Transcript of Application des méthodes évolutionnaires Inspiration biologique et algorithmes EquipeBOUQUET...
- Page 1
- Application des mthodes volutionnaires Inspiration biologique
et algorithmes EquipeBOUQUET Gatan CHAZELLE Johann ESCOUTE
Guillaume BOUILLOT Lucas
- Page 2
- Introduction 2
- Page 3
- Droulement de la prsentation Algorithme volutionnaires et
ingnierie Notions de biologie Principe Domaines dapplication
Limites et perspectives Des algorithmes limits Les avances Lexemple
de lvolution du second ordre 3
- Page 4
- Algorithmes volutionnaires et ingnierie 4
- Page 5
- Notions de biologie : lvolution 5 5 propositions : Variabilit
au sein des individus Ressources limites, insuffisantes par rapport
laccroissement Conflit Certaines variations fournissent un avantage
dans ce conflit slection naturelle Accumulation progressive au
cours du temps : volution gradualiste Importance de lenvironnement,
phnomne dadaptation
- Page 6
- Notions de biologie : le neurone 6 lment de base du systme
nerveux 3 parties : le corps cellulaire, les dendrites et laxone 5
oprations : intgration, traitement, codage, gense et propagation de
linformation nerveuse
- Page 7
- Notions de biologie : le neurone 7 Rseaux de neurones, les
synapses jouent le rle de jonction Ne sont pas des mcanismes figs :
Plasticit neuronale Plasticit structurale A lorigine des phnomnes
dapprentissage
- Page 8
- 8 Principe Les algorithmes volutionnaires : Mthode de rsolution
non dterministe Rsolution de problme : Maximisation dune fonction
Modlisation de ladaptation au milieu et de la slection naturelle Un
vocabulaire associ au domaine : individu, population, gnration,
parent, enfant
- Page 9
- 9 Principe
- Page 10
- 10 Principe Diffrentes reprsentations : Discrte Algorithmes
gntiques ContinueStratgies d volution FonctionnelleProgrammations
gntique et volutionnaire
- Page 11
- 11 Principe Algorithmes gntiques Croisement Mutation
Codage
- Page 12
- 12 Principe Stratgies dvolution Croisement Avec compris entre 0
et 1 Mutation Ajout dun bruit gaussien sur un terme du vecteur
enfant Remplacement 2 approches : (, ) : - meilleurs parents
complts par les enfants ( + ) : mlange des enfants avec les parents
=> meilleurs gards
- Page 13
- 13 Principe Programmations gntique et volutionnaire Croisement
Mutation : Ajout, Suppression, Modification dun nud Modification
dune variable, constante La programmation volutionnaire ne contient
pas ltape de croisement
- Page 14
- 14 Domaines dapplication Dans quelles conditions utiliser ces
algorithmes ? Les mthodes de rsolution classiques ne donnent pas de
rsultats acceptables en un temps correct. Fonction dadaptation pas
trop gourmande en temps de calcul Si on souhaite un rsultat rapide
et pas forcment prcis
- Page 15
- 15 Domaines dapplication Les algorithmes volutionnaires
Beaucoup de domaines concerns ! Ordonnancement Rseaux Optimisation
de structures mcaniques Gestion des trajectoires Traitements
dimages
- Page 16
- Limites et perspectives 16
- Page 17
- Des algorithmes limits : Choix empiriques Taux dutilisation
Converger rapidement Trouver un optimum global Inadquation des
oprateurs Tirer des information De bons parents donnent de bons
enfants Reprsentation inadapte Solution encodable 17
- Page 18
- Choix des taux dutilisation Tests prliminaires ncessaires Taux
conseills pour les algorithmes gntiques Taux dpendant du problme et
du stade de recherche 18
- Page 19
- Choix des oprateurs Problmes dpistasie Liens de proximits /
liens pistatiques Un exemple : la fonction (x-t) + z * y sur le
domaine [0 ; 5] Inadquation des oprateurs la reprsentation 19
- Page 20
- Choix de la reprsentation Un dilemme Choisir une taille des
gnes suffisante pour atteindre loptimum Limiter cette taille pour
converger rapidement Lexemple des polynmes 20
