Programmation évolutionnaire[modifier | modifier le code]
Historiquement, ces algorithmes étaient conçus pour des problèmes d'apprentissage à partir d'automates à états finis et n'utilisaient que des opérateurs de mutation et de remplacement. Cependant, aujourd'hui ils ne se limitent plus à une représentation, mais n'utilisent toujours pas d'opérateur de croisement. Ils diffèrent des stratégies d'évolution en ce qu'ils privilégient des opérateurs de remplacement stochastiques.
Article détaillé : Programmation évolutionnaire.
Algorithmes génétiques[modifier | modifier le code]
Les algorithmes génétiques sont les plus populaires des algorithmes évolutionnaires. Ils différencient explicitement le génotype du phénotype, le génotype étant généralement codé de façon binaire. Le choix du codage du génotype (la façon dont il est relié au phénotype) est crucial pour un algorithme génétique. Classiquement, ils utilisent un opérateur de sélection proportionnel, un remplacement générationnel et l'opérateur de croisement est l'opérateur principal. Des algorithmes évolutionnaires utilisant d'autres représentations et opérateurs sont souvent appelés algorithmes génétiques, bien que les spécialistes évitent cet abus de langage.
Article détaillé : Algorithme génétique.
Programmation génétique[modifier | modifier le code]
Ces algorithmes utilisent une représentation en arbres d'expressions logiques, du fait qu'ils sont historiquement appliqués à l'apprentissage statistique et la modélisation. Ils utilisent pour ce faire le même algorithme de base que les algorithmes génétiques. Cependant, la programmation génétique s'intéresse spécifiquement à la construction automatique de programmes.
Article détaillé : Programmation génétique.
Algorithmes à estimation de distribution[modifier | modifier le code]
Contrairement aux algorithmes évolutionnaires « classiques », le cœur de ces méthodes consiste à estimer les relations entre les différentes variables d'un problème d'optimisation, grâce à l'estimation d'une distribution de probabilité, associée à chaque point de l'échantillon. Ils n'emploient donc pas d'opérateurs de croisement ou de mutation, l'échantillon étant directement construit à partir des paramètres de distribution, estimés à l'itération précédente.
Article détaillé : Algorithme à estimation de distribution.
Historique[modifier | modifier le code]
Chronologie des principales métaheuristiques, le nom est indiqué suivi de l’acronyme anglais entre parenthèses.
• 1952 : premiers travaux sur l’utilisation de méthodes stochastiques pour l’optimisation6.
• 1954 : Barricelli effectue les premières simulations du processus d’évolution et les utilise sur des problèmes d’optimisation généraux7. • 1965 : Rechenberg conçoit le premier algorithme utilisant des stratégies d’évolution2. • 1966 : Fogel, Owens et Walsh proposent la programmation évolutionnaire3. • 1970 : John Horton Conway conçoit le jeu de la vie, l’automate cellulaire le plus connu à ce jour. • 1975 : travaillant sur les automates cellulaires, Holland propose les premiers algorithmes génétiques3. • 1980 : Smith utilise la programmation génétique 8. • 1986 : Farmer, Packard et Perelson travaillent sur les systèmes immunitaire artificiels9. • 1988 : la première conférence sur les algorithmes génétiques est organisée à l’université de l’Illinois à Urbana-Champaign. • 1988 : Koza dépose son premier brevet sur la programmation génétique10. • 1989 : Goldberg publie un des livres les plus connus sur les algorithmes génétiques3. • 1989 : Evolver, le premier logiciel d’optimisation par algorithmes génétiques est publié par la société Axcelis. • 1989 : le terme algorithme mémétique apparait11. • 1993 : le terme « Evolutionary Computation » (« calcul évolutionnaire » en français) se répand, avec la parution de la revue éponyme, publiée par le Massachusetts Institute of Technology. • 1996 : Mühlenbein et Paaß proposent les algorithmes à estimation de distribution12. • 1997 : Storn et Price proposent un algorithme à évolution différentielle13. • 2000 : premiers algorithmes génétiques interactifs14.
