GIND5439_Chapitre7

GIND5439
Systmes Intelligents
Chapitre 7: Techniques volutionnaires.

Lvolution peut-elle tre intelligente?
Intelligence
La capacit dun systme adapter son comportement
un environnement en changement.
Les calculs volutionnaires simulent lvolution sur
un ordinateur.
Le rsultat est une srie dalgorithmes doptimisation,
habituellement bas sur un ensemble de rgles simples.
Loptimisation amliore itrativement la qualit des
solutions jusqu ce quune solution optimale soit obtenue.
GIND5439 Gabriel Cormier, Universit de Moncton 2

Calcul volutionnaire
Algorithme gntique
Stratgies volutionnistes
Programmation gntique
On simule lvolution en utilisant
Slection
Reproduction
Mutation
Optimisation par essaim de particules

volution naturelle
Le 1er juillet 1858, Charles Darwin prsente
sa thorie dvolution.
Thorie de slection naturelle de Weismann
Concept de gntique de Mendel
No-Darwinisme
Bas sur les principes de reproduction, mutation,
comptition et slection.

volution naturelle
Quest-ce que lvolution?
Processus qui mne la maintenance ou laugmentation
de la capacit dune population survivre et se reproduire
dans un environnement spcifique (Hartl & Clark, 1989)
Performance volutionnaire
Une mesure de la capacit dun organisme anticiper des
changements dans son environnement. (Hoffman, 1989)
La qualit qui est optimise dans la nature (Atmar, 1994).
Mesure de la capacit de prdire des changements
environnementaux et y ragir rapidement.

volution naturelle
Topologie adaptive (Wright, 1932)
Reprsente un environnement quelconque par un
paysage.
Une crte correspond la performance optimise
dune espce.
Une population se dplace le long de la pente
vers la crte pendant lvolution.
Lenvironnement change continuellement.

volution naturelle
Michalewicz (1996)
Considre une population de lapins
Certains lapins sont plus rapides que dautres.

Ont une performance suprieure.
Certains lapins lents survivent aussi.
Des lapins lents et rapides sentrecroisent.
Deux parents de performance suprieure:
Il y a une bonne chance quune combinaison de leur gnes produiront un
rejeton qui a une performance suprieure.
Au fil des ans la population entire de lapins devient plus rapide pour
faire face aux changements dans leur environnement.
En mme temps, des lapins plus rapides veut dire que les renards
doivent tre plus rapides.
Lenvironnement pourrait favoriser des lapins lents mais intelligents.
La population sadapte pour rpondre aux dfis environnementaux.

Simulation de lvolution
Toutes les mthodes
Crer une population dindividus
valuer leur performance
Gnrer une nouvelle population laide
doprateurs gntiques (slection, reproduction,
mutation)
Rpter ce processus plusieurs fois

Algorithme gntique
Classe dalgorithmes de recherche stochastiques
bass sur lvolution biologique.
John Holland (1975), principal crateur
Les premiers algorithmes utilisaient des squences
de bits; maintenant, des algorithmes avec du
codage rel existent.
Cependant, lalgorithme gntique cod binaire
demeure plus populaire, mme si lalgorithme
gntique cod rel est plus performant.

Algorithme gntique
Algorithme de Holland
Utilise une srie dtapes pour se dplacer dune
population de chromosomes une autre.
Ces chromosomes consistent en un nombre de
gnes, et chaque gne est une squence de bits.
1 0 1 1 0 1 0 0 0 0 0 1 0 1 0 1

Algorithme gntique
Deux mcanismes sont le lien entre lalgorithme
gntique et le problme rsoudre:
Encodage
valuation
On utilise une mesure de la performance dun
chromosome (ou individu) pour faire la reproduction.
Quand la reproduction a lieu,
Loprateur de croisement change des parties de deux
chromosomes.
Loprateur de mutation change la valeur des gnes de
faon alatoire.
Au fil du temps les chromosomes moins performants
disparaissent.

