalisation d’une partie, et de
s’assurer qu’elle se conformera aux exigences des systèmes.
Ce chapitre a fait l’objet de généralités sur les antennes imprimées, leurs

techniques d’alimentation les plus utilisées ainsi que les différentes méthodes
d’analyse. Ce type d’antenne représente une nouvelle génération qui a trouvé un
large usage dans le domaine de télécommunications.
Par ailleurs, nous avons décrit différents types de réseaux d’antennes

classés par ordre de dimensions : linéaire, plan, conformé, leurs paramètres
physiques avec un rappel sur l’expression du diagramme de rayonnement pour le
réseau unidimensionnel et bidimensionnel, ainsi que quelques définitions de
base, associées au rayonnement électromagnétique. Enfin, nous avons exposé
les avantages qu’offre le réseau conformé par rapport aux autres types, tout en
indiquant les difficultés que cela peut entraîner comme le calcul séparé du motif
de rayonnement de chaque source.
Nous nous intéresserons dans les chapitres suivants à la synthèse des

réseaux conformés par action sur les paramètres géométriques des sources,
permettant d’obtenir un diagramme de rayonnement exigé à l’avance par
l’utilisateur.
Page | 28

CHAPITRE II
ALGORITHMES GENETIQUES
MULTI-OBJECTIFS

Chapitre II Algorithmes génétiques multi‐objectifs

II.1. INTRODUCTION
La compétition entre les entreprises est toujours plus dure : dans le
monde contemporain, la force motrice des entreprises est la recherche constante
de développement technologique, qui fera la différence, sur le marché, pour leurs
produits. Ainsi, le besoin d’outils d’analyse, qui donnent aux ingénieurs des
ressources pour l’amélioration de leurs dispositifs, est flagrant. C’est là le
principal objectif de ce mémoire : le développement d’un instrument efficace
d’optimisation et d’analyse. Nous voulons obtenir une méthodologie souple et
robuste, capable de résoudre des problèmes complexes.
Le mot « optimisation » est déjà utilisé de façon courante, mais beaucoup

de ceux qui l’emploient ne disposent pas d’outils spécifiques avec cette finalité.
Ainsi, l’ingénieur cherche-t-il toujours la performance maximale de son produit,
sans renoncer aux spécifications de coût minimum du projet. Ces processus de
maximisation et de minimisation peuvent être, grosso modo, appelés
optimisation. Optimiser signifie rechercher la meilleure solution à un problème
donné.
La principale application pratique de l’outil proposé est l’optimisation de

réseaux conformés d’antennes par l’orientation locale en azimut et en élévation
des éléments du réseau afin d’adapter la caractéristique de rayonnement sur
plusieurs plan de vue (multi-objectif) à une fonction désirée.
Les problèmes proposés et les solutions obtenues sont étudiés en détails,

de façon à clarifier des points cruciaux pour les antennes conformées. On ajoute
à ces analyses une large discussion sur les détails de l’interaction entre le
problème posé, et la méthode d’optimisation, de manière à ce que les outils
obtenus ici puissent être utiles à la résolution de n’importe quel problème
d’optimisation.
La difficulté principale dans la mise en œuvre d’une optimisation

électromagnétique réside dans le coût numérique de la simulation
électromagnétique située à l’intérieur de la boucle d’optimisation.
Page | 30


II.2. JUSTIFICATION
Il existe plusieurs méthodes d’optimisation, et chacune d’entre elles donne

de meilleurs résultats avec certains types de problèmes. Le choix de la méthode
dépend d’une série de caractéristiques du problème à optimiser, et surtout du
comportement de la fonction qui le représente, comportement habituellement
difficile à déterminer. Pour faire le choix de la méthode, il est aussi nécessaire
d’avoir une bonne connaissance des outils d’optimisation.
Selon les caractéristiques des problèmes, il est possible de classer les

méthodes d’optimisation en deux grands groupes : programmation linéaire et
programmation non-linéaire [18,19,20]. Le premier groupe traite de la résolution
de problèmes parfaitement représentés par un système d’équations linéaires. La
programmation non-linéaire traite de problèmes non-linéaires.
Les techniques de programmation non-linéaire peuvent être subdivisées en

trois groupes [19] : méthodes déterministes, méthodes stochastiques et
méthodes énumératives. Les méthodes déterministes sont basées sur le calcul de
la dérivée du problème, ou sur des approximations de cette dérivée. Elles
nécessitent donc quelques informations sur le vecteur gradient, soit qu’elles
cherchent le point où il est nul, soit qu’elles utilisent sa direction. Les méthodes
stochastiques utilisent un ensemble d’actions qui cherchent la solution optimale
de façon « aléatoire orientée », sans avoir besoin d’aucune information sur les
dérivées ou sur le comportement du problème. Les méthodes énumératives font
un balayage complet (recherche exhaustive) de toutes les solutions possibles, ce
qui, dans la plupart des problèmes, demande un temps de calcul excessif.
En ingénierie, notamment en électromagnétisme, les problèmes sont

d’habitude complexes, non-linéaires, et nécessitent souvent l’utilisation de
méthodes numériques pour leur résolution [12,21]. Ainsi, les outils de
programmation non-linéaire sont les plus aptes pour leur optimisation. Parmi les
méthodes stochastiques, il y en a une qui devient célèbre pour être robuste,
simple à implémenter, et pour pouvoir fonctionner sans avoir besoin de connaître
Page | 31


le comportement du problème : les Algorithmes Génétiques (AGs), présentés

initialement par HOLLAND [22], et ultérieurement par GOLDBERG [23]. De
nombreux travaux de recherche ont déjà été réalisés, appliquant les algorithmes
génétiques à l’optimisation de problèmes en électromagnétisme [24,25].
Il faut souligner un autre point important, concernant l’optimisation en

général. Dans la plupart des problèmes, la solution optimale ne prend pas en
compte une seule caractéristique à minimiser ou maximiser (approche
monocritère), mais plusieurs. Normalement, ces caractéristiques devraient être
considérées simultanément pendant la recherche de la meilleure solution. A titre
d’exemple, un ingénieur ne doit pas concevoir un dispositif en pensant
exclusivement en obtenir la meilleure performance. Il est aussi nécessaire que le
produit final respecte divers critères comme un niveau de bruit admissible, une
consommation acceptable, ou encore que le coût de cet équipement soit le plus
petit possible. Dans ce cas, une approche multicritère du problème est
nécessaire [26,27]. La différence principale dans cette approche est la manière
de présenter les résultats. Les différents objectifs sont fréquemment concurrents
ou antagonistes, c'est-à-dire que l’amélioration de l’un entraîne la détérioration
de l’autre ou des autres. De ce fait, la solution d’un problème multicritère ne
correspond pas à une seule solution optimale, mais à tout un groupe de
solutions, qui caractérisent l’ensemble des compromis possibles entre les divers
objectifs. Saisir ces compromis permet à l’ingénieur de mieux comprendre son
problème, et lui donne la possibilité d’obtenir finalement un produit meilleur.
Si nous considérons encore les aspects d’ordre pratique (imprécision dans

la construction, par exemple), il nous faut vérifier si la qualité d’une solution
reste acceptable quand les paramètres associés subissent de petites variations.
Par exemple, l’obtention d’une aile d’avion produisant un gain phénoménal en
efficacité aérodynamique peut ne pas signifier un grand avantage si une variation
de quelques millimètres de sa position (due par exemple aux vibrations) annihile
complètement ce gain. Ainsi, la maximisation de l’immunité de la solution aux
perturbations peut devenir un nouvel objectif pour l’obtention de la solution
optimale.
Page | 32


En partant de là, la motivation de développement de cette thèse est

l’élaboration d’un « Algorithme Génétique Multi-Objectif » (AGMO). Cet outil
devra être capable de résoudre des problèmes de grande complexité, comme
dans le cas des applications que nous allons développer, dédiées aux antennes
conformes.
II.3. APPLICATION PRATIQUE : SYNTHESE DE RESEAUX CONFORMES

La synthèse des diagrammes de rayonnement des réseaux d’antennes
imprimées préoccupe de plus en plus les spécialistes du domaine, car la
connaissance au préalable de certaines caractéristiques de ces réseaux
permettant d’atteindre des exigences imposées à leurs caractéristiques de
rayonnement électromagnétique s’est révélée nécessaire pour la poursuite des
cibles sur des domaines spatiales bien limités.
La synthèse des réseaux conformés d’antennes imprimées, c’est un

problème complexe qui fait intervenir plusieurs contraintes dues à la géométrie
convexe des surfaces porteuses, ces contraintes n’étant pas prises en compte
pour les réseaux rectilignes ou plans.
Pour notre objectif principal qui est la synthèse des réseaux conformés par
orientation angulaire locale des sources, nous devrons faire appel aux méthodes
d’optimisation pour faire obéir au maximum le diagramme de rayonnement d’un
réseau conformé à des contraintes électromagnétiques imposées sous forme de
gabarit fonction ou à niveaux, ceci permettra de venir à bout à une utilisation
adaptée au besoins de ces réseaux conformés d’antennes.
II.4. OBJECTIFS ET CONTRIBUTIONS

Notre but, et principale contribution dans ce travail, c’est le
développement d’un outil d’optimisation stochastique multicritère qui permet le
traitement de problèmes complexes. Cette méthodologie devra être applicable à
divers types de problèmes, et doit donc être un outil souple et robuste.
L’AGMO proposé est basé sur la réunion de techniques validées par la

communauté scientifique, en cherchant toujours à augmenter l’efficacité de
Page | 33


convergence de la méthode. Dès le départ, nous avons eu la préoccupation de

rechercher un algorithme « équilibré », en accordant le même degré
d’importance à l’espace des objectifs et à l’espace des paramètres. Cet équilibre
conduit à une meilleure exploitation du problème, en facilitant par conséquent
l’obtention de solutions efficaces. Pour autant, des changements dans presque
tout le code base ont été nécessaires.
Il est important de souligner que l’outil d’optimisation proposé ici a de

grandes potentialités d’applications, et n’est donc pas seulement capable de
résoudre le problème d’antenne présenté. La facilité d’adaptation et la généralité
de la méthode élaborée à cette occasion ont conduit à des travaux en association
avec d’autres auteurs et pour d’autres applications que des antennes imprimées
(optimisation des modèles C.R.M (Consumer Relationship Management), les
apports de l'intelligence artificielle à l'amélioration du processus de prévision de
cours de change).
II.5. OPTIMISATION MULTICRITERE

La plupart des problèmes réels requièrent l’optimisation simultanée de
plusieurs objectifs. Dans le cas de l’optimisation monocritère, la solution optimale
est facilement définie ; ce n’est pas ainsi dans le cas de plusieurs objectifs. Au
lieu d’une solution unique, le résultat d’une proposition multicritère est
généralement un assortiment de solutions, qui se distinguent par différents
compromis réalisés entre les objectifs. Cet assortiment est connu comme Pareto-
optimal. Les solutions qui le composent sont optimales, dans le sens qu’il n’existe
dans l’univers de recherche aucune solution meilleure si tous les objectifs sont
considérés simultanément. Ainsi, le but de l’optimisation multicritère, aussi
appelée de multi-objectif ou vectorielle, consiste à obtenir les solutions de Pareto
[50,51] et, par conséquent, à connaître l’ensemble des compromis possibles
entre les objectifs. Cela fournit au chercheur une meilleure compréhension de
son problème.
Page | 34


Dans cette partie nous présentons les principes et les concepts

mathématiques relatifs à l’optimisation multi-objectif, puis un rapide panorama
des différentes méthodologies permettant de résoudre ce type de problème.
Nous conclurons en justifiant notre choix des méthodes évolutionnaires.
II.5.1. Concepts de base et terminologie concernant l’optimisation

Tout d’abord, nous définissons les concepts communs à n’importe quelle
méthode d’optimisation :
- Fonction objectif : équation mathématique qui représente ce qu’on désire
améliorer dans un dispositif. Elle est aussi appelée critère d’optimisation,
fonction coût, fonction d’adaptation, ou encore performance (fitness
function).
- Paramètres : correspondent aux variables de la fonction objectif. Ils sont
ajustés pendant le processus d’optimisation, pour obtenir le(s) solution(s)
optimale(s). On les appelle aussi variables d’optimisation, variables de
conception ou de projet (design variables).
- Espace de recherche : domaine (délimité ou pas) défini par l’ensemble des
combinaisons des valeurs des paramètres. Il correspond à l’espace des
solutions. La dimension de l’espace de recherche est définie par le nombre
de paramètres impliqués dans les solutions (par exemple, si chaque
solution est définie par trois paramètres, l’espace de recherche est
tridimensionnel). On l’appelle aussi espace des paramètres.
- Espace des objectifs : ensemble image de l’espace de recherche,
déterminé par toutes les valeurs possibles des fonctions objectif.
- Contraintes : spécifications du problème qui limitent les espaces des
paramètres (contraintes constructives, etc.) et/ou qui interdisent une
certaine bande de valeurs dans les objectifs (par exemple, des
présupposés du projet peuvent imposer que, au-dessous d’une valeur
déterminée, la solution ne soit pas considérée).
- Domaine réalisable : région de l’espace (des paramètres et/ou des
objectifs) dans laquelle les contraintes sont respectées. On l’appelle aussi
espace admissible.
- Domaine non-réalisable : région de l’espace où les contraintes sont
violées.
Page | 35


Les mécanismes pour l’exploration de l’espace de recherche, spécifiques à

chaque méthodologie d’optimisation, sont conditionnés par des paramètres de
contrôle (nombre d’itérations, direction de recherche, vérification de
convergence, etc.) et par des conditions initiales (valeurs initiales des
paramètres, limites des domaines, etc.). La figure II.1 représente de manière
générique un algorithme d’optimisation.
Paramètres de Contrôle
Déclaration
Fondamentales
Objectifs Méthodes Analyse du Solution
Paramètres d’Optimisation Problème
Contraintes
Condition Initiales
Figure II.1 : Illustration de la disposition des divers composants d’une

méthodologie d’optimisation.
La figure II.2 présente un exemple de problème avec deux variables et

deux objectifs, sujet à deux contraintes ( 1 et 2) sur les paramètres et une
contrainte sur les objectifs ( 1). Dans cette figure il est montré quelques
situations particulières de façon à illustrer les concepts présentés. De manière à
être le plus général possible, les optima des fonctions ne sont pas définis en
termes de maximisation ou minimisation, mais par une région de l’espace des
objectifs. Cette représentation permet de remarquer :
- La correspondance d’une solution de (espace des paramètres) en
(espace des objectifs) n’est pas toujours possible, notamment pour les
solutions non admissibles.
- Même les solutions qui respectent les contraintes imposées aux
paramètres sont soumises aux exigences imposées aux objectifs.
- Deux solutions distinctes (ou différentes) dans l’espace des paramètres
peuvent correspondre à des points proches dans l’espace des objectifs
(problème multimodal). Le contraire est aussi possible : deux solutions
proches dans l’espace des paramètres peuvent générer des points écartés
dans l’espace des objectifs (discontinuités, ou région très « sensible »).
Page | 36


Espace de paramètres ( ) Espace d’objectifs ( )

x Solutions optimales
1
Solutions réalisables
Solutions invalides

Solutions non considérées
x
Figure II.2 : Relations entre les différents espaces d’un problème d’optimisation
II.5.2. Problème multi-objectif

L’approche monocritère d’un problème signifie que la fonction objectif à
minimiser (ou maximiser) est une fonction à valeur unique. Soit le vecteur

des paramètres qui doivent être ajustés et . : la fonction objectif qui
mesure la qualité de chaque solution (par convention, plus petit est ,
meilleure sera la solution ). Un problème d’optimisation monocritère peut être
exprimé comme :
arg min (II.1)
C’est-à-dire que la méthode d’optimisation doit être capable de déterminer le
vecteur qui minimise la fonction . .
Cependant, dans la plupart des problèmes réels, il faut prendre en compte

fonctions objectif, un ensemble de contraintes sur les paramètres et
contraintes sur les objectifs (optimisation multicritères restrictive). En
conséquence, le problème peut être écrit comme [28] :
Maximiser , ,…, (II.2)

Sujet à , ,…, 0
, ,…, 0
Avec , ,…, , ,…,
Page | 37


Où est le vecteur des paramètres, est le vecteur des objectifs, est l’espace
des paramètres ( dimensions) et l’espace des objectifs ( dimensions). Les
contraintes 0 déterminent le domaine des solutions réalisables:
| 0 (II.3)
Il faut comprendre que la contrainte des objectifs ( ), même si elle fait

partie des spécifications du problème, possède un caractère secondaire dans le
processus d’optimisation. Ce type de contrainte est utile comme une réduction de
l’espace de recherche « inverse » (cette notion sera expliquée avec plus de
détails au paragraphe II.10.2).
En ce qui concerne le problème illustré par la figure II.2, le projet optimal

est celui qui possède une performance maximale avec un coût minimal, et ne
viole pas les contraintes, par exemple. Si une telle solution existe, il suffit de
résoudre le problème avec une approche monocritère (II.1). La solution optimale
pour un objectif le sera aussi pour l’autre objectif. Pourtant, l’approche
multicritère est utile quand la solution optimale correspondant à chaque fonction
objectif est différente de l’autre (ou des autres). Dans ce cas, les objectifs sont
dits concurrents : l’amélioration de l’un entraîne la détérioration de l’autre ou des
autres, et l’optimisation monocritère ne peut pas être utilisée (§ II.5.4). Ce
conflit entre les objectifs s’explique facilement : de façon générale, des
structures de haute performance tendent à avoir un coût élevé, alors que des
dispositifs plus simples et usuellement peu coûteux auront des performances
moindres. Selon les demandes du marché, une solution intermédiaire
(performance satisfaisante et coût acceptable) pourrait être « optimale ». Cette
discussion montre qu’une définition différente de ce qu’est une « solution
optimale » est nécessaire pour aborder les problèmes multicritères.
Page | 38


II.5.2.1. Comparaison de vecteurs

Dans l’optimisation monocritère, les solutions optimales peuvent être
« totalement ordonnées » selon la fonction de mérite : pour deux solutions ,
on a ou . L’objectif est de trouver la solution qui
donne la plus grande (ou la plus petite) valeur à . Cependant, quand plusieurs
objectifs sont impliqués, la situation change : n’est pas totalement ordonné,
mais seulement partiellement. Cela parce que devient un vecteur (II.2). Pour
deux vecteurs quelconques de objectifs, cette situation peut être
mathématiquement exprimée par:
1,2, … ,
1,2, … , (II.4)

Pour les relations et les expressions sont analogues.
En reprenant l’exemple de la performance par rapport au coût, la figure

II.3.a présente une disposition des solutions qui illustre cette notion d’ordre
partiel.
Coût
Espace
Coût
domine

Frontière dominante est dominé
0 0
Performance Performance
a. Comparaison de vecteurs b. Concepts de dominance
(deux variables)
Figure II.3 : Relations entre objectifs – Dominance
Page | 39


La solution représentée par le point est meilleure que celle représentée

par le point : elle possède une performance plus élevée et un coût plus bas. En
confrontant et , on remarque que est aussi meilleur que , car avec un
même coût il produit une meilleure performance.
Pour utiliser la notation (II.4), il faut d’abord choisir une fonction

d’ajustement de façon à obtenir deux problèmes de maximisation, ou deux de
minimisation. Une manière simple de construire cette fonction d’ajustement pour
transformer, par exemple, un problème de minimisation en maximisation est :
û , où la « constante » est une valeur supérieure à n’importe
quelle valeur possible du coût.
En utilisant ce transfert, on peut vérifier que (II.4) : , , et par

conséquent que . Pourtant, quand les solutions et sont comparées, on
ne peut pas définir quelle est la meilleure, en effet a la meilleure performance,
mais a le coût le plus bas . Par conséquent, pour les problèmes
multicritères, quand deux solutions possibles et sont confrontées, il y a trois
possibilités: , ou .
La solution - performance maximale et coût minimum – n’existe pas quand les
objectifs sont concurrents.
Pour caractériser ces différentes situations, nous pouvons utiliser le

concept de dominance originellement introduite par Pareto [29,30].
II.5.2.2. Dominance de Pareto

Pour deux vecteurs quelconques de paramètres et :

(II.5)
é à
Les définitions pour des problèmes de minimisation , , sont analogues.
Page | 40


Sur la figure II.3.b, le rectangle gris foncé délimite dans l’espace des
objectifs la région qui est dominée par le vecteur des paramètres représenté par
. N’importe quelle solution située dans le rectangle gris clair domine la solution
représentée par . Par rapport à des solutions en dehors de ces deux rectangles,
sera indifférent.
Ainsi, à cause de ce caractère vectoriel, on distingue deux types de solutions :
- Il y aura des solutions qui, en considérant tous les objectifs proposés,
seront pires que d’autres. Elles sont nommées solutions dominées ou non
efficaces.
- Il y aura des solutions qui, comparées à n’importe quelle autre solution,
seront meilleures suivant au moins l’un des objectifs (et donc moins
bonnes pour les autres). Dans ce cas, elles sont considérées comme
indifférentes ; il n’est pas possible de comparer ces solutions entre elles,
et en particulier de dire quelle est la meilleure. Ces solutions non-
dominées sont aussi parfois dites efficaces.
II.5.2.3. Optimalité au sens de Pareto

Le vecteur de paramètres est dit non-dominé si seulement si :
(II.6)
Ainsi, est déclaré Pareto-optimal si et seulement si est non-dominé dans le
.
Dans la figure II.3 les points , et représentent des solutions Pareto-

optimales. Aucune n’est ni meilleure ni pire que les autres, quand on tient
compte de tous les objectifs. C’est la différence principale par rapport à
l’approche monocritère : pour des problèmes multicritères, il n’y a pas une
solution optimale unique, mais un ensemble de solutions dont aucune ne peut
être identifiée comme étant la meilleure sans introduire un nouveau critère de
classification (p. ex., la préférence pour un des objectifs). L’ensemble de toutes
ces solutions non dominées est appelé ensemble optimal au sens de Pareto, ou
ensemble Pareto optimal. Par correspondance, l’ensemble de leurs vecteurs
objectifs forme la frontière ou le front de Pareto.
Page | 41


II.5.2.4. Ensemble non-dominé et frontière

Soit un ensemble de dispositifs réalisables, et . une fonction qui
détermine les solutions non-dominées dans n’importe quel sous-ensemble de
( paramètres et objectifs). est donc l’ensemble des éléments de non-
dominés, et le groupe de vecteurs est, dans l’espace des objectifs, la
frontière non-dominée correspondant à . Ainsi, l’ensemble est dit
Pareto-optimal, et est connu comme la frontière Pareto-optimale.
Le défi principal de l’optimisation multicritère est de trouver le plus grand

nombre possible de solutions non-dominées. Cela parce que, avec une frontière
Pareto-optimale, il est possible de comprendre la dépendance entre les objectifs
et, ainsi, le comportement du problème. La figure II.4.a présente un exemple de
problème strict à un domaine d’étude. Dans cet exemple, nous avons deux
fonctions ( et ) et les différentes combinaisons sont présentées, pour une
minimisation ( ) ou une maximisation ( ) de chacun des objectifs, ces
différentes combinaisons définissant plusieurs frontières Pareto-optimales.
Domaine d’étude
3 4 1
2 Pareto local
3

4
1
Pareto global
2

a. Divers combinaisons b. Pareto global et local

(espace bidimensionnel)
Figure II.4 : Frontières Pareto-optimales

Page | 42


La frontière Pareto-optimale contient la totalité des solutions optimales.

