Académique Documents
Professionnel Documents
Culture Documents
: S7218 V1
Algorithmes génétiques et
Date de publication :
10 juin 2006 algorithmes évolutionnaires
Date de dernière validation :
09 mai 2019
Par mail :
infos.clients@teching.com
Par téléphone :
00 33 (0)1 53 35 20 20 © Techniques de l'Ingénieur | tous droits réservés
Ce document a ete delivre pour le compte de 7200055112 - universite paris 7 diderot // 81.194.22.198
Algorithmes génétiques
et algorithmes évolutionnaires
Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur S 7 218 − 1
tiwekacontentpdf_s7218 v1 Ce document a ete delivre pour le compte de 7200055112 - universite paris 7 diderot // 81.194.22.198
Ce document a ete delivre pour le compte de 7200055112 - universite paris 7 diderot // 81.194.22.198
1. Algorithmes génétiques, plus loin que d’autres problèmes (comme les problèmes dynami-
ques ou les problèmes interactifs) peuvent être traités à l’aide d’une
Parution : juin 2006 - Dernière validation : mai 2019 - Ce document a ete delivre pour le compte de 7200055112 - universite paris 7 diderot // 81.194.22.198
Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
S 7 218 − 2 © Techniques de l’Ingénieur
tiwekacontentpdf_s7218 v1 Ce document a ete delivre pour le compte de 7200055112 - universite paris 7 diderot // 81.194.22.198
Ce document a ete delivre pour le compte de 7200055112 - universite paris 7 diderot // 81.194.22.198
d’années. Ces deux approches reposent, comme nous l’avons dit, sur Évolution Maximisation de la fonction
l’imitation du phénomène d’apprentissage collectif – on dit aussi d’évaluation
d’adaptation – d’une population naturelle, fondée sur les obser-
vations de Darwin et sur la théorie moderne de l’évolution. Ces deux
courants ont évolué parallèlement jusqu’à il y a une quinzaine
d’années, chacun ayant son champ d’application particulier, tous ■ Enfin, en s’éloignant quelque peu des préoccupations d’opti-
deux devenant actuellement de plus en plus attirants aussi bien pour misation numérique pure, de nouveaux thèmes de recherche se
les chercheurs que pour les industriels, grâce notamment à la vulga- sont ouverts progressivement : programmation génétique, vie artifi-
risation des calculateurs parallèles, à l’accroissement des puissances cielle, optimisation multiobjectif, contrôle et suivi de données dyna-
de calculs, et enfin à la diffusion d’utilitaires de programmation évo- miques, classification, apprentissage, applications interactives.
lutionnaire (GA-lib lancet.mit.edu/ga/, EO eodev.sourceforge.net/,
EASEA complex.inria.fr/EASEA/).
Le courant américain, initialisé par Holland dans les années 1.2 Notions et vocabulaire de base
soixante, est à l’origine de ce que l’on appelle les Algorithmes
Génétiques (AG) [38]. Bien qu’ils aient été prévus initialement dans L’origine biologique des algorithmes évolutionnaires colore leur
le cadre d’optimisation ou d’adaptations dans le domaine discret, vocabulaire, il mérite ici d’être précisé afin d’éviter toute confusion.
les AG ont été facilement étendus à l’optimisation sur des domai- En effet, comme souvent en pareil cas, ces emprunts de voca-
nes continus [41]. bulaire ont favorisé la dérive (et la simplification parfois abusive !)
de bon nombre de termes.
En Allemagne, sont apparues à peu près en même temps des
méthodes appelées Stratégies d’Évolution (SE) (Rechenberg [71] Les principaux éléments de vocabulaire sont résumés dans le
puis Schwefel [74], voir [37]). Ces méthodes étaient au contraire tableau 1. Les individus représentent des solutions ou des points
prévues initialement pour fonctionner sur des domaines continus, de l’espace de recherche. Cet espace de recherche est appelé
et ont été étendues à des applications en optimisation discrète [74]. environnement, c’est sur cet environnement que l’on cherche à
maximiser une fonction (positive) appelée fonction d’évaluation ou
Ces deux approches ont de nombreux points communs, leurs fitness.Les représentations ou codages (discrets ou continus) des
différences résident principalement dans leurs origines (approche solutions sont appelés chromosomes, et dans le cas de l’AG cano-
continue contre-approche discrète). Le principal reproche que l’on nique, ils sont discrets, binaires et de longueur fixe. On emploie
a pu faire à ces méthodes, par rapport à d’autres méthodes d’opti- aussi le terme de génotype en ce qui concerne les chromosomes,
misation plus classiques, est le manque de résultats théoriques tandis que les solutions (les vecteurs de l’espace de recherche)
généraux de convergence. En effet, la modélisation de ces pro- constituent le phénotype. L’algorithme travaille ainsi au niveau du
cessus stochastiques à base de populations est beaucoup plus génotype, qui à l’aide des opérateurs génétiques induit une topo-
ardue, et il a fallu attendre assez longtemps pour voir établir des logie de recherche dans l’espace phénotypique, et conditionne
théorèmes de convergence convaincants (voir § 3). Un historique l’efficacité de la recherche.
plus complet sur les AG peut se trouver dans [30] ou [19].
L’algorithme évolutionnaire fait évoluer sa population de façon à
■ Parallèlement à des recherches théoriques dont les bases les plus adapter les individus à l’environnement, cela se traduit au sens
solides (les modèles markoviens) n’ont été posées que relativement algorithmique du terme par une maximisation de la fonction
récemment, on s’est intéressé assez vite à d’autres adaptations des d’évaluation sur les individus de la population.
