Académique Documents
Professionnel Documents
Culture Documents
Faculté de Mathématiques
Filière : Recherche Opérationnelle
Présenté par :
• AIT AISSI Ouardia Février 2021 Chargé du module :Pr.HAMDI
• HADDALENE Saliha
1
Plan de travail
Introduction.
L’ALGORITHME GÉNÉTIQUE.
Les opérateurs évolutionnaires.
Application de l’algorithme au problème d’identification .
Simulation.
Conclusion.
2
Introduction:
Le monde tel qu’on le connait est rempli de phénomènes lié aux temps . En
statistique , l’une des méthodes souvent utilisées est celle des séries chronologie .A
l’aide d’un modèle, il est possible de faire des réductions sur les évènements du
futur.
Dès lors ,dans l’article Eugene Ursu et Kamil Feridun Turkman ont proposé une
nouvelle procédure automatique au problème de sélection de modèle, basée sur
l’un des nouveaux outils d’optimisation statistique en utilisant l’algorithme
génétique . Le critère d’information bayésien est utilisé comme un outil pour iden-
tifier l’ordre du modèle PAR.
Modèle autorégressif périodique
3
•permettant
Les modèles PAR étend la définition des modèle AR en
aux paramètres AR de varies avec la saison . Le
processus est un processus PAR
•l’identification
Divers critères de sélection utilisant BIC peuvent être utilisés pour
du modèle PAR. Une manière possible consiste à utiliser le
critère de sélection BIC est de séparé pour chacune des composantes
saisonnières . les ordres autorégressifs pour chaque saison sont obtenus en
minimisant un critère de type BIC . En utilisant l’idée de Mcleod (1994), ce
critère peut être factorisé saison par saison :
Remarques
•mécanismes
L’algorithme génétique (AG) est un algorithme de recherche basé sur les
de la sélection naturelle et de la génétique inspiré de Darwin. Il
combine une stratégie de ”survie des plus forts” avec un échange
d’information aléatoire mais structuré. En outre , on part avec une population
de taille de solutions potentielles (chromosomes) initiales arbitraire ment
choisies .On évalue leur performance (fitness) relative .Codé comme une
chaîne binaire de longueur L
Codage et initialisation
Évaluation
Sélection
Croisement
Mutation
Remarque :
000001100000000
9
•chromosomes
L’implémentation de l’AG commence par une population initiale de
générés au hasard . Nous évaluons chaque chromosome au
moyen d’une fonction à valeur réelle positive appelée fonction de fitness qui
mesure la qualité de la solution. Notre choix est le critère d’information
bayésien ( BIC) donné dans(3).Un problème fréquent avec ce choix est que le
critère proposé doit être minimisé, donc ne peut pas être implémenté
directement en tant que fonction de fitness (qui doit être maximisé). Puisque
le BIC donné(3)peut être négatif, alors on optera pour une simple
transformation linéaire .
tournoi (celui avec la meilleure condition physique) est sélectionné pour faire partie d’une
nouvelle population, qui remplace la population précédente. Chaque individu peut être
uniforme avec =0, 8 s’est avéré adéquat, La probabilité de mutation est généralement
supposée faible, souvent prise dans l’intervalle(0, 001 0, 1). Des valeurs plus élevées
transforment l’AG en une recherche aléatoire. Nous avons choisi Pm=0, 01.Nous arrêtons la
Remarque
La stratégie élitiste est appliquée pour éviter que les meilleurs
individus ne soient pas sélectionné alors les meilleurs 5 pour
cent sont directement reproduit à l’identique.
Simulation 12
Tableau 1
Tableau 2
Tableau 3
14
Nous examinons l’algorithme de sélection pour différentes longueurs : 200 observations
par saison pour DGP1 et DGP2 et 500 observations par saison pour DGP3 . Pour les trois
modèles, les Nous ordres par saison varient de 0 à 15, conduisant à un chromosome de
longueur L=15. La taille de la population , Np , est choisie dans l’ensemble{20, 40} le nombre
maximum autorisé de générations Ng est égal à 25, 50 ou 100 et le nombre d’individus élites
est de 1. Pour chaque Np et Ng indiqués ci-dessus l’algorithme de sélection est appliqué à
100 indépendantes simulations . Les moyennes empiriques lorsque le vrai modèle est détecté
sont données dans le tableau 4. Trois statistiques sont utilisées pour résumer le résultat:
q1 est la proportion de simulations dans lesquelles le vrai modèle est détecté , q2 est la
proportion de simulations dans lesquelles le chromosome diffère de la vraie chaîne en un
point (cela signifie qu’au plus un décalage inexistant a été inclus ou un décalage existant a été
exclu) et q3 est la proportion des cas restants, à savoir la proportion de simulations dans
lesquelles le chromosome détecté diffère de la vraie chaîne en au moins deux points.
Les performances de l’AG sont assez satisfaisantes, avec un taux élevé d’identification
correcte. Le taux d’identification correcte dépend clairement de Np, et de cette étude de
simulation limitée, on a puis obtenir d’excellents résultats. Le temps de calcul total est
également raisonnable selon la taille de la population Np et le nombre de générations Ng.
15
Tableau 4
16
Conclusion
Dans cet article, ils ont utilisé l’AG comme méthode pour identifier le
sous-ensemble de processus PAR .C’est une nouvelle méthode de sélection
proposée pour la classe des modèles PAR . les expériences de simulation ont
montré la vitesse à laquelle cette méthode automatique identifie correctement
le bon modèle .
Merci POUR votre
attention