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

Conclusion
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 93% 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

Technologies logicielles Architectures des systèmes

(233 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

6. Conclusion

Mis à part un certain effet de mode, il est actuellement évident que le domaine des algorithmes évolutionnaires est en pleine expansion tant au niveau théorique qu’au niveau applicatif.

— Au niveau théorique : un certain nombre de travaux récents, essentiellement en ce qui concerne l’étude de la convergence de ces algorithmes (modélisation par chaînes de Markov), ont permis de poser des bases plus solides en ce qui concerne les AG, souvent critiquées à cause de leur aspect « empirique ». Ces approches fournissent un cadre théorique riche, qui permettra de raffiner bon nombre d’analyses de convergence et d’efficacité.

— Au niveau applicatif : les domaines d’applications, nous l’avons vu, sont très variés, et ces algorithmes intéressent de nombreux chercheurs et industriels.

D’un point de vue expérimental, on constate que ces algorithmes sont efficaces pour effectuer une recherche au sein d’espaces multidimensionnels et irréguliers, en limitant le risque de convergence prématurée. D’un autre côté, vu leur coût calculatoire, il est clairement vain de vouloir appliquer un AE dans des cas où des techniques comme les méthodes de gradients marchent bien. Ce qui fonde une recommandation classique consistant à dire : « employez les AG lorsque rien d’autre ne marche » !

Mais, cela nous amène à revenir et à insister sur l’importance de la représentation des solutions et du design des opérateurs associés. Ces algorithmes, pour être vraiment efficaces ne doivent pas être considérés comme une boîte noire (ou une roue de secours !) : s’il est facile de fabriquer un algorithme évolutionnaire de base, il est aussi facile d’en faire un gaspilleur de ressources informatiques (temps de calcul, espace mémoire et autre). À cet égard, il est toujours très formateur de comparer son algorithme évolutionnaire à un algorithme de recherche aléatoire pure, pour en évaluer l’efficacité... En résumé, faire un algorithme évolutionnaire efficace est souvent complexe, car cela nécessite de comprendre précisément aussi bien le domaine d’application concerné que les subtilités des mécanismes évolutionnaires.

Remerciements

L’auteur tient à remercier pour leur aide Messieurs Jean Louchet et Amine Boumaza, auteurs de la méthode décrite dans le paragraphe ...

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.

Cet article fait partie de l’offre

Technologies logicielles Architectures des systèmes

(233 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
Conclusion
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 95% 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

Technologies logicielles Architectures des systèmes

(233 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