Vous êtes sur la page 1sur 29

Algorithmes Genetiques

Introduction

Toile de fond du domain Soft Computing


Dfinition
Soft computing est un terme appliqu un champ dans l'informatique qui se caractrise par
l'utilisation de solutions de calcul inexact, pour lesquels une solution exacte ne peut tre drive en
temps polynomial.
Motivation
Les problmes du monde rel - gnralement difficiles dfinir, difficiles modliser et avec des
espaces de solutions trs large
des modles prcis ne sont pas pratiques, trop cher, ou
inexistantes.
L'information est gnralement disponible sous la forme de connaissance empirique pralable et de
donnes dentre-sortie reprsenter des instances du comportement des systmes.
Principe directeur
Exploiter la tolrance pour l'imprcision, l'incertitude, la vrit partielle, et lapproximation en vue
d'atteindre traabilit, robustesse, faible cot de la solution et de meilleurs rapports avec la ralit

Comparaison entre Soft Computing et


lInformatique classique
Hard Computing
(Informatique classique)

Soft Computing
(Intelligence computationnelle )

Ncessite des modles analytiques prcis

Tolrante a l'imprcision, l'incertitude et


lapproximation

Bas sur la logique binaire, analyse


numrique et des logiciels concise

Bas sur la logique floue, rseaux de


neurones et le raisonnement probabiliste

Ncessite dvelopper des programmes

Peut dvelopper ses propres programmes

Dterministe

Stochastique

Besoin de donnes d'entre exacte

Peut traiter des donnes d'entre ambigus

Produit des rponses prcises

Produit des rponses approximatives

Soft Computing - Techniques


Soft Computing n'est pas un groupe homogne de concepts et de techniques, mais une runion de
mthodes distinctes qui sont conformes son principe directeur.
techniques de raisonnement qui assument et intgrent l'imprcision et l'incertitude lors de la
rsolution d'un problme
en consquence de la prsence des facteurs imprcis ou incertain dans les informations
disponibles
comme un moyen de rduire la complexit et d'atteindre la faisabilit / solvabilit.
Le noyau de Soft Computing se composent de plusieurs paradigmes:
Algorithmes volutifs - des algorithmes stochastiques fonde sur la simulation du processus
dvolution et dadaptation des organismes dans les milieux naturels
Les rseaux de neurones artificiels - modles de calcul inspire du fonctionnement des
neurones biologiques
Algorithmes probabilistes - algorithmes dont le droulement fait appel des donnes tires
au hasard
La logique floue - une gnralisation de la logique bivalente qui introduit le concept de degr
de vrit et permet la quantification et la reprsentation mathmatique dexpressions vagues et
imprcises

Soft Computing - Application


Types de problmes
problmes d'optimisation
problmes combinatoires
problmes de recherche
prdiction
problmes de classification
problmes de dcision
apprentissage automatique
data mining
Domaines dapplication
Industrie, Mdecine, Finance, Commerce, Tlcoms, Reconnaissance de formes, Bioinformatique

Plan de cours
Algorithmes volutifs
Introduction
Fondement biologique
Classes de mthodes
Algorithmes gntiques
Dfinition
Schma de principe dun AG
Exemple simple d un AG
Les lments dun AG
Applications des AGs
Problmes doptimisation
Problmes combinatoires
Problmes d'ordonnancement
Fondements mathmatiques
Rseaux de neurones artificiels

Algorithmes volutifs - Introduction


Les algorithmes volutifs
Sont une famille des techniques informatiques inspirer de la thorie de l'volution pour
rsoudre des problmes divers.
Ils font ainsi voluer un ensemble de solutions un problme donn, pres le principe
quune population volue de gnration a gnration pour devenir plus adapte aux
contraintes environnementales
Ce sont des algorithmes stochastiques, car ils utilisent itrativement des processus
alatoires.
Sont des mcanismes gnrales et performant pour rsoudre des problmes pour
lesquels:
Il existe un trs grand nombre de solutions plus ou moins bonnes
On ne dispose pas dalgorithmes dterministes pour calculer les meilleurs solutions
Lespace du problme est peu formalis.

