Connaissances supplémentaires

Algorithmes génétiques

1
Plan

 Algorithmes génétiques
 Historique
 Principes de base
 Paramètres
 Applications
 Exemples

Module 2 GPA-759 Réseaux de neurones et intelligence artificielle

2
Historique
Théorie de la sélection naturelle de Darwin

©www.edupics.com

 Barricelli – 1954  Simulation de

l’évolution
 Fogel – 1966  Programmation évolutive
 Holland – 1975  automates cellulaires
 ….

Module 2 GPA-759 Réseaux de neurones et intelligence artificielle

3
Autres algorithmes d’optimisations:

 Essaim de particules

 Colonie de fourmis

Module 2 GPA-759 Réseaux de neurones et intelligence artificielle

4
Principes de base
 Chromosomes et gènes

 Codage

Module 2 GPA-759 Réseaux de neurones et intelligence artificielle

5
Principes de base
 Chromosomes et gènes

 Codage

Module 2 GPA-759 Réseaux de neurones et intelligence artificielle

5
Principes de base
 Chromosomes et gènes
Chromosome

 Codage

Module 2 GPA-759 Réseaux de neurones et intelligence artificielle

5
Principes de base
 Chromosomes et gènes
Chromosome

Gène

 Codage

Module 2 GPA-759 Réseaux de neurones et intelligence artificielle

5
Principes de base
 Chromosomes et gènes
Chromosome

Gène

 Codage
Binaire
1 0 1 1 1 0 0 1

Module 2 GPA-759 Réseaux de neurones et intelligence artificielle

5
Principes de base
 Chromosomes et gènes
Chromosome

Gène

 Codage
Binaire Réel
1 0 1 1 1 0 0 1 1.5 -2.3 0.9 1.7 1.0 -1.2 -0.2 2.4

Module 2 GPA-759 Réseaux de neurones et intelligence artificielle

5
 Population
 Candidats pour la résolution du problème
 1 gène = 1 paramètre (codage réel)
 1 chromosome = 1 ensemble de parmaètres

 Génération aléatoire
 Génération selon critères
 Valeurs possibles

Module 2 GPA-759 Réseaux de neurones et intelligence artificielle

6
 Population
 Candidats pour la résolution du problème
1 0 1 1 1 0 0 1  1 gène = 1 paramètre (codage réel)
 1 chromosome = 1 ensemble de parmaètres
1 1 0 1 1 0 0 1

0 0 1 0 1 1 1 1

1 0 1 1 0 0 1 0

 Génération aléatoire
...

 Génération selon critères

 Valeurs possibles

Module 2 GPA-759 Réseaux de neurones et intelligence artificielle

6
 Évaluation

 Fonction objective
 Détermination du score (“fitness”)
 Ordonnancement des individus/chromosomes

1 0 1 1 1 0 0 1

1 1 0 1 1 0 0 1

0 0 1 0 1 1 1 1

1 0 1 1 0 0 1 0

Module 2 GPA-759 Réseaux de neurones et intelligence artificielle

7
 Évaluation

 Fonction objective
 Détermination du score (“fitness”)
 Ordonnancement des individus/chromosomes

1 0 1 1 1 0 0 1 = 235
1 1 0 1 1 0 0 1 = 532
0 0 1 0 1 1 1 1 = 129
1 0 1 1 0 0 1 0 = 451

Module 2 GPA-759 Réseaux de neurones et intelligence artificielle

7
 Évaluation

 Fonction objective
 Détermination du score (“fitness”)
 Ordonnancement des individus/chromosomes

1 0 1 1 1 0 0 1 = 235  3e
1 1 0 1 1 0 0 1 = 532  1er
0 0 1 0 1 1 1 1 = 129  4e
1 0 1 1 0 0 1 0 = 451  2e