paradigmes naturels. Cela a donné naissance à de nouveaux
modèles d’algorithmes évolutionnaires : implantation de phéno-
mènes biologiques plus évolués comme le partage des ressources
et les niches écologiques (sharing : voir § 4.1), la co-évolution de 2. Programmer et utiliser un
différentes espèces (notions de prédateurs et de proies) [5] [12] [35]
[40] [44] [46] [47] [78] ou la dominance et la diploïdie* [32] [81] . algorithme évolutionnaire
* Pour les AG diploïdes, les représentations chromosomiques (les codes) contiennent
l’information en double (représentation diploïde). Cette particularité permet semble-t-il de
rendre les algorithmes plus robustes, particulièrement en environnement dynamique, grâce
à cette redondance d’information qui lui donne une sorte de « mémoire » à long terme.(0) 2.1 Structure et ingrédients
■ D’autres approches, plus récentes, comme les algorithmes à esti- Les ingrédients de base d’un algorithme évolutionnaire
mation de distributions, correspondent à une interprétation plus sta- « canonique » peuvent être décrits simplement, mais ce que nous
tistique et plus globale des opérateurs génétiques (travaux de présentons ci-dessous doit être compris comme une « recette
Muhlenbein [65], Pelikan et Goldberg [68], Larranaga [52]). de cuisine ». Les applications efficaces à base d’algorithmes
Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur S 7 218 − 3
tiwekacontentpdf_s7218 v1 Ce document a ete delivre pour le compte de 7200055112 - universite paris 7 diderot // 81.194.22.198
Ce document a ete delivre pour le compte de 7200055112 - universite paris 7 diderot // 81.194.22.198
non
cendants sont générés à partir d’une population de µ individus, la
Arrêt de l’évolution ? stratégie « , » consistant à gérer l’élitisme par le biais de la différence
oui µ – λ (on garde les µ – λ meilleurs individus de la population cou-
rante et on complète par les λ descendants), tandis que la stratégie
Extraction des solutions « + » est une version plus adaptative dans sa gestion de l’élitisme :
à partir d’un ensemble intermédiaire de taille µ + λ constitué des µ
Figure 1 – Organigramme de l’algorithme évolutionnaire simple
individus de la population courante et des λ descendants, on sélec-
tionne les µ meilleurs individus de la génération suivante.
Il est aussi possible (dans le cas des implantations parallèles,
notamment) de s’affranchir de la notion de génération, dans un
évolutionnaires sont souvent plus complexes, le problème essen- schéma stationnaire, consistant à produire à chaque itération de
tiel étant d’adapter, de créer même, ses propres opérateurs, pour l’algorithme un ou deux nouveaux individus et à les injecter dans
les faire correspondre aux spécificités du problème. la population courante via une opération de remplacement, ou plus
exactement de « sélection inverse » (déterministe ou aléatoire) de
■ La base d’un algorithme évolutionnaire classique est une boucle façon à remplacer les plus mauvais individus de la population par
générationnelle de populations d’individus (représentés sous forme des nouveaux venus.
discrète ou continue, à l’aide de chromosomes ou gènes) corres-
pondant chacun à une solution au problème considéré (voir [21] [30] ■ Pour que le système fonctionne correctement, il est en outre
[62]). Cela mène au schéma de la figure 1, dont les étapes princi- nécessaire de gérer :
pales sont les suivantes.
● L’initialisation du processus, qui est usuellement faite de façon
Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
S 7 218 − 4 © Techniques de l’Ingénieur
tiwekacontentpdf_s7218 v1 Ce document a ete delivre pour le compte de 7200055112 - universite paris 7 diderot // 81.194.22.198
Ce document a ete delivre pour le compte de 7200055112 - universite paris 7 diderot // 81.194.22.198
Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur S 7 218 − 5
tiwekacontentpdf_s7218 v1 Ce document a ete delivre pour le compte de 7200055112 - universite paris 7 diderot // 81.194.22.198
Ce document a ete delivre pour le compte de 7200055112 - universite paris 7 diderot // 81.194.22.198
L’effet de cet opérateur est de « troubler » la tendance à la La généralisation de ce croisement à un croisement à plus de
concentration induite par la sélection et le croisement, de façon à deux parents, voire même à l’ensemble de la population (croi-
laisser à la population la possibilité de « visiter » d’autres régions sement « global ») est assez directe [75].
de l’espace de recherche. Il a été prouvé que cet opérateur limite
la « dérive génétique » due au processus de sélection élitiste (voir ■ Mutation
par exemple [32]). Beaucoup d’opérateurs de mutation ont été proposés et expé-
La probabilité de mutation reste usuellement très faible et, très rimentés pour la représentation réelle, nous détaillons ci-dessous
souvent, elle est maintenue à une valeur fixée tout au long de les plus classiques.
l’évolution de l’AG. Des schémas génétiques fondés sur une pro- ● La mutation gaussienne consiste à ajouter un bruit gaussien N
babilité de mutation variable, qui décroît au fur et à mesure de aux composantes du vecteur-individu concerné, ce qui implique
l’évolution de l’AG sont aussi utilisés. D’un point de vue théorique, l’ajustement d’un paramètre supplémentaire, σ , la déviation
il a été prouvé qu’un tel AG converge vers l’optimum global de son standard de ce bruit :
espace de recherche pour une taille de population finie, si sa
probabilité de mutation pm (k ) décroît à chaque génération en ∀i ∈ 1, ..., n, x ′i = x i + N ( 0, σ )
respectant la borne minimale [22] :
L’ajustement de σ est relativement complexe (trop petit, il ralentit
1 l’évolution, trop grand, il perturbe la convergence de l’AE), de
– ---------
1 ML
p m ( k ) --- k nombreuses stratégies ont été proposées, consistant à rendre ce
2
Parution : juin 2006 - Dernière validation : mai 2019 - Ce document a ete delivre pour le compte de 7200055112 - universite paris 7 diderot // 81.194.22.198
Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
S 7 218 − 6 © Techniques de l’Ingénieur
tiwekacontentpdf_s7218 v1 Ce document a ete delivre pour le compte de 7200055112 - universite paris 7 diderot // 81.194.22.198
Ce document a ete delivre pour le compte de 7200055112 - universite paris 7 diderot // 81.194.22.198
*
Proportionnel
+ + ... à f (X1)
... X1
cos * 1 x ...
