Présentation

Article

1 - ALGORITHMES GÉNÉTIQUES, ALGORITHMES ÉVOLUTIONNAIRES ET DARWINISME ARTIFICIEL

2 - PROGRAMMER ET UTILISER UN ALGORITHME ÉVOLUTIONNAIRE

3 - APERÇU THÉORIQUE : POURQUOI ET COMMENT ÇA MARCHE ?

4 - EXTENSIONS DU MODÈLE

5 - EXEMPLES D’APPLICATIONS

  • 5.1 - Vision stéréo pour la robotique par algorithme évolutionnaire : l’algorithme des mouches (figure )
  • 5.2 - Dans le domaine artistique, exemple du logiciel ArtiE-Fract (figure )

6 - CONCLUSION

| Réf : S7218 v1

Algorithmes génétiques, algorithmes évolutionnaires et darwinisme artificiel
Algorithmes génétiques et algorithmes évolutionnaires

Auteur(s) : Évelyne LUTTON

Relu et validé le 09 mai 2019

Pour explorer cet article
Télécharger l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !

Sommaire

Présentation

RÉSUMÉ

Les algorithmes évolutionnaires se basent sur l’observation des phénomènes biologiques mis en œuvre par des populations d’organismes vivants en vue de s’adapter à leur environnement. Ces mécanismes de sélection et d’héritage génétique représentent une version artificielle de la théorie de l'évolution selon Darwin. Cette discipline couvre ainsi un ensemble de techniques, nommées « algorithmes génétiques », « programmation génétique », « stratégies d’évolution », « programmation évolutionnaire ». Le domaine des algorithmes évolutionnaires est en pleine expansion tant au niveau théorique qu’au niveau applicatif.

Lire cet article issu d'une ressource documentaire complète, actualisée et validée par des comités scientifiques.

Lire l’article

Auteur(s)

INTRODUCTION

Les principes de base des algorithmes évolutionnaires (en court AE), dont les plus connus sont les algorithmes génétiques, s’inspirent de l’observation de phénomènes biologiques, plus précisément de la capacité de populations d’organismes vivants à s’adapter à leur environnement à l’aide de mécanismes de sélection et d’héritage génétique. En d’autres termes, ces algorithmes évolutionnaires représentent une version artificielle, informatique, de la théorie de l’évolution selon Darwin.

Depuis une quarantaine d’années, de nombreuses méthodes de résolution de problèmes, d’optimisation stochastique, ont été développées à partir de ces principes simplifiés à l’extrême pour les besoins informatiques. C’est ce que l’on commence actuellement à nommer de façon générale le « darwinisme artificiel ». Le terme « algorithmes évolutionnaires » couvre ainsi un ensemble de techniques, nommées « algorithmes génétiques », « programmation génétique », « stratégies d’évolution », « programmation évolutionnaire », suivant la façon dont les principes darwiniens sont traduits dans le modèle artificiel.

Cet article est réservé aux abonnés.
Il vous reste 94% à découvrir.

Pour explorer cet article
Téléchargez l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !


L'expertise technique et scientifique de référence

La plus importante ressource documentaire technique et scientifique en langue française, avec + de 1 200 auteurs et 100 conseillers scientifiques.
+ de 10 000 articles et 1 000 fiches pratiques opérationnelles, + de 800 articles nouveaux ou mis à jours chaque année.
De la conception au prototypage, jusqu'à l'industrialisation, la référence pour sécuriser le développement de vos projets industriels.

VERSIONS

Il existe d'autres versions de cet article :

DOI (Digital Object Identifier)

https://doi.org/10.51257/a-v1-s7218


Cet article fait partie de l’offre

Automatique et ingénierie système

(141 articles en ce moment)

Cette offre vous donne accès à :

Une base complète d’articles

Actualisée et enrichie d’articles validés par nos comités scientifiques

Des services

Un ensemble d'outils exclusifs en complément des ressources

Un Parcours Pratique

Opérationnel et didactique, pour garantir l'acquisition des compétences transverses

Doc & Quiz

Des articles interactifs avec des quiz, pour une lecture constructive

ABONNEZ-VOUS

1. Algorithmes génétiques, algorithmes évolutionnaires et darwinisme artificiel

La caractéristique principale de ces algorithmes est qu’ils manipulent des populations – qui représentent par exemple des points d’un espace de recherche – et les font évoluer via des opérations stochastiques. Ces opérations sont usuellement organisées en générations et copient de façon très simplifiée la génétique naturelle. Elles sont de deux types :

  • la sélection, fondée sur la performance d’un individu, ou plus précisément sur une mesure de la qualité de cet individu vis-à-vis du problème que l’on cherche à résoudre ;

  • les opérateurs génétiques, le plus souvent nommés croisement et mutation, pour faire un parallèle avec la génétique, et qui produisent de nouveaux individus, pour la génération suivante.

