Académique Documents
Professionnel Documents
Culture Documents
1. Introduction
اﻟﻣدرﺳـــﺔ اﻟوطﻧﯾــــّﺔ ﻟﻠﻣﮭﻧدﺳﯾــــن ﺑﺳوﺳـــﺔ Les algorithmes génétiques (AG) représentent une famille d’algorithmes d’optimisation
École Nationale d’Ingénieurs de Sousse stochastique fondés sur les mécanismes de la sélection naturelle et de la génétique où les
individus les plus adaptés peuvent survivre et se reproduire facilement que les autres.
Les AG fonctionnent avec une population regroupant un ensemble d’individus appelés
chromosomes.
Chapitre 2 :
Les Algorithmes génétiques
Anouar Ben Khalifa A chaque individu est attribué une valeur calculée par une fonction appelée fonction
AU: 2019/2020 d’adaptation ou fitness.
TASI ABK-Eniso 2
1. Introduction 1. Introduction
Les AG utilisent des opérateurs génétiques de reproduction (sélection, croisement et on cherche à maximiser la fonction f(x) ci-dessous :
mutation) qui permettent une évolution de la population à travers un ensemble de
f(x)
après N générations :
générations.
Exemple :
Population initiale
....
Générations N
13 24 8 19
La population est formée d’individus (chromosomes). La taille constante de la population La fonction d’évaluation ou d’adaptation (fitness) fi associe un coût à chaque chromosome.
induit un phénomène de compétition entre les individus. La solution optimale du problème est obtenue à partir de la fonction d’évaluation du
La population initiale est générée aléatoirement ou bien à partir de solution déjà existantes chromosome.
pour accélérer la convergence de l’algorithme. Dans le cas d’un problème de minimisation, la solution est associée à la plus petite valeur
trouvée de la fonction d’adaptation calculée pour chaque individu de la population.
La représentation de la population initiale P est :
Dans le cas d’une maximisation, alors la valeur la plus grande de la fonction sera prise en
P = (C1, C2, C3,……, Ci ,………, Ctaille_pop )
compte.
où Ci représente le ième chromosome dans la population et taille_pop représente le
nombre de chromosomes dans la population. La fonction d’adaptation peut être soit mono-critère ou multi-critère.
Chromosomes
Une fonction d’adaptation mono-critère signifie que la fonction dépend d’un seul objectif.
Exemple : Une fonction d’adaptation multicritère doit satisfaire plusieurs objectifs et elle représente
C1 5 19 14 20 une combinaison de plusieurs fonctions objectives.
… … … … … Il existe plusieurs types de fonctions d’évaluation multi-objectifs définies comme étant la
Population
Ci 10 2 15 13
somme pondérée ou le produit des fonctions objectives
… … … … …
Ctaille_pop 10 15 22 19
TASI ABK-Eniso 7 TASI ABK-Eniso 8
14/02/2020
4. Méthodes de sélection :
Sélection uniforme :
C’est une technique consiste à sélectionner un individu Ci aléatoirement de la population P.
Pour générer de nouveaux descendants (enfants), des
La probabilité pi pour qu’un individu soit sélectionné est définie par : p 1
parents sont sélectionnés puis des opérations génétiques i
taille _ pop
leur sont appliquées. Pour sélectionner les meilleurs Sélection par la Méthode de la roulette :
Pour chaque chromosome i on calcule son degré d’adaptation fi et on lui attribue une
chromosomes dans une population, il existe plusieurs
probabilité de survie pi définie par : fi
techniques : pi taille _ pop
j 1
fj
Sélection par tournoi :
Chaque individu de la population P occupe une section de la roue proportionnelle à son
Deux individus sont choisis au hasard, on compare leurs fonctions d’adaptation et on
adaptation. Lors de la phase de sélection, les individus sont sélectionnés en respectant les
récupère celui dont la valeur de la fonction d’adaptation est la plus élevée.
probabilités pi associées pour former la population de la nouvelle génération
24 11000 × 11001 25
8 01000 × 11011 27
C’= (c’1 , c’2 , … , c’i , … , c’L ) b est un paramètre choisi par l’utilisateur.
A). Mutation aléatoire : Cette technique s’applique sur des gènes dont la représentation est réelle.
Dans le cas binaire, si la valeur du gène à muter est égale à 1 alors elle est inversée à 0 et si
la valeur du gène est égale à 0 alors elle est inversée à 1.
La position du gène qui doit subir la mutation est déterminée aléatoirement.
TASI ABK-Eniso 19