- Page 21
- Des algorithmes limits : une thorie sous-jacente dpasse 21
Algorithmes gntiques adapts pour la rsolution de certains problmes
o Mais utilisent des concepts simplifis et dpasss => Etendue de
problmes limite Si les algorithmes gntiques se comportaient comme
l'volution naturelle, les applications seraient bien plus
intressantes o Exemple du micro-ondes
- Page 22
- Des algorithmes limits : une thorie sous-jacente dpasse 22
Evolution artificielle en fonction d'un objectif atteinte o
L'volution naturelle n'a pas d'objectif ni de fin Concepts
simplifis ou dpasss : o Gnomes de petite taille o Phnotypes simples
o Relations simples entre les deux 1 gnotype = 1 phnotype o Gnome =
gnes indpendants, pas d'intrt pour la matire non gntique o Gnes
passs directement aux enfants o Slection uniquement sur le phnotype
o Organisation fixe du gnome Evolution naturelle bien plus
complexe... Source : From artificial evolution to computational
evolution : a research agenda
- Page 23
- Les avances : optimisation des algorithmes 23 Problme des
fonctions forts gradients : les extremums locaux, convergence
prmature Problmes des fonctions faible gradient : stagnation des
gnrations
- Page 24
- Les avances : optimisation des algorithmes 24
- Page 25
- Les avances : optimisation des algorithmes 25
- Page 26
- Les avances : les perspectives dvolution 26 Source des limites
des algos gntiques : divergence prmature entre les domaines de
l'informatique et de la biologie o Les mthodes volutionnaires n'ont
pas suivi les dveloppements en biologie Ncessit d'un rapprochement
entre les deux domaines Source : Going back to our roots : A
second-generation biocomputing
- Page 27
- Les avances : lvolution calculatoire 27 "From artificial
evolution to computational evolution" Nouvelle perspective de
recherche But double : o Permettre la rsolution de nouveaux
problmes en ingnierie o Fournir de meilleurs outils
d'exprimentation in silico aux biologistes Principes et
propositions o Principe gnral : utiliser les nouvelles
connaissances en biologie pour crer de nouveaux algorithmes plus
performants o volution de systmes physiques plutt qu'abstraits o
Quantit d'nergie finie et ressources limites o Organisation
dynamique et hirarchique des interactions entre l'information
gntique et les individus qui voluent o Relations complexes et
volutives entre gnotype et phnotype o Introduction de varit dans
les algorithmes
- Page 28
- Les avances : les difficults et dfis 28 Sur le plan
psychologique : o Patience et gnrosit en ressources o Complexit de
la vie simplicit de l'ingnierie o Spcifications floues et manque de
comprhension du fonctionnement Sur le plan technique : o Nouvelles
structures de donnes et de contrle o Besoin d'une puissance de
calcul considrable
- Page 29
- Lexemple de lvolution du second ordre Evolution Darwinienne /
Evolution Incarne Permettre lvolution des mcanismes dvolution La
notion dvolvabilit Principe Surmonter les limites habituelles
Gagner en vitesse de convergence et optimisation Objectifs 29
- Page 30
- Un algorithme : RBF-Gene Un rseau de neurones RBF pour le
phnotype Le protome reprsent par les neurones Une reprsentation du
gnotype volutive Un modle innovant Un nombre de gnes variables Une
place variable pour les gnes Des zones non codantes Une
reprsentation dynamique 30
- Page 31
- Le gnotype 31
- Page 32
- Lvolvabilit optimise Optimisation de la taille des zones non
codantes Comparaison avec des individus gntiquement modifis
Optimisation de lordre des gnes 32
- Page 33
- Limites et perspectives 33 Perspectives Rponses aux limites
habituelles Reprsentation dynamique assurant lvolution des
mcanismes dvolution Limites Optimisation des oprateurs ncessaires
Optimisation de lignes VS individu optimal