X3
X2
x 2 y
Figure 4 – Un arbre de représentation de la fonction Figure 6 – Sélection proportionnelle : tirage aléatoire uniforme
((cos (x ) + 2 ∗ y ) ∗ (1 + x )) (∗ = multiplication) sur un disque, où chaque solution occupe un secteur
de taille proportionnelle à la valeur de sa fonction d’évaluation
Parution : juin 2006 - Dernière validation : mai 2019 - Ce document a ete delivre pour le compte de 7200055112 - universite paris 7 diderot // 81.194.22.198
Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur S 7 218 − 7
tiwekacontentpdf_s7218 v1 Ce document a ete delivre pour le compte de 7200055112 - universite paris 7 diderot // 81.194.22.198
Ce document a ete delivre pour le compte de 7200055112 - universite paris 7 diderot // 81.194.22.198
où la fonction d’évaluation a des valeurs élevées, avec le risque lorsque l’on joue au jeu du « Master mind ». La formalisation de
cependant d’obtenir une convergence prématurée par perte de cette recherche de similarités entre codes est fondée sur la notion
« diversité génétique » (on dit aussi : par « dérive génétique »). Au de schéma.
contraire la mutation agit comme un opérateur de « dispersion » au En effet, l’évaluation d’un code particulier contribue assez peu à
sein de la population, il est même démontré théoriquement que la comprendre dans quelle direction rechercher un meilleur code,
mutation permet de maintenir la diversité génétique de la popu- même si celui-ci est bon, car cette évaluation n’indique en rien
lation, et ainsi de limiter la dérive génétique. L’efficacité d’un AE est quelle partie a contribué à donner une bonne évaluation. La seule
donc liée au dosage subtil de ces diverses composantes, afin de chose que l’on peut en déduire est que ce ou ces paramètres sont
converger le plus efficacement possible vers l’optimum global de présents dans ce code particulier. On voit donc l’intérêt de traiter
la fonction à optimiser. simultanément une population de codes, pour extraire des
informations liées à la similarité et à la qualité des codes de la
population, et pour guider la recherche future.
3. Aperçu théorique : La théorie des schémas a été développée à l’origine pour les AG
à chaînes binaires, puis a été étendue à d’autres représentations,
pourquoi et comment notamment à la représentation fonctionnelle [69]. Dans le modèle
de représentation binaire, un schéma correspond à un sous-espace
ça marche ? de l’espace de recherche : par exemple, le schéma 01##11#0 repré-
sente l’ensemble des codes binaires de longueur 8 suivant (le
Parution : juin 2006 - Dernière validation : mai 2019 - Ce document a ete delivre pour le compte de 7200055112 - universite paris 7 diderot // 81.194.22.198
Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
S 7 218 − 8 © Techniques de l’Ingénieur
tiwekacontentpdf_s7218 v1 Ce document a ete delivre pour le compte de 7200055112 - universite paris 7 diderot // 81.194.22.198
Ce document a ete delivre pour le compte de 7200055112 - universite paris 7 diderot // 81.194.22.198
Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur S 7 218 − 9
tiwekacontentpdf_s7218 v1 Ce document a ete delivre pour le compte de 7200055112 - universite paris 7 diderot // 81.194.22.198
Ce document a ete delivre pour le compte de 7200055112 - universite paris 7 diderot // 81.194.22.198
Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
S 7 218 − 10 © Techniques de l’Ingénieur
tiwekacontentpdf_s7218 v1 Ce document a ete delivre pour le compte de 7200055112 - universite paris 7 diderot // 81.194.22.198
Ce document a ete delivre pour le compte de 7200055112 - universite paris 7 diderot // 81.194.22.198
Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur S 7 218 − 11
tiwekacontentpdf_s7218 v1 Ce document a ete delivre pour le compte de 7200055112 - universite paris 7 diderot // 81.194.22.198
Ce document a ete delivre pour le compte de 7200055112 - universite paris 7 diderot // 81.194.22.198
Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
S 7 218 − 12 © Techniques de l’Ingénieur
tiwekacontentpdf_s7218 v1 Ce document a ete delivre pour le compte de 7200055112 - universite paris 7 diderot // 81.194.22.198
Ce document a ete delivre pour le compte de 7200055112 - universite paris 7 diderot // 81.194.22.198
La solution au problème d’optimisation multicritère précédent En outre, l’interaction avec l’humain pose plusieurs problèmes,
est donc un ensemble de solutions, formant ce que l’on nomme le que l’on peut lier à ce que l’on appelle le « goulot d’étranglement
front de Pareto, et qui est l’ensemble des solutions non dominées de l’utilisateur » [70], autrement dit la lassitude de celui-ci. Dans de
dans l’espace de recherche. L’idée d’utiliser des AE pour trouver le tels systèmes d’optimisation, il faut trouver des moyens d’éviter
front de Pareto d’un problème multicritère a paru assez naturelle, des interactions répétitives, ennuyeuses ou mal perçues de l’utili-
mais cela nécessite de modifier légèrement le schéma évolution- sateur. Le travail de l’artiste Steven Rooke [72] montre bien par
naire classique. La procédure de sélection doit notamment être exemple la quantité extraordinaire d’interactions nécessaires à
adaptée de façon à pousser la population vers le front de Pareto, l’apparition d’images esthétiques lorsqu’on part d’une « soupe
tout en maintenant une bonne diversité pour assurer un bon primordiale » de composantes primitives. Les techniques actuel-
échantillonnage du front de Pareto (éviter les solutions dégénérées lement employées [8] [70] [82] proposent par exemple :
où toutes les solutions sont concentrées en un seul point du front — de réduire la taille des populations et du nombre de
de Pareto). Une étude comparative des diverses méthodes évo- générations ;
lutionnaires pour l’optimisation multicritère se trouve dans [95]. — de choisir des modèles spécifiques pour contraindre la
recherche dans des zones a priori intéressantes de l’espace de
recherche ;
— de faire de l’apprentissage automatique (fondé sur un nom-
4.4 Approches interactives bre limité de quantités caractéristiques) afin de proposer une pré-
notation automatique des individus et de ne présenter à
Parution : juin 2006 - Dernière validation : mai 2019 - Ce document a ete delivre pour le compte de 7200055112 - universite paris 7 diderot // 81.194.22.198
Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur S 7 218 − 13
tiwekacontentpdf_s7218 v1 Ce document a ete delivre pour le compte de 7200055112 - universite paris 7 diderot // 81.194.22.198
Ce document a ete delivre pour le compte de 7200055112 - universite paris 7 diderot // 81.194.22.198
Dans l’approche parisienne, décrite plus haut, la représentation Les formes fractales sont des objets artistiques attrayants, car
de la solution d’un problème est répartie sur l’ensemble de la elles combinent complexité et structure « hiérarchique » non tri-
population. Cela sert de base à l’algorithme des « mouches, » un viale. La théorie mathématique sous-jacente est assez complexe et
algorithme d’exploration de l’espace des paramètres conçu pour ne permet pas une manipulation directe de ces formes. ArtiE-Fract
les applications de reconnaissance des formes. L’application de est un logiciel interactif élaboré à partir d’un algorithme évolu-
cette méthode au problème de stéréovision permet d’obtenir une tionnaire, de façon à faciliter pour le non-mathématicien et le
analyse 3-D de la scène de manière élégante et rapide, exhibant non-informaticien la création de telles images.
