Ia Algo Evol Comp 2p

Intelligence Artificielle
Chap. 2 : Algorithmes génétiques

C. Bertelle
LIH - Laboratoire d’Informatique du Havre
M1-Math-Info Le Havre
0-0
C. Bertelle - LIH
Plan
1. Algorithmes g´
en´
etiques
egies e´volutives
2. Strat´
3. Classifieurs g´
en´
etiques
4. Le modèle ECHO de J. Holland
1- M1 Math-Info - IA - Chap.2 : Algorithmes génétiques

C. Bertelle - LIH
Références bibliographiques
• J.H. Holland “Hidden order : how adaptation builds
complexity” , Perseus books, 1995.
• J.C. Heudin “La vie artificielle”, Hermès, 1994.

• D.E. Goldberg “Genetic algorithms”, Addison-Wesley,
1989.
• Ph. Preux “Les algorithmes évolutifs”, rapport de
recherche LIL-94-1 (ftp://ftp-lil.univ-
littoral.fr/pub/users/preux/paper/lil-94-1.ps.gz).
C. Bertelle - LIH
• Echo : www.santafe.edu/projects/echo/echo.html
• B.Cuvelier, Ph. Preux et C. Cambier “Studying adaptation
with Echo”, rapport de recherche LIL (ftp://ftp-lil.univ-
littoral.fr/pub/users/preux/paper/eca197.ps.gz).

C. Bertelle - LIH
Introduction : les systèmes évolutifs

S’inspire du Néo-Darwinisme, synthèse de la th´ eorie de la
s´
election naturelle (Darwin) et de la th´
eorie de l’h´
er´
edit´
e
(Mendel) :
• Evolution : r´
esultat d’une alt´
eration progressive des êtres
vivants au cours des gén´
erations ;
• Reproduction bas´ ee sur le caractère g´
en´
etique qui subit au
cours des gén´
erations des recombinaisons et des
mutations ;
• M´
ecanisme de s´
election naturelle.
C. Bertelle - LIH
Une des caract´ eristiques du vivant : les individus n’ont pas e´t´
e
“programm´ es” pour r´
epondre à un problème spécifique, mais
ils e´voluent en s’adaptant à leur environnement.
Objectif : construire des systèmes informatiques sur la base de

ce modèle.

C. Bertelle - LIH
2.1 Algorithmes génétiques

Principe
La propri´
et´
e d’adaptation des individus s’interprète comme une
recherche d’optimum d’une fonction (la survie).
Principe : On génère initialement un grand nombre d’individus
(ou solutions) et l’algorithme les fait e´volu´
es en 3 phases :
1. Reproduction
2. Croisement
3. Mutation
Le processus de sélection est bas´
e sur une fonction
d’´
evaluation (ou fonction objectif) qui correspond à une
C. Bertelle - LIH
performance de l’individu. On en d´ eduit une probabilité pour

chaque individu de se reproduire ou de g´ enérer des clônes
(cette probabilit´
e s’appelle fitness).
Finalement, ce processus contribue à produire une population
ayant une meilleure adaptabilit´
e (convergence vers l’optimum).

C. Bertelle - LIH
Algorithmes génétiques
Formalisation
• Les individus sont repr´ esent´
es par des chromosomes
constitu´
es d’allèles (chromosome = chaı̂ne d’informations
sur un alphabet fini).
C. Bertelle - LIH
Un chromosome :
Reproduction/clonage :
Croisement :
Mutation :

C. Bertelle - LIH
Exemple de base
• Population totale possible : nombre compris entre 0 et 31
en codage binaire sur 5 bits (00000 à 11111).
• Problème : On recherche le maximum de la fonction
f (x) = x2 sur cet ensemble.
C. Bertelle - LIH
• Population initiale constitu´

ee de 4 individus choisis
arbitrairement :
13 de code 01101
24 de code 11000
8 de code 01000
19 de code 10011
• Fonction de performance pour chaque individu :
correspond à f (x) = x2 . On en d´
eduit la fonction fitness
qui est une r´
epartition par pourcentage de ces
performances :

