Les Algorithmes Génétiques

Présenté par :
Kebbab Abdellah Anes
Henien-Djelloul-Sayah Kada Ilies
Chellali Chawki
Belhadj Bachir
Algorithmes Génétiques
1.Généralités
 Lesalgorithmes génétiques appartient a la
famille des algorithmes évolutionnistes.
 Utilisentla notion de sélection naturelle sur une
population de solutions potentielles.
 Initialement
introduit de manière formelle par
John Holland [1975] puis vulgariser par
Goldberg [1989].
Algorithmes Génétiques
1.Généralités
 On simule l’évolution d’une population d’individus
divers (Tirée aléatoirement au début).
 On applique les différents opérateurs (croissement,
mutations…) et on fait une sélection à chaque
génération.
 La population tend à s’améliorer, si la sélection
s’opère à partir de la fonction d’adaptation.
 L’algorithme ne nécessite aucune connaissance du
problème.
Algorithmes Génétiques
2.L’Algorithme

Organigramme d’un Population de Base

algorithme génétique.

Evaluation

Sélection
Non

Terminé ? Croisement et Mutation

Oui => Résultat atteint

Algorithmes Génétiques
2.L’Algorithme
 Pour utiliser les AG, on doit disposer des cinq éléments
suivants:

 Un principe de codage des éléments de la population

 Un mécanisme de génération de la population
initiale.
 Une fonction à optimiser.
 Des opérateurs permettant de diversifier la
population.
 Des paramètres de dimensionnement.
Algorithmes Génétiques
3.Terminologie

 Les chromosomes sont des

chaînes d'ADN.
 L'élément de base des
chromosomes est un gène.
 La position d'un gène sur le
chromosome est son locus.
 L'ensemble des gènes d'un
individu est son génotype.
 l'ensemble du patrimoine
génétique d'une espèce est le
génome.
 Les différentes versions d'un
même gène sont appelées allèles.
Algorithmes Génétiques
3.Terminologie

Population

Individus

Chromosomes

Gènes

Les 5 niveaux
d’organisation Bits
dans un AG
Algorithmes Génétiques
4.Codage des Solutions (individus)
 Chaque paramètre d'une solution est assimilé à un
gène.
 Les valeurs qu’il prend sont les allèles de ce gène.
 Onpeut regrouper les paramètres similaire dans le
même chromosome.
 Chaque individu est représenté par un ensemble de
chromosomes.
 Une population est un ensemble d'individus.
 Ilfaut trouver une manière de coder chaque allèle
différent de façon unique.
Algorithmes Génétiques
4.Codage des Solutions (individus)
 Codage Binaire
 Son principe est de coder la solution selon une chaîne de
bits (0 et 1)
 Exemple :
o un gène est codée sur 32 bit (entier long),
o un chromosome est représenté par un tableaux de gènes.
o un individu est représenté par un tableau de
chromosomes.

0 1 1 1 0 1 1 1 0 0

Un gène sur 10 bits

Algorithmes Génétiques
4.Codage des Solutions (individus)
 Codage réel
 Chaque chromosome est représenté par une série de valeurs
quelconque, du contexte de problème.
556 59.12 456 18.33 661

 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.
Algorithmes Génétiques
5.Les Operateurs Génétiques
La Sélection

 Fondé sur la théorie de sélection naturelle.

 Elle définit quels seront les individus de P qui vont être
dupliqués dans la nouvelle population P‘.
 les individus les plus aptes à répondre à certains critères
seront sélectionnés.
 Si n est le nombre d'individus de P, on doit en sélectionner
n/2.
Algorithmes Génétiques
5.Les Operateurs Génétiques
Méthodes de Sélection
 Méthode de la "loterie biaisée" (roulette Wheel)
 chaque individu a une chance d'être sélectionné
proportionnelle à sa performance.
 La Méthode élitiste
 On trie de manière décroissante la population P selon la
fitness de ses individus.
 On prend les n meilleurs individus.
 La Sélection par Tournois
 On effectue un tirage avec remise de deux individus de P, et
on les fait "combattre".
 Celui qui a la fitness la plus élevée l'emporte avec une
probabilité p comprise entre 0.5 et 1, et on répètent n fois.
Algorithmes Génétiques
5.Les Operateurs Génétiques
Méthodes de Sélection

 La Sélection Universelle Stochastique

 On prend l'image d'un segment découpé en autant de
sous-segments qu'il y a d'individus.
 Les individus sélectionnés sont désignés par un ensemble
de points équidistants.
Algorithmes Génétiques
5.Les Operateurs Génétiques
Le Croissement (Crossover)

 Il consiste à combiner deux individus quelconques (dits

parents) pour en ressortir deux autres individus (dits
enfants).
 On coupent en un ou plusieurs points deux individus (aux
mêmes endroits dans les deux individus) et on échangent les
parties situées entre ces points.
Algorithmes Génétiques
5.Les Operateurs Génétiques
Types de Croisement

