Algorithmes Genetiques

Operateurs gntiques

Les lments dun AG

Oprateurs gntiques
slection
croisement
mutation

Algorithmes gntiques Schma de principe

Le principe de touts A.Gs.
repose sur lvolution d une
population
de
solutions
potentielles, les individus, par
lintermdiaire
doprateurs
stochastiques.

Selection
La slection
est le processus de choisir des parents de la population pour croisement
une mthode qui choisit au hasard les chromosomes de la population en
fonction de leur fonction d'valuation
Plus haut la fonction de fitness, le plus de chance un individu devrait avoir
tre slectionn
L'objectif de la slection est de mettre l'accent sur les individus plu adapte de la
population dans le but de crer des descendants avec une meilleure fitness.
Inspiration: Survie du plus apte de Darwin
Compromis convenable entre exploration et exploitation de l'espace de recherche

Selection la pression de slection

La pression de slection
est dfini comme la mesure dans laquelle les meilleurs individus sont favoriss
conduit l'AG amliorer la condition de la population au cours des gnrations
successives
si la pression de slection est plus lev, les meilleurs individus sont plus favoriss
si la pression de slection est trop lev, il ya une plus grande chance que l'AG converge
prmaturment un solution incorrecte (sous-optimale) .
si la pression de slection est trop faible, la vitesse de convergence sera lente, et l'AG
aura plus de temps pour trouver la solution optimale.
En plus d'assurer la pression de slection, les schmas de slection doivent aussi prserver
la diversit de la population, car cela permet d'viter la convergence prmature.

Slection par tournoi

On prend de faon alatoire un petit nombre dindividus (gnralement 2) dans le groupe des
reproducteurs et on en extrait celui dont lvaluation est la plus faible.
La stratgie de slection par tournoi fournit une pression de slection en organisant un concours de
tournoi entre N individus.
Le meilleur individu du tournoi est celui qui a le plus fitness (le vainqueur du tournoi)
La comptition du tournoi est rpt jusqu' l'ensemble des parents pour gnrer de nouvelles
descendants est rempli.
La diffrence de fitness fournit la pression de slection, qui entrane l'AG pour amliorer le fitness des
gnrations futures.
Cette mthode est gnralement efficace.
Exemple: Pour slectionner 2 parents, on tire 2 couples de nombres alatoires compris entre 1 et 6 : {1 , 3}
et { 3 , 4}

Tournoi 1: {1 , 3}

Parent 1: 1

Tournoi 2: { 3 , 4}

Parent 2: 3

Roue de Loterie biaise (Roulette Wheel Selection)

Slection de la Roue de Loterie biaise est une des techniques traditionnelles de slection
de GA.
une recherche linaire travers une roue de roulette avec les fentes de la roue pondre
par les valeurs de fitness des individus.
la vitesse d'volution dpend de la variance de fitness de la population
La mthode:
Chaque individu est attribu un tranche de la roue de la roulette, la taille de la tranche
est proportionnelle le fitness de l'individu
La roue est tourne N fois, o N est le nombre d'individus dans la population.
chaque tour, l'individu sous le marqueur de la roue est slectionn pour entrer dans
l'ensemble des parents pour la prochaine gnration.
Cest une technique de slection modrment forte, parce que les individus plus adapte ne
sont pas garantis dtre slectionn, mais ont plus de chance.

Roue de Loterie biaise (Roulette Wheel Selection)

Implmentation
On somme la valeur totale prvue de fitness des individus de la population et on note cette
somme avec F.
f (i )
f (i )

Chaque individu aura une probabilit

d'tre choisi

i
Rpter N fois :
on choisi un nombre entier alatoire 'r' entre 0 et F.
on passe par la population, en faisant la somme des valeurs attendues, jusqu' ce que la
somme est suprieure ou gale 'r
l'individu dont la valeur attendue met la somme dpasser cette limite est celui qui est
slectionn
Area est
1
2
proportionnelle
n
la valeur de

fitness

3
4
8

Slection par rang

Slection par rang classe la population et chaque chromosome reoit une valeur de
fitness en fonction de son classement.
La plus mauvaise individu reoit la valeur de fitness 1 et le meilleur reoit le
fitness N.
Il rsulte de la convergence lente mais assure la diversit de la population
Il maintient haute la pression de slection, lorsque la variance de fitness est faible.
It preserves diversity and hence leads to a successful search.
Il prserve la diversit et conduit une recherche russie

Roue de Loterie biaise par rang

Les individus sont ordonns selon la valeur de leur fitness.
La zone de la roue attribu un individu dpend de son rang et non directement sur son
fitness
Chaque individu aura une probabilit

Pn =

N n +1
N

d'tre choisi

n =1

Implmentation - similaire la Roue de Loterie biaise par valeur

Area est
proportionnelle
au rang de
l'individu

3
4
10

Slection par rang linaire

Bas sur le tri des individus en rduisant fitness
La probabilit d'tre slectionn pour la i-me individu
dans le classement est dfini comme
p(i ) =

i 1
1

2
(

1
)
,1 2

n
n 1

peut tre interprte comme la

frquence d'chantillonnage prvue du
meilleur individu

11

Introduction to Genetic Algorithms

Slection par rang exponentiel

La probabilit d'tre slectionn pour la i-me individu
dans le classement est dfini comme

Slection par rang linaire est limite la pression de slection

Slection par rang exponentielle peut allouer plus de 2
exemplaires de le plus fort individu

12

Introduction to Genetic Algorithms

Echantillonnage Stochastique Universelle

Les individus sont mapps des segments d'une ligne, de sorte que le segment de chaque individu est gale son
fitness exactement comme dans la slection de Roue de Loterie.
Equally spaced pointers are placed over the line
Le nombre de pointeurs est gal au nombre d'individus.
La position du premier pointeur est donne par un nombre gnr de faon alatoire dans l'intervalle [0, 1/NPointer].
Exemple: Pour 6 individus, la distance entre les pointeurs est 1/6=0.167.
Aprs la slection la population slectionne est compos des individus, 1, 2, 3, 4, 6, 8.

13

Introduction to Genetic Algorithms

Elitism
The first best chromosome or the few best chromosomes are copied to the new population.
The rest is done in a classical way.
Such individuals can be lost if they are not selected to reproduce or if crossover or mutation destroys
them.
This significantly improves the GAs performance.

GENITOR: a.k.a. delete-worst

From Whitleys original Steady-State algorithm (he also used
linear ranking for parent selection)
Rapid takeover : use with large populations or no duplicates
policy

14

Introduction to Genetic Algorithms

Example
Soit la fonction :
f ( x, y ) = x 4 + 3 x 3 28 x 2 60 x + y 4 + 5 y 3 29 y 2 105 y

Objectif : Trouver le minimum de f (ou une valeur plus

proche possible)

Graphique 3D de f

Contour graphique de f

(http://www.wolframalpha.com)

(http://www.wolframalpha.com)

Example
Reprsentation (codage) dun individu : indiv = ( x, y ) R 2
Initialisation: cration alatoire des individus :
Mutation : < x + 0.1; y + 0.1>
Croisement :
Si random(2) = 0 : < x1; y2 >
Sinon : < x2; y1 >

Slection : Roue de Loterie biaise, Par rang, Echantillonnage Stochastique

Universelle
Taille population : 100
Nb gnrations : 20