une capacité inattendue des AE à traiter des problèmes en « temps L’utilisateur (l’artiste) contrôle une recherche aléatoire dans
réel » notamment dans les systèmes mobiles robotisés où la puis- l’espace des formes fractales, et l’algorithme évolutionnaire s’efforce
sance de calcul disponible est réduite [55]. de s’approcher de ce que l’utilisateur recherche précisément ou intui-
Une « mouche » est un point 3-D de la scène, codée par ses trois tivement, par le biais de l’analyse des évaluations successives
coordonnées. La population des mouches est initialisée aléatoi- d’ensemble d’images qui lui sont présentées. Cette idée d’approche
rement dans le champ de vision des caméras, puis soumise à un aléatoire évolutionnaire n’est pas neuve, voir par exemple les travaux
Parution : juin 2006 - Dernière validation : mai 2019 - Ce document a ete delivre pour le compte de 7200055112 - universite paris 7 diderot // 81.194.22.198
algorithme d’évolution dont le but est de faire converger le plus de Karl Sims* ou de William Latham** dans le domaine de la
grand nombre possible de mouches sur les surfaces des objets de synthèse graphique.
la scène. Pour cela, le rôle central est joué par la fonction de fitness * http://www.genarts.com/karl
dont le but est d’évaluer, pour chaque mouche, sa conformité aux **Evolutionary Art and Computers, Academic Press, 1992.
données. Dans le cas de l’analyse de couple stéréo, supposant que Cependant ArtiE-Fract permet en plus une interaction directe très
les caméras soient déjà calibrées, est utilisé le fait que si une poussée, grâce aux modèles d’images fractales employés (les
mouche est située sur la surface visible d’un objet, alors ses pro- systèmes de fonctions itérées – ou IFS – non linéaires) de façon à
jections dans les deux images sont deux pixels dont les voisinages autoriser une réelle démarche créatrice. Ainsi, deux modes d’inter-
sont fortement corrélés. Le calcul de la fitness se réduit donc à action sont disponibles à tout moment dans ArtiE-Fract :
deux calculs géométriques (le calcul des projections de la mouche) — une interaction « passive », où l’utilisateur donne des notes
et une corrélation de voisinages. aux images qui lui sont présentées à l’écran (recherche aléatoire
L’algorithme est complété par des opérateurs génétiques de orientée) ;
facture assez classique dans les stratégies d’évolution : mutation — une interaction « directe », où les images peuvent être mani-
adaptative, croisement à deux parents, croisement à trois parents, pulées de façon non triviale : modifiées colorimétriquement ou
ainsi qu’un opérateur de sharing jouant un rôle de régularisation structurellement, ou même distordues géométriquement via des
en empêchant les trop fortes concentrations locales de mouches. points de contrôle. Divers types de morphings et de transfor-
mations sont en outre accessibles, pour créer des animations.
Après les premiers essais sur des couples d’images stéréo
statiques (synthétiques et naturelles), et en vue de l’application L’interaction directe au niveau des phénotypes donne un
robotique, la méthode a été testée avec succès sur des séquences contrôle plus complet à l’utilisateur (l’artiste), de façon à rendre le
stéréo dynamiques, où les mouches jouent le rôle de support de la concept classique d’AE interactif plus souple dans le cadre de la
représentation de l’environnement dans le robot et tirent ainsi parti création artistique. L’idée est d’exploiter les capacités de recherche
efficacement de la continuité temporelle de la scène. Ainsi, il n’est aléatoire d’un EA pour assister l’artiste.
pas nécessaire (ni souhaitable) de réinitialiser la population à Une autre caractéristique d’ArtiE-Fract est la disponibilité d’un
chaque nouvelle image : une fois obtenue la convergence initiale, mode d’évolution parisienne, et à tout instant de l’évolution un
la population de mouches est capable de suivre de manière mécanisme permet de passer du mode parisien au mode global, ce
continue le déplacement relatif des objets dans la scène. De plus, qui donne une grande souplesse dans le contrôle du comportement
la fonction de fitness étant calculée pour chaque mouche à l’aide plus ou moins aléatoire (« mélangeant ») du système.
des données-image disponibles les plus récentes, l’algorithme ArtiE-Fract a été élaboré avec soin pour permettre au designer
n’est pas contraint par le cadencement de la délivrance des images d’utiliser une large variété de stratégies et de paramètres de
par les caméras (algorithme asynchrone), ce qui lui permettra le contrôle prédéfinis, tout en lui laissant la possibilité, s’il le souhaite,
moment venu d’exploiter pleinement l’asynchronisme naturel des de les régler directement lui-même pour ses besoins spécifiques.
imageurs CMOS, contrairement aux algorithmes classiques de ArtiE-Fract donne ainsi un accès souple et convivial à des modèles
stéréovision. classiques de fractales (formes autoaffines) mais aussi et surtout à
Si cette méthode ne prétend pas être aussi performante (du des images fractales peu courantes (des systèmes de fonctions
moins en termes de précision et d’exhaustivité d’analyse) que les itérées non-linéaires)*.
méthodes classiques de stéréovision basées sur une segmentation * http://fractales.inria.fr/ArtiE-Fract
préalable et une mise en correspondance de primitives, elle permet
d’obtenir des résultats immédiats et de qualité progressive même
avec une puissance de calcul réduite, ce qui la rend particulièrement
bien adaptée aux applications en robotique mobile. Elle a été expé- 6. Conclusion
rimentée pour l’évitement d’obstacles en robotique mobile, ce qui
a été l’occasion d’y ajouter plusieurs fonctionnalités :
Mis à part un certain effet de mode, il est actuellement évident
— la fusion de capteurs extéroceptifs, par l’ajout d’un terme sup- que le domaine des algorithmes évolutionnaires est en pleine
plémentaire par capteur dans la fonction de fitness ; expansion tant au niveau théorique qu’au niveau applicatif.