 Croisement en un point
 on choisit au hasard un point de croisement, pour chaque
couple (le croissement s’effectue au niveau binaire).
 Exemple:
Algorithmes Génétiques
5.Les Operateurs Génétiques
Types de Croisement

 Croisement en deux points

 On choisit au hasard deux points de croisement.
 Exemple:
Algorithmes Génétiques
5.Les Operateurs Génétiques
Types de Croisement

 Croisement Uniforme
 On définit un « Masque » de manière aléatoire, de même
longueur que les chromosomes parents.
 Pour un locus, si le locus du masque est 0 il hérite du parent
1, si 1 il hérite du parent 2, et de manière symétrique pour le
deuxième fils.
Algorithmes Génétiques
5.Les Operateurs Génétiques
Types de Croisement

 Croisement Uniforme
Algorithmes Génétiques
5.Les Operateurs Génétiques
La Mutation

 La modification aléatoire d’un paramètre du dispositif

(l’inversion d’un bit dans un chromosome).
 Les mutations empêchent l’évolution de se figer.
 Probabilité de mutation pm est très faible, comprise entre 0.01 et
0.001.
Algorithmes Génétiques
5.Les Operateurs Génétiques
Le Remplacement
 Réintroduit les descendants (P’) obtenus par application successive
des opérateurs génétiques précédents, dans la population de leurs
parents (P).
Méthodes de remplacement
 Le remplacement stationnaire
 les enfants remplacent automatiquement les parents sans tenir
compte de leurs performances respectives.
 Le remplacement élitiste
 on garde au moins l'individu possédant les meilleures
performances d'une génération à la suivante.
Algorithmes Génétiques
6.Les Paramètres d’un AG
La Taille de la population

 Si elle est grande

 La diversité augmente.
 La convergence vers un optimum local diminue.
 Si elle est petite
 La probabilité de s’attarder. sur des minima locaux est
grande.
 Selon le cas, elle est entre 25 et 100.
Algorithmes Génétiques
6.Les Paramètres d’un AG
Le Taux de Croisement
 L’opérateur de croisement est appliqué avec une probabilité Pc.
 Plus le taux est élevé plus de nouveau individus sont introduits.
 En général, Pc varie entre 0.25 et 0.70.

Le Taux de Mutation
 L’opérateur de mutation est appliqué avec une probabilité Pm.
 Si ce taux est grand, la recherche devient purement aléatoire.
 S’il est faible la population est moins diversifiée et en plus il y a
risque de stagnation.
Algorithmes Génétiques
6.Les Paramètres d’un AG
Le Fossé des Générations (Generation Gap)
 C’est l’écart entre les générations, un nombre compris entre 0
et 1.
 Le rapport entre le nombre de nouveaux individus introduit
dans P, et le nombre d’individus de P.
 S’il est égal a 1, l’ensemble de population est remplacé.

Critère d’Arrêt
 Un taux minimum qu'on désire atteindre d'adaptation de la
population au problème.
 Un certain temps de calcul à ne pas dépasser.
Algorithmes Génétiques
7.Exemple (TSP)
 Pour un TSP de taille on à :
 Les individus : des permutations de
On utilise le codage réel
Ex : Indiv1
 La fonction à optimiser :

permutation.
matrice d’incidence.
 Après la sélection, on applique les operateurs de croissement et de
mutation.
 Mutation :

 On applique l’algorithme pour un nombre fini d’itération.

Algorithmes Génétiques
8.Les avantages

 Élimination de solutions non valides.

 Permet de traiter des espaces de recherche important
(beaucoup de solutions, pas de parcourt exhaustif
envisagé).
 Nombre de solutions important.
 Relativité de la qualité de la solution selon le degré de
précision demandé.
Algorithmes Génétiques
8.Les inconvénients

 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.
Algorithmes Génétiques
9.Conclusion

Les algorithmes génétiques fournissent des solutions

proches de la solution optimale à l'aide des
mécanismes de sélection, d'hybridation et de
mutation. Ils sont applicables à de nombreux
problèmes, dont le problème du voyageur de
commerce.
Algorithmes Génétiques
Bibliographie

1. fr.wikipedia.org
2. Algorithmes Génétiques - Souquet Amédée &
Radet François-Gérard / TE de fin d’année 2004
3. http://magnin.plil.net/ Vincent MAGNIN –
Méthodes de L’AG – Internet – 2010
4. LES ALGORITHMES GENETIQUES
APPLICATION A LA SEGMENTATION DES
IMAGES - LASSOUAOUI Nadia, HAMAMI
Latifa, NOUALI Nadia Centre de Recherche sur
l’Information Scientifique et Technique / Ecole
Nationale Polytechnique, Laboratoire Signal &
Communications, Alger - 2004