Académique Documents
Professionnel Documents
Culture Documents
Algorithmes génétiques
1
Plan
Algorithmes génétiques
Historique
Principes de base
Paramètres
Applications
Exemples
2
Historique
Théorie de la sélection naturelle de Darwin
©www.edupics.com
3
Autres algorithmes d’optimisations:
Essaim de particules
Colonie de fourmis
4
Principes de base
Chromosomes et gènes
Codage
5
Principes de base
Chromosomes et gènes
Codage
5
Principes de base
Chromosomes et gènes
Chromosome
Codage
5
Principes de base
Chromosomes et gènes
Chromosome
Gène
Codage
5
Principes de base
Chromosomes et gènes
Chromosome
Gène
Codage
Binaire
1 0 1 1 1 0 0 1
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
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
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
...
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
9
Fin du traitement
Critères d’arrêt:
• Erreur minimale
• Nombre de générations
10
Fin du traitement
???
Critères d’arrêt:
• Erreur minimale
• Nombre de générations
10
Paramètres
Taille de(s) population(s)
Type de sélection
Type de croisement
Probabilité de croisement
Type de mutation
Probabilité de mutation
…
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…
12
Exemple
Reconnaissance de la couverture terrestre par
Perceptron multicouche et algorithme génétique
Présentation
13