— la fusion de capteurs proprioceptifs (mouvement propre du — Au niveau théorique : un certain nombre de travaux récents,
robot) par mise à jour continue des positions des mouches ; essentiellement en ce qui concerne l’étude de la convergence de
— la génération de commandes d’évitement d’obstacles par ces algorithmes (modélisation par chaînes de Markov), ont permis
adaptation de méthodes classiques de planification (méthodes par de poser des bases plus solides en ce qui concerne les AG, souvent
potentiels) à la représentation particulaire des obstacles. critiquées à cause de leur aspect « empirique ». Ces approches
L’intégration dans un système de navigation en temps-réel d’un fournissent un cadre théorique riche, qui permettra de raffiner bon
robot mobile autonome (Cybercar de l’INRIA) est en cours. nombre d’analyses de convergence et d’efficacité.
Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
S 7 218 − 14 © Techniques de l’Ingénieur
tiwekacontentpdf_s7218 v1 Ce document a ete delivre pour le compte de 7200055112 - universite paris 7 diderot // 81.194.22.198
Ce document a ete delivre pour le compte de 7200055112 - universite paris 7 diderot // 81.194.22.198
Couple stéréo
Initialisation Reconstruction
Évaluation
Paramètres des
caméras
Parution : juin 2006 - Dernière validation : mai 2019 - Ce document a ete delivre pour le compte de 7200055112 - universite paris 7 diderot // 81.194.22.198
Sélection
Paramètres Évolution
génétiques
Figure 11 – L’algorithme des mouches pour la vision stéréo : chaque individu de la population est un point 3D (une « mouche ») l’évolution de
cette population a pour but de positionner les mouches sur les surfaces visibles de la scène
D’un point de vue expérimental, on constate que ces algorithmes L’auteur tient à remercier pour leur aide Messieurs Jean
sont efficaces pour effectuer une recherche au sein d’espaces Louchet et Amine Boumaza, auteurs de la méthode décrite dans
multidimensionnels et irréguliers, en limitant le risque de le paragraphe 5.1, qui m’ont aimablement autorisée à repro-
convergence prématurée. D’un autre côté, vu leur coût calculatoire, duire la figure 13.
Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur S 7 218 − 15
tiwekacontentpdf_s7218 v1 Ce document a ete delivre pour le compte de 7200055112 - universite paris 7 diderot // 81.194.22.198
Ce document a ete delivre pour le compte de 7200055112 - universite paris 7 diderot // 81.194.22.198
Références bibliographiques
[1] Chapter Modelling GA Dynamics, Procee- ring 97, INRIA, Hot Topic Session, Arcachon, [31] GOLDBERG (D.E.) et RICHARDSON (J.). –
dings Theoretical Aspects of Evolutionary France, 25-27 juin 1997. Genetic algorithms with sharing for multimo-
Computing, p. 59-86 (2001). [17] COHOON (J.P.), MARTIN (W.N.) et RICHARDS dal function optimization. In J. J. Grefens-
[2] ALBERT (J.), FERRI (F.), DOMINGO (J.) et (D.S.). – Genetic algorithms and punctuated tette, editor, Genetic Algorithms and their
VINCENS (M.). – An approach to natural equilibria in VLSI. In H. P. Schwefel and A p p l i c a t i o n s , H i l l s d a l e , N e w Je r s e y.
scene segmentation by means of genetic R. Männer, editors, Parallel Problem Solving Lawrence Erlbaum Associates, p. 41-49
algorithms with fuzzy data. In Pattern Reco- from Nature – Proceedings of 1st Workshop, (1987).
gnition and Image Analysis. Selected papers PPSN 1, volume 496 of Lecture Notes in [32] GOLDBERG (D.E.) et SMITH (R.E.). – Nonsta-
of the 4th Spanish Symposium (sept. 90), Computer Science, Dortmund, Germany. tionary function optimization using genetic
Perez de la Blanca Ed., p. 97-113 (1992). Springer-Verlag, Berlin, Germany, p. 134-144, algorithms with dominance and diploidy. In
[3] ALTENBERG (L.). – Evolutionary computation 1-3 oct. 1991. J. J. Grefenstette, editor, Proceedings of the
models from population genetics. part 2 : An [18] COLLET (P.), LUTTON (E.), RAYNAL (F.) et second international conference on genetic
historical toolbox. In Congress on Evolutio- SCHOENAUER (M.). – Polar ifs + parisian algorithms and their applications, Hillsdale,
nary Computation, Tutorial (2000). genetic programming = efficient ifs inverse New Jersey. Lawrence Erlbaum Associates,
problem solving. Genetic Programming and p. 59-68 (1987).
[4] ANGELINE (P.J.). – Evolving fractal movies. In
Genetic Programming 1996 : Proceedings of Evolvable Machines Journal, 1 (4) : 339-361, [33] HAMDA (H.), JOUVE (F.), LUTTON (E.),
the First Annual Conference, John R. Koza oct. 2000. S C H O E N AU E R ( M . ) e t S E B AG ( M . ) . –
Parution : juin 2006 - Dernière validation : mai 2019 - Ce document a ete delivre pour le compte de 7200055112 - universite paris 7 diderot // 81.194.22.198
and David E. Goldberg and David B. Fogel [19] DAVIDOR (Y.). – Robot programming with a Compact unstructured representations in
and Rick L. Riolo (Eds), p. 503-511 (1996). genetic algorithm. In Proceedings of the 1990 evolutionary topological optimum design.
IEEE International Conference on Computer Applied Intelligence, 16 (2002).
[5] ANGELINE (P.J.) et POLLACK (J.B.). – Compe-
titive environments evolve better solutions Systems and Software Engineering, number [34] HILL (A.) et TAYLOR (C.J.). – Model-Based
for complex tasks. In Proceedings of the Fifth Cat. No. 90CH2867-0, Tel-Aviv, Israel, IEEE Image Interpretation using Genetic Algo-
International Conference on Genetic Algo- Computer Society Press, Los Alamitos, CA, rithms. Image and Vision Computing, 10 (5) :
rithms, San Mateo, California, Morgan Kauf- p. 186-191, 8-10 mai 1990. 295-301, juin 1992.
mann (1993). [20] DAVIDOR (Y.). – Genetic Algorithms and [35] HILLIS (W.D.). – Co-evolving parasites
[6] BAECK (T.), HOFFMEISTER (F.) et SCHWEFEL Robotics. A heuristic Strategy for Optimiza- improve simulated evolution as an optimiza-
(H.P.). – A survey of evolution strategies. In tion. World Scientific Series in Robotics and tion procedure. Cambridge, MA, MIT
International Conference on Genetic Algo- Automated Systems – vol 1, World Scientific, Press/North-Holland. (also as Physica D,
rithms, p. 2-10, 13-16 juil. 1991. Teaneck, NJ (1991). vol. 42), p. 228-234 (1990).