Cependant, comme dans le cas de l’approche monocritère, des optima locaux
peuvent exister, en constituant des ensembles non-dominés dans des voisinages
déterminés. Dans ce contexte, [31] discute le concept correspondant à la
frontière Pareto-optimale locale.
Soit un ensemble de vecteurs des paramètres :
1- L’ensemble est Pareto-optimal si et seulement si :

(II.8)
Où . est une métrique pour la distance et 0 (rayon minimal dans l’espace
des paramètres), 0 (rayon minimal dans l’espace des objectifs). Ces rayons
minimaux sont déterminés par le chercheur de façon à étudier une région
quelconque.
2- L’ensemble est Pareto-global si et seulement si :
(II.9)
La différence entre l’optimal local ou le global peut être observée dans la

figure II.4.b.
II.5.3. Exemple de problème multicritère

Un problème simple, avec des fonctions analytiques, a été choisi pour
illustrer la théorie exposée jusqu’ici. Soit un problème avec une variable unique
(paramètre) et deux fonctions objectif :
2 (II.10)
Où 2 3 . Les objectifs sont la minimisation des ces deux fonctions

simultanément. La figure II.5.a montre les fonctions et les solutions non-
dominées. Nous constatons que toutes les solutions sont non-inférieures lorsque
est dans l’intervalle 0 2 . La figure II.5.b présente par rapport à .
Les points non-dominés correspondent à la frontière Pareto-optimale.
Page | 43


15 15

Objectif 1 (fonction 1)
Valeurs des fonctions
Aire non‐dominée Frontière dominée
10 10
Frontière Pareto‐optimale
x f1 f2
‐1 1 9
5
0 0 4
4 2 4 0
0 3 9 1
0
‐2 ‐1 0 1 2 3 0 2 4 6 8 9
Valeurs de x (solutions possibles) Objectif 2 (fonction 2)
b. Fonctions a. Frontière Pareto-optimale
Figure II.5 : Exemple test de minimisation avec un paramètre et deux objectifs
Comme nous l’avons discuté à la section II.5.2 et montré dans cet

exemple, le résultat d’un problème multicritère est un groupe de solutions
optimales , ici il appartient à l’intervalle 0 2 . Pourtant, quelle que soit la
méthode d’optimisation utilisée, nous souhaitons obtenir une solution unique
comme réponse finale. Ce « processus de sélection » peut être fait dans une
étape de décision, dans laquelle nous choisissons la solution la plus intéressante
selon un critère additionnel. Ces décisions peuvent être prises avant, pendant ou
après le processus d’optimisation. Bien entendu, quand nous ne connaissons pas
le comportement du problème, ou quand nous souhaitons mieux le comprendre,
il serait plus intéressant de prendre les décisions après le processus
d’optimisation. Dans l’exemple donné plus haut, nous pouvons décider de choisir
la solution qui minimise de manière égale les deux fonctions. On a ainsi, pour
1, 1 1 1 1.
Dans la suite, nous présentons des méthodes pour la recherche des

solutions optimales et des méthodes de décision, pour les problèmes multicritère.
Page | 44


II.5.4. Recherche et décision

La résolution des problèmes multicritères est divisée, fondamentalement,
en deux étapes : détermination des solutions efficaces, puis étape de décision.
La première étape consiste à rechercher les solutions Pareto-optimales dans
l’espace réalisable. L’étape de décision concerne la sélection d’une solution de
compromis entre les solutions Pareto optimales. Pour cela, le chercheur prend
une décision externe au processus d’optimisation.
Selon comment et quand le processus d’optimisation et l’étape de décision

sont combinés, les méthodes de résolution peuvent être classées en trois
catégories ([33], parmi d’autres déjà mentionnés) :
- Des décisions avant le processus de recherche (a priori) : le chercheur

décide le compromis qu’il veut obtenir avant de lancer la méthode de
résolution (recherche). Fondamentalement, nous transformons le
problème multi-objectif en un problème monocritère, par exemple :
Maximiser ,…, (II.11)
Sujet à et, usuellement, ∑ 1
Après cette transformation, nous pouvons appliquer n’importe quel

technique monocritère pour la résolution du problème. Cependant, le choix des «
poids » n’est pas évident, notamment quand les objectifs sont très
antagonistes (c’est-à-dire, quand le maximum d’un objectif est le minimum de
l’autre) comme en figure II.6.a. La figure II.6.b donne une interprétation
possible de la pondération d’objectifs, pour deux situations différentes (l’une
privilégiant l’objectif 1, l’autre l’objectif 2). La pondération correspond à une
projection du front de Pareto sur la direction , , ce qui crée un ordre total (il
s’agit d’un produit scalaire classique). Suivant le choix des valeurs relatives de
et , le « meilleur » individu est totalement autre. Des résultats peu fiables
peuvent découler d’un mauvais choix de la pondération.
Page | 45


1, 2
Objectif 2
1 Frontière
Valeurs des fonctions
Fonction 1
Fonction 1
(normalisées)
Pondération 1 (0.7 0.3)
Pondération 2 (0.4 0.6)
2 1 2
1 1 2
0
‐8 Valeurs de 8 Objectif 1
(Solutions possibles du problème)
a. Problème multi-objectif b. Pondérations 1 privilégiant l’objectif1

à objectifs antagonistes Pondérations 2 privilégiant l’objectif2
Figure II.6 : Pondération d’objectifs antagonistes (illustration)
- Des décisions pendant le processus de recherche (progressif) : la

procédure fait des choix pendant le processus d’obtention des solutions
non-dominées. Le résultat de la consultation du décideur est utilisé dans la
recherche de nouvelles solutions efficaces. Dans cette approche aussi, une
certaine expérience est nécessaire, pour que les choix soient faits de façon
à guider le processus d’optimisation dans la direction de la formation de la
frontière Pareto-optimale. Parmi les méthodes progressives, la plus connue
est probablement le MinMax [32,33]. Eventuellement, la prise de décision
progressive peut être utilisée pour la réduction de l’espace de recherche.
- Des décisions après le processus de recherche (a posteriori): La

présentation des décisions après l’étape de définition des solutions
efficaces est la plus logique des trois, cela parce que les choix seront faits
par rapport aux réponses finales découvertes. Autrement dit et comme on
l’a déjà expliqué, l’ensemble Pareto-optimal défini permet de connaître le
compromis du problème en relation aux objectifs analysés. Cette
connaissance des dépendances entre les objectifs simplifie le choix final.
Page | 46


Dans la section suivante quelques difficultés usuellement rencontrées dans

les problèmes multicritères sont présentées. La connaissance de ces difficultés
permet de guider le choix des méthodologies de recherche des solutions non-
dominées, comme il sera expliqué à la section II.5.6.
II.5.5. Difficultés additionnelles des problèmes multicritère

Comme dans l’optimisation monocritère, les difficultés de la résolution des
problèmes multicritère découlent de la présence des contraintes et du
comportement des fonctions objectifs. Les principales difficultés de l’optimisation
de problèmes multicritères sont présentées à la figure II.7 : convexité,
discontinuités et multi-modalité (optimaux locaux et/ou globaux multiples).
En plus de ces difficultés, nous pouvons citer aussi la « non-uniformité »

des solutions dans l’espace des objectifs. Certains problèmes et/ou méthodes de
résolution peuvent présenter des caractéristiques qui concentrent les solutions
dans des régions déterminées (cette « concentration des solutions » ne concerne
que les méthodes à population, cela sera discuté dans les pages suivantes). Si
ces régions ne sont pas proches des solutions de Pareto, ou si ces régions sont
juste une fraction de la frontière optimale, la caractérisation globale de
l’ensemble Pareto-optimal peut être compromise, comme le montre la figure
II.7.d. La détermination correcte du groupe de solutions efficaces est
fondamentale pour comprendre l’arrangement entre les objectifs.

Contraintes Pareto
global
Locaux
Pareto convexe
d. Frontières multiples

Pareto?
Pareto Forme de
non convexe la frontière
a. Convexe ou non- b. Discontinuités c. Uniformité des solutions

convexe
Figure II.7 : Difficultés additionnelles des problèmes multicritères
Page | 47


II.5.6. Méthodes non-linéaires pour la recherche de solutions

La famille des méthodes d’optimisation de problèmes non linéaires
(comme le sont la plupart des problèmes de l’électromagnétisme), comme
mentionné avant, peut être divisée en trois grands groupes : méthodes
déterministes, stochastiques et énumératives [19]. De façon moins orthodoxe,
on peut aussi classer les méthodes en trois groupes [33], qui n’incluent pas la
totalité des méthodes, mais permettent cependant de caractériser la plupart
d’entre elles :
- Méthode utilisant une « direction de recherche ».
- Méthode basée sur l’ « exclusion de semi-espaces ».
- Méthode de « recherche par populations ».
La logique de construction de ces méthodologies conduit à des limitations

d’utilisation, qui font que l’efficacité de chaque méthode dépend du type de
problème à résoudre.
II.5.6.1. Méthodes de « direction de recherche »

Ces méthodes sont basées sur la recherche d’une suite de points dans
l’espace d’optimisation ; cette recherche nécessite la connaissance d’un vecteur
indiquant la direction de décroissance de la fonction, autrement dit du gradient
de la fonction à minimiser (dans le cas des problèmes de minimisation). La
recherche du point optimal utilise le point courant comme point d’origine pour
l’itération suivante 1 Il existe plusieurs façons d’exécuter ces itérations, par
exemple :
(II.12)
Où est le pas de calcul et la direction de recherche du point optimal.
La figure II.8 présente l’application des méthodes de FLETCHER-REEVES,

de NEWTON et BFGS [19] à la minimisation d’une fonction quadratique de deux
variables. Par rapport aux difficultés citées dans la section II.5.5, on peut dire
que :
Page | 48


- Discontinuités : l’existence de discontinuités et de non-différentiabilités

dans les fonctions peuvent causer des problèmes pour le calcul du gradient
ou de ses approximations. Dans beaucoup de cas, les discontinuités et
non-différentiabilités peuvent même rendre impraticable la résolution du
problème.
- Non-convexité : si la fonction est unimodale et ne possède pas de

discontinuités, les algorithmes utilisant une « direction de recherche »
n’ont pas de difficultés à converger pour des fonctions non-convexes.
- Multi-modalité : Si la continuité et la différentiabilité sont assurées, ce

type d’algorithme garantira la localisation du point optimal. Cependant,
nous n’aurons jamais la certitude que cet optimal est global, car il peut
n’être que local. Il est nécessaire de répéter le processus d’optimisation
plusieurs fois, toujours avec des points initiaux différents, pour améliorer
la probabilité d’avoir trouvé l’optimum global.
Fonction FLETCHER‐REEVES
quadratique
BFGS
NEWTON
Point optimal
Variable 2
Variable 1
Figure II.8 : Méthodes de « direction de recherche »
Page | 49


II.5.6.2. Méthodes d’« exclusion de semi-espaces »

Les méthodes d’« exclusion de semi-espaces » sont celles qui utilisent des
approximations du gradient des fonctions objectifs pour définir un plan qui divise
l’espace des objectifs en deux demi-espaces, sachant que le gradient doit
nécessairement décroître dans l’un des demi-espaces [34,35]. Font partie de ce
groupe les diverses méthodes de « plans de coupe » via des contraintes, les
méthodes de points intérieurs, les méthodes ellipsoïdales etc.
Fondamentalement, ces méthodes travaillent en trois étapes : on calcule d’abord
en un point le « sous-gradient » des fonctions à optimiser ; on partage ensuite,
en ce point, l’espace de recherche en deux et on exclut l’un de ces deux sous-
espaces ; dans la région restante, on fait une nouvelle estimation du point
optimal. Ce processus est poursuivi jusqu’à ce qu’une condition de convergence
soit obtenue.
Par rapport aux difficultés citées dans la section II.5.5, nous pouvons dire
que :
- Discontinuités : L’existence de discontinuités et de non-différentiabilités

des fonctions objectifs ne constitue pas un problème et elle n’empêche pas
le fonctionnement correct de ces méthodes. Dans le processus itératif, le
point suivant n’est pas estimé par une trajectoire, mais il est localisé à une
distance déterminée du point précédent.
- Non-convexité : la convexité des fonctions traitées est la condition

principale de fonctionnement de ces méthodes. Si cette condition n’est pas
vérifiée, le processus d’exclusion travaillera « en aveugle », si bien que le
comportement de la méthode devient imprévisible.
- Multi-modalité : cette caractéristique peut être considérée comme un cas

particulier de non-convexité, les conclusions sont donc analogues.
En ce qui concerne la vitesse de convergence et pour les problèmes où les

méthodes d’ « exclusion de semi-espaces » et les méthodes de « direction de
recherche » peuvent être appliqués, il y a le plus souvent une tendance pour que
Page | 50


ces dernières soient plus rapides. Il est alors recommandé de n’utiliser les
méthodes d’ « exclusion de semi-espaces » que lorsqu’il existe des non-
différentiabilités qui empêchent l’utilisation des méthodes de « direction de
recherche ».
II.5.6.3. Méthodes de « recherche par populations »

Les deux familles de méthodes présentées jusqu’ici œuvrent avec une
seule solution courante. La solution suivante est calculée d’après la solution
courante plus une information sur la région où elle est incluse (gradient). Au
contraire, les méthodes de « recherche par populations » travaillent
simultanément avec un ensemble de solutions courantes, appelé population
courante. La construction de la population suivante est alors basée sur les
informations obtenues en plus d’un point de l’espace des paramètres. Ces
informations font référence aux valeurs des fonctions objectif, qui permettent de
déterminer quelles sont les meilleures solutions; on n’utilise pas d’information
portant sur le gradient de ces fonctions. Les méthodes de « recherche par
populations » les plus connues sont les Algorithmes Génétiques [23].
Par rapport aux difficultés citées dans la section II.5.5, on peut dire que :
- Discontinuités : du fait que ces méthodes n’utilisent pas d’information sur

les gradients des fonctions, il n’existe pas de difficultés relatives à la non-
différentiabilité des fonctions objectif.
- Non-convexité : parce qu’elles travaillent avec des populations, ces

méthodes ne sont pas influencées par les non-convexités.
- Multi-modalité : le grand avantage de ces méthodes par rapport aux

autres familles est la possibilité de détecter des optimaux locaux et
l’optimum global. Les méthodes de recherche par populations sont celles
qui approchent le mieux le concept « d’algorithme d’optimisation pour des
problèmes génériques » (multimodaux, avec contraintes, convexes ou non
convexe, etc.).
Page | 51


Bien sûr que les méthodes de recherche par populations ont des
limitations. La première, c’est que le résultat donné par ces méthodes dépend de
la distribution de la population initiale. La méthode convergera difficilement si
l’optimum global est éloigné de la région où la population initiale est concentrée.
L’efficacité de ces méthodes est donc fortement liée au choix d’une population
initiale qui explore bien tout l’espace de recherche. Le second point négatif est la
vitesse de convergence. Par comparaison avec d’autres familles de méthodes, les
méthodes à populations sont souvent plus « lentes », dans le sens qu’elles
peuvent nécessiter un nombre plus grand d’évaluations de la fonction objectif. Le
coût de calcul peut de ce fait être plus élevé pour les mêmes résultats (lorsque
les autres méthodes permettent d’obtenir un résultat).
II.5.7. Considérations sur les méthodes de recherche, problème

multicritère et antenne imprimées
En raison des caractéristiques des trois groupes de méthodes étudiés au
paragraphe II.5.6, et des aspects multi-objectifs des problèmes que nous
voulons traiter, la famille la plus appropriée pour résoudre ces problèmes est la
« recherche par population ». Le travail avec un groupe de solutions (population)
facilite la recherche de la frontière de Pareto. Avec les autres méthodes, il
faudrait répéter le processus d’optimisation avec des contraintes ou des poids
différents pour obtenir une approximation de la frontière Pareto-optimale.
Avec les progrès des calculateurs, les méthodes stochastiques de

recherche par population sont de plus en plus utilisées, notamment quand les
problèmes à résoudre ont une complexité élevée (il faut rappeler que les
méthodes stochastiques sont celles qui utilisent des procédés probabilistes
« aléatoire orientés » pour atteindre les solutions optimales).
Les problèmes qui traitent les antennes imprimées en particulier les antennes
conformes sont généralement complexes, non-linéaires, et ils nécessitent
souvent l’utilisation d’outils numériques pour obtenir l’estimation de la fonction
coût [21,12], ce qui justifie l’utilisation de méthodes qui n’emploient pas
d’information sur les dérivées.
Page | 52


Parmi les méthodes stochastiques, les algorithmes appelés évolutionnaires

ont gagné en notoriété. Ces méthodologies sont aptes à travailler avec des
espaces de recherche grands et complexes (beaucoup de paramètres à ajuster,
d’objectifs à atteindre, de contraintes à respecter, etc.) [36].
L’avantage le plus significatif de l’utilisation d’un outil de recherche

évolutionnaire est le gain de flexibilité et d’adaptation au problème concerné,
associé à une performance robuste (quoique cela dépende du problème) et à une
caractéristique de recherche globale.
Nous avons présenté jusque là les concepts nécessaires pour la

compréhension d’un problème multicritère, ainsi que la définition de l’ensemble
Pareto-optimal, qui est une représentation de sa solution. Les méthodologies
traditionnelles d’optimisation ont aussi été discutées, en tenant compte des
difficultés particulières relatives au caractère multi-objectif et aux problèmes qui
traitent les antennes imprimées, qui sera l’application centrale de ce travail. A
partir des analyses réalisées, nous avons dans la suite optée pour un algorithme
évolutionnaire de « recherche par population », à savoir l’Algorithme Génétique
Multicritère, qui va être présenté. Au-delà de l’état de l’art, nous détaillerons
l’implémentation de cette méthode pour la résolution de problèmes complexes.
II.6. AGMO
L’ « Algorithme Evolutionnaire » (AE) est la dénomination donnée à une
classe de méthodes d’optimisation stochastiques, qui simulent le processus
d’évolution naturelle décrit par DARWIN [37]. L’origine des AE date des années
50. Cependant, le développement d’innombrables techniques ne s’est produit
qu’avec l’augmentation de la capacité de calcul des ordinateurs dans les années
80. Les techniques d’AE sont aujourd’hui très reconnues [26,38].
Dans la grande variété de méthodes évolutionnaires qui ont été

développées, l’Algorithme Génétique (AG) se distingue nettement [22,23].
Toutefois, d’autres procédures d’optimisation fondées sur la simulation de
systèmes naturels ont aussi été étudiées aujourd’hui, comme par exemple les
Page | 53


réseaux neuronaux [39], les systèmes immunologiques [40] ou les colonies de

fourmis [41].
Nous présentons dans la partie suivante les principes et les détails

d’implémentation d’un Algorithme Génétique Multi-objectif (AGMO) efficient. La
validation de son efficacité est faite avec :
- Optimisation des modèles C.R.M (Consumer Relationship Management).
- Dans le problème d’optimisation du diagramme de rayonnement des
antennes conformes (application essentiel de notre travail).
- Les apports de l'intelligence artificielle à l'amélioration du processus de
prévision de cours de change (hybridation entre l’AGMO et les réseaux de
neurones).
II.7. L’ALGORITHME GENETIQUE

L’AG est une technique d’optimisation basée sur les concepts de la
sélection naturelle et génétique. L’algorithme commence avec un ensemble de
solutions possibles du problème (individus), constituant une population. Les
individus sont formés par des variables, qui sont les paramètres à ajuster dans
un dispositif (par exemple, la longueur et la largeur du système à optimiser).
Cette population est conçue aléatoirement à l’intérieur de limites prédéfinies (par
exemple, les limites dictées par les aspects constructifs). Certaines solutions de
la première population sont utilisées pour former, à partir d’opérateurs
génétiques (croisement, mutation, etc.), une nouvelle population. Ceci est
motivé par l’espoir que la nouvelle population soit meilleure que la précédente.
Les solutions qui serviront à former de nouvelles solutions sont sélectionnées
aléatoirement d’après leurs mérites (représentés par une « fonction objectif »
spécifique au problème posé, qui devra être minimisée ou maximisée) : meilleur
est l’individu, plus grandes seront ses chances de se reproduire (c’est-à-dire,
plus grande sera sa probabilité d’être sélectionné pour subir les opérateurs
génétiques). Ceci est répété jusqu’à ce qu’un critère de convergence soit satisfait
(par exemple, le nombre de générations ou le mérite de la meilleure solution). Le
principe des AG est présenté en figure II.9.
Page | 54


Définitions de paramètres initiaux :
‐ Nombre d’individus Génération de
‐ Nombre de générations la population initiale
‐ Probabilités, etc.
Sélection de couples
Opérateurs génétiques :
Responsables par la sélection ;
Permutation et insertion de
matériel génétique, et évaluation
des nouveaux individus. Croisement et mutation
Le processus aléatoire étant
orienté par la sélection,
Enfants
les individus de la nouvelle
génération tendent à être de
meilleur qualité que ceux de la
génération précédente.
Le processus est répété jusqu’à
Individus plus qualifiés
ce qu’un critère de convergence
soit satisfait
Figure II.9 : Concepts de base d’un Algorithme Génétique
Parmi les avantages des AG, on peut mentionner la facilité de travailler

avec des paramètres discrets ou continus (ou sur des mélanges des deux types
de paramètres), et le fait qu’ils n’ont pas besoin d’information sur le gradient de
la fonction objectif ; les éventuelles discontinuités de la fonction objectif ont peu
d’effet sur la performance de ces algorithmes ; ils se laissent difficilement piéger
par des optimums locaux ; ils peuvent traiter un grand nombre de paramètres,
et sont très adaptés au calcul parallèle ; ils génèrent une liste de solutions semi-
optimales et non pas une seule solution (ce qui est d’une grande importance
pour l’optimisation multi-objectif, comme mentionné auparavant) ; ils agissent
de la même façon, que les données soient générées numériquement,
expérimentalement ou analytiquement ; etc. Toutes ces caractéristiques
contribuent à ce que les AG soient efficaces pour une grande variété de
problèmes d’optimisation.
Page | 55


Comme l’AG est un outil stochastique, il peut être nécessaire d’optimiser

un problème plusieurs fois pour s’assurer, par répétition, que la solution
découverte est la meilleure. Cette exigence de répétition peut être considérée
comme un inconvénient des AG. Un autre inconvénient de cette méthode est la
nécessité dans chaque génération de connaître le mérite de chaque individu :
selon le problème à résoudre, cette analyse peut être coûteuse (par exemple,
dans le cas de calcul du diagramme de rayonnement dans les réseaux
conformes).
II.8. L’ETAT DE L’ART DE L’ALGORITHME GENETIQUE MULTI-OBJECTIF

L’application des AG à l’optimisation multi-objectif est récente. D’après
VELDHUIZEN & LAMONT dans l’Analyzing the State-of-the Art [33], publié en
2000, le premier travail a été proposé par SCHAFFER [45] en 1984. Dès lors, le
nombre de publications dans ce domaine grandit exponentiellement. En 1999,
COELLO [44] a présenté une étude classifiant et évaluant diverses techniques
d’optimisation multi-objectif. Cette étude a conclu que la plupart des méthodes
sont basées sur les AG monocritère. Les différences portent sur la méthode de
sélection des individus. D’après plusieurs auteurs déjà mentionnés, les
procédures principales sont :
- L’AG basé sur un vecteur d’évaluation [45,46]: on modifie l’opérateur

génétique de sélection d’un AG monocritère de façon à créer des
populations séparées pour chaque objectif. Ceci génère des spécialisations,
c’est-à-dire que chaque population tendra vers le point optimal de chaque
objectif et non vers la frontière Pareto-optimale associée au problème.
- L’AG Multi-objectif (Multi-objective Genetic Algorithm – MOGA) [47]. L’idée

du MOGA est d’établir un ordre des individus : les non-dominés ont des
classifications semblables, tandis les dominés sont pénalisés d’après leur
dominance. La difficulté est de trouver une façon d’interpoler ces deux
groupes de manière à permettre une bonne conformation de la frontière
Pareto-optimale.
Page | 56


- L’AG basé sur le tri des non-dominés (Nondominated Sorting Genetic

Algorithm – NSGA) [48,49]. Dans ce cas, seules les solutions non-
dominées sont sélectionnées. Comme ces solutions sont efficaces, elles
auront la même probabilité de se reproduire. Dans cette méthodologie,
l’inconvénient est la difficulté de maintenir la diversité de la population.
L’absence de diversité peut générer une frontière incomplète, c’est-à-dire
une concentration des solutions dans certaines régions.
- L’AG basé sur le nichage de Pareto (Niched Pareto Genetic Algorithm –

NPGA) [50]. L’une des techniques de sélection pour l’AG monocritère est le
tournoi entre les individus [23]. HORN & NAFPLIOTIS ont implémenté un
tournoi dans lequel la règle de compétition est liée à la dominance de
Pareto. Dans cette méthode, il est difficile de déterminer combien
d’individus participeront au tournoi, et lesquels.
- La méthode des populations intermédiaires [51] : Cet algorithme a trois

étapes : la détermination des points minimums pour chaque objectif ; la
recherche de la population intermédiaire (basée sur le choix de individus
pour chaque objectif) ; et à partir de cette population, la définition de la
frontière Pareto-optimale. La principale restriction de cette méthode est
que chaque objectif doit avoir un optimum unique dans l’espace d’étude
(fonction unimodale).
- L’algorithme évolutionnaire basé sur la « force » de Pareto (Strength

Pareto Evolutionary Algorithm – SPEA) [52,53]. Un numéro indiquant une
mesure de force pour chaque individu est créé par le processus de
sélection. Les individus non-dominés doivent posséder une « force » plus
grande.
Il existe déjà plusieurs travaux confrontant les diverses méthodologies

d’AGMO. Parmi les plus récents, on peut citer : ZITZLER [54] en 1999, DIAS &
VASCONCELOS [55] en 2002 et REGNIER [56] en 2003. D’après ce dernier, les
méthodes SPEA et NSGA méritent une attention particulière : le SPEA-II et le
NSGA-II semblent être aujourd’hui des techniques de référence solides.
Page | 57


D’autres travaux ont été développés de façon à compléter ces

méthodologies. Nous citons par exemple l’incorporation de contraintes à l’espace
d’étude (proposé en 2003 par VIEIRA et al. [57]), ou la possibilité de résoudre
en calcul parallèle (présenté en 2003 par VELDHUIZEN [58]). Plusieurs
méthodologies de test de performance ont également été proposées, comme
celles publiées par VELDHUIZEN & LAMONT [59], ou par TAKAHASHI [60].
Dans la section suivante, les principes de base des algorithmes

évolutionnaires seront décrits, ainsi que leur interaction avec la recherche multi-
objectif. Cela résumera les idées fondamentales des travaux que nous venons de
citer. A partir de cet état de l’art et de nos observations, nous avons développé
notre propre algorithme génétique multi-objectif (§ II.10), qui s’avère être
efficace.
II.9. PRINCIPALES PREOCCUPATIONS DANS LA RECHERCHE

MULTICRITERE
D’une manière générale, un algorithme évolutionnaire est caractérise par
trois éléments : (1) un ensemble de solutions candidates est soumis ; (2) à un
processus de sélection ; et (3) les solutions choisies sont manipulées par des
opérateurs génétiques, dans l’intention d’améliorer ce groupe.
En raison de leur parallélisme inhérent, les AE ont le potentiel de trouver

plusieurs solutions de Pareto durant une seule itération. Cependant, dans les
applications complexes, il n’est pas toujours possible d’obtenir les solutions
optimales, ou l’ensemble Pareto-optimal complet (il faut rappeler que la notion
d’optimal est une idéalisation dans la plupart des problèmes réels). Par
conséquent, le but principal de l’optimisation de problèmes multicritère peut être
reformulé et généralisé, en constituant trois objectifs :
- La distance entre la frontière non-dominée trouvée et la frontière Pareto-

optimale doit être minimisée.
Page | 58


- Une bonne distribution (uniformité) des solutions trouvées est souhaitable.