Algorithme gntique de base
Start
Generate Population of chromosomes of Size N : x,xn
Calculate fitness of each chromosome :f( x,)f(xn)
Is the termination Yes

condition satisfied ? Stop
No
Select a pair of chromosomes for mating
With crossover probability pc, exchange parts of the two selected

chromosomes and create two offspring
With mutation probability pm, randomly change the gene values in the two
offspring chromosomes
Place the resulting chromosomes in the new population
No Is size of new population

equal to N ?
Yes
Replace the current chromosomes population with new population

tape 1:
Reprsenter le problme comme un chromosome
de longueur fixe.
Choisir la taille de la population, N, la probabilit
de croisement pc et la probabilit de mutation pm.
tape 2:
Dfinir une fonction objective pour mesurer la
performance des individus.
tape 3:
Gnrer alatoirement une population de taille N,
x1, x2, ,xN.
tape 4:
Calculer la performance de chaque individu: f(x1),
f(x2), , f(xN).
tape 5:
Choisir une paire de chromosomes pour
reproduction.
Les parents sont choisis avec une probabilit
relie leur performance.
tape 6:
On cre une paire de rejetons en appliquant les
oprateurs gntiques: croisement et mutation.
tape 7:
On place les rejetons dans une nouvelle population.
tape 8:
Rpter ltape 5 jusqu ce que la taille de la nouvelle
population soit N.
tape 9:
Remplacer la population initiale (parents) par la nouvelle
population (rejetons).
tape 10:
Retourner ltape 4, et rpter le processus jusqu ce
que la condition darrt soit atteinte.

Algorithme gntique
Chaque itration est appele une gnration.
Le nombre de gnrations peut varier beaucoup, de 50
500 typiquement.
la fin de toutes les gnrations, on sattend
trouver un ou plusieurs individus qui satisfont les
critres dvaluation.
Les algorithmes gntiques utilisent une mthode
de recherche stochastique; la performance dune
population peut demeurer fixe pour un certain
nombre de gnrations avant quun individu plus
performant apparaisse.

Algorithme gntique: exemple
Calculer la valeur maximale de la fonction (15x x2) quand x varie
entre 1 et 15.
On suppose que x prend seulement des valeurs entires. On peut
donc construire un chromosome avec seulement 4 gnes:
Entier Code binaire Entier Code binaire Entier Code binaire
1 0001 6 0110 11 1011
2 0010 7 0111 12 1100
3 0011 8 1000 13 1101
4 0100 9 1001 14 1110
5 0101 10 1010 15 1111
La taille de la population est N = 6.

La probabilit de croisement est pc = 0.7.
La probabilit de mutation est pm = 0.001.
La valeur de la fonction objective est f(x) = 15x x2.

On cre la population initiale.
On aura 6 squences de 4 bits choisies
alatoirement.
On calcule la performance de chaque individu.
Nom du Squence Entier Performance du Rapport de

chromosome de bits chromosome performance, %
X1 1100 12 36 16.5
X2 0100 4 44 20.2
X3 0001 1 14 6.4
X4 1110 14 14 6.4
X5 0111 7 56 25.7
X6 1001 9 54 24.8

Pour faire la slection dindividus, on utilise la technique de la roue de
roulette (Goldberg, 1989; Davis, 1991).
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

Croisement
On choisit, alatoirement, un point de croisement
o on brisera en deux les deux parents.
Pour notre exemple, soit les 2 premiers bits.
On change les parties de ces individus.
Ceci cre deux nouveaux individus.
Si une paire des chromosomes nont pas de
croisement, il y a alors clonage: les deux rejetons
sont exactement pareils aux parents.

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
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.

X6'i 1 0 0 0
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

Crossover
Generation i
X1 i 1 1 0 0 f = 36 X6 i 1 0 00 1 0 1 00 00 X2 i
X2 i 0 1 0 0 f = 44
X3 i 0 0 0 1 f = 14
X4 i 1 1 1 0 f = 14 X1 i 0
1 11 00 00 0 11 11 11 X5 i
X5 i 0 1 1 1 f = 56
X6 i 1 0 0 1 f = 54
X2 i 0 1 0 0 0 1 1 1 X5 i
Generation ( i + 1)
X1 i+ 1 1 0 0 0 f = 56 Mutation
X2 i+ 1 0 1 0 1 f = 50 X6' i 1 0 0 0
X3 i+ 1 1 0 1 1 f = 44
X2' i 0 1 0 0
1
X4 i+ 1 0 1 0 0 f = 44
X1' i 0
1 1 1 1 1 1 X1" i
X5 i+ 1 0 1 1 0 f = 54
X6 i+ 1 0 1 1 1 f = 56 X5' i 0 1 1
0 1
0
X2 i 0 1 0 0 1 0 X2" i
X5 i 0 1 1 1
Cycle

60 60
f(x)
50 50
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.

