Vous êtes sur la page 1sur 33
Algorithme du génétique -Bentaleb Adil -Laalej Ahmed -Mestour Zouhir -Tarchi Abdelmajid -Toto Chadi

Algorithme du

génétique

Algorithme du génétique -Bentaleb Adil -Laalej Ahmed -Mestour Zouhir -Tarchi Abdelmajid -Toto Chadi

-Bentaleb Adil

-Laalej Ahmed

-Mestour Zouhir -Tarchi Abdelmajid -Toto Chadi

Algorithme du génétique -Bentaleb Adil -Laalej Ahmed -Mestour Zouhir -Tarchi Abdelmajid -Toto Chadi
PLAN :
PLAN :

Introduction Algorithme du génétique Exemple de maximisation Problème du voyageur de commerce Application : Intelligence Artificielle

PLAN : • Introduction • Algorithme du génétique • Exemple de maximisation • Problème du voyageur

Introduction

Introduction
Définition ◂
Définition

Les algorithmes génétiques sont des techniques

informatiques fondés sur les principes de l’évolution

Les AGs ont été initialement développés par John Holland (1975),il décrit comment appliquer les

principes de la théorie d’évolution naturel sur les

problèmes d’optimisation.

Définition ◂ Les algorithmes génétiques sont des techniques informatiques fondés sur les principes de l’évolution ◂
◂

Domaine D’applications

Optimisation des fonctions numériques difficiles .

Traitement d’image. Optimisation d’emplois du temps. Optimisation de design. Controle des systèmes industriels . TSP ( problème du voyageur de commerce).

◂ Domaine D’applications Optimisation des fonctions numériques difficiles . ◂ ◂ ◂ ◂ ◂ T raitement
◂

Principe générale

Un algorithme génétique recherche les extrema

d’une fonction définie sur un espace de données appelé population initiale. Par analogie avec la génétique, chaque individu de cette population est un chromosome et chaque caractéristique de l’individu est un gène.

On part avec une population de solutions potentielles initiales , on évalue leur performance (fitness).

◂ Principe générale Un algorithme génétique recherche les extrema d’une fonction définie sur un espace de
◂

Principe générale

Sur la base des ces performance on crée une nouvelle population de solutions potentielles en utilisant des opérateurs évolutionnaires simples (la sélection, croisement et la mutation).

On recommence ce cycle jusqu’à ce que l’on trouve une solution optimale.

◂ Principe générale Sur la base des ces performance on crée une nouvelle population de solutions

Algorithme du

génétique.

Algorithme du génétique.
Type de codage  Codage binaire Chaque chromosome est représenté par une série de bit (1
Type de codage
Codage binaire
Chaque chromosome est représenté par une série de bit (1 ou 0).
Codage de permutation:

Dans le codage de permutation, si le chromosome contient n gènes, l'ensemble des gènes contient une et une seule fois toutes les valeurs entières de 1 à n.

Type de codage  Codage binaire Chaque chromosome est représenté par une série de bit (1
 

Schéma de Goldberg

INITIALISATION :

Générer une population initiale P o de N individus.

SELECTION:

Sélectionner N/2 couples d’individus dans la population P n-1 .

CROISEMENT:

Tout couple d’individus est :

-Avec la probabilité p c remplacé par un nouveau couple d’individus. -Avec la probabilité 1-p c conservé.

MUTATION :

Tout individus :

-Avec la probabilité p m subit une mutation. -Avec la probabilité 1-p m conservé.

ARRET:

on reprend en b- jusqu’à avoir effectué un nombre donné d'itérations (variantes possible : autre condition d'arrêt, voir plus loin).

  Schéma de Goldberg INITIALISATION : Générer une population initiale P de N individus. SELECTION
◂

Sélection (La technique de la roulette)

On attribue à chaque individu d'une population une probabilité d'être reproduit qui est proportionnelle à sa force. Si la force est une valeur entière, cela revient à avoir sur une roulette un nombre de cases qui correspond à la force.

◂ Sélection (La technique de la roulette) On attribue à chaque individu d'une population une probabilité
Sélection (La technique de la roulette)

Sélection (La technique de la roulette)

Sélection (La technique de la roulette)
Sélection (La technique de la roulette)
CROISEMENT (Simple à un point) ◂ ◂ Un point de croisement est choisi, par exemple de

CROISEMENT (Simple à un point)

CROISEMENT (Simple à un point) ◂ ◂ Un point de croisement est choisi, par exemple de

Un point de croisement est choisi, par exemple de manière aléatoire. Il est matérialisé sur l'exemple par une barre verticale rose.

Les gènes du père qui se trouvent avant le point de croisement (coloriés en vert)

sont placés au début du fils.

Les gènes de la mère qui se trouvent avant le point de croisement (coloriés en bleu) sont placés au début de la fille.

CROISEMENT (Simple à un point) ◂ ◂ Un point de croisement est choisi, par exemple de

Les gènes du père qui se trouvent après le point de croisement (coloriés en vert) sont placés à la fin de la fille.

Les gènes de la mère qui se trouvent après le point de croisement (coloriés en bleu) sont placés à la fin du fils.

CROISEMENT (point multiple) ◂ Le croisement à point multiple est une généralisation du croisement à un

CROISEMENT (point multiple)

CROISEMENT (point multiple) ◂ Le croisement à point multiple est une généralisation du croisement à un

Le croisement à point multiple est une généralisation du croisement à un point il suffit juste de permuter les saignements entre les deux points.