C. Bertelle - LIH
Individu performance fitness

13 169 0,14
24 576 0,49
8 64 0,06
19 361 0,31
• Reproduction : on tire au hasard 4 nouvelles chaı̂nes
parmis les existentes en tenant compte de la valeur de
r´
epartition. On obtient, par exemple : 13, 24, 24 et 19.
C. Bertelle - LIH
• Croisement : on prend les individus 2 par 2. On coupe les

chromosomes à une position aléatoire et on croise les
parties coup´
ees

 13 : 0110k1 & % 01100 : 12
 24 : 1100k0 % & 11001 : 21

 24 : 11k000 & % 11011 : 27
 19 : 10k011 % & 10000 : 16

C. Bertelle - LIH
• Mutation : on opère par tirage al´ eatoire à partir d’une

probabilit´
e de mutation d´ efinie initialement. On prend ici
0,05 donc sur les 20 bits des 4 chromosomes, on suppose
qu’eun seul allèle a e´t´
e s´
electionné et mute.
12 : 01100 → 01000 : 8
• La nouvelle g´ enération est donc : 8, 21, 27, 16. Si on

somme les performances, on obtient 1490 au lieu de 1170
à la g´
en´
eration pr´
ecédente
C. Bertelle - LIH
Améliorations possibles
Les am´
eliorations possibles peuvent être nombreuses ...
• Autres opérateurs que le croisement et la mutation :
inversion de sous-chaı̂nes, croisement à partir d’un masque
binaire (dont les valeurs indiquent les positions de
croisement), etc ...
• Variante inspir´ eorie des niches ećologiques et
ee de la th´
des espèces : on conserve en partie la population de la
g´
en´
eration précédente.

C. Bertelle - LIH
• Pr´
eselection : un enfant remplace un parent si sa
performance est meilleure, sinon le parent reste.
• Conservation et sélection d’individus suivant des critères
de similarit´
es entre eux.
• ...
C. Bertelle - LIH
2.2 Stratégies évolutives

D’après Ingo Rechenberge (Allemagne). Assez voisins des
algorithmes g´ en´
etiques (J. Holland / USA), les diff´
erences
essentielles sont :
• Les individus ne sont pas cod´
es par des chromosomes mais
par des valeurs r´
eelles ;
• Moins d’al´
eatoire : la reproduction est d´
eterministe ;
• L’opérateur de mutation agit principalement et l’op´
erateur
de croisement est moins important : il agit simplement
pour assurer une diversit´
e suffisante.

C. Bertelle - LIH
2.3 Classifieurs génétiques

Système capables d’apprendre des règles pour optimiser leurs
performances dans un environnement perçu sous forme de
messages.
Il est constitu´
e de 3 parties principales :
• Un système de règles ;
• Un système d’attribution de cr´
edit ;
• Un algorithme g´
en´
etique.
C. Bertelle - LIH
Classifieurs génétiques
Système de règles
Une règle peut s’´
ecrire sous la forme :
<cond> : <resultat>
exemple :
01#0 : 0111
• S´
election d’un message binaire de 4 bits commençant par
01 et se terminant par 0 ;
• Si acceptation d’un message, on renvoie le message 0111 .

C. Bertelle - LIH
Système d’attribution de crédits
Système de comp´ etition entre les règles qui possèdent chacune
un cr´
edit variable. Lorsqu’un message arrive :
• Les règles qui peuvent le s´
electionner font une offre
proportionnelle à leur cr´
edit actuel ;
• Le système d’attribution s´
electionne les règles qui offrent
le plus et les active ;
• Une règle activ´
ee renvoie son message de résultat et offre
une r´
ecompense correspondant à son cr´ edit pour les règles
qui auront s´
electionnées son message e´mis.
C. Bertelle - LIH
Algorithme génétique
• Un algorithme g´
en´
etique est mis en place sur la population
des règles ;
• La fonction de performance est directement le cr´

edit
associ´
e à chaque règle ;
• On sélectionne, reproduit, croise et fait muter les règles les
plus performantes.

C. Bertelle - LIH
schéma de fonctionnement d’un classifieur

génétique
Entrées Messages
+ Liste de messages
Récompenses
Attribut
de
crédit
Sortie
Règles
Algorithme
génétique
C. Bertelle - LIH
2.4 Le modèle Echo de J. Holland

• Ensemble d’agents situ´
es dans un environnement nutritif ;
• Comportement des agents d´
eduit de leur g´
enomes ;
• Interactions entre agents de nature vari´
ee : reproduction,
comp´ etition, coop´
eration ;
• Performance/fitness des agents : leur capacit´
e de survie.

C. Bertelle - LIH
Echo - Caractéristiques
• Temps discret et monde repr´
esent´
e par une grille torique ;
• Déplacement possible d’un agent dans une case voisine à
chaque pas de temps ;
• Interactions possibles entre agents que s’ils sont sur des
cases voisines ;
• Les comportements des agents sont contrôl´
es par des
gènes sp´
ecifiques appel´
es conditions ;
• Les agents ont des signes ext´ erieurs apparents ou “tags”
esentatifs de leur e´tat social. Ces tags sont repr´
repr´ esent´
es
par des gènes sp´
ecifiques ;
C. Bertelle - LIH
• Reproductions sexuelles ou asexuelles permettant

l’´
evolution du g´
enotype ;
• Chaque site produit une quantit´ e de ressources sp´ ecifiques
à chaque pas de temps. Il y a 4 vari´ et´
es de ressources : a,
b, c et d sur lesquelles est bas´
ee la survie de chaque agent ;
Ce sont les “mol´ ecules” de base du monde Echo. Elles
sont les constituants du g´ enôme des agents et forment pour
cela des chaı̂nes (simple chaı̂nage, pas de r´ eaction
chimique). Il n’y a pas d’interaction entre les gènes d’un
génôme.