Algorithme gntique
Supposons quon veut trouver le maximum
dune fonction de deux variables:
2 x 2 ( y +1)2 x2 y 2
f ( x, y ) = (1 x) e (x x y ) e 3 3
o x et y varient entre -3 et +3.

Pour reprsenter les variables comme un
chromosome, on va concatner les deux
squences de bits:
1 0 0 0 1 0 1 0 0 0 1 1 1 0 1 1
x y

Algorithme gntique
Choisir la taille de la population (ex, 6) et
gnrer alatoirement une population initiale.
Calculer la performance de chaque
chromosome. On fait ceci en deux tapes:
Un chromosome, dans ce cas 16 bits, est divis
en deux squences de 8 bits:
1 0 0 0 1 0 1 0 et 0 0 1 1 1 0 1 1
On convertit ensuite de binaire dcimal:
10001010 2 = 1 27 + 0 26 + 0 25 + 0 2 4 + 1 23 + 0 2 2 + 1 21 + 0 20 = 138
et
001110112 = 0 27 + 0 26 + 1 25 + 1 2 4 + 1 23 + 0 2 2 + 1 21 + 1 2 0 = 59

Algorithme gntique
Il faut maintenant convertir ces valeurs une valeur
entre -3 et 3. Un bit reprsente une valeur de:
S 3 (3) 6
1bit = = = = 0.0235294
2 1
n
2 1
8
255
o S reprsente lintervalle des valeurs, et n est le
nombre de bits.
Pour obtenir la valeur relle de x et y, il faut
multiplier les rsultats obtenus auparavant par
0.0235294 et soustraire 3.
138 (138)(0.0235294) 3 = 0.2470572
59 (59)(0.0235294) 3 = 1.6117654

Algorithme gntique
On utilise les valeurs dcodes de x et y pour
calculer la performance de lindividu.
On utilise, dans ce cas-ci, une probabilit de
croisement de 0.7 et une probabilit de mutation de
0.001.
Il est pratique courante de spcifier le nombre
maximal de gnration.
Ex: On dcide que 100 gnrations est le maximum.
Lalgorithme gntique calculera 100 gnration de 6
individus avant de sarrter.

Algorithme gntique
Emplacement des chromosomes: population initiale.

Algorithme gntique
Emplacement des chromosomes: premire gnration.

Algorithme gntique
Emplacement des chromosomes: maximum local.

Algorithme gntique
Emplacement des chromosomes: maximum global.

Algorithme gntique
pc = 0.7, pm = 0.001
0.7
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
Performance en fonction du nombre de gnrations: maximum local.

Algorithme gntique
pc = 0.7, pm = 0.01
1.8
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
Performance en fonction du nombre de gnrations: maximum global.

Algorithme gntique
pc = 0.7, pm = 0.001
1.8
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
Performance pour 20 gnrations de 60 individus.

Exemple: cdule de maintenance
On voit ici un autre exemple de lutilit des
algorithmes gntiques.
Une des applications les plus fructueuses de
lalgorithme gntique est le problme dordonnance
des ressources.
Lordonnancement des ressources est un problme
particulirement complexe; les techniques classiques ne
peuvent pas garantir une solution.
Les contraintes multiples rendent difficile la solution de ce
type de problme; cest trs bien adapt cependant aux
algorithmes gntiques.

Le problme ici est dordonnancer la maintenance
de centrales lectriques. Cette tche a plusieurs
contraintes: bris, interruption de service, dlai dans
lobtention dquipements, etc. Il faut souvent
rviser la cdule avec peu davis.
Des centrales lectriques sont conues pour oprer
trs longtemps avec de la maintenance prventive.
Le but ici est de trouver une cdule qui permettra de
maximiser la puissance en rserve pendant lanne.

