1

 Depuis le début de la vie l'être humain cherche la

perfection dans sont travail, pour ce la les
scientifiques invente les méthodes d’optimisation pour
obtenir les bons résultats dans tout les domaines. Ces
méthodes en pour objectif de donner les optimums
parmi l’ensemble de solution possible .
 Les algorithmes génétiques font parti de ces méthodes.

2
 Les algorithmes génétiques (AG) sont des méthodes utilisées dans
les problèmes d’optimisation. Les AG tirent leur nom de
l’évolution biologique des êtres vivants dans le monde réel
 Les algorithmes génétiques fournissent des solutions aux
problèmes n'ayant pas de solutions calculables en temps
raisonnable de façon analytique ou algorithmique.
Selon cette méthode, des milliers de solutions (génotypes) plus
ou moins bonnes sont crées au hasard puis sont soumises à un
procédé d'évaluation de la pertinence de la solution mimant
l'évolution des espèces : les plus "adaptés", c'est-à-dire les
solutions au problème qui sont les plus optimales.
• Les algorithmes génétiques sont basés sur trois éléments
principaux : la sélection, le croisement et la mutation.
• Dans la littérature on parle alors d’opérateurs de reproduction.

3
 Les AG cherchent une représentation codée dans l’espace
des solutions et non pas directement dans le domaine
original.
 Les AG utilisent un espace de recherche plus vaste, limité
par la taille de la population.
 Les AG utilisent des règles de transition probabiliste et non
déterministes (pseudo aléatoires).
 Les AG n’utilisent que les valeurs de la fonction à optimiser,
pas sa dérivée ou une autre connaissance auxiliaire.

4
5
➢ 1860 >Charles Darwin et l’origine des espèces.
➢ 19 ème siècle > Mise en évidence de l'existence. de
mutations génétiques.
➢ 1966 >Programmation évolutionnaire (Fogel).
➢ 1975 >1er modèle formel de AG (J.Holland).
➢ Années 90 >Création de GAlib. Librairie en
C++contenant des outils pour les problèmes
d’optimisation à base d’AG.

6
 a- INITIALISATION :
Générer une population initiale Po de N individus.
 b- ÉVALUATION :
Évaluer la "force" de tout individu de la population.
 c- SÉLECTION :
Sélectionner N/2 couples d'individus dans la population .
 d- CROISEMENT : tout couple d'individus est
- avec la probabilité pc remplacé par un nouveau couple d'individus
obtenu en lui appliquant un opérateur génétique de croisement,
 e- MUTATION :tout individu
- avec la probabilité pm subit une mutation,
f- ARRÊT :
on reprend en b- jusqu'à avoir effectué un nombre donné d'itérations
(variantes possible : autre condition d'arrêt, voir plus loin).
 g- RESULTAT :
Un des chromosomes qui a la meilleure force.

8
Organigramme d’un Population de Base
algorithme génétique.

Evaluation

Sélection
Non

Terminé Croisement et
? Mutation

Oui => Résultat

atteint 9
L’idée fondamentale est la suivante : le pool génétique d’une
population donnée contient potentiellement la solution, ou
plutôt une meilleure solution, à un problème adaptatif donné.
Cette solution n’est pas exprimée car la combinaison
génétique sur laquelle elle repose est dispersée chez plusieurs
individus. Ce n’est que par l’association de ces combinaisons
génétiques au cours des croisements entre individus que la
solution pourra s’exprimer.
Les individus générés aléatoirement représentent donc chacun
un chromosome, chacun composé de gènes codés en binaire.
Les croisements entre chromosomes permettent d’échanger
les gènes et donc de créer des individus nouveaux. Ces
croisements se font de manière aléatoire, mais de façon à
permettre la convergence vers une solution optimale.
10
 Cette étape consiste à générer une population constituée de « n
» individus, chaque Individu représente une ou une partie de
la solution. La représentation de chaque individu suit un
codage particulier, le plus communément utilisé est le codage
binaire. Les individus sont aussi appelés chromosomes et leur
représentation est un ensemble de gènes.

Représentation
génétique

11
Les éléments d'une population sont appelés des individus ou
des chromosomes ou des génotypes

Représentation génétique
✓Le processus de l’optimisation par AG commence par choisir
aléatoirement dans l’espace de recherche un nombre fini
d’individus qui vont constituer la population initiale.
12
a- Le codage
Le codage des variables est une étape importante dans l'optimisation
des algorithmes génétiques. A chaque paramètre, on doit faire
correspondre à un gène .
1/Le codage binaire:
Le gène est codé par un caractère binaire, 0 ou 1. C’est le plus
courant.

2/Le codage réel: cela peut-être utile notamment dans le cas où

l'on recherche le maximum d'une fonction réelle.
3/Codage Gray:
• En codage binaire deux éléments voisin (en
distance de Hamming) ne codent pas toujours
deux solutions proche.
• En codage gray, on évite cet inconvénient .
• La distance de Hamming entre deux
éléments n et n + 1 (voisins dans l’espace
de recherche) est 1.
Un opérateur d'évaluation, qui mesure l'adaptation des individus aux
conditions imposées, et qui dépend donc du problème à traiter;
normalement, cette évaluation est faite à l'aide d'une fonction
d'adaptation (fitness) qui mesure la qualité de l'individu comme
solution au problème;

oFonction de fitness (évaluation) :

Fonction qui détermine la qualité d’un individu notée f
Pour n individus :

avec i de 1 à n .

