Systmes Intelligents
1 0 1 1 0 1 0 0 0 0 0 1 0 1 0 1
With mutation probability pm, randomly change the gene values in the two
offspring chromosomes
100 0
X1: 16.5%
16.5
X2: 20.2%
75.2 X3: 6.4%
X4: 6.4%
X5: 25.3%
36.7 X6: 24.8%
49.5 43.1
X6i 1 0 00 1 0 1 00 00 X2i
X1i 1 11 00 00 0 11 11 11 X5i
X2i 0 1 0 0 0 1 1 1 X5i
GIND5439 Gabriel Cormier, Universit de Moncton 21
Algorithme gntique: exemple
Mutation
La mutation reprsente un changement dans un gne.
La mutation est un oprateur secondaire.
Le rle est de garantir que lalgorithme de recherche ne reste
pas prit dans un optimum local.
Loprateur de mutation varie un bit choisit alatoirement
(de 0 1 ou 1 0).
La mutation peut se produire dans nimporte quel gne
avec une possibilit quelconque.
La probabilit de mutation est faible en nature, et donc est
maintenue faible dans les algorithmes gntiques,
typiquement entre 0.001 et 0.01.
X2'i 0 1 0 10
X1'i 1 1 1 1 1 1 X1"i
X5'i 0 1 01 01
X2i 0 1 0 0 1 0 X2"i
X5i 0 1 1 1
X2 i 0 1 0 0 1 0 X2" i
X5 i 0 1 1 1
Cycle
40 40
30 30
20 20
10 10
0 0
0 5 10 15 0 5 10 15
x x
(a) Chromosome: position initiale. (b) Chromosome: positions finales.
x y
0.6
0.5
0.4
Fitness
0.3
0.2
0.1
Best
0 Average
-0.1
0 10 20 30 40 50 60 70 80 90 100
Generations
1.6
1.4
1.2
Fitness
1.0
0.8
0.6
Best
0.4 Average
0.2
0 10 20 30 40 50 60 70 80 90 100
Generations
1.6
1.4
1.2
Fitness
1.0
0.8
0.6
Best
0.4 Average
0.2
0 2 4 6 8 10 12 14 16 18 20
Generations
Intervalle 1 Intervalle 3
Intervalle 2
Point de croisement
Unit 6 Unit 3
Rserve
100 Unit 5
Puissance (MW)
Rserve Rserve
Rserve
50
0
1 2 3 4
Intervalle de temps
Rserve
Rserve
Rserve
50
0
1 2 3 4
Intervalle de temps
I5: 0.4
I2: 2.3
Population
I4: 1.3 I3: 0.7
I6: 1.3
I2
I1: 1.9 I4
I2 I6
Aprs valuation I1 I3
du PR
Groupe pour
reproduction
croisement R1
I2 R2
I4 R3
Population
I2 I6
I1 I3 On prend
I1
les 2 meilleurs I4
I2 I6
Groupe pour
reproduction, I5 I3
Gnration p
Groupe aprs
reproduction,
Gnration p
GIND5439 Gabriel Cormier, Universit de Moncton 61
Mutation
La mutation est la dernire tape avant de
passer la prochaine gnration.
Plusieurs fonctions existent pour effectuer la
mutation; une technique populaire est la
technique de Michalewicz [1992].
La technique de Michalewicz produit une
mutation non-uniforme:
Lamplitude maximale de la mutation diminue au
fur et mesure que le nombre de gnrations
augmente.
1.5
0.5
-0.5
-4
-2 -3
0 -2
-1
2 0
1
4 2
3
Fonction optimiser
I1 = {0.354, 1.671}
I2 = {2.094, -0.953}
Il faut valuer la performance des individus:
Si on reprend nos deux individus, leur
performance est:
f(I1) = 0.2376
f(I2) = 0.0066
0.8
Maximum
0.6 Moyenne
0.4
0.2
0
0 10 20 30 40 50 60 70 80 90 100
Generation
volution de la performance
P1 = {0.354, 1.671}
P2 = {2.094, -0.953}
Il faut valuer la performance des particules:
f(P1) = 0.2376
f(P2) = 0.0066
x x vx
y = y + v
i i y i
Pour chaque variable, on calcule une vitesse et une nouvelle position.
1.6
1.4
1.2
1
Fitness
0.8
0.6
0.4
0.2 Maximum
Moyenne
0
0 10 20 30 40 50 60 70 80 90 100
Generation
Exemple de rsultat.