Module 2 GPA-759 Réseaux de neurones et intelligence artificielle

7
 Sélection

1 0 1 1 1 0 0 1

1 1 0 1 1 0 0 1

0 0 1 0 1 1 1 1

1 0 1 1 0 0 1 0

Module 2 GPA-759 Réseaux de neurones et intelligence artificielle

8
 Sélection

1 0 1 1 1 0 0 1

1 1 0 1 1 0 0 1

0 0 1 0 1 1 1 1

1 0 1 1 0 0 1 0

Module 2 GPA-759 Réseaux de neurones et intelligence artificielle

8
 Sélection Élite(s)

1 0 1 1 1 0 0 1

1 0 1 1 1 0 0 1

1 1 0 1 1 0 0 1

0 0 1 0 1 1 1 1

1 0 1 1 0 0 1 0

Module 2 GPA-759 Réseaux de neurones et intelligence artificielle

8
 Sélection Élite(s)

1 0 1 1 1 0 0 1

1 0 1 1 1 0 0 1

1 1 0 1 1 0 0 1

0 0 1 0 1 1 1 1

1 0 1 1 0 0 1 0

Module 2 GPA-759 Réseaux de neurones et intelligence artificielle

8
 Sélection Élite(s)

1 0 1 1 1 0 0 1

1 0 1 1 1 0 0 1
Parents
1 1 0 1 1 0 0 1
1 1 0 1 1 0 0 1
0 0 1 0 1 1 1 1
0 0 1 0 1 1 1 1
1 0 1 1 0 0 1 0

Module 2 GPA-759 Réseaux de neurones et intelligence artificielle

8
 Sélection Élite(s)

1 0 1 1 1 0 0 1

1 0 1 1 1 0 0 1
Parents
1 1 0 1 1 0 0 1
1 1 0 1 1 0 0 1
0 0 1 0 1 1 1 1
0 0 1 0 1 1 1 1

Module 2 GPA-759 Réseaux de neurones et intelligence artificielle

8
 Croisement et mutation

1 1 0 1 1 0 0 1

0 0 1 0 1 1 1 1

1 1 0 1 1 0 0 1

Module 2 GPA-759 Réseaux de neurones et intelligence artificielle

9
 Croisement et mutation

1 1 0 1 1 0 0 1

0 0 1 0 1 1 1 1

1 1 0 1 1 0 0 1

Module 2 GPA-759 Réseaux de neurones et intelligence artificielle

9
 Croisement et mutation
Croisement
1 1 0 1 1 0 0 1

0 0 1 0 1 1 1 1

1 1 0 1 1 0 0 1

Module 2 GPA-759 Réseaux de neurones et intelligence artificielle

9
 Croisement et mutation
Croisement
1 1 0 1 1 0 0 1 1 1 0 1 1 1 1 1

0 0 1 0 1 1 1 1 0 0 1 0 1 0 0 1

1 1 0 1 1 0 0 1

Module 2 GPA-759 Réseaux de neurones et intelligence artificielle

9
 Croisement et mutation
Croisement
1 1 0 1 1 0 0 1 1 1 0 1 1 1 1 1

0 0 1 0 1 1 1 1 0 0 1 0 1 0 0 1

1 1 0 1 1 0 0 1

Module 2 GPA-759 Réseaux de neurones et intelligence artificielle

9
 Croisement et mutation
Croisement
1 1 0 1 1 0 0 1 1 1 0 1 1 1 1 1

0 0 1 0 1 1 1 1 0 0 1 0 1 0 0 1

Mutation
1 1 0 1 1 0 0 1

Module 2 GPA-759 Réseaux de neurones et intelligence artificielle

9
 Croisement et mutation
Croisement
1 1 0 1 1 0 0 1 1 1 0 1 1 1 1 1

0 0 1 0 1 1 1 1 0 0 1 0 1 0 0 1

Mutation
1 1 0 1 1 0 0 1 1 1 0 1 0 1 0 1

Module 2 GPA-759 Réseaux de neurones et intelligence artificielle

9
 Fin du traitement

Critères d’arrêt:
• Erreur minimale
• Nombre de générations

Module 2 GPA-759 Réseaux de neurones et intelligence artificielle

10
 Fin du traitement

???
Critères d’arrêt:
• Erreur minimale
• Nombre de générations

Module 2 GPA-759 Réseaux de neurones et intelligence artificielle

10
Paramètres
 Taille de(s) population(s)
 Type de sélection
 Type de croisement
 Probabilité de croisement
 Type de mutation
 Probabilité de mutation
 …

Module 2 GPA-759 Réseaux de neurones et intelligence artificielle

11
Applications
 Augmentation des performances des
systèmes de prédiction (ex: dans quoi investir
son argent en bourse)
 Optimisation des systèmes de création
d’horaires (ex: Cheminot)
 Conception de pièces mieux adaptées (ex:
Turbine, Aile d’avion, …)
 Plusieurs autres problèmes d’optimisation…

Module 2 GPA-759 Réseaux de neurones et intelligence artificielle

12
 Exemple
 Reconnaissance de la couverture terrestre par
Perceptron multicouche et algorithme génétique

 Dans le cadre du cours SYS-843 à la maîtrise

 Présentation

Module 2 GPA-759 Réseaux de neurones et intelligence artificielle

13