F = ∑ f(xi)
On appelle force ou fitness une valeur calculée associée à chaque
chromosome.
14
 La sélection est chargée de définir quels seront les individus
de population P qui vont être dupliqués dans la nouvelle
population P' et vont servir de parents (application de
l'opérateur de croisement). . En règle générale, la probabilité
de survie d’un individu sera directement reliée à son
efficacité relative au sein de la population.
 Il y’ a plusieurs méthodes de sélection, citons quelques-
unes :
➢ La sélection par roulette,
➢ La sélection universelle stochastique (sélection par rang),
➢ La sélection par tournois,
➢ La sélection Elitiste.

15
 C’est la sélection naturelle la plus employée pour l’AG binaire.
Chaque chromosome occupe un secteur de roulette dont l’angle est
proportionnel à son indice de qualité. Un chromosome est
considéré comme bon aura un indice de qualité élevé, un large
secteur de roulette et alors il aura plus de chance d’être sélectionné.
 chaque individu a une chance d'être sélectionné proportionnelle à
sa performance.

16
Cette méthode de sélection est divisée en deux étapes. Tout d’abord, il
faut ranger les individus par ordre croissant(ou décroissant) de
performance. Ensuite, une procédure de sélection permet d’attribuer
une probabilité de sélection en fonction du rang, Pour désigner quels
individus seront choisis, cette méthode utilise 𝑵sel pointeur
simultanément, où Nsel correspond au nombre de sélection requise.
Ces pointeurs se positionnent aléatoirement dans l’intervalle
C/ La méthode par tournoi :

 Choisir aléatoirement deux individus et on compare leur

fonction d’adaptation (combattre) et on accepte la plus adapte
pour accéder à la génération intermédiaire, et on répète cette
opération jusqu'à remplir la génération intermédiaire (N/2
composants). Les individus qui gagnent à chaque fois on peut
les copier plusieurs fois ce qui favorisera la continuité de leurs
gènes.

 Elle consiste à copier un ou plusieurs des meilleurs chromosomes

dans la nouvelle génération. Ensuite, on génère le reste de la
population selon l'algorithme de reproduction usuel.
 Cette méthode améliore considérablement les algorithmes
génétiques, car elle permet de ne pas perdre les meilleures
solutions.

18
 à partir de deux chromosomes le croisement produit deux
nouveaux chromosomes incorporant chacun du matériel génétique
pris dans le patrimoine initial.
 Il y a plusieurs méthodes de sélection, citons quelques-unes :

Les deux chaînes initiales vont être divisées en deux. La première

partie de la première chaîne sera associée à la seconde partie de la
seconde chaîne et inversement, deux nouveaux individus sont
ainsi obtenus résultant d’un croisement entre les deux chaînes
initiales.

19
Le principe est assez proche de croisement simple point, à cette
différence qu’il y a deux points de séparation des chaînes, la
chaîne initiale est divisée en 3 parties et la combinaison de ces
3parties permet d’obtenir deux nouvelles chaîne

4.3/Les croisements uniformes :

Cet opérateur combine deux chromosomes selon une chaîne
binaire aléatoire. A chaque position, les bits correspondants des
parents sont échangés si la chaîne aléatoire contient un « l » à
cette position. Si le bit aléatoire est « 0 », il n’y a pas d’échange.
20
21
opérateur d'importance secondaire, mais qui permet
d'éviter une convergence prématurée vers un maximum
local, en maintenant une diversité de solution. Pour
l'appliquer, choisir au hasard un bit du chromosome et
modifier sa valeur. Les probabilités de l'ordre de 0,01 à
0,03 sont généralement choisies.

22
• Après ces diverses opérations génétiques, un nouvel
ensemble de variables est obtenu. A ces nouveaux individus,
la fonction d’adaptation F est appliquée pour déterminer le
maximum. L’AG travaille par générations successives
jusqu’à ce qu’un critère d’arrêt soit vérifié. Ce critère d’arrêt
peut être de nature diverse :
➢ la nième génération est atteinte ;
➢ le meilleur élément de la dernière génération a atteint un
seuil de qualité fixé au départ ;
➢ aucune évolution du meilleur individu n’est perceptible
après un nombre donné de générations.

23
❑ en robotique: où l'on s'intéresse aux MOBOTS (MObile roBOTS)
qui doivent pouvoir se mouvoir et agir dans des environnements
inconnus, variables (programmation génétique, systèmes de
classeurs) ;
❑ en physique et en ingénierie : en tant que méthode d'optimisation
pour les problèmes réels complexes (pour l'optimisation de
structures par exemple) ;
❑ en économie : pour la modélisation de comportements d'agents
par exemple; en traitement d'images, du signal, pour détecter des
formes caractéristiques, problème que l'on peut soit comprendre
comme une optimisation, soit comme une application de règles
de décision (SC);
❑ en théorie des graphes et théorie des jeux : le problème du
voyageur de commerce, notamment a beaucoup intéressé les
chercheurs.

24
❖ Nécessite beaucoup de temps de calcul.
❖ Ils sont le plus souvent difficiles à mettre en œuvre .
❖ Impossible d'être assuré que la solution trouvée est la
meilleure.
❖ Problème de convergence vers un optimum local, si
celui si est le plus majoritaire.