Académique Documents
Professionnel Documents
Culture Documents
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
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.
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 :
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 :
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
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.