Les algorithmes évolutionnistes
-
Upload
stephane-legrand -
Category
Software
-
view
81 -
download
0
Transcript of Les algorithmes évolutionnistes
Les algorithmes évolutionnistes
Stéphane Legrand
ENG221
Mai 2014
Stéphane Legrand (ENG221) Les algorithmes évolutionnistes Mai 2014 1 / 14
1. Les mécanismes naturels
2. Structure d’un algorithme évolutionniste
3. Un exemple sur un problème de classement
4. Avantages et inconvénients
5. Pour quelles utilisations
6. Conclusion
Stéphane Legrand (ENG221) Les algorithmes évolutionnistes Mai 2014 2 / 14
Les mécanismes naturels
La génétiquePatrimoine génétique hérité
Diversité
La théorie de l’évolutionLes mieux adaptés survivent, se reproduisent et transmettent leursgènes
Sélection naturelle fait le tri entre variations favorables ou non
Concept d’algorithme évolutionnisteS’inspire de ces mécanismes
Stéphane Legrand (ENG221) Les algorithmes évolutionnistes Mai 2014 3 / 14
Structure d’un algorithme évolutionniste
Sélection
Reproduction
Mutation
Evaluation
Nouvellepopulation
Population initiale+ Evaluation
Solution(s)(Hall of fame)
Stéphane Legrand (ENG221) Les algorithmes évolutionnistes Mai 2014 4 / 14
Exemple : classement d’animaux
Jeu de donnéesListe d’animaux sous la forme d’un fichier CSV
Nom de l’animal, 16 attributs (à plumes, vertébré, prédateur, nbpattes...) et sa classe (mammifère, poisson, batracien...)
ObjectifDécouvrir des règles de classementSI attribut=valeur ET SI...ET SI...ALORS classe
Stéphane Legrand (ENG221) Les algorithmes évolutionnistes Mai 2014 5 / 14
Modèle informatique
Un individu = Une règle
. . . 0.8 1 [0,1] . . . 0.5 0 [1,0,0,0,0,0]
P Op V P Op V
Gène 12 Gène 16
SI nageoires = FAUX ET SI pattes <> 0
Stéphane Legrand (ENG221) Les algorithmes évolutionnistes Mai 2014 6 / 14
Modèle informatique
L’évaluation mesure la performance d’un individuPour chaque animal, on évalue la justesse du classement donné parl’individu
Plus la règle s’avère pertinente, plus l’individu sera jugé performant
Stéphane Legrand (ENG221) Les algorithmes évolutionnistes Mai 2014 7 / 14
Modèle informatique
ReproductionParents
G1 G2 G3 G4 G5
Ga Gb Gc Gd Ge
Enfants
G1 G2 Gc Gd Ge
Ga Gb G3 G4 G5
MutationAvant
G1 G2 G3 G4 G5
Après
G1 G2 G3’ G4 G5
Stéphane Legrand (ENG221) Les algorithmes évolutionnistes Mai 2014 8 / 14
Exécution
0 10 20 30 40 50
Generation
0.0
0.2
0.4
0.6
0.8
1.0E
valu
atio
n(fi
tnes
s)
MoyenneMaximum
Stéphane Legrand (ENG221) Les algorithmes évolutionnistes Mai 2014 9 / 14
RésultatsIndividu numéro 1 (fitness = 1.0)
plumes = faux ET ovipare = vraiET lait = faux ET aquatique = vraiET vertébré = vrai ET poumons = vraiET nageoires = faux
Individu numéro 2 (fitness = 1.0)ovipare = vrai ET aquatique = vrai
ET dents = vrai ET vertébré = vraiET nageoires = faux ET taille chat = fauxET pattes <> 0
Individu numéro 3 (fitness = 1.0)ovipare = vrai ET aquatique = vrai
ET dents = vrai ET vertébré = vraiET nageoires = faux ET taille chat = fauxET pattes <> 8
Stéphane Legrand (ENG221) Les algorithmes évolutionnistes Mai 2014 10 / 14
Avantages et inconvénients
Les +Résolution problèmescomplexes
Générique et adaptable
Parallélisation
Pas d’a priori
Les -Paramétrage délicat
Part d’aléatoire
Pas optimal
Peut être assez lent
Quand s’arrêter ?
Stéphane Legrand (ENG221) Les algorithmes évolutionnistes Mai 2014 11 / 14
Pour quelles utilisations
Conception acoustique, aéronautique, électronique, mécanique
Jeu d’échecs
Tactiques militaires
Reconnaissance de formes
Robotique
Recherche de routes optimales
Nouvelles molécules chimiques
Marchés financiers
Marketing
Planning et allocation de ressources
Stéphane Legrand (ENG221) Les algorithmes évolutionnistes Mai 2014 12 / 14
Conclusion
Efficace dans la pratique
Complémentaire aux algorithmes "classiques"
Peut conduire à des solutions surprenantes/novatrices
Stéphane Legrand (ENG221) Les algorithmes évolutionnistes Mai 2014 13 / 14
Merci de votre attention
Questions ?
Stéphane Legrand (ENG221) Les algorithmes évolutionnistes Mai 2014 14 / 14