[21] DAVIS (L.). – Genetic Algorithms and Simula- [36] HOFFMEISTER (F.) et BÄCK (T.). – Genetic
[7] BAECK (T.) et SCHWEFEL (H.P.). – An over-
ted Annealing. Pittman, London (1987). algorithms and evolution strategies : similari-
view of evolutionary algorithms for parame-
ties and differences. In H. P. Schwefel and
ter optimisation. Technical report. University [22] DAVIS (T.E.) et PRINCIPE (J.C.). – A simulated R. Männer, editors, Parallel Problem Solving
of Dortmund (1992). annealing like convergence theory for the from Nature – Proceedings of 1st Workshop,
[8] BANZHAF (W.). – Handbook of Evolutionary simple genetic algorithm. In Proceedings of PPSN 1, volume 496 of Lecture Notes in
Computation. Chapter Interactive Evolution, the Fourth International Conference on Gene- Computer Science, Dortmund, Germany.
Oxford University Press (1997). tic Algorithm, p. 174-182, 13-16 juil. 1991. Springer-Verlag, Berlin, Germany, p. 455-469,
[9] BEN HAMIDA (S.). – Algorithmes [23] DEB (K.) et GOLDBERG (D.E.). – An investiga- 1-3 oct. 1991.
évolutionnaires : prise en compte des tion of niche and species formation in genetic [37] HOFFMEISTER (F.) et BAECK (T.). – Genetic
contraintes et applications réelles. PhD the- function optimization. In ICGA89, p. 42-50 algorithms and evolution strategies : Simila-
sis, Université Paris-Sud XI, spécialité infor- (1989). rities and differences. Technical Report
matique, 2001, 29 mars 2001. [24] DORIGO (M.) et DI CARO (G.). – The ant SYS-1/92, University of Dortmund, févr. 1992.
[10] BOOKER (L.B.). – Recombination distribu- colony optimization metaheuristic. New [38] HOLLAND (J.H.). – Adaptation in Natural and
tions for genetic algorithms. In FOGA-92, Ideas in Optimization, D. Corne, M. Dorigo Artificial System. Ann Arbor, University of
Foundations of Genetic Algorithms, Vail, and F. Glover, editors, McGraw-Hill, p. 11-32 Michigan Press (1975).
Colorado, Email : booker@mitre.org, (1999).
[39] HORN (J.). – Finite Markov Chain Analysis of
24-29 juil. 1992. [25] DORIGO (M.), DI CARO (G.) et GAMBAR- Genetic Algorithms with Niching. IlliGAL
[11] BOURGINE (P.) et VARELA (F.J.). – Towards a DELLA (L.M.). – Ant Algorithms for discrete Report 93002, University of Illinois at Urbana
practice of autonomous systems. In Towards optimization. Artificial Life, 5 (2) : 137-172 Champaign, Department of General Enginee-
A Practice of Autonomous Systems : Procee- (1999). ring, 117 Transportation Building, 104 South
dings of the First European Conference on [26] FOGEL (D.B.). – An analysis of evolutionary Mathews Avenue, Urbana, IL 61801-2996,
Artificial Life, Paris, France, p. xi-xvii, Edited programming. In D.B. Fogel and W. Atmar, févr. 1993.
by F. J. Varela and P. Bourgine, MIT Press editors, Proceedings of the First Annual [40] HUSBANDS (P.) et MILL (F.). – Simulated
(1991). Conference on Evolutionary Programming, co-evolution as the mechanism for emergent
[12] BULL (L.) et FOGARTY (T.C.). – Co-evolving La Jolla, California, p. 43-51 (1992). planning and scheduling. San Diego, Morgan
communicating classifier systems for trac- [27] FOGEL (D.B.). – Asymptotic convergence pro- Kaufmann Publishers, p. 264-270, 13.-16. juil.
king. Innsbruck, Austria, Springer-Verlag, perties of genetic algorithms and evolutio- 1991.
Wien, p. 522-527, 13-16 avr. 1993. nary programming : Analysis and [41] DE JONG (K.A.). – Analysis of the Behavior of
[13] CERF (R.). – Une théorie asymptotique des experiments. In Journal of Mathematical Bio- a Class of Genetic Adaptive Systems. PhD
Algorithmes Génétiques. PhD thesis, Univer- logy (1992). thesis, University of Michigan, 5140B (1975).
sité Montpellier II (1994). [28] GOERTZEL (B.). – Fractal image compression [42] JULIANY (J.) et VOSE (M.D.). – The genetic
[14] CERF (R.). – Artificial Evolution, European with the genetic algorithm. Complexity Inter- algorithm fractal. Evolutionary Computation,
Conference, AE 95, Brest, France, September national, 1 (1994). 2 (2) : 165-180 (1994).
1995, Selected papers, volume Lecture Notes [29] GOLDBERG (D.E.) et SEGREST (P.). – Finite [43] KAMOHARA (S.), TAKAGI (H.) et TAKEDA (T.).
in Computer Science 1063, chapter Asympto- Markov Chain Analysis of Genetic Algo- – Control rule acquisition for an arm wrest-
tic convergence of genetic algorithms. Sprin- rithms. In Genetic Algorithms and their ling robot. In IEEE Int. Conf. on System, Man
ger Verlag, p. 37-54 (1995). Applications : Proceedings of the Second a n d C y b e r n e t i c s ( S M C ’ 9 7 ), vo l u m e 5 ,
[15] CHAPUIS (J.) et LUTTON (E.). – Artie-fract : International Conference on Genetic Algo- Orlando, FL, USA (1997).
Interactive evolution of fractals. In 4th Inter- rithms, p. 1-8 (1987). [44] KAUFFMAN (S.A.) et JOHNSEN (S.). –
national Conference on Generative Art, [30] GOLDBERG (D.A.). – Genetic Algorithms in Co-evolution to the edge of chaos : Coupled
Milano, Italy, 12-14 déc. 2001. Search, Optimization, and Machine Learning. fitness landscapes, poised states, and
[16] COHEN (N.). – Antennas in chaos : Frac- Addison-Wesley Publishing Company, inc., co-evolutionary avalanches. In A LifeII
tal-element antennas. In Fractals in Enginee- Reading, MA, janv. 1989. conference (1992).
Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
S 7 218 − 16 © Techniques de l’Ingénieur
tiwekacontentpdf_s7218 v1 Ce document a ete delivre pour le compte de 7200055112 - universite paris 7 diderot // 81.194.22.198
Ce document a ete delivre pour le compte de 7200055112 - universite paris 7 diderot // 81.194.22.198
[45] KOZA (J.R.). – Genetic Programming. MIT solution of an inverse problem. Complex Sys- Evolutionary Computation and Its Applica-
Press (1992). tems, 3 : 37-62 (1989). tions, Moscow. Plenary Lecture (1996).
[46] KOZA (J.R.). – Evolution and co-evolution of [61] MAULDIN (M.L.). – Maintening diversity in [78] SIEGEL (E.). – Competitively evolving deci-
computer programs to control independently genetic search. In Proceeding of the National sion trees against fixed training cases for
acting agents. In Proceedings SAB90, Conference on Artificial Intelligence (1984). natural language processing. In Advances in
p. 366-375 (1990). [62] MICHALEWICZ (Z.). – Genetic Algorithms + Genetic Programming, ed. Kim Kinnear,
[47] KOZA (J.R.). – Genetic evolution and co-evol- Data Structures = Evolution Programs. Artifi- Cambridge, MA : MIT Press (1994).
ution of computer programs. In A LifeII cial Intelligence. Springer Verlag, New York [79] SIMS (K.). – Interactive evolution of dynami-
conference, p. 603-629 (1991). (1992). cal systems. In First European Conference on
[48] KRUEGER (M.). – Méthode d’analyse d’algo- Artificial Life, p. 171-178, Paris, déc. 1991.
[63] MITCHELL (M.) et FORREST (S.). – Genetic
rithmes d’optimisation stochastique à l’aide algorithms and artificial life. Artificial Life [80] SIMS (K.). – Artificial evolution for computer
d’algorithmes génétiques. PhD thesis, Télé- (1993). graphics. Computer Graphics, 25 (4) :
com Paris (1993). 319-328, juil. 1991.
[64] MONMARCHE (N.), NOCENT (G.), VENTU-
[49] LANDRIN-SCHWEITZER (Y.) et LUTTON (E.). RINI (G.) et SANTINI (P.). – Artificial Evolution, [81] SMITH (R.E.) et GOLDBERG (D.E.). – Diploidy
– Perturbation theory for evolutionary European Conference, AE 99, Dunkerque, and dominance in artificial genetic search.
algorithms : towards an estimation of France, November 1999, Selected papers. Complex Systems, 6 : 251-285 (1992).
convergence speed. In M. Schoenauer, Volume Lecture Notes in Computer Science [82] TAKAGI (H.). – Interactive evolutionary com-
K. Deb, G. Rudolf, X. Yao, E. Lutton, Merelo. 1829, chapter On Generating HTML Style putation : System optimisation based on
J.J., and H.-P. Schwefel, editors, Parallel Pro- Sheets with an Interactive Genetic Algorithm human subjective evaluation. In IEEE Int.
Parution : juin 2006 - Dernière validation : mai 2019 - Ce document a ete delivre pour le compte de 7200055112 - universite paris 7 diderot // 81.194.22.198
blem Solving from Nature – PPSN VI 6th Based on Gene Frequencies. Springer Verlag Conf. on Intelligent Engineering Systems
International Conference, Paris, France, (1999). (INES’98), Vienna, Austria, 17-19 sept. 1998.
Springer Verlag, LNCS 1917, 16-20 sept. 2000.
[65] MUHLENBEIN (H.) et PAASS (G.). – From [83] TAKAGI (H.) et OHSAKI (M.). – Iec-based hea-
[50] LANDRIN-SCHWEITZER (Y.), COLLET (P.) et recombination of genes to the estimation of ring aids fitting. In IEEE Int. Conf. on System,
LUTTON (E.). – Interactive gp for data retrie- distributions. i. binary parameters. In Parallel Man and Cybernetics (SMC’99), volume 3,
val in medical databases. In EUROGP’03, Problem Solving from Nature (1996). Tokyo, Japan, 12-15 oct. 1999.
LNCS, Springer Verlag (2003).
[66] NETTLETON (D.J.) et GARIGLIANO (R.). – [84] TODD (S.J.P.) et LATHAM (W.). – Evolutionary
[51] LANDRIN-SCHWEITZER (Y.), COLLET (P.), Evolutionary algorithms and a fractal inverse Art and Computers. Academic Press (1992).
LUTTON (E.) et PROST (T.). – Introducing late- problem. Biosystems, 33 : 221-231. Technical
ral thinking in search engines with interactive [85] TROMPETTE (P.), MARCELIN (J.L.) et
note (1994).
evolutionary algorithms. In Annual ACM SCHMELDING (C.). – Optimal damping of vis-
[67] NIX (A.E.) et VOSE (M.D.). – Modelling gene- coelastic constrained beams or plates by use
Symposium on Applied Computing (SAC
tic algorithms with markov chains. Annals of of a genetic algorithm. In IUTAM, Zakopane
2003), Special Track on « Computer Applica-
Mathematics and Artificial Intelligence, 5 (1) : Pologne (1993).
tions in Health Care » (COMPAHEC 2003),
79-88, avr. 1992.
Melbourne, Florida, USA, du 9 au 12 mars [86] TRUVÉ (S.). – Using a genetic algorithm to
2003. [68] PELIKAN (M.), GOLDBERG (D.G.) et LOBO (F.). solve constraint satisfaction problems gene-
– A survey of optimization by building and rated by an image interpreter. In Theory and
[52] LARRANAGA (P.) et LOZANO (J.A.). – Estima-
using probabilistic models. Computational Applications of Image Analysis : 7th Scandi-
tion of Distribution Algorithms : A New Tool
Optimization and Applications, (21) : 5-20, navian Conference on Image Analysis.
for Evolutionary Computation. Kluwer, Bos-
also as IlliGAL Report No 99018 (2002). Aalborg (DK), p. 378-386, août 1991.
ton, MA (2002).
[69] POLI (R.) et LANGDON (W.B.). – Schema [87] LÉVY VÉHEL (J.) et LUTTON (E.). – Optimiza-
[53] LEBLANC (B.) et LUTTON (E.). – Bitwise regu-
theory for genetic programming with tion of fractal functions using genetic algo-
larity and gahardness. In ICEC 98, Anchorage,
one-point crossover and point mutation. Evo- rithms. In Fractal 93, London (1993).