Unit Capacit (MW) Nombre dintervalles
ncessaire pour maintenance
1 20 2
2 15 2
3 35 1
4 40 1
5 15 1
6 15 1
7 10 1
Centrales, leur capacit, et le nombre dintervalles de maintenance requis.

On spare lanne en 4 intervalles; la demande en
puissance pendant ces intervalles est: 80, 90, 65 et
70 MW, respectivement.
Dautres contraintes:
La maintenance dune unit commence au dbut de
lintervalle et se termine la fin de lintervalle.
La rserve de puissance pendant un intervalle doit tre
plus grande que la demande en puissance.
On veut optimiser la rserve de puissance pendant
les intervalles.
Rserve = Capacit totale (Pperdue maintenance) - demande

Il faut maintenant trouver un encodage pour bien reprsenter le
problme et ses contraintes.
Dans ce cas-ci, on utilise des gnes 4 bits pour reprsenter les
intervalles de maintenance.
Unit Maintenance possible
1 1100, 0110, 0011
2 1100, 0110, 0011
3 1000, 0100, 0010, 0001
4 1000, 0100, 0010, 0001
5 1000, 0100, 0010, 0001
6 1000, 0100, 0010, 0001
7 1000, 0100, 0010, 0001

Encodage, ex: pour lunit 1, le 1100 veut
dire quil est en maintenance pendant les
intervalles 1 et 2.
1 1 0 0 1 veut dire maintenance,
0 veut dire pas de
maintenance
Intervalle 4
Intervalle 1 Intervalle 3
Intervalle 2

Il faut maintenant dfinir la fonction objective.
On fera la somme de la puissance des units qui sont en
maintenance, et on calculera la rserve nette.
Exemple: Soit un chromosome quelconque:
0110 0011 0001 1000 0100 0010 1000
La somme de la puissance des units en

maintenance est:
Intervalle1 : 0 20 + 0 15 + 0 35 + 1 40 + 0 15 + 0 15 + 1 10 = 50
Intervalle 2 : 1 20 + 0 15 + 0 35 + 0 40 + 1 15 + 0 15 + 0 10 = 35
Intervalle 3 : 1 20 + 115 + 0 35 + 0 40 + 0 15 + 1 15 + 0 10 = 50
Intervalle 4 : 0 20 + 1 15 + 1 35 + 0 40 + 0 15 + 0 15 + 0 10 = 50

On calcule la rserve:
Intervalle1 : 150 50 80 = 20
Intervalle 2 : 150 35 90 = 25
Intervalle 3 : 150 50 65 = 35
Intervalle 4 : 150 50 70 = 30
La performance du chromosome est la plus

petite rserve; dans ce cas, 20. Si on aurait
obtenu une rserve ngative, la performance
aurait t 0.

Il faut maintenant construire les oprateurs
gntiques. Dans ce cas-ci, les oprations de
mutation et croisement ne peuvent se faire
que sur des blocs de 4 bits; sinon on
retrouverait des cdules illogiques ou
fausses.

Exemple de croisement:
Parent 1: 0110 0011 0001 1000 0100 0010 1000
Parent 2: 1100 0110 0100 0001 0010 1000 0100
Point de croisement
Rejeton 1: 0110 0011 0001 1000 0010 1000 0100
Rejeton 2: 1100 0110 0100 0001 0100 0010 1000

Exemple de mutation
x
0110 0011 0001 1000 0100 0010 1000
0110 0011 0100 1000 0100 0010 1000

On peut maintenant faire travailler lalgorithme.
Cependant, il faut choisir la taille de la population, la
probabilit de croisement et la probabilit de
mutation.
Ces paramtres peuvent varier beaucoup selon le type de
problme. Une rgle gnrale est dutiliser une population
6 ou 7 fois plus grande que le nombre de variables
optimiser.
Quand aux probabilits de croisement et mutation, il faudra
commencer avec une valeur standard et essayer
diffrentes valeurs par la suite. Il ne faut surtout pas se
limiter une seule valeur!

