Académique Documents
Professionnel Documents
Culture Documents
Algorithmes génétiques et
Applications
Présenté par: Devant les jury :
Aboudihaj Rihab Mr. NAMIR Abdelwahed
Anouar Abderrazak Mme. SAFEH Nisrine
Badi Zakaria Mr. AITDAOUD Mohamed
Kardi Hanane Mr. AITMOUDDEN Othmane
Khaleq Mounir
Zahid Achraf
2
01 INTRODUCTION
Les algorithmes génétiques sont des méthodes de recherche
opérationnelle qui visent à trouver une solution optimale à un problème
complexe en imitant le processus de sélection naturelle.
3
Problématique
un problème d'optimisation connu sous le nom de
"Voyageur de Commerce" (TSP : Travelling salesman
problem).
4
Principe de TSP
5
Étude de cas
6
L'application dans la vie réelle
problèmes de
problèmes de
logistique
transport
problèmes de problèmes de
personnes marchandises
7
02
Présentation des
méthodes
d’optimisation
8
Qu’est ce que
l’optimisation?
Quel est son Objectif et pourquoi elle est importante ?
9
L’objectif de l’optimsation :
• L'optimisation consiste à trouver la
meilleure solution possible en explorant un
espace de recherche complexe.
10
L’importance de l’optimisation :
L’optimisation permet de :
11
Méthodes d’optimisation :
Méthodes d’optimisation
Méta-heuristiques Heuristiques
12
Méthodes d’optimisation : Les Métaheuristiques
13
Méthodes d’optimisation : Les Métaheuristiques
14
Méthodes d’optimisation : Les Métaheuristiques
Les méta-heuristiques sont basées sur deux approches :
15
Méthodes d’optimisation : Les Métaheuristiques
Approche à trajectoire :
16
Méthodes d’optimisation : Les Métaheuristiques
Approche à Population:
17
Le principe des algorithmes génétiques:
18
03
Résolution du problème
Voyageur de Commerce
19
Résolution du problème de voyageur de
commerce : TSP
20
La modelisation du probleme du TSP :
Le problème du voyageur de commerce peut être modéliser a l’aide :
21
Pour résoudre ce problème, nous suivrons les principes de l’Algorithme Génétique suivant les étapes du
schéma ci-dessous :
Définition de la population
oui
non
22
Représentation de la solution💡
Pour le problème auquel nous faisons face, il convient de faire un représentation
de la solution.
• Notre objectif : l'inconnue est le chemin minimal : Une liste dans un certain ordre contenant tous les
sommets: x
• Structuration du chromosome: comment représenter les informations du problème?
• Initialisation: choisir le nombre d'individus dans la populations initiale N
• Fonction d'évaluation ou fitness: selon le contexte du problème f(x)
• L'opérateur de sélection: probabilité que l'individu i soit sélectionné: on peut le définir sélection:
23
1. Définition de la population 👥👥👥
Initialisation:
24
2. Évaluation : calcul de la valeur du fitness
Evaluation:
On évalue chaque individu en calculant la valeur de sa fonction objectif, c.-à-d. la
longueur du cycle parcouru par le voyageur de commerce :
• Individu Evaluation
• 1 2 3 4 5 --------- f(11)=7+2+5+4= 18
• 5 1 3 2 4 ----------- f(12)=3+6+2+4=15
• 4 1 5 3 2 ---------- f(13)=8+3+6+2=17
• 2 1 3 5 4 ------------ f(14)=7+6+6+4=23
• 2 3 1 5 4 ‒‒‒‒‒‒‒‒ f(15)=2+6+3+4=15
25
3. Sélection 🎲
Sélection par rang:
• Cette technique de sélection choisit toujours les individus possédant
les meilleurs scores d'adaptation, le hasard n'entre donc pas dans ce 12 (15)
15 (15)
26
4. Croisement :
Croisement : Si la probabilité de croisement est inférieur à l'opérateur de croisement, faire la mutation sinon
non
Parent 1 Parent 2
replacer 5 par 4 )
27
6. Mutation :
• Un procédé de mutation est utilisé pour diversifier les solution au fur et à mesure des générations.
• La mutation est importante pour éviter de tomber dans le problème de l'optimum local, c'est-à-dire évité de
rester «coincé » autour d'une solution pas forcément optimale.
insertion
28
6. Mutation :
• Swap
swap
• Reversion
Reversion
29
Résumé :
30
04
Exemples d’applications
d’algorithmes génétiques
31
Applications de l’algorithme génétique dans différents domaines
33
Conception de circuits éléctroniques :
34
Apprentissage automatique :
35
Finance et investissement :
36
Jeux et intelligence artificielle :
37
05
Algorithme
génétique avec
Python
38
Définition des paramètres d’algorithme:
39
Les fonctions utilisées dans l’algorithme :
40
Les fonctions utilisées dans l’algorithme :
41
Les fonctions utilisées dans l’algorithme :
42
Les fonctions utilisées dans l’algorithme :
43
Les fonctions utilisées dans l’algorithme :
44
Les fonctions utilisées dans l’algorithme :
45
Les fonctions utilisées dans l’algorithme :
46
Résultats:
47
06
Limitations et
perspectives
48
LES LIMITATIONS
49
Les Améliorations possibles et
développements futurs
Utilisation de
l'apprentissage
automatique 50
Conclusion
51
Merci pour votre
attention !