Alaska, 5-9 mai.
lutionary Computation Journal, 6 (3) :
[54] LERICHE (R.) et HAFTKA (R.T.). – Optimization 231-252 (1998). [88] LÉVY VÉHEL (J.), DAOUDI (K.) et LUTTON
of laminate stacking sequence for buckling (E.). – Fractal modelling of speech signals.
[70] POLI (R.) et CAGNONI (S.). – Genetic pro- Fractals, 2 (3) : 379-382, sept. 1994.
load maximization by genetic algorithm.
gramming with user-driven selection : Expe-
AIAA Journal, 31 (5) : 951-969, mai 1993. [89] VENCES (L.) et RUDOMIN (I.). – Fractal
riments on the evolution of algorithms for
[55] LOUCHET (J.), GUYON (M.), LESOT (M.-J.) et compression of single images and image
image enhancement. In 2nd Annual Conf. on
BOUMAZA (A.). – Dynamic flies : a new pat- sequences using genetic algorithms. The
Genetic Programming (1997).
tern recognition tool applied to stereo Eurographics Association (1994).
[71] RECHENBERG (I.). – Evolutionsstrategie :
sequence processing. Pattern Recognition [90] LÉVY VÉHEL (J.), LUTTON (E.) et TRICOT (C.)
Optimierung Technicher System nach Prinzi-
Letter s, No 23, Elsevier Science BV (Eds). – Fractals in Engineering : From Theory
pien der Biologischen Evolution. Fromman
pp. 335-345 (2002). to Industrial Applications. Springer Verlag.
Holzboog, Stuttgart (1973).
[56] LUTTON (E.) et LÉVY VÉHEL (J.). – Hölder ISBN 3-540-76182-9 (1997).
[72] ROOKE (S.). – The evolutionary art of steven
functions and deception of genetic algo- [91] VOSE (M.). – Modelling simple genetic algo-
rooke.
rithms. IEEE transactions on Evolutionary rithms. In FOGA-92, Foundations of Genetic
http://www.azstarnet.com/~srooke/
computation, 2 (2) : 56-72, juin 1998. Algorithms, Vail, Colorado, 24-29 juil. 1992.
[57] LUTTON (E.), LÉVY VÉHEL (J.), CRETIN (G.), [73] ROTH (G.) et LEVINE (M.D.). – Geometric pri- Email : vose@cs.utk.edu
GLEVAREC (P.) et ROLL (C.). – Mixed ifs : reso- mitive extraction using a genetic algorithm.
[92] VRSCAY (E.R.). – Fractal Geometry and Ana-
lution of the inverse problem using genetic In IEEE Computer Society Conference on CV
lysis, chapter Iterated function Systems :
p r o g r a m m i n g . C o m p l e x Sy s t e m s , 9 : and PR, p. 640-644 (1992).
theory, applications and the inverse problem,
375-398, (see also Inria Research Report [74] SCHWEFEL (H.P.). – Evolutionsstrategie und p. 405-468 (1991).
No 2631) (1995). numerische Optimierung. PhD thesis, Tech-
[93] VRSCAY (R.). – Moment and collage methods
[58] LUTTON (E.) et MARTINEZ (P.). – Détection de nische Universität, Berlin, mai 1975.
for the inver se problem of fractal
primitives géométriques bidimensionnelles [75] SCHWEFEL (H.-P.). – Numerical optimization construction with iterated function systems.
dans les images à l’aide d’un algorithme of computer models. John Wiley & sons, New In Fractal 90 Conference. Lisbonne, 6-8 juin
génétique. In Évolution Artificielle, 94, Tou- York, 1995 2nd edition (1981). 1990.
louse, France, 19-23 sept. 1994. [76] SHAPIRO (J.L.) et PRÜGEL-BENNETT (A.). – [94] WILSON (S.T.). – Knowledge Growth in an
[59] LÉVY VÉHEL (J.) et LUTTON (E.). – Evolutio- Maximum entropy analysis of genetic algo- Artificial Animal. In Fir st International
nary signal enhancement based on hölder rithm operators. Lecture Notes in Computer Conference on Genetic Algorithms. Pittsburg,
regularity analysis. In EVO-IASP 2001 Works- Science, 993 : 14-24 (1995). p. 16-23 (1985).
hop, Artificial Evolution in Image Analysis [77] SHAPIRO (J.L.), RATTRAY (M.) et [95] ZITZLER (E.), DEB (K.) et THIELE (L.). –
and Signal Processing (2001). PRÜGEL-BENNETT (A.). – The statistical Comparison of multiobjective evolutionary
[60] MANTICA (G.) et SLOAN (A.). – Chaotic opti- mechanics theory of genetic algorithm dyna- algorithms : Empirical results. Evolutionary
mization and the construction of fractals : mics. In First International Conference on Computation, 8 (2) : 173-195 (2000).
Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur S 7 218 − 17
tiwekacontentpdf_s7218 v1 Ce document a ete delivre pour le compte de 7200055112 - universite paris 7 diderot // 81.194.22.198
GAGNEZ DU TEMPS ET SÉCURISEZ VOS PROJETS
EN UTILISANT UNE SOURCE ACTUALISÉE ET FIABLE
RÉDIGÉE ET VALIDÉE MISE À JOUR 100 % COMPATIBLE SERVICES INCLUS
PAR DES EXPERTS PERMANENTE SUR TOUS SUPPORTS DANS CHAQUE OFFRE
NUMÉRIQUES
www.techniques-ingenieur.fr
CONTACT : Tél. : + 33 (0)1 53 35 20 20 - Fax : +33 (0)1 53 26 79 18 - E-mail : infos.clients@teching.com
LES AVANTAGES ET SERVICES
compris dans les offres Techniques de l’Ingénieur
ACCÈS
SERVICES ET OUTILS PRATIQUES
Archives Impression à la demande Alertes actualisations
Technologies anciennes et versions Commandez les éditions papier Recevez par email toutes les nouveautés
antérieures des articles de vos ressources documentaires de vos ressources documentaires
*Questions aux experts est un service réservé aux entreprises, non proposé dans les offres écoles, universités ou pour tout autre organisme de formation.
www.techniques-ingenieur.fr
CONTACT : Tél. : + 33 (0)1 53 35 20 20 - Fax : +33 (0)1 53 26 79 18 - E-mail : infos.clients@teching.com