C. Bertelle - LIH
Echo - Agents
es de 2 e´l´
Contitu´ ements :
1. Chromosome codant le comportement et l’apparence (tag)
des agents : ce sont des chaı̂nes de ressources (appel´
es
aussi nucléotide) ;
2. Un r´
eservoir de ressources stock´
ees dans chaque agent.
C. Bertelle - LIH
Condition de combat abbc

Condition d’échange bccd
Condition d’accouplement cc
Ressource Tag d’attaque ba

Réservoir
d’échange Tag de défense cda
c
a d Tag d’accouplement dd
d b
b c d
c
Masque de prélèvement
1001

C. Bertelle - LIH
Echo - Chromosomes d’un agent

Contitu´
es de 8 gènes au total
• 3 gènes de tag : tag d’attaque, tag de d´
efense et tag
d’accouplement ;
• 3 gènes de conditions (comportementales et sociales) :

condition de combat, condition de n´
egociation et condition
d’accouplement ;
C. Bertelle - LIH
• 2 gènes de tags pour les ećhanges de ressources :

– Ressources d’´
echanges : type de ressource que peut
donner l’agent à un autre au cours d’une n´
egociation ;
– Masque de prélèvement : masque binaire d’un bit par
type de ressources. Une ressource peut être acquise
dans l’environnement que si le bit correspondant vaut
1.
D’autres possibilit´
es d’´
echanges de ressources : suite à un
combat ou par transmission filiale.

C. Bertelle - LIH
Echo - Auto-reproduction
Lorsque la quantit´
e de ressources du r´
eservoir de l’agent est
suffisamment importante,
• il y a g´
en´
eration d’un clône auquel on transmet une
quantité des ressources ;
• le chromosome du clône est obtenu par copie + mutation.
C. Bertelle - LIH
Echo - Mutation
Dans Echo, les mutations agissent sur les gènes.
Sur les tags et les conditions, 3 types de mutation sont permis :
• suppression du dernier nucl´

eotide du gène ;
• insertion d’un nucl´
eotide à la fin du gène ;
• modification d’un nucl´
eotide dans le gène.
Sur les ressources d’´
echanges, seule la modification est
permise. Sur le masque de pr´ elèvement, la mutation
correspond à la modification d’un bit.

C. Bertelle - LIH
Echo - Interactions entre les agents

Elles sont contrôl´
ees par les tags et les conditions. Deux agents
proches peuvent interagir :
• par indiff´
erence ;
• par ećhange ;
• par reproduction et g´
en´
eration de nouvels agents avec
croisements gén´
etiques.
Les interactions sont contrôl´
ees par un m´
ecanisme de pr´ efixe :
elles ne peuvent se produire que si la condition est le pr´
efixe du
tag associ´
e.
C. Bertelle - LIH
Agent A Agent B
Condition de combat : ab Tag d’attaque : abb
Tag d’attaque : bcd Condition d’´
echange : b
Condition d’´
echange : ab Tag d’attaque : abb
Tag d’accoupl. : dcd Condition d’accoupl. : dc
Condition d’accoupl. : a Tag d’accoupl. : adb
• L’agent A peut attaquer l’agent B ;
• Les deux agents peuvent proc´

eder à des ećhanges ;
• Les deux agents peuvent s’accoupler.

C. Bertelle - LIH
Echo - Combat
• Les combats se produisent si les conditions sont r´
ealis´
ees
et avec une certaine probabilit´
e;
• Dans le cas d’un combat, on compare 1 à 1 les nucl´ eotides
du tag d’attaque d’un agent avec le tag de défense de
l’autre afin d’obtenir un score. La probabilit´
e d’être le
vainqueur correspond au rapport de son score sur la
somme des 2 scores.
• Le vainqueur remporte toutes les ressources du vaincu, y
compris celles qui constituent son g´
enôme. Le vaincu est
retir´
e du monde.
C. Bertelle - LIH
Echo - Accouplement
Reproduction par croisement de deux sous-chaı̂nes :

 agent A : abkbcbdkcd & % abkbdkcd
 agent B : bkbdkca % & bkbcbdkca
Les longueurs des gènes des ressources d’´

echange et du
masque de pr´
elèvement doivent être constantes.