La thorie de lvolution
Selon la thorie du naturaliste Charles Darwin, tous les tres vivants quon retrouve sur Terre sont
le produit dune longue srie de transformations biologiques qu'on appelle volution.
L'volution est la transformation des espces vivantes qui se manifeste par des changements de
leurs caractres gntiques et morphologiques au cours des gnrations.
les individus d'une population possdent des caractres hritables diffrents
seule une partie de ces individus accde la reproduction
les caractres les plus adapts l'environnement sont prfrentiellement conservs par la
slection naturelle.
Le hasard de la reproduction sexue rend partiellement alatoires les caractres qui seront transmis,
par effet de drive gntique
la proportion des diffrents caractres d'une population varie d'une gnration l'autre,
conduisant l'volution des populations.

La thorie de lvolution - Exemple


La forme particulire et la taille de la girafe est le rsultat du processus de lvolution

Le mcanisme par lequel l'information gntique est transmise d'une gnration l'autre sappelle
Hrdit

Notions gntique
Le principal support de l'hrdit est donc les gnes.
Un gne est une unit d'information gntique et est forme dune squence dADN ou dARN
Les gnes contiennent les informations pour construire et maintenir les cellules d'un organisme et
passer traits gntiques la descendance
L'acide dsoxyribonuclique (ADN) est une molcule, prsente dans toutes les cellules
vivantes, qui renferme l'ensemble des informations ncessaires au dveloppement et au
fonctionnement d'un organisme.
LADN est aussi le support de l'hrdit car il est transmis lors de la reproduction, de manire
intgrale ou non. Il porte donc l'information gntique (gnotype) et constitue les chromosomes.
Un chromosome porte les gnes, transmis des cellules mres aux cellules filles lors des divisions
cellulaires.

La recombinaison gntique
La recombinaison gntique est un change d'information gntique entre deux chromosomes.
Il s'agit en gnral d'un change entre fragments d'ADN ou d'ARN
Cela permet de crer de nouvelles combinaisons gntiques donc des chromosomes nouveaux.
La formation de nouvelles combinaisons gntiques assure de maintenir la diversit gntique dans une population
et augmente la possibilit pour une espce de s'adapter l'environnement.

La mutation
De temps en temps, une partie du matriel gntique, change trs
lgrement au cours de le processus de recombinaison (erreur de
rplication)
Cela signifie que l'enfant pourrait avoir de matriel gntique ne
hrit de l'un des parents
Il peut tre
catastrophique : descendance n'est pas viable
neutre: nouvelle fonctionnalit ne influence pas la descendance
avantageux : forte nouvelle fonctionnalit survient

Terminologie
Terminologie de biologie utilise dans les Algorithmes Evolutifs:
Chromosome: L'information gntique code caractrisant d'un organisme
Gene: Bloc lmentaire de l'information
Allle: L'une des valeurs possibles de un gne
Fitness: Une mesure de la russite dans la vie d'un organisme
Croisement : Chromosomes de parents change du matriel gntique pour gnrer des nouveaux
descendants
Mutation: Erreur survenant lors de la rplication de l'ADN des parents

Mtaphore d'algorithmes volutifs


EVOLUTION

Environnement
Individu
Fitness

RSOLUTION DE PROBLMES

Problme
Solution potentiel
Qualit

Fitness chances de survie et de reproduction


Quality chance pour former de nouvelles solutions

Organigramme gnrale dun AE

Histoire: l'volution de domaine


1948, Turing:
propose recherche gntique ou volutif
1954, Barricelli
les premires simulations du processus dvolution pour problmes doptimisation
1962, Bremermann
l'optimisation travers de l'volution et la recombinaison
1964, Rechenberg
introduit les stratgies d'volution
1965, L. Fogel, Owens and Walsh
introduit la programmation volutive
1970, Holland
introduit les algorithmes gntiques
1992, Koza
introduit la programmation gntiques

Classes de mthodes
Algorithmes gntiques
Utilisent le
mutation et
dindividus

croisement, la
la reproduction

Programmation
gntiques
Permet de trouver le code
informatique optimal pour
rsoudre un problme

Programmation
volutive

Stratgies d'volution
Utilisent la mutation des
paramtres pour rsoudre des
problmes doptimisation

Algorithmes
volutifs

similaire la programmation
gntique
la structure du programme
optimiser est fixe
seulement les paramtres
numriques sont autoriss
voluer

Plan de cours
Algorithmes gntiques
Dfinition
Schma de principe dun AG
Exemple simple d un AG
Les lments dun AG
Applications des AGs
Problmes doptimisation
Problmes combinatoires
Problmes d'ordonnancement
Fondements mathmatiques

Algorithmes gntiques - Introduction


Les algorithmes gntiques
Des algorithmes d'optimisation stochastiques itrs, car ils utilisent itrativement des
processus alatoires.
Fonds sur les mcanismes de la slection naturelle et de la gntique.
Ils font voluer un ensemble de solutions un problme donn, pres le principe quune
population volue de gnration a gnration pour devenir plus adapte aux contraintes
environnementales
Sont des mcanismes gnrales et performant pour rsoudre des problmes pour
lesquels:
Il existe un trs grand nombre de solutions plus ou moins bonnes
On ne dispose pas dalgorithmes dterministes pour calculer les meilleurs solutions
Lespace du problme est peu formalis.