L’absence de solutions sur certaines parties de la frontière peut rendre
difficile le choix final.
- L’étendue de la frontière non-dominée doit être maximisée. Autrement dit,

les valeurs extrêmes pour chaque objectif doivent être atteintes, ce qui
permettrait une meilleure compréhension du compromis entre les
objectifs.

Frontière Pareto‐optimale
Solution réalisable
Frontière non‐dominée
Solution non‐dominée
Décision Solution dominée
Figure II.10 : Principes de l’optimisation multiobjectif
Au-delà de ces trois principes, illustrés en figure II.10, il existe deux

préoccupations fondamentales quand on applique un AE à la résolution d’un
problème d’optimisation multi-objectif :
- Comment relativiser l’information des mérites de chaque individu, avec le

processus de sélection, de manière à guider la recherche par l’ensemble
Pareto-optimal ?
- Comment conserver la diversité de la population de façon à prévenir une

convergence prématurée, et ainsi garantir l’obtention d’une frontière non-
dominée étendue et uniformément distribuée ?
Pour contourner ces difficultés, plusieurs procédures (opérateurs

génétiques) sont employées (détails d’implémentation de chaque procédure sont
présentés dans la suite). Les plus utilisées sont :
Page | 59


- La sélection : elle forme les couples (parents) qui pourront ensuite subir
les autres opérateurs génétiques. La sélection doit, en même temps,
permettre une définition rapide de la frontière de Pareto, et ne pas
conduire à une concentration de la population dans un seul point. Ainsi, le
processus de sélection doit travailler avec deux concepts antagonistes :
convergence rapide d’une part, et maintien de la diversité des solutions
d’autre part (§ II.10.6).
- Le croisement : il génère des individus nouveaux (enfants) par

permutation des « informations » des couples « parents ». Il est
responsable de l’exploration de l’espace de recherche (§ II.10.7).
- La mutation : insertion aléatoire d’ « informations » nouvelles dans les

individus, ce qui agrandit la diversité de la population (§ II.10.7).
- Le nichage : capacité d’explorer simultanément des régions distinctes, en

découvrant des optimums locaux et/ou globaux (§ II.10.5).
- L’éclaircissement : il permet d’éliminer de la frontière non-dominée les

solutions trop proches les unes des autres (§ II.10.3).
- La réflexion : contrôle des valeurs des variables de manière à respecter les

limites imposées (§ II.10.9).
- Elitisme : maintien forcé des meilleures solutions dans le processus

évolutif (§ II.10.9).
- Réduction de l’espace de recherche : diminution de l’espace réalisable des

paramètres, à partir des informations obtenues de la frontière non-
dominée (§ II.10.2).
Page | 60


Nous allons maintenant proposer une implantation particulière

d’algorithme génétique multi-objectif. Dans ce travail nous n’appliquerons pas
directement les diverses méthodes discutées dans la section II.8, même si nous
en reprenons les concepts de base. En effet, comme expliqué au début du
chapitre, nous cherchons un meilleur équilibre entre l’espace des paramètres et
celui des objectifs, afin d’améliorer l’efficacité de la méthode et de faciliter les
études de sensibilité des solutions. Nous expliquerons en détail cet équilibre,
dans chaque procédure, après avoir présenté la structure de l’AGMO. Bien sûr,
augmenter la confiance dans la frontière Pareto et diminuer le temps de
convergence constituent aussi des préoccupations.
Les résultats obtenus dans les problèmes de synthèse du diagramme de

rayonnement dans les réseaux conformes donnent une certaine assurance quant
à l’efficacité de l’algorithme proposé.
II.10. L’ALGORITHME GENETIQUE MULTIOBJECTIF A TROIS

POPULATIONS COURANTES
L’AGMO proposé ici est basé sur trois populations courantes. La figure
II.11 illustre cette méthodologie. L’algorithme commence comme l’AG
monocritère, c’est-à-dire que les spécifications initiales du processus sont
stipulées (probabilités de croisement et de mutation, taille de la population et
nombre maximal de générations). Nous devons connaître précédemment: le
nombre de variables de chaque individu, les limites acceptables de chaque
variable et le nombre d’objectifs qui seront pris en compte.
Toutes les procédures présentées ici, ont été développées pour le codage
réel. Cela signifie que les paramètres (variables d’optimisation) sont des
nombres réels, n’ayant pas besoin de codage, comme par exemple la
transformation en nombres binaires.
Page | 61


Solutions initiales crées aléatoirement
Vérification :
Evaluations Convergence par nombre maximal de
(Analyse des solutions ‐ problème) générations, par exemple
Condition de Pareto Elitisme global
(Aucune solution n’est perdue)
Population non‐ Dominée
dominée Evaluations des enfants
Réflexion des variables
Réduction de l’espace de recherche
Croisement et mutation
Clearing
Sélection
Population réelle
(Solutions non‐dominées + dominées)
Technique de niche
Figure II.11 : L’algorithme génétique multi-objectif développé dans ce travail
Avec les spécifications initiales, on crée d’abord une population initiale de

solutions possibles du problème. Ces individus sont générés aléatoirement dans
les limites préétablies. Après, ces solutions sont évaluées en fonction du
problème posé, et la condition Pareto-optimale (II.6) est testée. En résumé :
1
(II.13)
2
Où est l’espace réalisable. L’ensemble contient les solutions efficaces du

problème.
Page | 62


La vérification (ou non vérification) de la condition de Pareto (II.13)

partage la population en deux groupes : un groupe formé par les solutions non-
dominées ; et un autre formé par des solutions dominées .
On crée une table de dominance qui indique combien de fois chaque
solution est dominée par les autres. Cela est important de manière à permettre
au processus de sélection de travailler seulement avec les solutions qui sont dans
la région proche de l’ensemble de Pareto, ce qui permet une convergence plus
rapide.
Après cette vérification, on peut appliquer une technique d’éclaircissement

(clearing), dont le but est d’obtenir une répartition plus régulière des individus
sur la frontière Pareto. Si de trop grandes similarités parmi les individus sont
détectées (dans l’espace des paramètres et/ou dans celui des objectifs),
certaines de ces solutions peuvent être pénalisées, c’est-à-dire retirées de
.
Pour un meilleur contrôle de tout le processus évolutionnaire, un nombre

fixe d’individus est utilisé pour le croisement et la mutation. Des études
sur les meilleures valeurs pour le pourcentage d’individus qui subiront les
opérations génétiques ont déjà été faites et sont disponibles dans la littérature.
VASCONCELOS [61], par exemple, affirme que le plus important est le nombre
total d’évaluations du problème. C’est-à-dire que, si le nombre d’individus est
petit, on doit compenser en augmentant le nombre de générations. Le contraire
est aussi valable.
Ce groupe de taille fixe, appelé « population réelle » , est recréé

à chaque génération. est toujours composé de toutes les solutions de
(après clearing) ajoutées à ⁄4 solutions de (on choisit
les solutions qui possèdent les plus petits indices de dominance ), de
manière à maintenir une certaine diversité. Si le nombre d’individus de
est encore plus petit que , elle est complétée avec des individus de
(celles qui ont les plus petits index sont choisies). Le cas contraire, c’est-à-dire
lorsque le nombre d’individus de est plus grand que , sera traité
durant le processus de sélection.
Page | 63


Quand elle est nécessaire, la technique de niche peut être exécutée après
l’assemblage de . Cette technique permet l’exploration de régions
distinctes qui ont des optimums locaux. Cela est possible à l’aide d’une
transformation de la fonction objectif : les valeurs de mérites sont remplacées
par des indices de ressemblances entre solutions, dans l’espace des objectifs et
dans celui des paramètres.
Le nombre d’individus sélectionnés pour est toujours . La

sélection est faite par l’action unie de deux procédures. Les parents sont en
partie choisis par échantillonnage déterministe (basé sur la moyenne des mérites
de la population, ce qui augmente la possibilité de sélection d’individus de la
portion centrale de la frontière non dominée) et en partie par tournoi (basé
séparément sur chaque objectif, ce qui facilite le placement d’individus vers les
extrémités de la frontière non-dominée).
Après la sélection, les opérateurs de croisement et de mutation sont

exécutés. Générations après générations, ces opérateurs donnent naissance à de
nouveaux individus (enfants) basés sur les informations contenues dans les
individus courants (parents), de manière à explorer efficacement l’espace de
recherche. La génération de ces individus nouveaux peut ne pas respecter a
priori les contraintes sur les variables (dimensions constructives maximales, par
exemple). Dans ce cas, un ajustement est nécessaire : ou bien les individus
nouveaux sont modifiés de façon à respecter ces limites, ou bien ces limites sont
redéfinies (quand cette option est réalisable).
Les individus nouveaux sont évalués et directement insérés dans .

Donc, toutes les solutions (courantes et nouvelles) sont soumises à la condition
de Pareto (II.13). Il en résulte une population non dominée modifiée,
dont la taille change à chaque génération (elle augmente ou diminue), alors que
la taille de la population dominée ne peut qu’augmenter. Comme dans
les AG monocritère, de bonnes solutions inédites peuvent apparaître à n’importe
quel moment du processus. Cependant, ces individus risquent d’être perdus
pendant le processus évolutionnaire.
Page | 64


C’est le concept d’élitisme global qui garantit la survie des solutions efficaces.
Dans l’AGMO proposé ici, l’élitisme global est implicitement mis en œuvre par
l’utilisation de toutes les solutions non-dominées pour composer la
population réelle . Finalement, le processus évolutionnaire est relancé
avec de nouvelles populations dominée et non-dominée .
Pour réduire le coût de calcul nécessaire pour déterminer la table de

dominance , une taille maximale de est stipulée, c’est-à-dire qu’on
fixe un nombre maximal de solutions dominées. Les solutions qui possèdent les
pires indices de dominance sont transférées dans une population externe
au processus évolutif . Toujours dans l’intention de réduire le coût
calcul, nous envisageons de diminuer l’espace de recherche à explorer. A partir
des propriétés de la frontière non-dominée à chaque génération, nous établirons
les valeurs extrêmes les plus intéressantes pour les objectifs, et nous arriverons
à restreindre les limites des paramètres. Cette action caractérise une méthode
d’optimisation à prise de décision progressive.
Le critère pour mettre fin au processus évolutif peut être un nombre

maximal de générations, un nombre maximal de solutions non-dominées, un test
sur la non amélioration de la frontière, ou n’importe quelle autre décision du
chercheur. L’annexe B « Pseudo-code: algorithme génétique multi-objectif »
présente un schéma du programme principal. Le pseudo-code montre pas à pas
l’algorithme proposé ; il permet d’observer l’enchaînement des actions et de
comprendre la dynamique de la méthode.
II.10.1. Extraction des solutions non-dominées

Pour repérer les solutions non-dominées, il faut tester une à une toutes les
solutions qui composent , en utilisant le test (II.13). Le tableau de
dominance , qui indique combien de fois une solution est dominée par les
autres, est évalué pendant cette vérification. La connaissance de cet index
permet de complémenter la population réelle avec des individus peu
dominés, ce qui accélère le processus de convergence. Par contre, le nombre de
vérifications de la condition de dominance de Pareto augmente du fait de la
construction de ce tableau.
Page | 65


Cependant, le temps pour ce calcul est insignifiant quand on le compare au

temps de calcul nécessaire pour l’analyse du problème, s’il s’agit par exemple du
calcul du diagramme de rayonnement dans les réseaux conformes.
L’annexe B « Pseudo-code: vérification de la condition de dominance de Pareto »
montre la procédure de vérification de la condition de dominance de Pareto (a)
avec et (b) sans le calcul de .
Un autre aspect important consiste à vérifier que les solutions ne sont pas
répétées. Il peut en effet arriver qu’un couple d’individus ne soit modifié ni par le
croisement, ni par la mutation. Ces solutions retourneraient à la vérification de
Pareto pour des résultats identiques aux solutions déjà existantes. Cette
vérification doit être faite en comparant les paramètres de la solution, et non ses
mérites. Des mérites identiques pour des solutions différentes peuvent en effet
exister dans un problème multimodal.
Pour réduire le coût computationnel nécessaire pour évaluer , nous

stipulons une taille maximale pour . Les solutions avec les pires indices
de dominance sont déplacées vers une population externe au processus évolutif
.
II.10.2. Réduction de l’espace de recherche

On peut penser à réduire l’espace des paramètres pour minimiser le coût
de calcul ([64] pour l’optimisation monocritère). En effet, en diminuant la
complexité de la recherche, le nombre de générations nécessaires pour
l’obtention de la frontière Pareto-optimale peut être réduit. Il s’agit alors d’une
méthode à prise de décision progressive. Dans la mesure où une approximation
de la frontière Pareto est connue, le chercheur peut analyser et, s’il le désire,
stipuler les niveaux minimaux (ou maximaux) pour des objectifs déterminés.
Ainsi, les solutions qui sortent de ces spécifications sont éliminées
et les limites de recherche redéfinies. Bien sûr, cette opération dépend du
problème à traiter.
Page | 66


La figure II.12 montre cette procédure dans un problème fictif de

maximisation de performance et minimisation de coût. Après la stipulation d’une
valeur minimale pour la performance et d’une valeur maximale pour le coût,
nous pouvons écarter une grande partie de la région réalisable. Seules les
solutions qui sont dans ces limites poursuivent le processus évolutif. Pour mieux
explorer cette région restreinte, une population nouvelle peut être créée à
l’intérieur de ces limites redéfinies, en s’ajoutant aux solutions déjà existantes.
Région rejetée
Variable 2
Limites initiales
Coût
max Limites après réduction
Pareto
min Performance Variable1
Figure II.12 : Réduction de l’espace de recherche
Remarquons que cet exemple correspond à un cas particulièrement

simple. Nous pourrions avoir dans l’espace des paramètres une forme
quelconque, sans limitation claire pour les valeurs extrêmes des paramètres, et
même plusieurs zones séparées.
Dans les problèmes simples, ces décisions peuvent être faites au début du
processus, comme décision a priori. Cependant, dans les problèmes complexes,
la localisation des meilleures solutions peut ne pas être rapide, mais dépendante
d’une évolution lente. Des restrictions fortes dès le début peuvent rendre le
processus évolutif difficile, ou même impraticable. Comme dans le cas de
l’optimisation monocritère, la réduction de l’espace de recherche doit être utilisée
avec prudence. Une mauvaise utilisation de la réduction risque de faire perdre
des informations, comme par exemple des optimums locaux.
Page | 67


II.10.3. « Éclaircissement » (clearing) des solutions non-dominées

Dans certains problèmes, l’ensemble Pareto peut être extrêmement vaste
ou comporter un nombre infini de solutions (surtout pour des problèmes à
variables continues). La permanence d’un nombre excessif de ces solutions dans
le processus évolutif aboutit à la diminution de la diversité, et peut entraîner une
convergence prématurée : la grande concentration de solutions non-dominées
coupe l’importance (« pression ») du processus de sélection (expliqué dans le
paragraphe II.10.6), en diminuant l’exploration de l’espace de recherche.
La procédure d’éclaircissement (en anglais clearing) a comme principe

d’améliorer l’établissement de la frontière Pareto, en évitant une convergence
prématurée ou encore des agglomérations de solutions dans certaines régions. Il
existe dans la littérature une confusion de dénominations. Il n’est pas rare de
trouver des techniques de clearing sous l’appellation de « niche ». Dans la
présente thèse, la technique de niche sert à la résolution de problèmes
multimodaux, tandis que la technique d’éclaircissement aide à une bonne
conformation de la frontière Pareto, en considérant la possibilité de
multimodalité.
La figure II.13.a montre une procédure usuellement rencontrée dans la

littérature. La figure II.13.b illustre celle qui est adoptée dans notre travail.
Pour améliorer la répartition des individus sur la frontière Pareto, on peut

stipuler une distance minimale entre les individus non-dominés. Cette
procédure est appelée « préservation de la diversité » (Diversity Preservation) et
l’évaluation de est réalisée seulement dans l’espace des objectifs (Figure.
II.13.a) [49,53]. Cette manière de faire fonctionne bien dans les problèmes avec
une seule frontière optimale. Dans les cas des problèmes avec des frontières
multiples, comme dans la figure II.13.b, il convient d’observer aussi la distance
entre les individus dans l’espace de paramètres ; cela permet d’éviter que les
solutions de niches différentes soient pénalisées pour avoir exactement les
mêmes valeurs d’objectifs ou des valeurs semblables. On pourrait aussi penser
ne faire le calcul de que dans l’espace des paramètres, mais il pourrait en
résulter des effets indésirables. Par exemple, on risquerait d’éliminer des
Page | 68


solutions qui sont proches dans l’espace des paramètres, mais qui ont cependant
des performances très différentes, en raison de discontinuités.
Frontière plus
bien définie

a. Eclaircissement réalisé seulement dans l’espace des objectifs

Frontières
équivalentes
Considérer les
informations dans
les deux espaces

Niches
différentes

b. Plus d’équilibre – Eclaircissement réalisé dans les deux espaces :

objectifs (f) et paramètres (p)
Figure II.13 : Eclaircissement des solutions non-dominées
Une fois détectée la ressemblance entre les solutions non-dominées dans

les deux espaces, des individus sont pénalisés. La pénalité doit permettre de
faire passer l’individu concerné dans la population dominée , en altérant
son indice de domination , que l’on fait passer de 0 à une valeur de
dominance aléatoire positive ( vaut 0 pour un individu non dominé, et 1, 2,
…, plus généralement pour un individu dominé fois) (voir L’annexe B
« pseudo-code pour l’éclaircissement »). Cette méthode fait appel à la définition
des distances minimales dans le domaine des objectifs et dans le
domaine des paramètres .
Page | 69


II.10.4. Construction de la population de travail

La population de travail ou « réelle », nommée , est utilisée pour
relier les groupes de solutions dominées et non-dominées. C’est dans cette
population que seront sélectionnés les individus qui subiront les autres
operateurs génétiques.
Comme nous l’avons déjà mentionné, cette population a une

taille minimale définie par , mais pas de taille maximale. Le but est de bien
représenter la diversité de solutions, en cherchant cependant la convergence
vers la frontière de Pareto. Cette population est construite avec tous les
individus de la population non-dominée (après éclaircissement),
auxquels on ajoute ⁄4 individus de la population dominée de
manière à maintenir une certaine diversité. Ces individus dominés sont choisis
entre ceux qui possèdent les plus petits indices de dominance (si plusieurs
solutions ont le même indice de dominance, le choix est fait aléatoirement, par
exemple en prenant le premier trouvé). Dans le cas où le nombre d’individus de
la population réelle reste plus petit que , cette population est
complétée avec d’autres individus de la population dominée (toujours en
choisissant ceux qui sont le moins dominés). La figure II.14 montre un exemple
de population de travail. (Voir L’annexe B pour le pseudo-code de cette
procédure).
Génération Génération
Solutions :
Dominées
Non‐Dominées

Figura II.14 : La population de travail basée

sur l’indice de dominance
Page | 70


Dans cette opération, nous limitons aussi la taille de la population dominée

au double de , de façon à réduire le coût du calcul de la table de
dominance . Les solutions exclues de sont stockées dans le
, cette population d’archivage ne participant pas au processus
évolutif. Ce contrôle est fait en deux étapes : tout d’abord sont exclues les
solutions qui possèdent un indice très élevé, c’est-à-dire celles qui se
trouvent distantes de la frontière Pareto ( 200, par exemple) ; si la taille
de la population dominée reste supérieure à 2 , on retire les
solutions avec les plus grands indices , jusqu’à obtenir le nombre désiré.
II.10.5. Technique de niche

La procédure pour la détection de niches dans les problèmes multi-
objectifs est basée sur le concept adapté de la même technique pour l’AG
monocritère [62]. Cette technique permet l’exploration de régions distinctes qui
constituent des optimums locaux, comme en figure II.15. En pratique, la
détection de solutions différentes donne la possibilité d’un choix final pas
seulement à partir des objectifs prédéfinis, mais aussi par exemple à partir de la
facilité de construction de l’une ou de l’autre solution.
Fonction
Optima
Variable
Figure II.15 : Niche dans les problèmes monocritère
Nous proposons de calculer des indices de niche, ou de ressemblance,

dans les domaines des objectifs et des paramètres , de façon à
prendre en compte les deux domaines. Ces indices sont les distances entre
individus pris dans l’ordre des valeurs de chaque objectif. L’opérateur génétique
de sélection ira travailler avec ces indices, et pas avec les évaluations du
problème.
Page | 71


Le but est de détecter des niches distinctes (dans l’espace de paramètres), c’est-
à-dire de détecter des optimums locaux et/ou globaux dans un problème
multimodal, comme le montre la figure II.15.
Le processus est constitué de deux étapes. Premièrement, pour chaque

objectif , nous mettons la population en ordre croissant (ou décroissant) selon
l’objectif analysé (il faut sauvegarder un vecteur qui indique l’ordre initial) et
nous calculons les distances entre les individus dans les deux espaces, et
, par rapport à l’ordre établi. La deuxième étape consiste à joindre les deux
indices de ressemblance par une fonction de transfert.
Indice de niche dans l’espace des objectifs