C. Bertelle - LIH
Echo - Cycle de base

1. interaction entre des agents s´
electionn´
es ;
2. alimentation des agents par distribution des ressources de
l’environnement ;
3. mort accidentelle des agents ;
4. renouvellement des ressources de l’environnement.

Ia Algo Evol Comp 2p

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Ia Algo Evol Comp 2p

Transféré par

Droits d'auteur :

Formats disponibles

Intelligence Artificielle

Chap. 2 : Algorithmes génétiques

4. Le modèle ECHO de J. Holland

1- M1 Math-Info - IA - Chap.2 : Algorithmes g´en´etiques

• J.C. Heudin “La vie artificielle”, Hermès, 1994.

2- M1 Math-Info - IA - Chap.2 : Algorithmes g´en´etiques

3- M1 Math-Info - IA - Chap.2 : Algorithmes g´en´etiques

Introduction : les systèmes évolutifs

4- M1 Math-Info - IA - Chap.2 : Algorithmes g´en´etiques

Objectif : construire des systèmes informatiques sur la base de

5- M1 Math-Info - IA - Chap.2 : Algorithmes g´en´etiques

2.1 Algorithmes génétiques

6- M1 Math-Info - IA - Chap.2 : Algorithmes g´en´etiques

performance de l’individu. On en d´ eduit une probabilit´e pour

7- M1 Math-Info - IA - Chap.2 : Algorithmes g´en´etiques

8- M1 Math-Info - IA - Chap.2 : Algorithmes g´en´etiques

9- M1 Math-Info - IA - Chap.2 : Algorithmes g´en´etiques

10- M1 Math-Info - IA - Chap.2 : Algorithmes g´en´etiques

• Population initiale constitu´

11- M1 Math-Info - IA - Chap.2 : Algorithmes g´en´etiques

Individu performance fitness

12- M1 Math-Info - IA - Chap.2 : Algorithmes g´en´etiques

• Croisement : on prend les individus 2 par 2. On coupe les

13- M1 Math-Info - IA - Chap.2 : Algorithmes g´en´etiques

• Mutation : on opère par tirage al´ eatoire à partir d’une

• La nouvelle g´ en´eration est donc : 8, 21, 27, 16. Si on

14- M1 Math-Info - IA - Chap.2 : Algorithmes g´en´etiques

15- M1 Math-Info - IA - Chap.2 : Algorithmes g´en´etiques

16- M1 Math-Info - IA - Chap.2 : Algorithmes g´en´etiques

2.2 Stratégies évolutives

17- M1 Math-Info - IA - Chap.2 : Algorithmes g´en´etiques

2.3 Classifieurs génétiques

18- M1 Math-Info - IA - Chap.2 : Algorithmes g´en´etiques

19- M1 Math-Info - IA - Chap.2 : Algorithmes g´en´etiques

20- M1 Math-Info - IA - Chap.2 : Algorithmes g´en´etiques

• La fonction de performance est directement le cr´

21- M1 Math-Info - IA - Chap.2 : Algorithmes g´en´etiques

schéma de fonctionnement d’un classifieur

22- M1 Math-Info - IA - Chap.2 : Algorithmes g´en´etiques

2.4 Le modèle Echo de J. Holland

23- M1 Math-Info - IA - Chap.2 : Algorithmes g´en´etiques

24- M1 Math-Info - IA - Chap.2 : Algorithmes g´en´etiques

• Reproductions sexuelles ou asexuelles permettant

25- M1 Math-Info - IA - Chap.2 : Algorithmes g´en´etiques

26- M1 Math-Info - IA - Chap.2 : Algorithmes g´en´etiques

Condition de combat abbc

Ressource Tag d’attaque ba

27- M1 Math-Info - IA - Chap.2 : Algorithmes g´en´etiques

Echo - Chromosomes d’un agent

• 3 gènes de conditions (comportementales et sociales) :

28- M1 Math-Info - IA - Chap.2 : Algorithmes g´en´etiques

• 2 gènes de tags pour les e´changes de ressources :

29- M1 Math-Info - IA - Chap.2 : Algorithmes g´en´etiques

30- M1 Math-Info - IA - Chap.2 : Algorithmes g´en´etiques

Sur les tags et les conditions, 3 types de mutation sont permis :

• suppression du dernier nucl´

31- M1 Math-Info - IA - Chap.2 : Algorithmes g´en´etiques

Echo - Interactions entre les agents

32- M1 Math-Info - IA - Chap.2 : Algorithmes g´en´etiques

• Les deux agents peuvent proc´

33- M1 Math-Info - IA - Chap.2 : Algorithmes g´en´etiques

34- M1 Math-Info - IA - Chap.2 : Algorithmes g´en´etiques

Les longueurs des gènes des ressources d’´