CROISEMENT (point multiple) ◂ Le croisement à point multiple est une généralisation du croisement à un
◂

CROISEMENT (Codage de permutation)

Un point de croisement est choisie aléatoirement

,jusqu’à ce point les valeurs du premier parent sont copié a l’enfant , puis le deuxième parent est

scanner et si une valeur ne se trouve pas dans

l’enfant sera ajouté .

◂ CROISEMENT (Codage de permutation) Un point de croisement est choisie aléatoirement ,jusqu’ à ce point
◂ CROISEMENT (Codage de permutation) Un point de croisement est choisie aléatoirement ,jusqu’ à ce point
Mutation ◂
Mutation

Son but est d’introduire un nouveau matériel génétique(génome).C’est une assurance contre la perte irréversible du matériel génétique. Permet d’atteindre la propriétés de l’ergodicité. L'ergodicité est une propriété garantissant que chaque point

de l'espace de recherche puisse être atteint.)Le changement de la valeur allélique d’un gène a une probabilité P m très faible (entre 0.001 et 0.1)

Mutation ◂ Son but est d’introduire un nouveau matériel génétique(génome).C’est une assurance contre la perte irréversible
Mutation  BIT FLIP:
Mutation
BIT FLIP:

Cette méthode est utilisé seulement pour un codage binaire . Il s’agit de

changer le 1 en 0 et vice versa.

Mutation  BIT FLIP: Cette méthode est utilisé seulement pour un codage binaire . Il s’agit
  • CODAGE DE PERMUTATION : La mutation permute deux gènes d’un chromosome.

Mutation  BIT FLIP: Cette méthode est utilisé seulement pour un codage binaire . Il s’agit
Critère d’ arret Détermine quand le processus génétique arrête d’évoluer : ◂ Nombre maximale de génération

Critère d’arret

Détermine quand le processus génétique arrête d’évoluer :

Nombre maximale de génération

L’algorithme arrête quand un nombre de génération est atteint.

Temps écoulé

L’algorithme arrête quand un temps spécifique s’écoule.

Pas de changement de la performance(fitness)

Critère d’ arret Détermine quand le processus génétique arrête d’évoluer : ◂ Nombre maximale de génération

L’algorithme arrête s’il n’ y a pas un changement de la fonction fitness d’une population pour un nombre de génération spécifier.

Exemple de

maximisation

Exemple de maximisation
Enoncé
Enoncé

Trouvons le maximum de la fonction (15x x 2 ) avec 1x15 et xN. Les chromosomes seront construit donc de 4 bits.

Enoncé Trouvons le maximum de la fonction (15x – x ) avec 1 ≤ x ≤
Restriction -Supposons que la taille de notre population est N=6. -Soit la probabilité de croissement P

Restriction

-Supposons que la taille de notre population est N=6. -Soit la probabilité de croissement P c = 0,7 . -Soit la probabilité de mutation P m = 0,001 . -La fonction fitness dans notre exemple est définie par :

f(x) = 15x x 2

Restriction -Supposons que la taille de notre population est N=6. -Soit la probabilité de croissement P
◂

Initialisation

On crée une population initial généré aléatoirement de six entier composé de

4bits :

◂ Initialisation On crée une population initial généré aléatoirement de six entier composé de 4bits :
◂ Initialisation On crée une population initial généré aléatoirement de six entier composé de 4bits :
Sélection
Sélection
Croisement

Croisement

Croisement
Croisement • Après la sélection et le croisement , la moyenne de notre fonction fitness a

Croisement

Après la sélection et le croisement , la moyenne de notre fonction fitness a augmenté

de

36 à 42.

Croisement • Après la sélection et le croisement , la moyenne de notre fonction fitness a
Mutation •
Mutation

La mutation , chose qui est rare dans la nature

représente un changement dans les gènes qui

par conséquence peut améliorer la fonction fitness . Par contre , le plus souvent la mutation cause le résultat inverse.

Mutation • La mutation , chose qui est rare dans la nature représente un changement dans
Mutation
Mutation
Nouvelle Génération

Nouvelle Génération

Nouvelle Génération
◂

Résultat final

Après plusieurs itération ( probablement des centaines) , notre population évolue

vers la solution la plus optimal.

Dans notre exemple , la population final consistera juste des chromosomes

0111 ,1000 La fitness maximal serait donc f(x)=56

◂ Résultat final Après plusieurs itération ( probablement des centaines) , notre population évolue vers la

Problème du

voyageur de

commerce

Problème du voyageur de commerce
◂

Introduction

Le problème du voyageur de commerce consiste, étant donné un ensemble de villes séparées par des distances données, à trouver le plus court chemin qui relie toutes les villes et retourner à la ville de départ .tel que chaque ville n’est visiter qu’une fois

Il s'agit d'un problème d'optimisation pour lequel

on ne connait pas d'algorithme permettant de trouver une solution exacte en un temps polynomial.

◂ Introduction Le problème du voyageur de commerce consiste, étant donné un ensemble de villes séparées
Enoncé ◂
Enoncé

On se propose de résoudre le problème de

voyageur de commerce par un AG .On cherche à déterminer le plus court chemin Hamiltonien passant par les villes : Agadir,

Casablanca, Fès, Marrakech, Meknès, Rabat,

Tanger.

Enoncé ◂ On se propose de résoudre le problème de voyageur de commerce par un AG

Application :

Intelligence

artificiel

Application : Intelligence artificiel