Cet indice est calculé de la manière suivante [49,63]:
(II.14)
Où : est la solution analysée et est la taille de . Il faut attribuer
le plus grand indice aux individus situés aux extrémités de la frontière ( et
), de façon à conserver ces solutions dans le processus.
Indice de niche dans l’espace des paramètres

Cet indice est calculé comme suit :
(II.15)
Il faut rappeler que peut être constitué par variables, si bien qu’il
est impératif de normaliser les variables, parce qu’elles seront ajoutées entre
elles.
Fonction de transfert
Pour ajouter les distances ( et ), il faut d’abord transformer les
grandeurs correspondantes, pour qu’elles varient de manière comparable. Pour
cela, nous utilisons ici une fonction sigmoïde, comme le montre la figure II.16,
où et sont les minimums et maximums de chaque indice.
Page | 72


1
1
1
0

Figure II.16 : Fonction de transfert – technique de Niche
Une fois réalisée cette transformation, nous pouvons construire pour

chaque objectif un indice de ressemblance unique, prenant en compte les deux
espaces, en faisant pour chaque individu le produit des deux indices précédents.
Lorsque la technique de niche est nécessaire, le processus de sélection est
ensuite réalisé en utilisant ces indices à la place des fonctions coût. L’annexe B
«Pseudo-code : technique de niche » présente le pseudo-code de la technique de
niche décrite ici.
Pour la résolution correcte de problèmes multimodaux, il faut encore

prendre quelques autres précautions, dont nous citons ici les principales : les
solutions non-dominées avec des évaluations égales, mais avec des paramètres
différents, doivent être considérées comme Pareto. La manière avec laquelle
nous avons assemblé la population réelle , et la manière proposée pour
procéder à l’éclaircissement, contribuent à permettre cette détermination de
frontières, équivalentes seulement dans l’espace des objectifs.
A propos de l’éclaircissement, il faut encore mentionner que la formulation en
technique de niche présentée ici peut être utilisée pour l’exclusion de solutions
non-dominées. Les solutions avec les plus petits indices seraient exclues
automatiquement jusqu’à ce qu’un nombre minimal de solutions non-dominées
ait été touché. Pour cela, à chaque exclusion il serait nécessaire de recalculer
tous les indices, parce que la disposition des solutions a été altérée. Comme
mentionné plus haut, le coût de calcul de cette procédure serait très élevé en
comparaison à la technique d’éclaircissement adoptée.
Page | 73


II.10.6. Le processus de sélection

La sélection est responsable du choix des couples qui subiront les
opérateurs génétiques de croisement et mutation. L’important est, par rapport
aux solutions choisies, d’échantillonner de façon satisfaisante la population
courante, en permettant à ces opérateurs de bien explorer l’espace de recherche.
Le nombre d’individus sélectionnés pour la population réelle est
toujours . La sélection est faite par l’action conjointe de deux procédures.
Les parents sont en partie choisis par l’échantillonnage déterministe
(deterministic sampling – DETSAM – basée sur la moyenne des mérites de la
population, ce qui renforce la partie centrale de la frontière de Pareto) et en
partie par tournoi (basé sur chaque objectif séparément, ce qui fait ressortir les
bords de la frontière Pareto). Ces deux méthodes de sélection ont été décrites
par GOLDBERG [23]. Ainsi dans l’exemple d’un problème à deux objectifs, la
population de solutions sélectionnées sera constituée par trois groupes : par la
moyenne des deux objectifs, par tournoi pour le premier et le second objectif.
Cette procédure facilite l’obtention d’un ensemble Pareto bien distribué. La figure
II.17 montre le processus de sélection. L’annexe B « Pseudo-code : sélection »
présente le pseudo-code de la procédure décrite. Une préoccupation : pour
l’échantillonnage déterministe, nous devons calculer la moyenne des évaluations
avec attention parce que n’importe quel type de pondération est déconseillé pour
les problèmes où les objectifs sont concurrents. Ce calcul doit être fait seulement
sur la population qui subira la sélection, cela accélère le processus de
convergence.
Tournoi Echantillonnage déterministe Procédure combinée

Solutions sélectionnées
Figura II.17 : Illustration du processus de sélection
Page | 74


II.10.7. Croisement et mutation

Dès que la sélection est faite, les opérateurs qui génèrent de nouveaux
individus sont appliqués : le croisement et la mutation. Pour explorer
efficacement l’espace de recherche d’un problème multi-objectif, nous avons
développé les opérateurs génétiques de croisement et de mutation, par
l’introduction de deux aspects nouveaux : la direction pour le croisement et pour
la mutation, et l’analyse du comportement de la population pour quantifier la
mutation. L’adaptation de ces procédures à notre algorithme multi-objectif dans
les cas de notre application est nécessaire.
Soit la population sélectionnée :
, ,
(II.16)
, ,
Où chaque ligne représente un individu de la nième génération ; est la

taille de la population et est le nombre de variables d’optimisation.
Croisement
L’objectif est de permuter du matériel génétique dans les couples
d’individus sélectionnés au préalable. Après la formation des couples (faite de
manière aléatoire), les individus sont soumis ou non au croisement, selon une
probabilité définie habituellement avant de lancer l’algorithme (probabilité de
croisement ( ). Cet opérateur génétique est le principal responsable de la
création de nouveaux individus. Pour cela, la probabilité de croisement doit être
élevée (généralement comprise entre 70% et 100%), comme c’est le cas dans la
nature, où la plupart des parents ont des enfants.
Les couples , étant formés, nous vérifions s’il faut ou non procéder au
croisement, par un tirage de probabilité . Si c’est le cas, la permutation du
matériel génétique est faite comme suit :
, , ,
… … 1 … (II.17)
, , ,
… 1 … … (II.18)
Page | 75


Où 1 est un nombre entier aléatoire avec une distribution uniforme

qui définit le point de coupure pour la réalisation du croisement; est une
variable binaire aléatoire qui indique dans quelle direction sera réalisé le
croisement : si 0 , la direction est du point de découpage jusqu’à la dernière
variable , ou dans l’autre direction si 1 ; est le coefficient de
multiplication polarisé, fixé à 0.9 ; 0.1 1.1 est un coefficient de
,
multiplication aléatoire à distribution uniforme ; … représente la portion
, ,
de l’individu qui inclut toutes les variables de jusqu’à . Les variables
qui ne sont pas incluses dans l’intervalle … ( 0) ou 1 …
( 1) sont copiées directement des géniteurs.
Avec l’approche (II.17), le premier enfant, généré à partir de II.17, est

forcément très proche du premier parent (c’est l’enfant « polarisé » par le choix
a priori de la valeur de ), alors que le second enfant, généré par II.18 (où
est une distribution de probabilité constante), peut être proche de l’un ou de
l’autre des parents. Pour que la population évolue rapidement, il est alors
impératif que le parent de l’enfant polarisé ait un mérite plus grand que le
deuxième parent, c’est-à-dire :
, ,
(II.19)
Où . représente la fonction fitness dans l’optimisation monocritère. Pour un
problème multi-objectif, on utilise la dominance comme indicatif. L’individu sera
toujours l’individu dominant. Dans le cas où les individus sont l’un et l’autre non-
dominés, la position dans le (II.19) est indifférente.
Pour une meilleure compréhension, nous pouvons illustrer cette opération

par un exemple. Soient les deux individus données en (II.20). On a choisi
0.9 et les tirages aléatoires ont donné 0.5 , 3 (barre verticale) et
0, ce qui conduit au croisement déterminé par les dernières variables de
chaque individu. Les enfants correspondants sont présentés en (II.21) et (II.22).
Comme le croisement s’est opéré seulement sur deux des cinq variables, nous
avons un univers de croisement à deux dimensions, conformément à la figure
II.18.a.
Page | 76


1 2 4 6| 2 1 3 5| (II.20)

1 2 4 6 0.9 0.1 2 4 6 . . (II.21)
2 1 3 5 0.5 0.5 1 3 5 (II.22)
1
10
9
1
Paramètre 2
Paramètre 2
2 1 – Parent 1 <8 10> Limites acceptables
7 2 – Parent 2 <2 4> Individu initial
1 – Enfant 1 <7.4 9.4> Individu nouveau
2 – Enfant 2 <5 7> Mutation
4 2
2 5 7 8
Paramètre 1 Paramètre 1
a. Croisement b. Mutation
Figura II.18 : Illustration des processus de génération de nouveaux individus
Mutation
On désigne par mutation l’insertion d’un nouveau matériel génétique dans
la population. Comme dans le croisement, la mutation est réalisée ou non en
fonction d’une probabilité donnée . Cette probabilité de mutation doit être
faible (entre 0% et 5%) pour que la recherche du groupe optimal ne soit pas
purement aléatoire ou très erratique. Ceci est analogue au comportement de la
nature, où les mutations génétiques sont rares. De manière similaire au
croisement, la mutation consiste à ajouter un vecteur de perturbation à la
portion de l’individu qui subit la mutation. Au début du processus évolutif, le
vecteur de perturbation est donné par :
, ,
… 0.05 … (II.23)
Où est défini par les limites acceptables de chaque variable et est un

nombre aléatoire avec distribution uniforme dans l’intervalle 1 1 . Dans ce cas,
la mutation correspond à une variation maximale de 5% des limites initiales de
chaque variable. Cette perturbation permet une exploration de l’espace de
recherche sans que le processus devienne erratique.
Page | 77


Pendant le processus évolutif, le vecteur de perturbation est modifié :

, , …
… 0.05 … (II.24)
Dans ce cas, dépend des valeurs des variables au moment de la

mutation. C’est-à-dire que pour chaque variable, de nouvelles limites sont
calculées à partir du comportement de la population. Cette stratégie réduit
l’amplitude des perturbations, ce qui permet d’améliorer l’exploration d’une
région restreinte de l’espace, en rendant possible un ajustement fin des solutions
à la recherche des optimums. La figure II.18.b montre la mutation pour deux
variables sélectionnées de l’exemple précédent (dans ce cas 3). Les
limites acceptables sont définies par (II.23) et (II.24). Il est important de
rappeler que, étant un nombre aléatoire, la mutation peut se produire dans
toutes les directions définies par les limites.
II.10.8. Prise en compte des contraintes sur les paramètres

Il peut arriver que la génération de nouveaux individus ne respecte pas les
limites prédéterminées des variables : la recherche des solutions Pareto-
optimales pendant le processus évolutif peut générer des individus qui possèdent
une ou plusieurs variables hors de leurs limites autorisées. Dans ce cas, il est
nécessaire d’ajuster les nouveaux individus pour les mettre à l’intérieur des
limites, ou de permettre une redéfinition de ces limites.
Cela peut être fait de plusieurs manières. La plus simple et intéressante

utilise la saturation (voir Annexe B « Pseudo-code : réflexion par saturation »),
c’est-à-dire que nous attribuons aux variables qui sortent des limites les valeurs
maximales autorisées. Cette procédure est intéressante parce que l’utilisateur
peut apprendre avec le problème, il peut observer le comportement de chaque
variable qui touche les limites. Cela peut être fait, par exemple, en reprenant le
processus évolutif avec les mêmes populations, mais en adaptant les limites.
Dans la vie réelle, cependant, cette variation de limites n’est pas toujours
possible (par exemple, quand les valeurs maximales des variables sont définies
par des aspects constructifs invariables).
Page | 78


II.10.9. Elitisme global

Après la génération des nouveaux individus , et leur contrôle,
ils sont évalués en fonction du problème. De façon à ne perdre aucune solution,
tout l’ensemble formé par l’union de et est ajouté à la
population réelle courante (en rappelant que cette population comprend
tous les éléments de ). Cela est le concept d’élitisme global proposé par
VASCONCELOS [61] : aucun individu ne se perd pendant le processus évolutif et
les enfants peuvent occuper les places de n’importe quel individu courant, s’ils
possèdent des mérites supérieurs. La nouvelle population réelle est
soumise à la condition de Pareto (II.13), ce qui conduit à une population non
dominée modifiée, avec une taille qui augmente ou diminue
continument, alors que celle de la population dominée augmente
toujours. Dans l’AGMO proposé dans cette thèse, le concept d’élitisme global est
utilisé, nous avons donc jonction des trois populations à chaque génération.
Enfin, le processus évolutionnaire est réinitialisé avec les nouvelles

populations et .
II.11. CONCLUSION
L’objectif principal de ce chapitre était de combler l’absence d’une
présentation générale des algorithmes génétiques mettant l’accent sur leur
utilisation dans le cas de multi-objectifs.
L’AGMO que nous avons réalisé est un outil extrêmement efficace, son
principal avantage étant l’aide qu’il apporte à la compréhension du problème
qu’on souhaite résoudre, ce qui sera encore mieux mis en évidence dans le
chapitre suivant. L’inconvénient de cette méthode est le coût de calcul nécessaire
pour la découverte de solutions efficaces, qui peut être supérieur à celui des
outils traditionnels (quand ces outils sont capables de résoudre le problème). Ce
coût supérieur est surtout dû à la plus grande généralité de notre AGMO et au
calcul intermédiaire (diagramme de rayonnement dans notre application).
Après avoir donné un aperçu sur notre AGMO, nous allons à présent
entamer la formulation mathématique de notre application.
Page | 79

CHAPITRE III
SYNTHESE DE RESEAUX CONFORMES
PAR ALGORITHMES GENETIQUES
MULTI-OBJECTIFS

Chapitre III Synthèse de réseaux conformés par algorithmes génétiques multi‐objectifs

III.1. INTRODUCTION
Les antennes imprimées étant petites et flexibles, de nombreux chercheurs
se sont intéressés à elles pour les plier sur des surfaces non planes telles que les
cylindres, les cônes et les sphères. De plus, ces structures permettent d’avoir
une couverture angulaire plus grande et de supprimer certaines contraintes liées
aux radômes en remplaçant le balayage mécanique par un balayage électronique
[1,42].
Comme nous venons de le citer, les structures conformées desservent une

étendue angulaire plus importante que les réseaux unidimensionnels ou
bidimensionnels. Afin de cerner le problème d’analyse de rayonnement de ces
réseaux, plusieurs outils informatiques ont été mis au point pour leurs
simulations. Ces dernières sont basées sur des conditions mathématiques
préliminaires qui seront décrites dans ce chapitre à savoir les matrices de
changement de repère associées aux rotations.
D’une manière générale, la complexité d’analyse et de synthèse des

réseaux conformés s’appuie sur le fait que chaque antenne ne présente pas une
direction normale identique. De plus l’aspect incurvé des sources ne nous facilite
pas la tâche et donc nous nous trouvons devant l’obligation de considérer que
les sources sont localement planes pour alléger le degré de complexité.
La synthèse des diagrammes de rayonnement des réseaux d’antennes

imprimées préoccupe de plus en plus les spécialistes du domaine, car la
connaissance au préalable des caractéristiques du réseaux permettant
d’atteindre des exigences imposées à leurs caractéristiques de rayonnement
électromagnétique s’est révélée nécessaire pour la poursuite des cibles sur des
domaines spatiaux bien limités.
Page | 81


L’étude du problème n’est pas une chose aisée car il fait partie de la classe
des problèmes mal posés dont plusieurs solutions existent, il reste que nous
devons en extraire les meilleures solutions dites optimales. C’est un problème
complexe qui fait intervenir plusieurs contraintes dues à la géométrie convexe
des surfaces porteuses, ces contraintes n’étant pas prises en compte pour les
réseaux rectilignes ou plans.
Pour notre application qui est la synthèse des réseaux conformés, nous
devrons faire appel au AGMO pour faire obéir le plus possible le diagramme de
rayonnement d’un réseau conformé à des contraintes électromagnétiques
imposées sous forme de gabarit fonction ou à niveaux, ceci permettra de venir à
bout d’une utilisation adaptée au besoins de ces réseaux conformés d’antennes.
Dans ce chapitre nous allons exposer des généralités sur les réseaux
conformés, avec l’expression générale du diagramme de rayonnement en zone
lointaine et les contraintes liées au passage vers ces réseaux tridimensionnels.
L’outil de synthèse développé sera validé par une comparaison des motifs de
rayonnement avec les diagrammes souhaités (gabarits). Les simulations de la
synthèse sont réalisées pour différents types de réseaux conformés d’antennes
imprimées : dièdre, tétraèdre, pyramide, cône, cylindre et hémisphère.
III.2. ANALYSE DE RESEAUX CONFORMES D’ANTENNES

III.2.1. Réseaux conformes d’antennes
Comme nous l’avons déjà énoncé, nous pouvons associer les éléments
imprimés en réseaux linéaires, plans, ou conformés. Le terme conformé désigne
au sens mathématique une surface épousant exactement la forme d’une autre
sur laquelle elle est placée. Ceci implique que cette surface n’est pas forcément
plane.
Ce que nous venons de citer, montre clairement qu’un réseau conformé

d’antennes est considéré comme étant un ensemble d’éléments rayonnants
épousant parfaitement la forme de la surface sur laquelle ils sont plaqués.
Page | 82


L’apparition de ce type d’antennes date d’une dizaine d’années, auparavant pour

des besoins principalement militaires [1,6].
Dans un premier temps, elles étaient implantées sur des surfaces

cylindriques, puis elles ont évolué au cours du temps pour prendre une multitude
de formes, bien plus complexes, à titre d’exemples : sphère, tronçon de cône,
ogive, ellipsoïde, etc…
Etant donné que la technologie a connu une évolution de grande

envergure, l’usage de ces antennes s’est étendu à d’autres domaines, en
particuliers, le spatial, l’automobile, l’avionique,... Ce type d’antennes a la
possibilité d’être implanté sur n’importe qu’elle surface (missile, ailes d’avions,
etc...), par le biais d’un substrat souple et pour pouvoir localiser toute cible
animée dans tout l’espace et à tout moment. Ce type d’antenne doit être doté
d’une capacité de déviation du faisceau principal, non pas par un procédé
mécanique très coûteux et onéreux, mais électroniquement [9,64,65].
Ainsi les communications entre mobiles nécessitent l’usage d’antennes

adaptées à la nature de la surface porteuse. De ce fait, nous nous sommes
penché sur l’étude approfondie du rayonnement électromagnétique des
structures conformées susceptibles d’être implantées sur des objets de formes
diverses et variées. Ces structures ont l’avantage d’étendre leur couverture
jusqu’ici limitée au demi–espace à tous les domaines angulaires avec une
couverture omnidirectionnelle.
III.2.2. Approche théorique

La plupart des travaux visaient les structures cylindriques, du fait qu’elles
représentent exactement le fuselage d’un avion ou le corps d’une fusée [66,67].
De plus leur modélisation est aisée comparée aux autres structures. La grande
partie des analyses s’est intéressée à la modélisation d’un élément imprimé
plaqué sur un cylindre de faible rayon ou sur un réseau disposé sur un cylindre à
faible rayon de courbure. Ceci nous mène à citer deux approches concernant
l’étude de ce type d’antennes :
Page | 83


- La première suppose que le rayon de courbure de la surface porteuse est

petit. Dans ce cas, il est nécessaire de tenir compte de l’impact des effets
de courbure sur le calcul et la qualité du diagramme de rayonnement de
tout le réseau.
- La seconde est à l’opposé, elle considère que le rayon de courbure est

suffisamment grand et par la suite il est facile d’implanter un plus grand
nombre d’éléments sur la circonférence du solide. Avec cette
considération, on maintient l’hypothèse d’une source localement plane
puisque ses dimensions sont nettement inférieures à ceux de la surface
porteuse. Ceci étant dans notre intérêt, puisqu’il rend l’étude moins
compliquée en négligeant les effets de courbure que nous ne sommes pas
sensés traiter dans notre application.
Le but de notre étude est de réaliser un logiciel pour le calcul du

diagramme de rayonnement d’un réseau conformé d’antennes imprimées d’une
part et d’autre part d’intégrer ce logiciel dans la mise en œuvre d’une synthèse
permettant de déterminer a priori l’orientation locale en azimut et en élévation
des éléments rayonnants du réseau dans le but de satisfaire les caractéristiques
de rayonnement imposées par un cahier des charges. Il est important de signaler
par la suite que dans tous les cas à traiter, la surface des réseaux est convexe,
faute de quoi les éléments seront en regard les uns aux autres, cas qui,
rappelons le, est à négliger.
Sommairement, la détermination du diagramme de rayonnement d’un

réseau conforme se fait selon les étapes suivantes :
- Nous déterminons le diagramme de rayonnement de chaque source du

réseau dans son propre repère.
- Nous calculons la contribution de cette source au champ lointain complexe
en tenant compte de son orientation spatiale (on fait usage pour ce cas
des matrices d’Euler), de sa position dans l’espace (le terme de translation
figurant dans l’exposant exprimant le déphasage géométrique) et du poids
en amplitude et phase affectés à chaque source.
Page | 84


- Nous passons à une sommation des contributions de toutes les sources

pondérées par leurs termes d’amplitude, de déphasage électrique et de
déphasage géométrique, ce qui permet de déterminer le champ complexe
de tout le réseau en zone lointaine.
Le champ rayonné par un réseau à éléments est égal à la somme des

champs rayonnés par chacun des éléments, soit :
, ∑ , (III.1)
Avec :
: Alimentation complexe de la source .

: Longueur d’onde.
: Vecteur position de la source défini dans le repère cartésien , , , .
: Vecteur direction de propagation défini par les angles et .
, : Contribution du diagramme élémentaire de la source dans la direction
de propagation.
: Nombre total de sources du réseau.

Figure III.1 : Repère global en coordonnées cartésiennes et sphériques
: Sont les coordonnées de la source .

: Point d’observation en zone lointaine.
Page | 85


Rappelons que en coordonnées cartésiennes a pour composantes :

sin cos
sin sin é
cos
Dans le cas des problèmes directs de rayonnement, la connaissance a

priori de la loi d’alimentation est suffisante pour déterminer le diagramme de
rayonnement , .
Remarque
L’expression (III.1) du diagramme de rayonnement n’est valable que pour
un rayonnement en zone lointaine engendrant des simplifications, en considérant
que les droites reliant chaque source et le point d’observation éloigné, sont
toutes parallèles. Ceci est vrai si ce dernier est situé à l’infini. Toutefois, il reste
un terme agissant sur la phase géométrique de la source, du fait de sa
périodicité. Ce terme est en fonction du décalage radial existant entre la portion
de la droite reliant la source au point de visée et celle reliant ce même point à
l’origine du repère global. Ce décalage n’a pas d’influence sur l’ordre de
grandeurs de ces portions et sont de ce fait considérées comme étant égales, car
le décalage radial se trouve en nette infériorité comparé à eux. Cette remarque
est concrétisée par des expressions mathématiques, afin de mieux se rendre
compte de ces simplifications et de leurs origines.
Explications
Puisque , alors et sont presque parallèles et le
deviennent lorsque est à l’infinie.
(III.2)
(III.3)
(III.4)
Le terme est le même qui apparaît dans l’expression du diagramme de

rayonnement sous forme de déphasage géométrique.
est le nombre d’onde ou la constante de propagation.
Page | 86


III.2.3. Calcul du diagramme dans le repère global

La majeure partie des réseaux plans d’antennes imprimées sont composés
d’éléments polarisés suivant une même direction ou d’un repère cartésien,
ce n’est pas le cas par exemple pour le réseau couronne. Par contre, un réseau
conformé a généralement une polarisation générale différente de celles de ses
sources.
III.2.3.1. Réseau conformé

Les sources considérées sont des éléments imprimés possédant un plan de
masse, de ce fait leur rayonnement n’est pas isotrope, c’est à dire le même dans
toutes les directions de l’espace, mais plutôt semi–hémisphérique.
L’aspect conformé de la surface porteuse rend les contributions des

sources au rayonnement, différentes pour chaque direction de l’espace visible. Il
s’en suit que ce terme ne peut plus être extrait de la somme sur les éléments
comme facteur commun, et la notion de facteur de réseau devient insignifiante.
Ceci dit, nous devons calculer la contribution potentielle de chaque source pour
toute direction spatiale dans un repère global usant des matrices d’Euler. Celles–
ci assurent la transition entre deux repères sans ambiguïté. Il s’agit du passage
du repère global, associé directement à l’antenne, c’est un repère général fixe
qui a pour origine un point prédéterminé , au repère local tournant lié à la
source en considération qui a pour origine le centre géométrique de cette source,
et vice versa.
III.2.3.2. Positionnement des sources

Chaque source prend sa position finale sur le réseau en question par une
translation et une élévation par rapport à l’origine du repère fixe et trois
rotations de base qui définissent son orientation dans l’espace, bien que dans
notre cas deux rotations remplissent cette tâche vue la symétrie de révolution
des réseaux étudiés, cela simplifie les termes constitutifs de la matrice de
passage.
Les paramètres qui gèrent le problème de positionnement des sources sur
le réseau conformé sont (Figure III.2) :
Page | 87


- Une translation de composante radiale .