Les pages 238 et 239 montrent les rsultats
pour diffrentes populations et taux de
mutation.
On voit dans ces graphes que loptimum est
une rserve de 25MW chaque intervalle.

150
Unit 2 Unit 2
Unit 1
Unit 4 Unit 7
Unit 1
Unit 6 Unit 3
Rserve
100 Unit 5
Puissance (MW)
Rserve Rserve
Rserve
50
0
1 2 3 4
Intervalle de temps
Aprs 50 gnrations: la plus petite rserve est 15 MW.

150
Unit 1 Unit 1 Unit 2
Unit 3
Unit 6 Unit 2
Unit 4
Unit 7 Unit 5
100 Rserve
Puissance (MW)
Rserve
Rserve
Rserve
50
0
1 2 3 4
Intervalle de temps
Aprs 100 gnrations: la plus petite rserve est 25 MW.

Algorithme gntique: codage rel
Lalgorithme gntique vu jusqu prsent
utilisait un codage binaire.
Il existe aussi un algorithme gntique
codage rel; cest--dire quon utilise des
chiffres rels.
Les oprateurs (slection, reproduction et
mutation) sont diffrents.
La performance est aussi bonne.
Cependant, cest moins utilis (plus rcent).

Algorithme gntique: codage rel
La cration de la population initiale est la
mme: un nombre n dindividus sont crs
alatoirement.
Chaque individu est compos dune valeur de
k variables, selon le problme.
Ex: soit un problme 3 variable, x1, x2 et x3. Les
individus ont la forme:
x1 x1 x1
I1 x2 I2 In
x2 x2
x3 x3 x3

Slection
Il existe plusieurs mthodes de slection; une
technique qui fonctionne bien est celle de
Davis [1991].
On associe un poids relatif (RW) chaque
individu selon sa performance.
RW = (n i ) a
i = 0, 1, L , n 1
O a est un exposant, entre 1.0 et 1.5. Le
meilleur individu a un RW de na, le 2e
meilleur a un RW de (n-1)a, et ainsi de suite.

Slection
On calcule ensuite une probabilit de
reproduction:
RWi
PRi = 1
n RWi
Lindividu avec le meilleur poids relatif aura la

meilleure chance de se reproduire.
Selon la partie entire du PR, lindividu est
choisit pour reproduction.

Slection
Ex: Si un individu a un PR de 2.1, il est
choisit 2 fois pour reproduction. Un individu
avec un PR de 1.9 est choisit 1 fois pour
reproduction.
Ces individus choisis vont dans un groupe de
reproduction do on choisira les individus qui
vont se reproduire.

Slection: exemple
Population
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

Reproduction
Une fois le groupe de reproduction cr, il
faut passer la reproduction.
On utilise la technique de Wright [1991].
On choisit alatoirement 2 parents P1 et P2 parmi
les individus du groupe de reproduction.
On cre 3 rejetons selon lquation suivante:
R1 = 0.5 P1 + 0.5 P2
R2 = 1.5 P1 0.5 P2
R3 = 0.5 P1 + 1.5 P2

Reproduction
On choisit les 2 meilleurs rejetons parmi les 3
crs, afin de garder la taille de la population
constante.
Ces 2 meilleurs rejetons deviennent les
individus de la prochaine gnration.
Le croisement (la reproduction) est applique
sur chaque variable.

Reproduction
Ex: Soit deux parents, dans un problme
deux variables.
1 x1 2 x1
P1 = 1 P2 = 2
x2 x2
Les rejetons sont:
0.51 x1 + 0.52 x1 1.51 x1 0.52 x1 0.51 x1 + 1.52 x1
R1 = 1 R2 = 1 R3 =
0.5 x2 + 0.5 x2 1.5 x2 0.5 x2 0.5 x2 + 1.5 x2
2 2 1 2

Reproduction
Population
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
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.