La réussite d’un tel algorithme est fondée sur l’hypothèse que l’action des opérateurs génétiques sur des individus sélectionnés produit statistiquement des individus de plus en plus proches de la solution recherchée. En d’autres termes, le processus stochastique sous-jacent ainsi produit doit être correctement calibré et paramétré pour que les populations successives convergent vers ce que l’on souhaite, c’est-à-dire le plus souvent l’optimum global de la fonction de performance. Une grande part des recherches théoriques sur les algorithmes évolutionnaires est consacrée à cet épineux problème de convergence, et à celui de savoir ce qui rend la tâche aisée ou difficile pour un algorithme évolutionnaire (notion d’AE-difficulté). Comme nous le verrons plus loin, un certain nombre de réponses théoriques rassurantes existent (oui, cela converge, si l’on respecte un certain nombre d’hypothèses), mais d’autres questions cruciales d’un point de vue pratique (vitesses de convergence, notamment) restent ouvertes. On peut dire que pour l’instant un certain nombre de résultats de convergence ont été établis, qui justifient l’efficacité des algorithmes évolutionnaires en tant qu’heuristiques de recherche aléatoire, confortant ainsi une connaissance empirique datant maintenant d’une quarantaine d’années.

Du point de vue de l’optimisation, l’intérêt des algorithmes évolutionnaires est que ce sont des méthodes stochastiques d’ordre 0, c’est-à-dire que seule...

Cet article est réservé aux abonnés.
Il vous reste 92% à découvrir.

Pour explorer cet article
Téléchargez l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !


L'expertise technique et scientifique de référence

La plus importante ressource documentaire technique et scientifique en langue française, avec + de 1 200 auteurs et 100 conseillers scientifiques.
+ de 10 000 articles et 1 000 fiches pratiques opérationnelles, + de 800 articles nouveaux ou mis à jours chaque année.
De la conception au prototypage, jusqu'à l'industrialisation, la référence pour sécuriser le développement de vos projets industriels.

Cet article fait partie de l’offre

Automatique et ingénierie système

(141 articles en ce moment)

Cette offre vous donne accès à :

Une base complète d’articles

Actualisée et enrichie d’articles validés par nos comités scientifiques

Des services

Un ensemble d'outils exclusifs en complément des ressources

Un Parcours Pratique

Opérationnel et didactique, pour garantir l'acquisition des compétences transverses

Doc & Quiz

Des articles interactifs avec des quiz, pour une lecture constructive

ABONNEZ-VOUS

Lecture en cours
Algorithmes génétiques, algorithmes évolutionnaires et darwinisme artificiel
Sommaire
Sommaire

BIBLIOGRAPHIE

  • (1) -   *  -  Chapter Modelling GA Dynamics, Proceedings Theoretical Aspects of Evolutionary Computing, p. 59-86 (2001).

  • (2) - ALBERT (J.), FERRI (F.), DOMINGO (J.), VINCENS (M.) -   An approach to natural scene segmentation by means of genetic algorithms with fuzzy data.  -  In Pattern Recognition and Image Analysis. Selected papers of the 4th Spanish Symposium (sept. 90), Perez de la Blanca Ed., p. 97-113 (1992).

  • (3) - ALTENBERG (L.) -   Evolutionary computation models from population genetics. part 2 : An historical toolbox.  -  In Congress on Evolutionary Computation, Tutorial (2000).

  • (4) - ANGELINE (P.J.) -   Evolving fractal movies.  -  In Genetic Programming 1996 : Proceedings of the First Annual Conference, John R. Koza and David E. Goldberg and David B. Fogel and Rick L. Riolo (Eds), p. 503-511 (1996).

  • (5) - ANGELINE (P.J.), POLLACK (J.B.) -   Competitive environments evolve better solutions for complex tasks.  -  In Proceedings of the Fifth International Conference on Genetic Algorithms, San Mateo, California, Morgan Kaufmann (1993).

  • ...

Cet article est réservé aux abonnés.
Il vous reste 92% à découvrir.

Pour explorer cet article
Téléchargez l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !


L'expertise technique et scientifique de référence

La plus importante ressource documentaire technique et scientifique en langue française, avec + de 1 200 auteurs et 100 conseillers scientifiques.
+ de 10 000 articles et 1 000 fiches pratiques opérationnelles, + de 800 articles nouveaux ou mis à jours chaque année.
De la conception au prototypage, jusqu'à l'industrialisation, la référence pour sécuriser le développement de vos projets industriels.

Cet article fait partie de l’offre

Automatique et ingénierie système

(141 articles en ce moment)

Cette offre vous donne accès à :

Une base complète d’articles

Actualisée et enrichie d’articles validés par nos comités scientifiques

Des services

Un ensemble d'outils exclusifs en complément des ressources

Un Parcours Pratique

Opérationnel et didactique, pour garantir l'acquisition des compétences transverses

Doc & Quiz

Des articles interactifs avec des quiz, pour une lecture constructive

ABONNEZ-VOUS