- Une altitude , pour obtenir l’aspect tridimensionnel des réseaux.
- Une rotation azimutale autour de l’axe zénithal , c’est la première
des trois rotations de base.
- Une inclinaison en élévation, d’envergure par rapport à l’axe , c’est la
deuxième de la triade.
- Une rotation de révolution appliquée à la source autour de sa
perpendiculaire, c’est la troisième rotation. Nous nous sommes contenté
de la citer à juste titre de connaissance, elle n’est d’aucune utilité pour les
réseaux à symétrie de révolution, ce qui est d’ailleurs notre cas, nous n’en
tiendrons pas compte, ni dans nos calculs ni dans la construction de la
matrice d’Euler.

Source
à l’origine Translation
Élévation

Première
rotation

Deuxième
rotation

Troisième

rotation

Figure III.2 : Etapes de positionnement des sources dans l’espace
Page | 88


Grâce aux deux rotations de base imposées aux sources, les composantes
du champ dans le repère global sont liées directement à celles dans le repère
local par la matrice de passage, on écrit :
(III.5)
, , représentent les composantes du champ dans le repère global , , , .

, , représentent les composantes du champ dans le repère global
, ’, ’, ’ .
Remarque
La matrice de rotation permet le passage d’un repère cartésien à un
autre. L’expression du champ est donnée selon la nécessité en coordonnées
sphériques ou cartésiennes, de ce fait il paraît indispensable de définir deux
autres matrices facilitant la transition entre coordonnées sphériques et
cartésiennes et vice versa. Elles font intervenir uniquement la colatitude et le
gisement du point d’observation en question de la manière suivante :
sin cos cos cos sin
sin sin cos sin cos (III.6)
cos sin 0
sin cos sin sin cos
cos cos cos sin sin (III.7)
sin cos 0
: Permet le passage des coordonnées sphériques vers les coordonnées

cartésiennes.
: Permet le passage des coordonnées cartésiennes vers les coordonnées
sphériques.
, : Coordonnées angulaires dans le repère fixe associé au réseau.
, : Coordonnées angulaires dans le repère tournant associé à la source.
L’expression du champ lointain en coordonnées sphériques dans le

repère global est déduite de l’expression du champ lointain en coordonnées
sphériques dans le repère local de la manière suivante [6] :
, , (III.8)
Page | 89


A première vue, nous constatons que les coordonnées dans le repère

global s’exprime en fonction de et alors que celles du repère local pour leur
part s’exprime en fonction de et , il faut donc qu’on soit en mesure de faire
le lien entre les deux systèmes. Cette opération est accomplie en trois étapes :
a. Dans la première, nous donnons le lien existant entre les coordonnées

cartésiennes et sphériques dans le repère fixe , , , , soit :
sin cos sin sin cos (III.9)
b. Ensuite, nous établissons le lien entre les coordonnées cartésiennes dans le

repère global , , , avec celles dans le repère local , ’, ’, ’ , alors :
(III.10)
c. Dans la dernière étape, nous effectuons un passage des coordonnées

cartésiennes dans le repère local vers les coordonnées sphériques dans ce
même repère, ce passage prend en considération les cas d’indétermination :
arccos z (III.11)
arctg (III.12)
III.2.3.3. Problème des indéterminations

Dans le problème de passage des coordonnées sphériques vers les
coordonnées cartésiennes, il est impossible de calculer l’arc tangente pour 0
du fait que le rapport n’est pas défini, alors nous mettons en évidence les
solutions suivantes pour combler ce vide :

- 0 90° .
- 0 270° .
- 0 é à 90° .

III.2.3.4. Calcul du diagramme de rayonnement élémentaire
Il y a plusieurs approches pour la modélisation du champ élémentaire de la
source et ceci quelque soit sa forme, grâce à des logiciels professionnels qui nous
évitent de tomber dans des calculs analytiques fastidieux faisant intervenir les
fonctions de Green, en les remplaçant par des fichiers de données qui dérivent
Page | 90


directement des mesures effectuées en chambre anéchoïde (chambre sourde). Il

reste que pour un élément rectangulaire simple, il existe maintes formules
analytiques qui permettent de modéliser correctement son diagramme de
rayonnement (§ I.5).
III.2.4. Analyse du rayonnement

Les réseaux rectilignes et plans sont très connus actuellement, il est facile
par différentes approches de calculer leurs diagrammes de rayonnement.
Toutefois, ils représentent un réel handicap à cause de leur géométrie plane qui
assure une couverture angulaire limitée à 90° en élévation, ce qui pose de
sérieux problèmes pour certaines applications, telles que les opérations de
balayage électronique. Les lobes de réseau empêchent un balayage sans
perturbation au delà d’un certain seuil , correspondant à la déviation maximale
du faisceau sans apparition de ces lobes gênants pour un niveau de lobes
secondaires donné. Les réseaux cylindrique, conique, sphérique en forme
complète ou par morceaux assurent une envergure d’illumination plus importante
pouvant atteindre les 360°, c’est à dire la sphère d’observation complète, ce qui
était impossible avec les réseaux lignes ou plans, d’où l’intérêt porté pour ceux-là
[68,66,1].
III.2.5. Conclusion
Dans cette partie nous avons posé le problème d’analyse des réseaux
conformés d’antennes imprimées. Les étapes générales de positionnement et de
localisation des sources rayonnantes ont été exposées.
Le calcul du diagramme de rayonnement du réseau conformé nécessite la

prise en compte des différentes orientations des sources faisant appel aux
matrices d'Euler et les matrices de transition entre coordonnées sphériques et
cartésiennes et vice versa sans négliger de traiter les cas d’indétermination pour
mieux garantir des solutions et des résultats à notre problème d’analyse.
L’hypothèse de sources localement planes a été conservée pour des

raisons de simplicité, cela n’empêche qu’une prise en compte de l’effet de
Page | 91


courbure s’impose dans un futur proche, dans le but de réaliser des logiciels
d’analyse encore plus performants. Le module d’analyse réalisé servira à
nouveau dans l’outil informatique de la synthèse (AGMO) des diagrammes de
rayonnement des réseaux conformés.
III.3. SYNTHESE DE RESEAUX CONFORMES D’ANTENNES

III.3.1. Introduction
Dans le paragraphe III.2, nous avons analysé le fonctionnement des
réseaux conformes d’antennes. Il s’agissait de calculer le champ rayonné, en
fonction d’une géométrie donnée du réseau, d’une loi d’alimentation connue et
d’un type de source définie. Cette analyse nous a permis de voir l’influence des
paramètres physiques et géométriques sur le diagramme de rayonnement du
réseau conforme.
En agissant sur l’un des trois paramètres : disposition géométrique des

sources rayonnantes, lois d’amplitude et de phase de l’alimentation, il est
possible de modifier les caractéristiques de rayonnement. Cette notion nous
conduit à aborder un problème important, rencontré souvent dans des
applications pratiques ; celui de la synthèse.
La synthèse consiste dans la plupart des cas à déterminer les paramètres

géométriques, ou électriques du réseau afin de produire un diagramme désiré
donné. Ce dernier peut être défini analytiquement ou à partir d’un gabarit.
Dans notre cas, nous nous intéressons à extraction des orientations locales
en azimut et en élévation des sources dans le but de rapprocher le diagramme
de rayonnement du réseau au mieux des gabarits imposés et dans plusieurs
plans de vue (multi-objectifs).
Du point de vue géométrique, l’antenne est définie par les coordonnées

cartésiennes de ses éléments rayonnants. La géométrie conformée nous pousse
à faire deux remarques :
Page | 92


- La première concernant la visibilité des sources. En fait, toutes les sources

ne sont pas visibles pour toutes les directions d’observation, nous devons
être en mesure de connaître les quelles d’entre elles sont situées en zone
ombrée.
- La deuxième est liée à la contribution du diagramme élémentaire de

chaque source, en effet elle varie suivant l’orientation des sources.
Cela n’empêche que d’autres paramètres soient généralement négligés,

tels que les couplages inter–éléments et/ou couplage entre circuit d’alimentation
et l’élément rayonnant, la structure portante, la polarisation, de même l’effet de
courbure qui peut être négligé pour des réseaux plans ou obtenus par pliage de
substrat et ceux à grand rayon de courbure obtenus par courbure douce du
substrat. Ce n’est plus le cas pour des structures à courbure très prononcée
(faible rayon de courbure), qui nécessite une prise en compte de ce paramètre et
des problèmes qui lui sont liés.
Le problème de la synthèse appartient donc à la classe des problèmes

inverses dits mal posés (complexes), ceci a comme résultats directs, l’obtention
de solutions approchées, pas nécessairement les meilleures.
III.3.2. Position du problème

L’expression générale du diagramme de rayonnement d’un réseau
d’antennes à éléments rayonnants est donnée par :
, ∑ , (III.13)
Avec :
, : Diagramme rayonné par le réseau d’antennes en zone lointaine.
: Alimentation complexe de la source .

: Longueur d’onde.
: Vecteur position de la source défini dans le repère cartésien fixe
, , , .
: Vecteur direction de propagation défini par les angles et .
Page | 93


, : Contribution du diagramme élémentaire de la source dans la direction

de propagation.
: Nombre total de sources du réseau.
, : Sont respectivement la colatitude et le gisement du point d’observation ou
direction de propagation.
Notre problème est posé différemment ; le point de départ n’est plus les
orientations locales en azimut et en élévation des sources, mais le diagramme de
rayonnement en zone lointaine spécifié par un gabarit. Les orientations
angulaires locales des sources sont pour nous l’inconnu à retrouver ; nous avons
donc affaire à un problème inverse.
III.3.3. Contraintes liées aux réseaux conformes

Les deux principales différences entre un réseau d’antennes de géométrie
plane et un réseau d’antennes de géométrie conformée, se situent au niveau de
la répartition des sources et des diagrammes élémentaires.
Pour le cas plan, la répartition équidistante des sources permet une

écriture simplifiée des expressions en mettant en facteur la distance entre les
sources, cela donne des expressions fonctions des indices des sources et non
plus de leurs positions. La forme de ces expressions permet ensuite, pour les
calculs numériques, l’utilisation d’algorithmes de transformée de Fourier rapide
(F. F. T) [69].
La seconde différence est due au fait que pour les réseaux linéaires ou
plans les diagrammes élémentaires, s’ils sont identiques pour chaque source, la
contribution de ces sources est la même pour une direction donnée, c’est à dire :
, , , pour variant de 1 à (Figure III.3).
Page | 94


Figure III.3 : Diagrammes élémentaires (cas plan)

, : Sont respectivement le vecteur unité de la perpendiculaire au réseau plan

et le vecteur unité de la direction de propagation.
, : Pas du réseau plan en abscisses et ordonnées.
A l’encontre des réseaux conformés et qui pour eux les normales aux
sources sont différentes, la contribution de leur diagramme élémentaire est
différente, d’où l’utilité d’indicer les diagrammes de rayonnement élémentaires
par rapport à chacune des sources, il est nécessaire de connaître par mesure ou
par calcul, les diagrammes pour chaque source dans toutes les directions.
Remarquons au passage la présence de la notion de sources cachées. En

effet toutes les sources ne sont pas visibles par une même direction , .
, est nul si la source est cachée pour la direction , [1, 69].

Source
cachée Tangente

Surface
porteuse Rayons de Source vue
convexe courbure
Figure III.4 : Diagrammes élémentaires (cas conformé)
Page | 95


III.3.3.1. Test de visibilité des éléments rayonnants

Pour le calcul des diagrammes élémentaires, il est important de savoir si la
source étudiée est visible ou non pour une certaine direction. Un test simple
faisant intervenir le produit scalaire des vecteurs direction de propagation et la
normale à la surface de l’antenne nous révèle si la source est visible ou non.
Cette normale représente la direction principale de rayonnement de la
source. Elle est définie comme étant la perpendiculaire au plan tangent à la
surface de l’antenne au point source considéré.
Pour une source non ponctuelle, le point de tangence sera pris au centre
géométrique de l’élément rayonnant. Pour une source isotrope, le domaine de
rayonnement est défini par une demi–sphère, cette définition reste valable pour
tout autre type de source qu’il soit isotrope ou non [1].
’

Surface

porteuse

Source
Tangente
’

Figure III.5 : Vecteurs associés au test de visibilité
, : Définissent le repère lié à la source .

: Point d’observation lointain.
Page | 96


sin cos sin cos

sin sin sin sin (III.14)
cos cos
: Vecteur direction d’observation ou propagation.
: Vecteur unité porté par la perpendiculaire au plan tangent à la source en
son centre géométrique.
. 0 : Est la condition nécessaire pour qu’une source soit vue.

Remarque
Ce test de visibilité n’est valable que dans le cas de surfaces convexes [1,43,69].
III.3.3.2. Prise en compte des diagrammes élémentaires

Si l’élément rayonnant est isotrope, la valeur de son diagramme de
rayonnement élémentaire est identique dans toutes les directions. S’il ne l’est
pas, nous déterminons sa contribution au diagramme de rayonnement par
rapport à son orientation dans le repère général du réseau d’antennes. Pour cela,
il nous faut exprimer le vecteur direction de propagation dans le repère de la
source. Ce repère est lié au repère , , , par les angles et qui
définissent la normale à l’élément rayonnant en son centre géométrique
(orientation locale de la source).
Le changement de repère est effectué par deux rotations, la première

autour de l’axe , d’une valeur , la seconde autour de l’axe ’ défini par
la rotation précédente, d’une valeur . Ces deux rotations vont donner la
matrice de changement de repère ou matrice de passage déjà mentionnée
dans la partie analyse.
L’expression de la matrice de passage est donnée de façon classique par :
1- Rotation de autour de l’axe .

cos sin 0
sin cos 0
0 0 1
est l’axe résultant du pivotement de l’axe autour de d’une
valeur .
Page | 97


2- Rotation de autour de l’axe ’ défini par la rotation précédente de

l’axe .
cos 0 sin
0 1 0
sin 0 cos

D’où la matrice totale :

cos cos cos sin sin

sin cos 0 (III.15)
sin cos sin sin cos
L’expression des coordonnées du vecteur direction de propagation dans le

repère de la source est donnée par :
. (III.16)
Ce qui permettra de connaître la valeur du diagramme de rayonnement de

chacun des éléments rayonnants dans toutes les directions de l’espace [69].
Remarques
- 1
- Le déplacement de l’origine des repères associés aux sources est déjà pris
en compte dans les formules de propagation.
III.3.4. Définition du gabarit

Dans les méthodes récentes appliquées pour la synthèse, les diagrammes
souhaités sont spécifiés par des niveaux et non plus par une distribution tel que :
| | (III.17)
- borne inférieure du masque posé comme gabarit.

- borne supérieure du masque posé comme gabarit.
- | | diagramme de rayonnement réel obtenu.
Page | 98


Lorsque nous optimisons un problème, nous voudrions que la fonction

obtenue s’approche le plus possible du résultat désiré. Ce dernier peut être défini
soit à partir d’une fonction que nous devons approcher, soit d’un gabarit qui
devra contenir le résultat. Nous avons retenu cette dernière suggestion car il est
beaucoup plus facile de définir un gabarit pour un diagramme de rayonnement
qu’une fonction. De plus ceci offre plus de liberté aux solutions. L’avantage du
gabarit est qu’il permet d’obtenir une solution plus facilement réalisable en
imposant des intervalles plutôt que des valeurs. Le gabarit peut être défini dans
tout l’espace, dans une partie de l’espace ou seulement dans quelques plans
[1,2].
Le gabarit est doté de deux niveaux bas et haut qui devront piéger la
caractéristique de rayonnement électromagnétique du réseau en considération.
Les masques et du gabarit sont définis par (Figure III.6) :
- Le centre des gabarits (ou direction de pointage, ou direction du lobe
principal), repérée par les angles centrales et .
- Les amplitudes du lobe principal et des lobes secondaires.
- La largeur minimum et maximum du lobe principal et .
- La largeur du domaine utile 1.

Figure III.6 : Gabarits (Domaine désiré)
Page | 99


Ces définitions sont illustrées graphiquement par la figure III.6. Sur une
projection en (Figure III.7), la définition des niveaux des gabarits exprimés
en décibel est donnée par :
- Le gain maximum du lobe principal=

Pour
- Le gain maximum des lobes secondaires=
- Le gain minimum du lobe principal=

Pour
- Le gain minimum des lobes secondaires=

Figure III.7 : Niveaux des gains du gabarit
: Axe des abscisses dans un plan de coupe effectué en .
Pour le calcul des gabarits, nous utilisons la symétrie de révolution par

rapport à l’axe . En effet nous calculons dans chacune des directions et , la
valeur du vecteur direction de propagation en fonction des cosinus directeurs.
Nous effectuerons ensuite le changement de repère par rapport aux angles
centrales et , pour profiter de la symétrie de révolution. Ce changement de
repère donne la composante du vecteur direction de propagation dans le
nouveau repère et permettra d’obtenir la valeur arc cos . Un test sur
par rapport aux largeurs du lobe principal et celle du domaine utile, indique dans
quelle zone du gabarit est située cette direction et le niveau à lui affecter [69].
Page | 100


III.3.5. Fonction de coût utilisée (fitnesse)

Notre problème consiste à trouver les orientations locales en azimut et en
élévation des sources , de telle sorte que le diagramme de rayonnement
respecte le gabarit dans plusieurs plans de vue .
Pour chaque plan de vue, il aura la fonction de coût qui lui correspond
(multi-objectifs). La fonction de coût est définie ici naturellement comme l'aire de
la courbe, obtenue avec les variables, qui sort du gabarit dans chaque plan.
Notre fonction coût représente l’écart entre le diagramme calculé et le gabarit.
Pour le plan « » la fonction coût est définie par la relation suivante :

û ∑ , (III.18)
Avec:
, ,
, (III.19)
, , , , , (III.20)
, , ,
, : Désigne le conjugué de , .
Si le diagramme estimé est compris entre et alors est nul, l’objectif
optimal est atteint pour le plan .
III.3.6. Conclusion
Dans ce paragraphe nous avons posé le problème de synthèse du réseau
conformé ; Le calcul du diagramme de rayonnement élémentaire et les
contraintes liées aux réseaux conformes ont été exposées.
Nous avons, en outre défini le diagramme désiré spécifié par un gabarit à

l’aide de ses niveaux et largeurs limites sur une représentation projetée du
champ rayonné en chaque point de l’espace.
Ces différentes étapes de formulation vont servir à donner le coup de

départ à des applications concrètes de synthèse des diagrammes de
rayonnement des réseaux conformés d’antennes à l’aide de notre AGMO.
Page | 101


III.4. RESULTATS DE LA SYNTHESE

III.4.1. Réseau dièdre
Le réseau dièdre est considéré comme deux réseaux plans inclinés en
opposition, ne possédant pas le même axe principal de rayonnement.
Les faces du dièdre étudié (Figure III.8.a) ont une pente 30° par
rapport à l’horizontale. Les huit éléments du réseau fonctionnants à 5 sont
disposés sur les deux faces du dièdre à raison de quatre éléments par face. Les
sources sont espacées de 0.5 . Nous considérons que les éléments sont
disposés, quatre à quatre, selon deux génératrices diamétralement opposées
d’un cône ou suivant quatre couronnes de rayons respectifs :
- 1 9.09
- 2 6.49
- 3 3.89
- 4 1.29

4 5
4
3 6
3
2 7
2
1 30° 1 8

Figure III.8.a : Vue en coupe du réseau dièdre
Les coordonnées des sources situées sur la partie gauche du dièdre sont
données par des expressions simples :
0 (III.21)
(III.22)
sin (III.23)
Avec:
‐ : Indice de la source sur la partie gauche du dièdre ou indice de la couronne,
il varie entre 1 et 4.
‐ : Rayon de la couronne .

Page | 102


Les coordonnées des sources plaquées sur la face droite du dièdre sont
déduites par symétrie.
Définition du gabarit
Nous allons visualiser le résultat de la synthèse concernant le réseau
dièdre à 8 éléments de la figure III.8.a, avec un gabarit désigné comme suit
(Figure III.8.b):
- taux d’ondulation 4

- niveau des lobes secondaires – 25 par rapport au niveau du maximum de
rayonnement fixé à 0 .
- étendue angulaire minimale du lobe principal ∆ 360°.
- étendue angulaire maximale du lobe principal ∆ 70°
- domaine utile 360°.
10
Taux d’ondulation
0
-10 Δ
Amplitude en dB
-20
Δ
-30 Niveau des lobes
secondaires
-40
Domaine utile
-50
-60
-100 -80 -60 -40 -20 0 20 40 60 80 100
Thêta en degré
Figure III.8.b : Définition du gabarit
Page | 103


La figure III.9 représente la fonction caractéristique de rayonnement du

réseau dièdre à 8 éléments rayonnants dont les faces sont inclinées de 30° par
rapport à l’horizon avec des poids égaux appliqués aux huit sources. Les
orientations locales associées aux sources, calculées par synthèse usant de
AGMO dans le but d’avoir une direction spatiale ciblée par le maximum de
rayonnement et repérée par 0°, et dans les quatre plans 0° 30°
60° 90° , une fois appliqués virtuellement aux sources, on a pu visualisé sur
les quatre plans 0° 30° 60° 90° un diagramme de rayonnement
dont le maxima de rayonnement mire bel et bien l’angle 0°.
0 0
-10 -10
-20 -20
Amplitude en dB
Amplitude en dB
-30 -30
-40 -40
-50 -50
-60 -60
-200 -150 -100 -50 0 50 100 150 200 -200 -150 -100 -50 0 50 100 150 200
Thêta en degré Thêta en degré
Figure III.9.a : Diagramme de rayonnement Figure III.9.b : Diagramme de rayonnement
du réseau dièdre et gabarit centré (plan 0°) du réseau dièdre et gabarit centré (plan 30°)
0 0
-10 -10

-20 -20
Amplitude en dB
Amplitude en dB
-30 -30
-40 -40
-50 -50
-60 -60
-200 -150 -100 -50 0 50 100 150 200 -200 -150 -100 -50 0 50 100 150 200
Figure III.9.c : Diagramme de rayonnement Figure III.9.d : Diagramme de rayonnement
du réseau dièdre et gabarit centré (plan 60°) du réseau dièdre et gabarit centré (plan 90°)
Figure III.9 : Diagramme de rayonnement du réseau dièdre et gabarit centré

(plan 0° 30° 60° 90° ), loi d’alimentation uniforme
Page | 104


Après douze jours de simulations pour assurer la frontière non-dominée

trouvée, nous avons implémenté une règle de décision pour sélectionner la
solution optimale : celle qui a été choisie, en plus de respecter les spécifications
initiales, est celle qui a le moins de dépassement des lobes secondaires au
niveau 25 pour les quatre plans (ce choix est justifié par l’intérêt d’avoir un
seul lobe principal qui vise le zénith où 0°). Le lobe dominant est elliptique et
non circulaire, c’est à dire qu’il est plus large sur le plan 0° que sur le plan
90°. En ce qui concerne le taux d’ondulation de ce lobe principal, il respecte
les 4 réclamés par la marge verticale entre les deux bornes supérieure et
inférieure du gabarit.
III.4.2. Réseau tétraèdre

Le réseau choisi pour l’étude a l’aspect d’une pyramide à quatre faces avec
un demi–angle au sommet égal à 15°.
Sur la figure III.10, ce réseau d’antennes a pour axe de révolution l’axe

et possède 16 éléments rayonnants fonctionnant à la fréquence de 5
avec une alimentation uniforme des sources.

