Cet article décrit une approche de la modélisation d'un système d'acteurs, particulièrement adaptée à la modélisation desentreprises, fondée sur la théorie des jeux [11] et sur l'optimisation par apprentissage du comportement de ces acteurs. Cette méthode repose sur la combinaison de trois techniques : la simulation par échantillonnage (Monte-Carlo), la théorie des jeux pour ce qui concerne la recherche d'équilibre entre les stratégies, et les méthodes heuristiques d'optimisation locale, en particulier les algorithmes génétiques. Cette combinaison n'est pas originale en soi, même si elle est rarement utilisée avec toute la puissance d'expression conjointe de ces techniques. La contribution de cet article est double : d'une part nous proposons un modèle qui permet de structurer de façon systématique cette collaboration entre différentes techniques et, d'autre part, nous utilisons la technique des algorithmes génétiques pour enrichir la recherche des équilibres de Nash sous forme de points fixes. Il s'agit d'une méthode de simulation, qui n'est pas destinée à la résolution de problèmes, mais à la validation et l'étude des propriétés d'un modèle associé à un problème particulier.

Dans ce travail, une optimisation multi-objectifs est appliquée afin de trouver les valeurs optimales des paramètres de construction (paramètres d'inertie, de suspension et géométriques) d'un véhicule ferroviaire. Ces valeurs permettent d'avoir une bonne stabilité transversale lors de la circulation du véhicule en alignement et un bon comportement en courbe. Au début, on commence l'étude par une optimisation de la stabilité transversale du véhicule, ensuite, une optimisation de son comportement en courbe est faite. Les résultats ont montré qu'il y a incompatibilité entre une bonne stabilité transversale et un bon comportement en courbe. La méthode d'optimisation utilisée est la méthode des algorithmes génétiques qui est implémentée sous MATLAB.

L'objet de cet article est de présenter une méthode automatique, robuste et multicritère, d'optimisation de forme en aérodynamique automobile. Cette méthode est appliquée à l'optimisation du coefficient de traînée (Cx) d'une forme simplifiée de véhicule et paramétrée par les angles de lunette, de diffuseur et de rétreint. Dans un premier temps, un algorithme, basé sur la méthode stochastique des algorithmes génétiques, est développé. Ces méthodes présentent l'avantage d'être globales et multicritères mais possèdent un temps de convergence prohibitif vers la solution optimale. Pour pallier ce problème, une procédure d'évaluation approchée, basée sur les réseaux de neurones, est couplée aux algorithmes génétiques. Une étude numérique est réalisée sur la forme simplifiée de véhicule précédemment décrite, dans le but d'une part, de minimiser le coefficient de traînée de la forme étudiée et d'autre part, d'estimer le gain en temps de convergence apporté par la nouvelle méthode proposée.