Application des méthodes évolutionnaires Inspiration biologique et algorithmes EquipeBOUQUET...

Application des mthodes volutionnaires Inspiration biologique et algorithmes EquipeBOUQUET Gatan CHAZELLE Johann ESCOUTE Guillaume BOUILLOT Lucas

Introduction 2

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

Algorithmes volutionnaires et ingnierie 4

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

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

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

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

9 Principe

10 Principe Diffrentes reprsentations : Discrte Algorithmes gntiques ContinueStratgies d volution FonctionnelleProgrammations gntique et volutionnaire

11 Principe Algorithmes gntiques Croisement Mutation Codage

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

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

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

15 Domaines dapplication Les algorithmes volutionnaires Beaucoup de domaines concerns ! Ordonnancement Rseaux Optimisation de structures mcaniques Gestion des trajectoires Traitements dimages

Limites et perspectives 16

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

Choix des taux dutilisation Tests prliminaires ncessaires Taux conseills pour les algorithmes gntiques Taux dpendant du problme et du stade de recherche 18

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

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

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

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

Les avances : optimisation des algorithmes 23 Problme des fonctions forts gradients : les extremums locaux, convergence prmature Problmes des fonctions faible gradient : stagnation des gnrations

Les avances : optimisation des algorithmes 24

Les avances : optimisation des algorithmes 25

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

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

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

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

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

Le gnotype 31

Lvolvabilit optimise Optimisation de la taille des zones non codantes Comparaison avec des individus gntiquement modifis Optimisation de lordre des gnes 32

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

Application des méthodes évolutionnaires Inspiration biologique et algorithmes EquipeBOUQUET...

Documents

Transcript of Application des méthodes évolutionnaires Inspiration biologique et algorithmes EquipeBOUQUET...