15°
4
3
13 2
16
9 1

12
5
1
8

4

Figure III.10 : Réseau tétraèdre
Page | 105


Les dimensions des sources rayonnantes ont été calculées d’après la
fréquence de résonance. Ces sources sont réparties symétriquement sur 4
couronnes à raison de 4 sources par couronne et avec une distance inter–sources
comprise entre 0.5 et 1.1 .
Chacune des couronnes 1, 2, 3, 4 comprend 4 sources, avec des

rayons 1 4.24 , 2 3.45 , 3 2.68 , 4 1.90 .
Les abscisses, ordonnées et cotes des sources sont données par :
cos (III.24)
sin (III.25)
. . sin (III.26)
Avec :
- 1, : Indice de la source sur la couronne .
- : Nombre totale des sources sur la couronne , il vaut 4.
- RC : Rayon de la couronne , il prend les valeurs respectives: 1, 2, 3,
4.
- : Indice de la couronne, il est égale respectivement à 1, 2, 3, 4.
- : Distance entre les couronnes 0.5 .
- : Demi–angle au sommet 15°.
Le gabarit est spécifié par :
- Taux d’ondulation 3 .
- Niveau des lobes secondaires – 30 par rapport au niveau du maximum de
- Etendue angulaire minimale du lobe principal 40°.
- Etendue angulaire maximale du lobe principal 80°.
- Domaine utile 360°.
Page | 106


0 0
-10 -10
-20 -20
Amplitude en dB
Amplitude en dB
-30 -30
-40 -40
-50 -50
-60 -60
-200 -150 -100 -50 0 50 100 150 200 -200 -150 -100 -50 0 50 100 150 200
Figure III.11.a : Diagramme de rayonnement du réseau Figure III.11.b : Diagramme de rayonnement du réseau
tétraèdre et gabarit dépointés à 75° (plan 30°) tétraèdre et gabarit dépointés à 75° (plan 45°)
0 0
-10 -10
-20 -20
Amplitude en dB
Amplitude en dB
-30 -30
-40 -40
-50 -50
-60 -60
-200 -150 -100 -50 0 50 100 150 200 -200 -150 -100 -50 0 50 100 150 200
Figure III.11.c : Diagramme de rayonnement du réseau Figure III.11.d : Diagramme de rayonnement du réseau
Figure III.11 : Diagramme de rayonnement du réseau tétraèdre et gabarit dépointés à 75°

Plusieurs optimisations pendant plusieurs jours (environ 16 jours) ont été

réalisées pour confirmer la courbe de solutions non dominées obtenue. La
visualisation de cette frontière est difficile parce qu’avec quatre objectifs, il s’agit
d’une hyper-surface dans un espace quadridimensionnel.
La figure III.11 montre les résultats de la synthèse appliquée au

rayonnement du réseau tétraédrique dans le but de biaiser le lobe principal à
75° pour les projections 30°, 45°, 60°, 90°.
Page | 107


Sur les quatre figures observées dans les différents plans nous constatons que le
maxima de rayonnement vise la direction désirée 75° et respecte l’astreinte
imposée par le gabarit avec une ondulation nulle et une apogée à 0 . Les lobes
secondaires possèdent un niveau acceptable de – 30 . Le lobe principal est
décalé de la position centrale réalisant de la sorte la fonction de dépointage
électromagnétique.
Toujours dans le cadre du réseau tétraèdre et pour le même gabarit, nous

effectuons en second lieu l’opération de déviation du faisceau. Dans la figure
III.12 en projection sur les plans 30°, 45°, 60°, 90° le lobe
dominant vise la direction angulaire qui lui est imposée 90°, tout en restant
localisé dans son domaine en ordonnées avec un léger dépassement de 27
dans le plan 60°. En abscisses, le lobe principal respecte les deux étendues
angulaires maximale et minimale du gabarit.
Page | 108


0 0
-10 -10
-20 -20
Amplitude en dB
Amplitude en dB
-30 -30
-40 -40
-50 -50
-60 -60
-200 -150 -100 -50 0 50 100 150 200 -200 -150 -100 -50 0 50 100 150 200
0 0
-10 -10
-20 -20
Amplitude en dB
Amplitude en dB
-30 -30
-40 -40
-50 -50
-60 -60
-200 -150 -100 -50 0 50 100 150 200 -200 -150 -100 -50 0 50 100 150 200
Figure III.12 : Diagramme de rayonnement du réseau tétraèdre et gabarit dépointés à 90°

Page | 109


III.4.3. Réseau pyramidal

Le troisième réseau présenté pour la synthèse est de forme pyramidale
avec un demi–angle au sommet égal à 45°.
Comme le montre la figure III.13, ce réseau d’antennes a pour axe de

révolution l’axe et il se compose de 33 éléments rayonnants fonctionnants à
la fréquence de 3 , soit une longueur d’onde de 10 .
Les dimensions des pavés rayonnants ont été calculées d’après la

fréquence de résonance.
45°

3
25
2
14 1
33
1
24
10
13
11 12

Figure III.13 : Réseau pyramidal

Les éléments rayonnants sont répartis symétriquement sur 3 couronnes

avec des nombres non égaux de sources. La distance entre les sources a été
posée dans l’intervalle 0.5 à 0.7 .

Les couronnes 1, 2, 3 comprennent respectivement 13, 11, 9 sources,
avec des rayons 1 15 , 2 11.46 , 3 7.92 .
Les coordonnées des sources sont calculées de la façon suivante :
cos (III.27)
sin (III.28)
. . sin (III.29)
Page | 110


Avec :
- 1, : Indice de la source sur la couronne .
- : Nombre totale des sources sur la couronne , il vaut respectivement 13,
11, 9 dans le sens ascendant sur la pyramide.
- : Rayon de la couronne , il prend les valeurs respectives: 1, 2, 3,
4.
- : Indice de la couronne, il est égale respectivement à 1, 2, 3.
- : Distance entre les couronnes 0.5 .
- : Demi–angle au sommet 45°.
Le diagramme étalon est spécifié par :
- Niveau des lobes secondaires = – 30 par rapport au niveau du maximum
de rayonnement fixé à 0 .
- étendue angulaire maximale du lobe principal 90°.
- domaine utile 360°.
La structure pyramidale (Figure III.13) est une étape préliminaire vers le

passage à la configuration conique ; ça se comprend très vite du moment où l’on
sait que la pyramide est obtenue par pliage du substrat diélectrique souple,
tandis que le cône est obtenu par courbure de ce même substrat. La seule
différence est que le premier possède un rayon de courbure infini, celui du
second étant à une valeur spécifique qui lorsqu’elle est grande, il peut être
confondu relativement avec une pyramide multi-faces pour conserver l’hypothèse
des sources localement planes.
La figure III.14 est le résultat graphique de la synthèse par AGMO

effectuée pour le réseau pyramidal sous les contraintes électromagnétiques
indiquées avant. Les contraintes sont parfaitement respectées pour le lobe
principal sur les plans considérés 30°, 60°, 90°, 105°. Pour ce
qui est des lobes secondaires, ils restent supérieurs au niveau réclamé avec
Page | 111


– 28 . Ce résultat est obtenu après vingt jours de simulation, bien qu’il reste
moins apprécié vis à vis des contraintes imposées au diagramme de
rayonnement électromagnétique, sous forme de gabarit à deux niveaux, sans
doute parce que il nous faut un espace de temps plus important et énormément
de tentatives pour pouvoir arriver à des résultats meilleurs.
0 0
-10 -10
-20 -20
Amplitude en dB
Amplitude en dB
-30 -30
-40 -40
-50 -50
-60 -60
-200 -150 -100 -50 0 50 100 150 200 -200 -150 -100 -50 0 50 100 150 200
pyramidal et gabarit centré (plan 30°) pyramidal et gabarit centré (plan 60°)
0 0
-10 -10
-20 -20
Amplitude en dB
Amplitude en dB
-30 -30
-40 -40
-50 -50
-60 -60
-200 -150 -100 -50 0 50 100 150 200 -200 -150 -100 -50 0 50 100 150 200
pyramidal
et gabarit centré (plan 90°) pyramidal et gabarit centré (plan 105°)

Figure III.14 : Diagramme de rayonnement du réseau pyramidal et gabarit centré

Page | 112


Sur la figure III.15 obtenue pour le même type de réseau avec les mêmes
spécifications du gabarit de la figure III.14, après que nous ayons choisi une loi
équiphase, associée à un gradient d’amplitude entre les couronnes du réseau
pyramidal. Nous remarquons que le résultat de la figure III.15 est meilleur que
ceux obtenus dans la figure III.14.
Comme remarque, il est possible d’affirmer que, si nous ajoutions d’autres

variables à notre problème tel que l’alimentation, et s’il y avait moins de plans
d’observation (moins d’objectifs), le résultat de la synthèse par notre AGMO
serait beaucoup plus intéressant. Donc le caractère « multi-objectif concurrent »
limite les valeurs optimales.
Page | 113


0 0
-10 -10
-20 -20
Amplitude en dB
Amplitude en dB
-30 -30
-40 -40
-50 -50
-60 -60
-200 -150 -100 -50 0 50 100 150 200 -200 -150 -100 -50 0 50 100 150 200
0 0
-10 -10
-20 -20
Amplitude en dB
Amplitude en dB
-30 -30
-40 -40
-50 -50
-60 -60
-200 -150 -100 -50 0 50 100 150 200 -200 -150 -100 -50 0 50 100 150 200
Figure III.15 : Diagramme de rayonnement du réseau pyramidal et gabarit centré

(plan 30° 60° 90° 105° ), loi à gradient d’amplitude et équiphase
Page | 114


Nous continuons avec le réseau pyramidal en donnant la figure III.16
obtenue par notre AGMO et dont l’objectif est la réalisation d’une obliquité du
maximum de rayonnement électromagnétique sur le point de visée repéré par
45°. Sur les quatre figures observées dans les plans 30°, 60°,
90°, 105°, le lobe principal pointe bien la direction réclamée 45°. Ce
lobe est piégé entre les deux niveaux du diagramme étalon et commence à
déborder de – 17 à gauche et à droite dans le plan 30°. Le niveau des
lobes secondaires vient à bout des – 30 respectant ainsi la valeur désirée.
0 0
-10 -10
-20 -20
Amplitude en dB
Amplitude en dB
-30 -30
-40 -40
-50 -50
-60 -60
-200 -150 -100 -50 0 50 100 150 200 -200 -150 -100 -50 0 50 100 150 200
pyramidal et gabarit dépointé à 45° (plan 30°) pyramidal et gabarit dépointé à 45° (plan 60°)
0 0
-10 -10
-20 -20
Amplitude en dB
Amplitude en dB
-30 -30
-40 -40
-50 -50
-60 -60
-200 -150 -100 -50 0 50 100 150 200 -200 -150 -100 -50 0 50 100 150 200
pyramidal et gabarit dépointé à 45° (plan 90°) pyramidal et gabarit dépointé à 45° (plan 105°)
Figure III.16 : Diagramme de rayonnement du réseau pyramidal et gabarit dépointé à 45°

Page | 115


III.4.4. Réseau cylindrique

Le quatrième réseau présenté est de forme cylindrique. Comme le montre
la figure III.17, ce réseau a pour axe de révolution l’axe et il est composé
de 64 éléments rayonnants répartis sur 8 anneaux et fonctionnants à la
fréquence de 3 soit une longueur d’onde de 10 . Les dimensions des
pavés ont été calculées à la fréquence de résonance [69].
Les éléments rayonnants sont répartis symétriquement par rapport à l’axe

. La distance entre les sources suivant l’axe est égale à 0.75 .
64
2 58

1 9 57
Figure III.17 : Réseau cylindrique
Les coordonnées cartésiennes des sources dans le repère cartésien associé

au réseau sont déterminées de la manière suivante (Figure III.18) :
8 1
2α

Figure III.18 : Coupe sectoriel du réseau cylindrique
Page | 116


(III.30)
2 1 (III.31)
1 (III.32)
1 (III.33)
4.5 (III.34)
Avec :
- : Rayon de courbure de la surface cylindrique 47.25 .
- : Demi corde 24.92 .
- : Arc entre deux sources sur le même anneau 0.75 7.5 .
- : Nombre de sources sur l’anneau, il a la valeur constante de 8.
- : Indice de la source sur l’anneau, compris entre 1 et .
- : Indice de l’anneau dans le sens positif de l’axe , variant entre 1 et 8.
Le gabarit pris dans l’espace est décrit comme suit :
- Domaine utile pour l’exploitation 180°.
A l’opposé du réseau pyramide, sur cette structure, nous pouvons

implanter en nombre égal les sources sur chaque couronne, car leurs rayons de
courbure sont les mêmes et par conséquence la distance minimale de sûreté
entre éléments est conservée de haut en bas du cylindre.
Les couronnes portantes des sources à grandeurs prédéterminées d’après

la fréquence de résonance, sont empreintes sur la circonférence du cylindre avec
un éloignement entre sources suffisamment grand pour écarter l’effet des
couplages mutuels capable de détruire la qualité du diagramme de rayonnement
électromagnétique du réseau. Ceci n’est possible qu’avec un choix judicieux du
Page | 117


rayon de courbure de la structure permettant à la fois de conserver la

supposition des sources localement planes [1,42].
Nous avons simulé sur calculateur par le biais de notre AGMO et pendant
cinq semaines, les orientations angulaires locales en azimut et en élévation aux
sources du réseau cylindrique, qui satisfasse au mieux les contraintes
électromagnétiques à infliger au motif de rayonnement.
Une loi d’alimentation uniforme appliquée aux sources rayonnantes

donne naissance à un diagramme de rayonnement esquissé sur la figure III.19
Le diagramme obtenu est bien centré dans les quatre plans d’observation
0°, 30°, 45°, 60°. Nous pouvons nous assurer par simple
observation des tracés des motifs de rayonnement électromagnétique. Le lobe
principal respecte les largeurs limites minimale et maximale imposées par le
gabarit. Quant aux lobes secondaires, ils tiennent juste à l’extrémité de – 30 .
Le taux d’ondulation, quant à lui est faible et de même ordre de grandeur en
comparaison avec celui du gabarit qui est à 1 .
Page | 118


0 0
-10 -10
-20 -20
Amplitude en dB
Amplitude en dB
-30 -30
-40 -40
-50 -50
-60 -60
-100 -80 -60 -40 -20 0 20 40 60 80 100 -100 -80 -60 -40 -20 0 20 40 60 80 100
cylindrique et gabarit centré (plan 0°) cylindrique et gabarit centré (plan 30°)
0 0
-10 -10
-20 -20
Amplitude en dB
Amplitude en dB
-30 -30
-40 -40
-50 -50
-60 -60
-100 -80 -60 -40 -20 0 20 40 60 80 100 -100 -80 -60 -40 -20 0 20 40 60 80 100
cylindrique et gabarit centré (plan 45°) cylindrique et gabarit centré (plan 60°)
Figure III.19 : Diagramme de rayonnement du réseau cylindrique et gabarit centré

Page | 119


Il semble pour ce cas, bien que le nombre de sources soit assez important,
que le procédé de synthèse (AGMO) a été d’une efficacité incontestable, vérifié
par simple observation des résultats graphiques, validant ainsi notre outil de
synthèse.
Pour tout type de réseau, la fonction de dépointage reste l’une des

préoccupations majeures relevant un défi aux chercheurs et utilisateurs. C’est
dans ce concept que nous avons pu réaliser avec notre réseau cylindrique une
déviation angulaire du lobe principal.
0 0
-10 -10
-20 -20
Amplitude en dB
Amplitude en dB
-30 -30
-40 -40
-50 -50
-60 -60
-100 -80 -60 -40 -20 0 20 40 60 80 100 -100 -80 -60 -40 -20 0 20 40 60 80 100
cylindrique et gabarit dépointé à 30° (plan 0°) cylindrique et gabarit dépointé à 30° (plan 30°)
0 0
-10 -10
-20 -20
Amplitude en dB
Amplitude en dB
-30 -30
-40 -40
-50 -50
-60 -60
-100 -80 -60 -40 -20 0 20 40 60 80 100 -100 -80 -60 -40 -20 0 20 40 60 80 100
cylindrique et gabarit dépointé à 30° (plan 45°) cylindrique et gabarit dépointé 30° (plan 60°)
Figure III.20 : Diagramme de rayonnement du réseau cylindrique et gabarit dépointé à 30°

Page | 120


La figure III.20 représente la caractéristique de rayonnement du réseau en

question, après application d’une synthèse par orientation angulaire des sources
en vu de récupérer une fonction caractéristique pointant l’angle 30° dans les
plans projetés définis par 0° 30° 45° 60° , nous avons récupéré
un diagramme de rayonnement où le lobe dominant vise la direction angulaire
qui lui est imposée 30°, tout en restant localisé dans son domaine en
ordonnées. En abscisses et pour les deux plans 0° 30° , les choses se
passent autrement, ce lobe respecte sur la partie gauche les deux étendues
angulaires maximale et minimale du gabarit, tandis que sur la droite, nous
constatons qu’il commence à déborder de 10 pour le plan 0° et de -
15 pour le plan 30° . Le summum des lobes gênants (secondaires) atteint
les 32 , chose qui reste en accord avec les exigences.
III.4.5. Réseau cône

Le cinquième réseau d’antennes étudié a une forme conique (Figure
III.21). La fréquence de résonance est égale à 3 , soit une longueur d’onde de
10 . Ce réseau est composé de 82 éléments rayonnants répartis sur 6
couronnes distantes de 0.8 l’une de l’autre.
Le demi–angle au vertex du cône est égal à 30°. La couronne
supérieure a un rayon de 5.09 et comporte 4 éléments, la couronne de base a
un rayon de 22.39 et comporte 22 éléments.

81
82 80
79
71
30°
59

43
23
22
1 2

Figure III.21 : Réseau conique
Page | 121


La distance entre les éléments rayonnants d’une même couronne a été

calculée pour être comprise entre 0.6 et 0.8 par la relation :
(III.35)
Sachant que :
1 sin (III.36)
Avec :
- : Rayon de la couronne considérée.
- : Nombre de sources sur la couronne, il vaut dans le sens base–vertex :
22, 20, 16, 12, 8, 4.
- : Rayon de la couronne de base.
- : Indice de la couronne dans le sens ascendant, il prend les valeurs de 1 à
6.
Pour chaque couronne, les coordonnées cartésiennes ainsi que la

colatitude de la normale de chaque élément rayonnant sont données par les
relations :
cos (III.37)
sin (III.38)
1 cos (III.39)
Avec :
: Indice de la source sur sa couronne, il est compris entre 1 et .
Nous pourrons émettre l’hypothèse d’équivalence entre un réseau déposé

sur un tronçon de cône et un réseau implanté sur un solide pyramidal multi–
faces avec le même nombre d’éléments. La seule différence est que le premier
est obtenu par courbure de substrat et possède donc un rayon de courbure
spécifique, tandis que le deuxième est obtenu par pliage de substrat, ce qui tend
le rayon de courbure à l’infini. Toutefois, pour un léger pliage, le rayon de
courbure sera grand et on pourra émettre l’hypothèse de source localement
plane. De ce fait, il est bien clair qu’un réseau cône peut être considéré comme
étant un réseau pyramidal à plusieurs faces.
Page | 122


Le gabarit choisi est défini par les paramètres suivants :
- Domaine utile d’exploitation 360°.
Au réseau conique à 82 éléments excités uniformément, nous devons

parvenir à synthétiser le diagramme de rayonnement de ce réseau
tridimensionnel par orientation angulaire des sources, conformément au gabarit
exigé et axé sur 0°. La figure III.22 portée au plans 0° 45°
60° 90° est convaincante, du moment où le lobe dominant cible, en relativité
par rapport au étendues angulaires extremums du gabarit, la bonne direction
0° quelque soit le gisement du plan d’observation et sans sortir de la zone
délimitée en abscisses par les deux bornes du diagramme jauge (gabarit), ni de
celle délimitée en ordonnées. Ce lobe présentant un taux d’ondulation de 3
dans les deux plans 45° 60° , supérieur à celui du diagramme étalon. En
outre, son ondulation varie avec une limite de 2 dans les plans 0°
90° . Pour parler des lobes secondaires, nous notons que leur niveau a atteint
26 constituant ainsi un avantage, si nous savons que le seuil requis est de
25 pour un fonctionnement sans ambiguïté, mais la contrepartie est le temps
de calcul assez important puisque notre AGMO a met environ 2 mois (sans
compter les tentatives dans le but d’obtenir des solutions réalisables) de calcul
pour trouver la solution optimale.
Page | 123


0 0
-10 -10
-20 -20
Amplitude en dB
Amplitude en dB
-30 -30
-40 -40
-50 -50
-60 -60
-200 -150 -100 -50 0 50 100 150 200 -200 -150 -100 -50 0 50 100 150 200
conique et gabarit centré (plan 0°) conique et gabarit centré (plan 45°)
0 0
-10 -10
-20 -20
Amplitude en dB
Amplitude en dB
-30 -30
-40 -40
-50 -50
-60 -60
-200 -150 -100 -50 0 50 100 150 200 -200 -150 -100 -50 0 50 100 150 200
conique et gabarit centré (plan 60°) conique et gabarit centré (plan 90°)
Figure III.22 : Diagramme de rayonnement du réseau conique et gabarit centré

Il est toujours possible de réaliser un dépointage de faisceau avec la

structure conique. C’est dans ce concept que nous tentons de faire biaiser le lobe
principal porté aux quatre plans de référence 0° 45° 60° 90° au
nouveau point de visée repéré par 30°. La figure III.23 visualisé dans les
plans définis par 0° 45° 60° 90° et qui dérivent d’une synthèse
par notre AGMO. Toutefois, il est à préciser que le lobe dominant est bel et bien
centré sur la valeur requise, à savoir 30°, sans qu’il déborde des largeurs
extremums propre au diagramme de rayonnement étalon sur son axe horizontal,
alors que sur l’axe vertical et pour le plan 0° il prend un air très sinueux avec
Page | 124


un taux de 3 en supériorité, comparé au taux réclamé 2 , ceci avec une

apogée qui reste contiguë au niveau de référence 0 . On dirait bien que le
dépointage du faisceau n’a pas arrangé les choses, car ici même le lobe
secondaire suprême fait à son apogée – 20 dans le plan 0° et 16 (plan
60°) et de ce fait, il constitue une vraie source de gêne pour une utilisation
de qualité.
0 0
-10 -10
-20 -20
Amplitude en dB
Amplitude en dB
-30 -30
-40 -40
-50 -50
-60 -60
-200 -150 -100 -50 0 50 100 150 200 -200 -150 -100 -50 0 50 100 150 200
conique et gabarit dépointé à 30° (plan 0°) conique et gabarit dépointé à 30° (plan 45°)
0 0
-10 -10
-20 -20
Amplitude en dB
Amplitude en dB
-30 -30
-40 -40
-50 -50
-60 -60
-200 -150 -100 -50 0 50 100 150 200 -200 -150 -100 -50 0 50 100 150 200
Figure III.23 : Diagramme de rayonnement du réseau conique et gabarit dépointé à 30°

Page | 125


Toujours dans la perspective d’étaler les performances qu’offre notre

AGMO, non pas par curiosité, mais par souci d’une éventuelle amélioration des
résultats précédents. Pour cela nous avons choisi une loi d’alimentation non
uniforme de type exponentielle pour phase et amplitude d’excitation et nous
avons réalisé avec la même structure et les mêmes paramètres associés au
gabarit, une synthèse du diagramme de rayonnement.
0 0
-10 -10
-20 -20
Amplitude en dB
Amplitude en dB
-30 -30
-40 -40
-50 -50
-60 -60
-200 -150 -100 -50 0 50 100 150 200 -200 -150 -100 -50 0 50 100 150 200
0 0
-10 -10
-20 -20
Amplitude en dB
Amplitude en dB
-30 -30
-40 -40
-50 -50
-60 -60
-200 -150 -100 -50 0 50 100 150 200 -200 -150 -100 -50 0 50 100 150 200
Figure III.24 : Diagramme de rayonnement du réseau conique et gabarit dépointé à 30°

(plan 0° 45° 60° 90° ), loi d’alimentation exponentielle
Page | 126


Le résultat graphique de la figure III.24 concernant le réseau conique avec

les mêmes spécifications du gabarit données à la figure III.23 est celui d’une
synthèse par AGMO dans le cas d’une alimentation exponentielle des sources.
Nous constatons une nette amélioration sur les deux plans repérés par
0° 60° en comparaison avec les même plans de la figure III.23, du fait du
respect total des exigences posées par le gabarit et même qu’on a un niveau de
lobes secondaires bien inférieur au seuil désiré faisant les 28 dans le plan
0° et il est tangent au 25 pour les autres plans. Ainsi ces constatations,
en grande partie, sont très satisfaisantes et marquent une autre fois l’efficacité
de notre outil de synthèse et la nécessité d’ajouter d’autres variables du
problème pour pouvoir arriver à des résultats meilleurs.
III.4.6. Réseau hémisphérique

La dernière structure présentée dans notre application est constituée de
104 éléments rayonnants répartis sur 6 couronnes. Ces dernières sont séparées
par des arcs de longueur , ce qui induit un rayon de courbure constant de
28.648 , sachant que la fréquence de travail est de 4 7.5 .