Mutation
Mutation de Michalewicz:
On vrifie en premier sil y a mutation selon la
probabilit de mutation, pm.
Si oui, on lance une pice de monnaie, et on
modifie la variable comme suit:
xi + (max(xi ) xi ) pile
xi ' =
xi ( xi min ( xi )) face
O
b r = nombre alatoire entre 0 et 1
t
( y ) = r y 1
t = gnration actuelle
T = gnration maximale
T b = exponentiel, entre 1 et 5

Algorithme gntique
Une fois la mutation effectue, on passe la
prochaine gnration et on refait le
processus de slection, croisement et
mutation jusqu ce que la gnration
maximale soit atteinte, ou que lobjectif
(erreur minimale) soit atteint.

On va refaire lexemple prcdent de la
fonction deux variables:
2 x 2 ( y +1)2 x2 y 2
f ( x, y ) = (1 x) e (x x y ) e
3 3
Lintervalle de calcul est le mme: -3 +3.

Il faut dfinir la taille de la population. Dans
ce cas-ci, avec 2 variables, si on utilise la
rgle de 6 ou 7 fois le nombre de variables,
on devrait avoir 12 14 individus.
1.5
0.5
-0.5
-4
-2 -3
0 -2
-1
2 0
1
4 2
3
Fonction optimiser

On cre un population initiale.
Ex: deux individus pourraient tre:
x y
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

Il faut valuer le RW et le PR de chaque individu, et
ensuite faire le croisement. Supposons quon choisit
nos 2 individus pour croisement. Leur trois rejetons
sont (I1 = {0.354, 1.671}, I2 = {2.694, -0.953}):
0.5 x1 + 0.5 x2 0.5(0.354) + 0.5(2.094) 1.224
R1 = = =
0 .5 y1 + 0.5 y 2 0 . 5(1.671) + 0.5( 0.953) 0 .359
1.5 x1 0.5 x2 1.5(0.354) 0.5(2.094) 0.516
R2 = = =
1. 5 y1 0.5 y 2 1. 5(1.671) 0.5( 0.953) 2.983
0.5 x1 + 1.5 x2 0.5(0.354) + 1.5(2.094) 2.964
R3 = = =
0 .5 y1 + 1.5 y 2 0 .5(1. 671) + 1.5( 0 .953) 2 .265

On value maintenant la performance des
rejetons, pour trouver les 2 meilleurs:
f(R1) = 0.1307
f(R2) = 0.0028
f(R3) = 0.0001
Dans ce cas-ci, les 2 meilleurs rejetons sont
les rejetons 1 et 2.
Bien que la performance des rejetons nest
pas meilleure celles des parents, on
continu le processus.
Il reste vrifier pour une mutation.
Si une mutation se produit (ex: rejeton 2), on
choisit un paramtre pour mutation (ex: y).
On lance une pice de monnaie, et on obtient
face.
y + (max( y ) y ) pile
y' =
y ( y min ( y )) face
b 3
t 1
( y ) = r y 1 = 0.5((2.983) ( 3))1 = 2.903
T 100
alatoire
y ' = 2.983 2.903 = 0.08
On value la performance de lindividu mut:
f(R1) = 0.8372
On voit, dans ce cas, que la mutation a de
beaucoup amlior lindividu.
Si on aurait t la 80e gnration,
lamplitude de la mutation naurait t que de
0.024.

On rpte le processus de slection,
croisement et mutation jusqu ce quon
obtienne une erreur acceptable ou un
nombre maximum de gnrations.

1.8
MaxGen = 100;
1.6
POP = 15;
1.4 pc = 0.85;
1.2
pm = 0.001;
a = 1.2;
1
b = 3.0;
Fitness
0.8
Maximum
0.6 Moyenne
0.4
0.2
0
0 10 20 30 40 50 60 70 80 90 100
Generation
Exemple de simulation, avec litisme

On fera ici un exemple de design dun robot,
dun article par Marise Gallant et Roger
Boudreau, The synthesis of planar parallel
manipulators with prismatic joints for an
optimal, singularity-free workspace, paru
dans le Journal of Robotic Systems en 2002.

Il sagit ici faire le design dun robot parallle
pour atteindre un espace de travail pr-
dtermin.
Robot parallle: robot dont les membres sont en
parallle (ex: simulateurs de vol)
Espace de travail: lespace (les positions) que le
robot peut atteindre pour faire un travail
quelconque.