Algorithmes gntiques Schma de principe

Exemple simple d un AG
Problmatique :
On veut trouver lentier (de 0 16) qui maximise la fonction

f ( x) =

15 x 2 x 3 + 4

Solution:

7.5

17

31

48

66.5

85

10

11

12

13

102 116 125.5 129 125 112 88.5

14

15

53

Exemple simple d un AG
Dfinition des lments du algorithme gntique
Population :
6 chromosomes de 4 bits (codage), reprsentant sous forme binaire les entiers (individus) quils
reprsentent.

Fonction de fitness (qualit) :

f ( x) =

15 x 2 x 3 + 4

Oprateurs gntiques :
slection: Slection pour tournoi.
croisement: Il y a 50% de chance quun bit soit chang avec son homologue sur lautre
chromosome.
mutation: Chaque bit a 3% de chance de muter (de 1 0 ou de 0 1).

Exemple simple d un AG
Population initiale (gnration 1) :
tiquette du
Chromosome
X1

Chane du
chromosome
0110

Entier dcod
6

Qualit
(fitness)
112

X2

1000

116

X3

0100

40

X4

0010

17

X5

0010

17

X6

0010

17

Moyennes de la qualit (average fitness): 51.5.


Maximum fitness: 116.

Exemple simple d un AG
Gnration 1: Oprateurs gntiques
Chromosome

croisement

mutation

Chromosome

Codage

Croisement

Mutation

Entier
dcod

Fitness

X1

0110

1100

1100

12

112

X2

1000

0010

0010

17

X3

0100

0010

0010

17

X4

0010

0100

0100

48

X5

0010

0010

0010

17

X6

0010

0010

0010

17

Moyennes de la qualit (average fitness): 38.


Maximum fitness: 112.

Exemple simple d un AG
Slection pour la gnration 2 :
tiquette du
Chromosome
X1

Chane du
chromosome
1100

Entier dcod
12

Qualit
(fitness)
112

X2

1100

12

112

X3

0010

17

X4

1100

12

112

X5

1100

12

112

X6

0010

17

Moyennes de la qualit (average fitness): 80.33.


Maximum fitness: 112
La population de la premiere gnration peut maintenant servir pour engendrer une deuxime
gnration.
On remarque que les la moyenne des chances de survie a augment.

Exemple simple d un AG
Gnration 2: Oprateurs gntiques
Chromosome

croisement

mutation

Chromosome

Codage

Croisement

Mutation

Entier
dcod

Fitness

X1

1100

1100

1100

12

112

X2

1100

1100

1100

12

112

X3

0010

1000

1000

116

X4

1100

0110

0110

112

X5

1100

0000

0000

X6

0010

1110

1110

14

53

Moyennes de la qualit (average fitness): 84.83.


Maximum fitness: 116.

Exemple simple d un AG
Slection pour la gnration 3 :
tiquette du
Chromosome
X1

Chane du
chromosome
1100

Entier dcod

Qualit (fitness)

12

112

X2

1000

116

X3

1000

116

X4

0110

112

X5

0110

112

X6

1100

12

112

La population de la deuxime gnration peut maintenant servir pour engendrer une troisime
gnration.
On remarque que les la moyenne des chances de survie a augment.

Exemple simple d un AG
Gnration 3: Oprateurs gntiques
Chromosome

croisement

mutation

Chromosome

Codage

Croisement

Mutation

Entier
dcod

Fitness

X1

1100

1100

1100

12

112

X2

1000

1000

1000

116

X3

1000

1010

1010

10

129

X4

0110

0100

0100

116

X5

0110

1100

1100

12

112

X6

1100

0110

0110

112

Moyennes de la qualit (average fitness): 116.16.


Maximum fitness: 129.

Les lments dun AG


Codage des chromosomes
Fonction de fitness
Oprateurs gntiques
slection
croisement
mutation
Condition darrt