104
99 100
87

69

49

25
24

1 2

Figure III.25 : Réseau hémisphérique

C’est un réseau où l’ensemble des pavés rayonnants est implanté sur une
surface sphérique. Nous pouvons faire l’équivalence entre ce réseau et un réseau
conique multi–couronnes et multi–pentes. Ceci est vrai ; car chaque couronne
présentera à la fois une différence de rayon pour assurer la forme oblique et une
Page | 127


différence d’inclinaison des sources par rapport aux couronnes voisines pour
donner l’aspect sphèrique au réseau. De ce fait, la normale à chaque couronne se
retrouvera avec une colatitude différente de celle des autres. C’est là, toute la
différence qui existe entre ce réseau et le cône. Comme ce fut le cas pour le
réseau conique, la couronne de base contiendra un nombre de sources plus
important qui décroîtra dans le sens ascendant pour garder une distance inter–
éléments suffisamment grande pour négliger l’effet de couplage. La structure
sphérique est donc une extension ordinaire du réseau cône vu l’équivalence qui
en existe (Figure III.25). L’hypothèse des sources localement planes est
conservée par le biais d’un rayon de courbure assez important.
Cet hémisphère a pour axe de révolution l’axe (Figure III.26). La

distance entre éléments rayonnants pour chaque couronne a été calculée pour
être comprise entre 0.6 et 0.8 par les relations (III.35) et (III.36) déjà données
pour le réseau cône.
6

2

1

Figure III.26 : Coupe réalisée sur le réseau hémisphérique

Les abscisses et les ordonnées des pavés rayonnants de chaque

couronne sont calculées d’après les relations (III.37) et (IV.38) déjà données
pour le réseau cône. Pour ce qui est de la coordonnée de la source, elle est
constante pour chaque couronne et elle est donnée par la relation :
sin 1 (III.40)
Page | 128


Avec :
- : Rayon de courbure de l’hémisphère 28,648 .
- : Nombre de couronnes, égale à 6.
- : Indice de la couronne dans le sens base – sommet de l’hémisphère, il est
compris entre 1 et .
- : Nombre total de sources sur la couronne considérée, il prend dans le
sens ascendant, les valeurs : 24, 24, 20, 18, 12, 6.
- : Indice de la source sur sa couronne, il varie entre 1 et .
- : écartement angulaire entre les couronnes 15°.
Le gabarit est défini par les paramètres suivants :
- Domaine utile d’exploitation 180°.
Nous avons réalisé une synthèse par AGMO, dans le but d’avoir un motif
de rayonnement bien centré. L’orientation locale en azimut et en élévation de
chaque source qui en est dérivée, une fois appliquée virtuellement a permis
l’obtention des diagrammes de rayonnement dans les deux plans 0°
30° . La figure III.27 révèle la présence d’un lobe principal bien au centre dans
les deux plans. Les étendues angulaires maximale et minimale imposées sont
respectées dans les deux côtés gauche et droit, du moins de – 10 à 0 , ce
qui n’est pas le cas entre – 25 et – 10 où le lobe principal sort légèrement
dans ses deux parties gauche et droite (plan 0°). Dans le plan 30° le
lobe principal est doté d’une largeur angulaire bien piégée entre les deux bornes
du gabarit. Quant aux lobes secondaires, ils vont au delà des – 25 et affichent
la valeur de – 20 dans les deux plans, ce qui est loin de nos espérances.
Page | 129


0 0
-10 -10
-20 -20
Amplitude en dB
Amplitude en dB
-30 -30
-40 -40
-50 -50
-60 -60
-100 -80 -60 -40 -20 0 20 40 60 80 100 -100 -80 -60 -40 -20 0 20 40 60 80 100
hémisphérique et gabarit centré (plan 0°) hémisphérique et gabarit centré (plan 30°)
Figure III.27 : Diagramme de rayonnement du réseau hémisphérique et gabarit centré

(plan 0° 30° ), loi d’alimentation uniforme
En ce qui concerne cette dernière structure dont nous vous proposons ici
l’étude, sa synthèse a nécessité énormément de temps malgré le nombre réduit
des plans (deux objectifs). Elle a dépassé les deux mois. Nous avons jugé qu’il
était plus sage d’arrêter notre simulation pour des raisons de stabilité du
système d’exploitation. Mais encore pour le bon fonctionnement des calculateurs.
Ces empêchements aléatoires n’ont d’ailleurs aucun impact sur les résultats qui
étaient en bonne voie d’amélioration. Ce temps assez long exigé par la synthèse
de la dernière structure est dû aussi à la diversité et au nombre des sources
rayonnantes du réseau (104 sources). En effet, plus ces dernières sont
nombreuses, plus les calculs numériques sont plus longs dans la boucle
d’optimisation de notre AGMO.
Page | 130


III.4.7. Conclusion
Dans ce paragraphe, une synthèse des réseaux conformés d’antennes
imprimées a été présenté et au cours duquel nous abordâmes plusieurs et
différentes configurations, allant de la plus simple qui est le réseau dièdre à deux
faces, à la plus complexe qui est le réseau hémisphérique passant par les
intermédiaires, dont les réseaux tétraédrique, pyramidal, conique et cylindrique.
Cette synthèse consiste à déterminer l’orientation angulaire locale de

chaque source du réseau, qui permet d’approcher dans plusieurs plans le
diagramme de rayonnement résultant d’un diagramme étalon à niveaux
(gabarit).
Les résultats de simulation sont très satisfaisants par rapport au cahier des
charges imposé par la caractéristique de rayonnement désirée. Les difficultés que
nous avons rencontrées au cours des simulations étaient nombreuses. Nous
citons, entre autres, les plus embarrassantes :
- Les méthodes stochastiques ont comme principal inconvénient la nécessité de
réaliser de très nombreuses évaluations du problème. Si nous augmentons sa
complexité, le temps nécessaire pour son optimisation serait plus grand
encore. Les algorithmes génétiques peuvent cependant facilement être
ajustés pour travailler en utilisant le calcul parallèle : comme ses opérations
sont répétitives, et comme chaque individu est évalué de manière
indépendante, le parallélisme est direct.
- Parmi les difficultés rencontrées lors de cette synthèse, nous citerons les
coupures fréquentes du courant électrique qui constituent de sérieuses
entraves lors de la manipulation de la simulation. Nous étions obligés de
refaire tout le travail après chaque coupure qui durait la plupart du temps
plus d’une demi-heure dépassant ainsi la capacité et la résistance de
l’onduleur.
- L’instabilité du système d’exploitation due à ces longues durées fait que le

travail sur le calculateur (micro-ordinateur) devient très lent et fastidieux.
Page | 131

CONCLUSION GENERALE

Conclusion générale

CONCLUSION GENERALE
Pour cette thèse, nous avons abordé deux domaines des sciences
appliquées : l’étude d’outils d’optimisation, et la synthèse de structures
conformées d’antennes imprimées implantées sur des objets de formes diverses.
Le centre du travail a été le développement d’un « Algorithme Génétique Multi-
Objectif » (AGMO), qui est capable de résoudre des problèmes complexes.
La synthèse d’antennes conformée illustre bien un problème d’optimisation

difficile à résoudre. La loi d’excitation des sources, leur orientation angulaire
locale sont quelques-unes des variables d’optimisation que nous pouvons ajuster
pour avoir un motif de rayonnement en zone lointaine spécifié par une fonction
ou des niveaux exigés par un cahier des charges. De manière générale, la
synthèse s’exprime sous la forme d’un problème de minimisation d’une fonction
coût évaluant l’erreur entre un diagramme de rayonnement et une fonction ou un
gabarit désiré. Ce problème nécessite des algorithmes d’optimisation pouvant
s’affranchir des nombreux minima locaux et de la non linéarité de la fonction
coût.
Le choix de l’algorithme génétique multi-objectif est le résultat d’un travail

de revue des méthodes d’optimisation, qui a analysé pour chacune d’elles ses
avantages et ses inconvénients par rapport aux caractéristiques particulières des
problèmes rencontrés en électromagnétisme (possibles non-linéarités,
discontinuités possibles des fonctions objectif, difficulté à obtenir leurs dérivées,
nécessité fréquente de faire appel à des méthodes numériques, etc.). Il est
nécessaire de prendre en compte l’aspect multicritère dans l’approche de
problèmes où il existe de multiples aspects à améliorer. Le travail de chercheur
consiste le plus souvent à trouver des compromis, par exemple entre
performance maximale et coût minimal. Percevoir les relations entre les objectifs
aide le chercheur à mieux comprendre le problème, et ainsi à obtenir la solution
optimale.
Page | 133


Ainsi, la contribution principale de cette thèse est le développement d’un

outil d’optimisation robuste qui, non seulement résout le problème posé, mais a
en plus la capacité de générer plusieurs possibilités par l’analyse du problème et
des solutions elles-mêmes. La méthodologie proposée permet au chercheur de
mieux connaître le problème qu’il s’est posé ; comprenant mieux les conflits
entre objectifs, ainsi que les caractéristiques du projet et de ses solutions, il peut
obtenir des résultats encore meilleurs.
Au cours de ces travaux, nous avons entamé la recherche dans le premier

chapitre par des généralités sur les antennes imprimées, leur mécanisme de
fonctionnement, les types d’alimentations adéquats et leur association en
réseaux.
Le deuxième chapitre présente la mathématique nécessaire pour la

compréhension des problèmes multicritères et présente l’AGMO, en identifiant
ses avantages et ses inconvénients par rapport aux autres méthodes
d’optimisation. Il montre en plus, en détail, comment implémenter la méthode
proposée. Il en résulte que l’AGMO tel qu’il est proposé est un algorithme «
équilibré », en ce sens qu’il travaille dans les deux espaces (celui des objectifs et
celui des paramètres d’optimisation) sans en privilégier un, ce qui, entre autres
avantages, accélère le processus de convergence.
Ensuite, dans le troisième chapitre nous avons posé le problème d’analyse

des réseaux conformés et exposé la nouvelle technique de détermination des
composantes du champ lointain rayonné. Cette technique fait appel à la matrice
de passage entre repères fixes et tournants (matrice d’Euler) ainsi que les
matrices de transition entre coordonnées cartésiennes et sphériques et vice
versa. Le module de synthèse (AGMO) a été ensuite validé par des visualisations
graphiques du rayonnement électromagnétique des structures proposées pour la
synthèse (réseaux dièdre, tétraèdre, pyramide, cône, cylindre, hémisphère). La
résolution de plusieurs exemples tirés de ce problème constitue des tests
compliqués pour l’AGMO, mais ils sont surtout présentés pour permettre une
meilleure compréhension de la méthodologie proposée, qui conduit à des
itérations entre la manière de poser le problème et l’outil d’optimisation.
Page | 134


Les résultats ont été appréciés par leur conformité aux diagrammes étalons
imposés, ce qui nous a permis de conclure que nous étions sur la bonne voie,
ouvrant par conséquence des perspectives prometteuses à d’autres études en
parallèle.
En résumé, l’AGMO présenté est un outil d’optimisation efficace pour la

synthèse de structures conformées d’antennes imprimées, comme le montrent
plusieurs exemples traités.
Les antennes imprimées et conformées sur des surfaces convexes et

diverses sont à prendre en charge par des études approfondies en vue
d’améliorer et d’exploiter toutes leurs performances à des fins de progrès des
télécommunications.
Énumérons quelques perspectives, comme propositions de suites logiques

à ce projet.
Le processus d’élaboration de la théorie, d’implémentation et de test de

l’AGMO étant maintenant terminé, nous pouvons aspirer à une réécriture du code
source pour obtenir un outil de calcul plus robuste. Nous l’avons d’ailleurs fait
une première fois, pour réaliser une version didactique. Pour arriver à une
version « professionnelle », une révision de tout le code est nécessaire, de façon
à améliorer sa logique interne et son efficacité. Nous pouvons évidemment
penser à l’utilisation d’un langage de programmation libre et performant, comme
par exemple, Java Applet.
Nous voyons aussi l’intérêt de publier un papier « éducation » montrant

l’utilisation didactique de notre outil, ainsi que notre code de calcul pour l’analyse
des structures conformées d’antennes.
Nous souhaiterons beaucoup l’élaboration d’un outil pédagogique interactif

pour l’enseignement de l’optimisation aux ingénieurs. Le programme, développé
sous MATLAB, est disponible et il sortira bientôt sous la forme d’interface à l’aide
Page | 135


de l’utilitaire Guide. Cependant, le processus de correction et d’ajout de

nouvelles potentialités est permanent.
Nous espérons voir notre AGMO utilisé avec d’autres méthodes

stochastiques telles que la recherche tabou, et colonie de fourmis, etc.
L’hybridation pour l’amélioration des résultats déjà obtenus.
Au-delà des possibilités d’amélioration de l’efficacité de la programmation

évoquées plus haut, il serait intéressant et même très important d’implémenter
l’outil en calcul parallèle (réduire le temps nécessaire d’optimisation). Les AG
sont naturellement adaptés au parallélisme, puisque l’évaluation des différents
individus constitue un processus répétitif, qui peut être mené de manière
séparée.
Ce texte se termine ainsi avec l’énumération de ces quelques voies pour

des suites possibles. Nous avons la conviction que les objectifs fixés au départ
ont été traités. Nous espérons que les connaissances acquises au cours de cette
thèse ne seront pas utiles uniquement pour les groupes de recherche
directement engagés dans ce travail, mais aussi pour tous les chercheurs qui
travaillent avec l’optimisation (économie, télécommunications optique, biologie,
etc.).
Nous avons finalement la certitude qu’on peut encore beaucoup progresser

dans les méthodologies d’optimisation, et cela sera sûrement fait. Nous sommes
confiants que le nombre de domaines qui peuvent profiter de ces outils est assez
grand, et va encore s’élargir avec les avancées proposées ici, et toutes celles à
venir.
Page | 136

REFERENCES BIBLIOGRAPHIQUES

Références bibliographiques

REFERENCES BIBLIOGRAPHIQUES
[1] S. A. DJENNAS, “Analyse et synthèse de structures conformées d’antennes

imprimées implantées sur des objets de formes diverses”, Thèse de Magister en
Electronique, Université Abou-Bekr Belkaïd, Tlemcen, Algérie, Décembre 2000.
[2] T. GIRARD, “Réseaux d’antennes imprimées sur des surfaces conformes”,

Thèse de Doctorat, Université de Nice-Sophia Antipolis, France, 1999.
[3] L. MERAD, “Modélisation et optimisation de réseaux d’antennes imprimées

par les réseaux de neurones et les méthodes stochastiques”, Thèse de Doctorat,
Université Abou-Bekr Belkaïd, Tlemcen, Algérie, Juin 2005.
[4] R. M. NELSON, D. A. ROGERS and A. G. DASSUNÇAO, “Resonant frequency

of a rectangular microstrip patch on several uniaxial substrates”,IEEE, Trans.
Antennas Propagat. , Vol.38, pp. 973-981, 1990.
[5] V. LOSADA, R.R. BOIX and M. HORNO, “full-wave analysis of circular

microstrip resonators in multilayerd media containing uniaxial anisotropic
dielectrics, magnetized ferrites, and chiral materials”, IEEE Trans. Microwave
Tech., Vol.48, pp. 1057-1064, 2000.
[6] D. AUGUSTIN, “Analyze du rayonnement d’antennes imprimées disposées en

réseau sur des surfaces planes ou conformées”, Thèse de Doctorat, Université de
Nice-Sophia Antipolis, France, 1995.
[7] Y. T. LO, S. W. LEE, “Antenna handbook – Theory applications and design”,

Van nostrand reinhold company, New-York, 1988.
[8] D. BIDOU, “Contribution à l’étude d’antenne fort gain, applications dans le

domaine millimétrique”, Thèse de Doctorat, Université de Limoges, France, 2003.
Page | 138


[9] R. E. MUNSON, “Conformal Microstrip Antennas and Microstrip Arrays”, IEEE,

Trans. Antennas Propagat., Vol. AP. 22, pp. 74-74, Jan 1974.
[10] I.J. BAHL, and P. BHARTIA, “Design of microstrip antennas covered with
dielectric layer”, IEEE, Trans. Antennas Propagat., Vol. AP-30, pp. 314-318, Mar.
1982.
[11] Y. QIAN, “A Microstrip Patch Antenna using novel photonic bandgap

structures”, Microwave J., Vol 42, Jan 1999, pp. 66-76.
[12] C. A. BALANIS, “Antenna Theory—Analysis and Design”, 2nd edition, John

Wiley & Sons, Inc., 1997.
[13] J.R. JAMES and C.J. WILSON, “Microstrip antennas and arrays”, Pt.1–
Fundamental action and limitations, Microwaves, optics and acoustics, Vol.1, No.
5, September 1977, pp. 165-174.
[14] C.A. BALANIS, “Advanced Engineering Electromagnetics”, John Wiley &

Sons, New York, 1989.
[15] E. H. NEWMAN, and P. TYLYATHAN, “Analysis of Microstrip Antennas Using

Moment Methods”, IEEE Trans. Antennas Propagat., Vol. AP-29, No. 1, pp. 47-
53, January 1981.
[16] G. KUMAR and K.P. RAY, “Broadband Microstrip Antennas, Artech House”,
Inc, 2003.
[17] F.T. ULABY, “Fundamentals of Applied Electromagnetics”, Prentice Hall,

1999.
[18] D. G. LUENBERGER, “Linear and Nonlinear programming”, 2nd edition,

Addison-Wesley, New York, 1990.
Page | 139


[19] M. S. BAZARAA, H. D. SHERALI and C. M. SHETTY, “Nonlinear programming

- theory and algorithms”, John Wiley & Sons, New York, 1993.
[20] D. P. BERTSEKAS, “Nonlinear Programming”, 2nd edition, Athena Scientific

MIT, 2004.
[21] J. P. A. BASTOS and N. SADOWSKI, “Electromagnetic Modeling by Finite

Element Methods”, Marcel Dekker, New York, 2003.
[22] J. H. HOLLAND, “Adaptation in Natural and Artificial Systems: An

introductory analysis with applications to biology, control, and artificial
intelligence”, MIT Press, Cambridge, 1992.
[23] D. E. GOLDBERG, “Genetic Algorithms in Search, Optimization, and Machine

Learning”, Addison Wesley Longman Inc., New York, 1989.
[24] R. L. HAUPT, “An introduction to genetic algorithms for electromagnetics”,

IEEE Trans. Antennas Propagat., Vol. 37, No. 2, pp. 7–15, April 1995.
[25] J. M. JOHNSON and Y. RAHMAT-SAMII, “Genetic algorithm in engineering

electromagnetics”, IEEE – Antennas and Propagation Magazine, Vol. 39, No. 4,
pp. 7–22, August 1997.
[26] C. A. COELLO, “Handling preferences in evolutionary multi-objective

optimization: A Survey”, In: IEEE – CEC’2000 – Congress on Evolutionary
Computation, v. 1, pp. 30–37, New Jersey, 2000.
[27] C. A. COELLO, D. A. VAN VELDHUIZEN and G. B. LAMONT, “Evolutionary

algorithms for solving multi-objective problems (genetic algorithms and
evolutionary computation)”, Kluwer Academic Publishers, May 2002.
[28] J. L. RINGUEST, “Multi-objective Optimization: Behavioral and

Computational Considerations, Kluwer Academic Publishers, July 1992.
Page | 140


[29] Y. COLLETTE and P. SIARRY, “Multi-objective Optimization: Principles and

Case Studies (Decision Engineering)”, Springer-Verlag, August 2004.
[30] K. DEB, “Multi-objective Optimization Using Evolutionary Algorithms”, John

Wiley & Sons, April 2002.
[31] K. DEB, “Multi-objective genetic algorithm: problem difficulties and

construction of test functions”, Technical Report n. CI-49/98, Department of
Computer Science/XI, University of Dortmund, Dortmund, 1998.
[32] D. A. V. VELDHUIZEN and G. B. LAMONT, “Multi-objective evolutionary

algorithms: analyzing the state-of-the-Art”, Evolutionary Computation, MIT
Press, v. 8, n. 2, pp. 125-147, 2000.
[33] M. A. SAINZ, P. HERRERO, J. VEHI, “Solving problems on MinMax

optimization”, In: PARA’04 – Workshop on State-of-Art in Scientific Computing,
Lyngby, Denmark, Jun. 2004.
[34] J. HERSKOVITS and S. R. MAZORCHE, “A new interior point algorithm for

nonlinear complementarily problems”, In: 6th WCSMO – World Congress on
Structural and Multidisciplinary Optimization, Rio de Janeiro, Brazil, May – Jun.,
2005.
[35] H. L. ABDEL-MALEK and A. K. S. O. HASSAN, “The ellipsoidal technique for

design centering and region approximation”, IEEE – Transactions on Computer-
Aided Design, v. 10, n. 8, pp. 1006-1013, 1991.
[36] T. BÄCK, U. HAMMEL and H. P. SCHWEFEL, “Evolutionary computation:

comments on the history and current state”, IEEE – Transactions on Evolutionary
Computation, v. 1, n. 1, pp. 3-17, 1997.
[37] Ch. DARWIN, “The origin of species by means of natural selection”, 1859.
Page | 141


[38] M. SCHOENAUER, “Evolutionary Computation Journal”, MIT Press, [Online].

http://mitpress.mit.edu/main/home/, 2005.
[39] J. HERTZ, A. KROGH and R. G. PALMER, “Introduction to the Theory of

Neural Computation”, Addison-Wesley Longman, 2005.
[40] L. N. DE CASTRO and J. TIMMIS, “Artificial Immune Systems: A New

Computational Intelligence Approach”, Springer, 2002.
[41] M. DORIGO and T. STÜTZLE, “Ant Colony Optimization”, MIT Press, 2004.
[42] S. A. DJENNAS, F. T. BENDIMERAD, “Synthèse de structures conformées

d’antennes imprimées’’, the first Electric and Electronics Engineering Conference,
EEEC 2000, Laghouat, Algérie, pp. 114-118.
[43] S. A. DJENNAS, F. T. BENDIMERAD, ‘‘ Synthèse du Rayonnement

d’Antennes Imprimées Disposées en Réseaux Conformes Convexes ’’, Conférence
sur le Génie Electrique, CGE’01, December 2001, pp. 27.
[44] C. A. COELLO, “A Comprehensive Survey of Evolutionary-Based

Multiobjective Optimization Techniques”, Laboratorio Nacional de Informatica
Avanzada, Mexico, 1999.
[45] J. D. SCHAFFER, “Some Experiments in Machine Learning using Vector

Evaluated Genetic Algorithms”, Thesis (Doctor of Philosophy) – Vanderbilt
University, Nashville, 1984.
[46] J. D. SCHAFFER, “Multiple objective optimization with vector evaluated

genetic algorithms”, In: First International Conference on Genetic Algorithm,
Lawrence Erlbaum, New Jersey, pp. 93-100, 1985.
[47] C. M. FONSECA and P. J. FLEMING, “Genetic Algorithm for Multi-objective

Optimization: Formulation, Discussion and Generalization”, In: 5th Conference on
Genetic Algorithm, San Mateo, California, pp. 416-423, Aug. 1993.
Page | 142


[48] N. SRINIVAS and K. DEB, “Multi-objective Optimization Using Nondominated

Sorting in Genetic Algorithms”, Technical report, Department of Mechanical
Engineering, Indian Institute of Technology, Kanput, India, 1993.
[49] K. DEB, S. AGRAWAL, A. PRATAB, T. MEYARIVAN, “A fast and Elitist Multi-

objective Genetic Algorithm: NSGA-II”, IEEE – Transactions on Evolutionary
Computation, Vol. 6, n. 2, pp. 182–197, April 2002.
[50] J. HORN and N. NAFPLIOTIS, “Multi-objective Optimization using the Niched

Pareto Genetic Algorithm”, Technical report, University of Illinois at Urbana
Champaign, Illinois, 1993.
[51] C. F. VIENNET and I. MARC, “Multi-criteria Optimization using a Genetic

Algorithm for Determining a Pareto Set”, International Journal of Systems
Science, Vol. 27, n. 2, pp. 255-260, 1996.
[52] E. ZITZLER and L. THIELE, “An Evolutionary Algorithm for Multi-objective

Optimization: The Strength Pareto Approach”, Technical report, Swiss Federal
Institute of Technology Zurich, Zurich, 1998.
[53] E. ZITZLER, M. LAUMANNS and L. THIELE, “SPEA2: Improving the Strength

Pareto Evolutionary Algorithm”, In: EUROGEN 2001, Evolutionary Methods for
Design, Optimization and Control with Applications to Industrial Problems,
Athens, pp.12-21, September 2001.
[54] E. ZITZLER, “Evolutionary Algorithms for Multi-objective Optimization:

Methods and Applications”, Thesis (Doctor of Technical Sciences) – Swiss Federal
Institute of Technology Zurich, 1999.
[55] A. H. F. DIAS and J. A. VASCONCELOS, “Multi-objective genetic algorithms

applied to solve optimization problems”, IEEE – Transactions on Magnetics, v. 38,
n. 2, pp.1133–1136, 2002.
Page | 143


[56] J. REGNIER, “Conception de Systèmes Hétérogènes en Génie Electrique par

Optimisation Evolutionnaire Multicritère, Thèse de Doctorat, Institut National
Polytechnique de Toulouse, France, 2003.
[57] D. A. G. VIEIRA, R. L. S. ADRIANO, J. A. VASCONCELOS and L.