Le problme est le suivant: si on veut un
espace de travail quelconque, comment
designer le robot (dimensions physiques
comme la longueur des bras) pour quil
puisse atteindre cet espace de travail?
Si on connat les dimensions dun robot, il est
facile de calculer son espace de travail.
Cependant, on ne peut pas faire le calcul
inverse; il y a trop de possibilits, et pas
dquations inverses.

Exemple: robot parallle 3

membres.
Robot parallle

Espace de travail voulu

Le problme ici est assez complexe.
On a 6 variables optimiser.
La fonction objective est la diffrence daire
entre lespace de travail voulu et lespace de
travail rel.

volution de la performance

On voit bien quau fur et mesure que le
nombre de gnrations augmente, que la
diffrence daire diminue.
Lalgorithme gntique fut appliqu 4 types
de robots parallles, avec des rsultats
similaires.

Loptimisation par essaim de particules
(particle swarm optimization) est une
technique doptimisation dveloppe
rcemment (Kennedy et Eberhart, 1995).
Elle est base sur le comportement social de
groupes danimaux (poissons, oiseaux,
insectes).

Des simulations sont disponibles
http://www.engr.iupui.edu/~eberhart/web/PSObook.html
On peut expliquer lalgorithme par une

analogie:
Des abeilles sortent de la ruche pour trouver du
pollen des fleurs. Elles vont voler partout dans les
alentours de la ruche. Lorsquune abeille trouve
une bonne source, toutes les autres abeilles vont
converger vers ce point.

Lalgorithme doptimisation par essaim de
particules est encore plus simple que celui de
lalgorithme gntique.
On cre une population de particules.
Chaque particule reprsente une solution
possible au problme.
On suppose que 2 facteurs influencent le
comportement dune particule.
Facteur individuel (la particule).
Facteur social (les autres particules).

Chaque particule a une position, videment,
et aussi une vitesse: la particule se dplace
dans lespace de recherche.
La position future est fonction de 4 facteurs:
La position actuelle
La vitesse prcdente
La meilleure position obtenue de la particule
La meilleure position obtenue de toutes les
particules

La position est ajuste selon:
vi (t ) = vi (t 1) + 1r1 ( pi xi (t 1) ) + 2 r2 ( p g xi (t 1) )
r r r r r r
r r r
xi (t ) = xi (t 1) + vi (t )
o 1 et 2 sont des constantes, rx est un
nombre alatoires entre 0 et 1, pi est la
meilleure position obtenue par la particule i,
et pg est la meilleure position obtenue par
nimporte quelle particule.
Typiquement, on limite la vitesse entre +Vmax
et Vmax.
Le pseudo-code pour lalgorithme est:
Crer une population initiale
Si la performance est meilleure que

Pour chaque particule, valuer
la meilleure performance obtenue,
la performance
alors pi = xi
Choisir la particule avec la meilleure

performance (pg)
Modifier la vitesse et la position

de toutes les particules

OEP: exemple
On va refaire lexemple de la fonction deux
variables:
2 x 2 ( y +1)2 x2 y 2
f ( x, y ) = (1 x) e (x x y ) e
3 3
Lintervalle de calcul est le mme: -3 +3.

Il faut dfinir la taille de la population. On
choisit une population de 20 particules.

OEP: exemple
On cre alors une population de particules.
Ces particules ressembleront beaucoup aux
individus de lalgorithme gntique.
Ex: deux particules pourraient tre:
x y
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

OEP: exemple
Pour chacune des particules, si la
performance actuelle est meilleure que la
meilleure performance obtenue (pour cette
particule), alors pi = xi.
Ex:
Si la performance prcdente de la particule 1 tait
0.1135, alors p1 = {0.354, 1.671}
Il faut maintenant trouver la particule qui a la
meilleure performance. Ceci devient pg.

OEP: exemple
On a maintenant toute linformation pour
calculer les nouvelles position.
v x v x px x px x

v = v + 1 r1 p + 2 r2 p
y i y i y i yi y g i
y
x x vx
y = y + v
i i y i
Pour chaque variable, on calcule une vitesse et une nouvelle position.

