Les métaheuristiques d'optimisation procèdent à un «tirage au

hasard» pour effectuer certains choix ou appliquer certaines règles,

pour cela elles doivent faire appel à un ou plusieurs générateurs de

nombres aléatoires (GNA).

De nombreux types de GNA existent, de l'aléatoire vrai jusqu'au codé

simple. Ils peuvent être manipulés pour produire des distributions

spécifiques.

Les performances d'un algorithme dépendent du GNA utilisé. Cet

ouvrage s'intéresse à la comparaison d'optimiseurs, il définit une

approche effort-résultat d'où peuvent être dérivés tous les critères

classiques (médiane, moyenne, etc.) et d'autres plus sophistiqués.

Les codes-sources utilisés pour les exemples sont aussi présentés, cela

permet une réflexion sur le «hasard superflu», expliquant succinctement

pourquoi et comment l'aspect stochastique de l'optimisation pourrait être

évité dans certains cas.