KRÄHENBÜHL, “Handling constraints as objectives in a multi-objective genetic
based algorithm”, Journal of Microwaves and Optoelectronics, v.2, n. 6, pp. 50-
58, Dec. 2002.
[58] D. A. V. VELDHUIZEN, J. B. ZYDALLIS and G. B. LAMONT, “Considerations in

engineering parallel multi-objective evolutionary algorithms”, IEEE. Transactions
on Evolutionary Computation, v. 7, n. 2, pp. 144–173, Apr. 2003.
[59] D. A. V. VELDHUIZEN and G. B. LAMONT, “On measuring multi-objective

evolutionary algorithm performance,” In: IEEE. CEC’2000 Conference on
Evolutionary Computation, La Jolla, California, v. 1, pp. 204-211, Jul. 2000.
[60] J. A. VASCONCELOS, R. H. C. TAKAHASHI, R. R. SALDANHA and L.

KRÄHENBÜHL, “A multi-objective methodology for evaluating genetic operators”,
IEEE. Transactions on Magnetics, v. 39, n. 3, pp. 1321–1324, May. 2003.
[61] J. A. VASCONCELOS, R. H. C. TAKAHASHI, R. R. SALDANHA and J. A.

RAMIREZ, “Improvements in genetic algorithms”, IEEE. Transactions on
Magnetics, v. 37, n.5, pp. 3414–3417, Sep. 2001.
[62] B. SARENI, L. KRÄHENBÜHL and A. NICOLAS, “Niching Genetic Algorithms

for Optimization in Electromagnetics: I. fundamentals”, IEEE – Transactions on
Magnetics, v. 34, n. 5, pp. 2984–2987, Sept. 1998.
[63] B. SARENI, J. REGNIER and X. ROBOAM, “Recombination and self-

adaptation in multi-objective genetic algorithms”, Lecture Notes in Computer
Science, Springer, v.2933, pp 115–126, 2004.
Page | 144


[64] J. J. H. WANG, V. K. TRIPP, J. K. TILLERY, “Conformal low–profile multi-

function antennas’’, IEEE, 1995, pp. 1002–1005.
[65] I. JAYAKUMAR, R. GARG, B. K. SARAP, B. LAL, “A conformal cylindrical

microstrip array for producing omnidirectional radiation pattern’’, IEEE, Vol. 34,
No. 10, Octobre 1986, pp. 1258–1261.
[66] L. JOSEFSSON, P. PERSSON, “Conformal array antenna theory and design”,

John Wiley & Sons, Inc., Hoboken, 2006.
[67] J. ASHKENAZY, S. SHTRIKMAN, D. TREVES, “Conformal microstrip arrays on

cylinders’’, IEE, Vol. 135, No. 2, Avril 1988, pp. 132–134.
[68] T. HARUYAMA, N. KOJIMA, I. CHIBA, Y. OH–HASHI, N. ORIME, T. KATAGI,

“Conformal array antenna with digital beam forming network’’, IEEE, 1989, pp.
982–985.
[69] C. AUDOUY, “Synthèse d’antennes réseaux conformées’’, Thèse de

Doctorat, Université Paul Sabatier, Toulouse, France, Mars 1995.
Page | 145

ANNEXE A
MODELISATION DE LA SOURCE
ELEMENTAIRE

Annexe A Modélisation de la source élémentaire

MODELISATION DE LA SOURCE ELEMENTAIRE
L’antenne imprimée de forme rectangulaire ainsi que le point d’observation

en zone lointaine sont représentés par la figure A.1.

Source
rayonnante

Substrat

Plan de masse

Figure A.1 : Source élémentaire rectangulaire
A grande distance, au point de l’espace, le champ induit par la source

est situé dans le plan , , c’est à dire qu’il s’agit d’une onde plane dont la
composante radiale suivant , est nulle.
Nous avons :
, , , 0 (A.1)
, cos . , sin . , (A.2)

, sin . , cos . , (A.3)
Avec :
(A.4)
(A.5)
Page | 147

Annexe A Modélisation de la source élémentaire

Les courants de surface ont pour composantes :
, 2 (A.6)
, 2 (A.7)
Avec :
1 tan sin (A.8)
, : Composantes des courants de surface de l’antenne suivant , .
: Perméabilité du vide.
: Permittivité relative du substrat.
tan : Tangente des pertes dans le substrat.
: Epaisseur du substrat diélectrique.
, : Colatitude et gisement du point .
: Nombre d’onde.
: Longueur de l’antenne suivant l’axe .
: Longueur de l’antenne suivant l’axe .
Les courants et sont des grandeurs complexes qui permettent de

définir les plans et . Si on choisit 1 et 0, alors l’élément est polarisé
linéairement selon . Ainsi le plan est le plan alors que le plan sera le
plan . Le cas inverse sera pour 0 et 1.
Page | 148

ANNEXE B
PSEUDO-CODE DES DIFFERENTES
ETAPES DE L’ALGORITHME
GENETIQUE MULTI-OBJECTIF

Annexe B Pseudo‐code des différentes étapes de l’algorithme génétique multi‐objectif

PSEUDO-CODE DES DIFFERENTES ETAPES DE L’ALGORITHME GENETIQUE

MULTI-OBJECTIF
1. Pseudo-code: algorithme génétique multi-objectif

% En déclarant les variables initiales:
nbind = 30; % nombre d’individus – taille de la population;
pcross = 0.9; % probabilité de croisement;
pmut = 0.025; % probabilité de mutation;
nbgen = 50; % nombre maximal de générations;
nvar = 5; % nombre de variables;
limites = [1 1.2; 1 1.2; 50 150; 50 150; 90 500]; % limites des variables [minimum maximal];
nvar = size (limites, 1); % nombre de variables;
fniche = 0; % technique de niche - 0:off 1:on;
fclear = 1; % technique de ‘clearing’ - 0: off 1: on;
freduc = 0; % réduction de l’espace de recherche - 0:off 1:on;
%% Routine principale – i définie le nombre de fois que la routine sera exécutée.

pour i = 1:10
% AVDOM : évaluation de POPDOM : population d’individus dominés;
% AVDOMold : évaluation de POPDOMold : population d’individus dominés par plusieurs solutions;
% AVNDOM : évaluation de POPNDOM : population d’individus non-dominés;
% AVPOP : évaluation de POPREAL: population des individus qui seront soumis aux operateurs génétiques;
% rPOPREAL : auxiliaire de POPREAL; rAVPOP: auxiliaire de AVPOP;
% Géré la Population Initiale
POPREAL = aléatoire (nbind, nvar, limites);
% Évaluation de la Population Initiale
AVPOP = mérite(POPREAL);
% % Début du processus évolutif

%initialisation de matrices
n =1; POPDOM=[ ];POPNDOM=[ ]; POPDOMold=[ ]; AVDOM=[ ];AVNDOM=[ ]; AVDOMold = [ ];
pendant n < nbgen
IDOM = [ ];
% Vérification de Pareto
[POPDOM, POPNDOM, AVDOM, AVNDOM, IDOM] = pareto (POPREAL, AVPOP);
Si (freduc == 1) % Réduction de l’espace de recherche
[POPDOM, POPNDOM, AVDOM, AVNDOM, AVDOMold, POPDOMold, limites] = reduction (POPREAL, AVPOP,…
…POPDOM, AVDOM, AVDOMold, POPDOMold, limites);
fin_si
Si (fclear == 1) % Technique de Clearing
[POPNDOM, AVNDOM, POPDOM, AVDOM, IDOM]= clear (POPNDOM, AVNDOM, POPDOM, AVDOM, IDOM);
fin_si
% En créant la population POPREAL
POPREAL= [ ]; AVPOP=[ ];
[POPRREAL, AVPOP, AVDOMold, POPDOMold, AVDOM, POPDOM]= créer (POPNDOM, POPDOM, AVNDOM,…
…AVDOM, IDOM, nbind, AVDOMold, POPDOMold);
AV=[ ]; % Technique de Niche
Si (fniche == 1)
[NicheSig]=niche (POPREAL, AVPOP);
AV=NicheSig;
Sinon AV=AVPOP; fin_si
rPOPREAL = [ ]; % Sélection
rPOPREAL = sélection (POPREAL, AV, nbind);
% Croisement
rPOPREAL = croissement (rPOPREAL, pcross);
% Mutation
rPOPREAL = mutation (rPOPREAL, pmut);
% Réflexion
rPOPREAL = réflexion (rPOPREAL, limites);
% En évaluant les individus nouveaux

rAVPOP = mérite (rPOPREAL);
% En formant POPREAL nouvelle – Elitisme Global
POPREAL= [POPREAL; rPOPREAL; POPDOM]; AVPOP = [AVPOP; rAVPOP; AVDOM];
n=n+1;
fin_pendant
fin_pour % fin
Page | 150


2. Pseudo-code: vérification de la condition de dominance de Pareto

a. Pseudo-code avec IDOM
% En identifiant la dominance - minimisation
[nbp, nvar]=size (POPREAL); IDOM=zeros (nbp, 1);
pour i=1: nbp

pour j=1: nbp
si AVPOP (i, :) < = AVPOP (j, :)
si AVPOP (i, :) == AVPOP (j, :)
IDOM(j) = IDOM(j) + 0;
sinon IDOM(j) = IDOM(j) + 1; fin_si
fin_si
fin_pour
fin_pour
% séparation
auxN=1;aux=1;
AVNDOM=[ ]; POPNDOM=[ ]; AVDOM=[ ];POPDOM=[ ];
si IDOM(i)==0
AVNDOM (auxN, :)=AVPOP (i, :);
POPNDOM (auxN, :)=POPREAL (i, :);
auxN=auxN+1;
sinon AVDOM (aux, :)=AVPOP (i, :);
IDOM (aux)=b (i); POPDOM (aux, :)=POPREAL (i, :);
aux=aux+1;
fin_si
b. Pseudo-code sans IDOM

% En identifiant la dominance - minimisation
[nbp,nvar]=size(POPREAL);
D=zeros (nbp, 1);
pour i=1:nbp-1
pour j=i+1:nbp
si D(j) == 0
si AVPOP (i, :) < = AVPOP (j, :)
si AVPOP (i, :) == AVPOP (j, :)
D(j) = 0;
sinon D(j) = 1; fin_si
fin_si
fin_si
fin_pour
fin_pour
% séparation
même code, on change IDOM(i) par D(i)
3. Pseudo-code: éclaircissement des solutions non-dominées

% Dégagement [nbp, nvar]=size(POPNDOM); aux=size (POPDOM, 1) +1;
pour i=1: nbp-1
pour j=i+1:nbp
si AVNDOM (j, 1) ~= 1e8
si abs(POPNDOM(i,:)-POPNDOM(j,:)) < Dparmin & si abs(AVNDOM(i,:)-AVNDOM(j,:)) < Dobjmin
POPDOM (aux, :) = POPNDOM (j, :); AVDOM (aux, :) = AVNDOM (j, :);
IDOM (aux) = round (10*rand(1)); AVNDOM (j, 1) = 1e8; aux=aux+1;
fin_si
fin_pour
fin_pour % ensuite le ‘nettoyage’ d’AVNDOM (1e8).
Page | 151


4. Pseudo-code: construction de la population de travail POPREAL

% En complétant le POPREAL
POPREAL=POPNDOM; AVPOP=AVNDOM; % toutes les solutions non-dominées
pour i=1:round (0.25*nbind) %1/4 dominées
[a,p]=min (IDOM); IDOM (p)=1e10; % par dominance
POPREAL (end+1, :)=POPDOM (p, :);
AVPOP (end+1, :)=AVDOM (p, :);
fin_pour
aux=size (POPREAL, 1);
si aux<nbind % encore plus petit que nbind ?
pour i= (aux+1): nbind
[a, p]=min (IDOM); IDOM (p)=1e10;
POPREAL (i, :)=POPDOM (p, :);
AVPOP (i, :)=AVDOM (p, :);
fin_pour
fin_pour
5. Pseudo-code : technique de niche

% technique de niche nbobj = size (AVPOP, 2); [nbp, nvar] = size (POPREAL); AVaux = AVPOP;
Paux=[ ]; % normalisation des paramètres
pour i=1:nvar
Paux(:,i) = POPREAL(:,i) / max(POPREAL(:,i));
fin_pour
Sigpar = [ ]; Sigobj =[ ];
pour k=1:nbobj
% en ordre croissent AV=[ ]; POP=[ ]; Pos=[ ];
pour w=1:nbp
[v, p] = min (AVaux (:, k));
AV(w) = AVaux (p, k);
POP (w, :) = Paux (p, :);
AVaux (p, k) = 1e10; Pos(w) = p;
fin_pour
% calcule de la distance Nobjk=zeros (nbp, 1); Npark=zeros (nbp, 1);
pour i=2:(nbp-1)
Nobjk (Pos (i)) = (AV (i+1)-AV (i-1));
Npark (Pos (i)) = sqrt (sum ((POP (i, :)-POP (i-1, :)).^2)) + sqrt (sum ((POP (i+1, :)-POP (i, :)).^2));
fin_pour
% sauvegarder les extrêmes
Nobjk (Pos (end)) = max (Nobjk (2:end-1))+.1; Nobjk (Pos (1)) = Nobjk (Pos (end))+.1;
Npark (Pos (end)) = max (Npark (2:end-1))+.1; Npark (Pos (1)) = Npark (Pos (end))+.1;
% fonction sigmoïde Lmax=7; Lmin=-7;
%objectifs
Dmax = max(Nobjk);
Dmin = min(Nobjk);
a = (Lmax-Lmin)/(Dmax-Dmin);
b = Lmin-a*Dmin;
Domo = a.*Nobjk+b;
Sigobj (:, k) = 1./(1+exp (-Domo));
%paramètres
Dmax = max (Npark);
Dmin = min (Npark);
a = (Lmax-Lmin)/(Dmax-Dmin);
b = Lmin-a*Dmin;
Domp = a.*Npark+b;
Sigpar (:, k) = 1./(1+exp (-Domp));
fin_pour
% Index de Niche Nicho = Sigobj.*Sigpar;
Page | 152


6. Pseudo-code : sélection
% Sélection
rPOPREAL=[ ];
[nbp, nvar]=size (POPREAL);
[nbp, nbobj]=size (AVPOP);
% nombre de solutions par sub-population

nn=ceil (nbind/(nbobj+1));
% selection par Tournoi
rpopTournoi =[ ];
aux = ceil (nbp/20); % 10% de nbp à chaque tournoi
pour b=1:nn
aux2=b;
pour i=1:nbobj % une sub-population par objectif
ind1=randperm (nbp);
ind2=ind1 (1: aux);
av=[ ]; av=AVPOP (ind2, i);
[a, p]=min (av);
rpopTournoi (aux2, :)=POPREAL (ind2(p), :);
aux2=aux2+nn;
fin_pour
fin_pour
% sélection par échantillonnage déterministe

aux=1;
rpopDETSAM=[ ];
pour i = 1: size (POPREAL, 1)
si AVPOP (i, :)<MED
rpopDETSAM (aux, :)= POPREAL (i, :);
aux=aux+1;
fin_si
fin_pour
% en vérifiant la taille de rpopDETSAM

nbrpop=size (rpopDETSAM, 1);
si nbrpop<nn
pour x=1:(nn-nbrpop)
ind=ceil (nbp*rand (1));
rpopDETSAM (nbrpop+x, :)=POPREAL (ind, :);
fin_pour
fin_si
si nbrpop>nn
rrpop=rpopDETSAM (1:nn, :);
rpopDETSAM=[ ];
rpopDETSAM=rrpop;
fin_si
rPOPREAL=[rpopTournoi; rpopDETSAM];
7. Pseudo-code : réflexion par saturation

% réflexion par saturation [rnbp, rnvar]=size (rPOPREAL);
pour i=1:rnbp
pour j=1:rnvar
si rPOPREAL (i,j) < limites (j,1)
rPOPREAL (i,j) = limites (j,1);
fin_si
si rPOPREAL (i, j) > limites (j,2)
rPOPREAL (i, j) = limites (j,2);
fin_si
fin_pour
fin_pour
Page | 153

RESUME
La conception de produits de haute qualité inclut généralement la

résolution de problèmes à objectifs multiples antagonistes dans des espaces de
recherche complexes. Les méthodes d’optimisation évolutionnaires multi-objectif
sont considérées comme des outils appropriés pour la résolution de ces
problèmes difficiles.
Cette thèse présente une brève revue des concepts et méthodes
d’optimisation et détaille en outre l’implémentation d’un « Algorithme Génétique
Multi-Objectif » (AGMO) associé à un module d’analyse pour résoudre le
problème de synthèse de réseaux conformés d’antennes imprimées.
Le problème de synthèse consiste à estimer les orientations locales en
azimut et en élévation des éléments rayonnants qui permettent de fournir un
diagramme de rayonnement aussi proche que possible des spécifications du
rayonnement imposées par un gabarit à niveaux et dans plusieurs plans de vue.
Les performances et les caractéristiques de l’AGMO sur le problème de la
synthèse sont mises en point pour chaque réseau convexe (dièdre, tétraèdre,
pyramide, cylindre, conique et hémisphérique). Même si ces mises au point ont
été proposées pour les quelques exemples spécifiques présentés, elles sont
généralisables et leurs conclusions s'appliquent à n’importe quel problème
d’optimisation.
Mots clés : Antenne imprimée, réseau conformé, synthèse, optimisation,

diagramme de rayonnement, gabarit, algorithmes génétiques, optimisation
multi-objectif.

Chapitre Antennes Microbande

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre Antennes Microbande

Transféré par

Informations du document

Description originale:

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Chapitre Antennes Microbande

Transféré par

Droits d'auteur :

Formats disponibles

SOMMAIRE

CHAPITRE I : RESEAUX D’ANTENNES IMPRIMEES

CHAPITRE II : ALGORITHMES GENETIQUES MULTI-OBJECTIFS

CHAPITRE III : SYNTHESE DE RESEAUX CONFORMES PAR ALGORITHMES

CONCLUSION GENERALE 133

REFERENCES BIBLIOGRAPHIQUES 138

ANNEXE A : MODELISATION DE LA SOURCE ELEMENTAIRE 147

ANNEXE B : PSEUDO-CODE DES DIFFERENTES ETAPES DE L’ALGORITHME

Dans les systèmes utilisant les ondes électromagnétiques comme support,

Les systèmes spatiaux trouvent un grand nombre d’applications dans un

L’augmentation constante du nombre d’antennes embarquées sur des

Les antennes aéroportées actuelles fonctionnent tout en étant montées sur

L’utilisation en systèmes de télécommunications des antennes imprimées

Dans le domaine des réseaux d’antennes imprimées, le problème de

La synthèse automatique ou optimisation reste cependant un challenge et

Parmi celles-là, on peut citer les algorithmes d’optimisation linéaire et non

Le sujet de thèse a pour but d’approfondir les performances des

Cette thèse présente une brève revue des concepts et méthodes

Nous allons essayer, dans les limites du possible, de faire encadrer le

Le premier chapitre sera consacré aux généralités sur les antennes

Le deuxième chapitre constitue la phase préparatoire pour aborder le

développement d’un outil d’optimisation stochastique multicritères (AGMO) qui,

Le troisième et dernier chapitre est le plus important ; il est consacré à la

Avant d’aborder le sujet en question, nous avons préféré donner en

I.3. PRESENTATION DE LA STRUCTURE DE L’ANTENNE MICROBANDE

Les paramètres physiques et géométriques liés à cette structure sont :

- La permittivité relative du substrat diélectrique.

Figure I.1 : Structure d'une antenne imprimée

Afin de simplifier l'analyse et l’estimation des performances, le patch a

Le patch est sélectionné de façon qu’il soit très mince ( , où est

Dipôle Rectangle Carré Triangle

Disque Elliptique Anneau circulaire Pentagone

Figure I.2 : Divers types d’éléments rayonnants

Les antennes imprimées rayonnent principalement en raison des champs

I.4. AVANTAGES ET INCONVENIENTS

Ces antennes souffrent d'un certain nombre d’inconvénients par rapport

Les antennes imprimées ont un facteur de qualité très élevé.

I.5. METHODES D'ANALYSE

Le modèle de la ligne de transmission est le plus simple : il donne de

I.5.1. Modèle de la ligne de transmission

Figure I.3 : Modèle de la ligne de transmission

La majorité des lignes de champ électrique résident dans le substrat et

I.5.2. Modèle de la cavité

Figure I.4 : Modèle de la cavité

Pour calculer le champ interne à la cavité , nous utilisons la méthode dite

Les champs lointains sont donnés par le rayonnement des ouvertures

De plus, une conductance de rayonnement est définie pour chaque mode.

Enfin, les pertes dans le conducteur et dans le diélectrique sont obtenues

I.5.3. Analyse full-wave (méthode des moments)

I.6. TECHNIQUES D’ALIMENTATION

I.6.1. Alimentation avec la ligne microruban

Figure I.5 : Alimentation par microruban

Le but de l'encart coupé dans le patch est d'adapter l’impédance de la

I.6.2. Alimentation par câble coaxial

Figure I.6 : Alimentation par sonde coaxiale

L'avantage principal de ce type d'alimentation est qu’elle peut être placée

I.6.3. Alimentation couplée par ouverture

Figure I.7 : Alimentation couplée par ouverture (ou fente)