OEP: exemple
1.8
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.

OEP: exemple
Pour cet exemple, les rsultats obtenus sont
similaires ceux de lalgorithme gntique.
En gnral, cependant, il y a moins de
calculs faire avec loptimisation par essaim
de particules, puisquon a pas les oprations
de croisement, de RW, PR, etc.

Langue

Bienvenue sur Scribd !

GIND5439_Chapitre7

Transféré par

Informations du document

Description :

Date du transfert

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Description :

Droits d'auteur :

Formats disponibles

GIND5439_Chapitre7

Transféré par

Description :

Droits d'auteur :

Formats disponibles

Titres liés

GIND5439

Chapitre 7: Techniques volutionnaires.

GIND5439 Gabriel Cormier, Universit de Moncton 2

GIND5439 Gabriel Cormier, Universit de Moncton 3

GIND5439 Gabriel Cormier, Universit de Moncton 4

GIND5439 Gabriel Cormier, Universit de Moncton 5

GIND5439 Gabriel Cormier, Universit de Moncton 6

Certains lapins sont plus rapides que dautres.

GIND5439 Gabriel Cormier, Universit de Moncton 7

GIND5439 Gabriel Cormier, Universit de Moncton 8

GIND5439 Gabriel Cormier, Universit de Moncton 9

GIND5439 Gabriel Cormier, Universit de Moncton 10

GIND5439 Gabriel Cormier, Universit de Moncton 11

Generate Population of chromosomes of Size N : x,xn

Calculate fitness of each chromosome :f( x,)f(xn)

Is the termination Yes

With crossover probability pc, exchange parts of the two selected

Place the resulting chromosomes in the new population

No Is size of new population

GIND5439 Gabriel Cormier, Universit de Moncton 12

GIND5439 Gabriel Cormier, Universit de Moncton 15

GIND5439 Gabriel Cormier, Universit de Moncton 16

La taille de la population est N = 6.

GIND5439 Gabriel Cormier, Universit de Moncton 17

Nom du Squence Entier Performance du Rapport de

GIND5439 Gabriel Cormier, Universit de Moncton 18

GIND5439 Gabriel Cormier, Universit de Moncton 19

GIND5439 Gabriel Cormier, Universit de Moncton 20

GIND5439 Gabriel Cormier, Universit de Moncton 22

GIND5439 Gabriel Cormier, Universit de Moncton 23

GIND5439 Gabriel Cormier, Universit de Moncton 24

GIND5439 Gabriel Cormier, Universit de Moncton 25

o x et y varient entre -3 et +3.

GIND5439 Gabriel Cormier, Universit de Moncton 26

GIND5439 Gabriel Cormier, Universit de Moncton 27

GIND5439 Gabriel Cormier, Universit de Moncton 28

GIND5439 Gabriel Cormier, Universit de Moncton 29

Emplacement des chromosomes: population initiale.

GIND5439 Gabriel Cormier, Universit de Moncton 30

Emplacement des chromosomes: premire gnration.

GIND5439 Gabriel Cormier, Universit de Moncton 31

Emplacement des chromosomes: maximum local.

GIND5439 Gabriel Cormier, Universit de Moncton 32

Emplacement des chromosomes: maximum global.

GIND5439 Gabriel Cormier, Universit de Moncton 33

Performance en fonction du nombre de gnrations: maximum local.

GIND5439 Gabriel Cormier, Universit de Moncton 34

Performance en fonction du nombre de gnrations: maximum global.

GIND5439 Gabriel Cormier, Universit de Moncton 35

Performance pour 20 gnrations de 60 individus.

GIND5439 Gabriel Cormier, Universit de Moncton 36

GIND5439 Gabriel Cormier, Universit de Moncton 37

GIND5439 Gabriel Cormier, Universit de Moncton 38

GIND5439 Gabriel Cormier, Universit de Moncton 39

GIND5439 Gabriel Cormier, Universit de Moncton 40

GIND5439 Gabriel Cormier, Universit de Moncton 41

GIND5439 Gabriel Cormier, Universit de Moncton 42