Ingénierie des Systèmes Mécanique MASTER 2 Réalisé par: HETTAK Hind KESSAI Lamia LAZREG Nouria Le plan de travail Introduction Historique des AG Définition des AG Principe de base Domain d’utilisation Avantages et inconvénients Conclusion La physique, la biologie mais aussi l’économie ou la sociologie sont couramment confrontées au problème classique de l’optimisation. Pour résoudre ces problèmes, nous utilisons des heuristiques afin de trouver la solution optimale, ou à défaut la moins mauvaise pour le problème. Les algorithmes génétiques sont inventés par John Holland dans les années 60. En 1975 John henry Holland publia dans son livre adaptation dans le système naturelle et artificielle le 1er algorithme génétique. En 1991 et pour résoudre le problème d’optimisation continue, les codages réelles ont été étendues par Wright. La programmation génétique a été inventé en 1992 par John Koza pour profiter de l’avancée technologiques des années 90 avec l’apparition. Les AG tirent leur nom de l’évolution biologique des êtres vivants dans le monde réel. Ces algorithmes permettent de calculer une solution acceptable a un problème dont l’espace de solution est trop grand pour être parcouru dans un temps raisonnable mais aussi ils fournissent des solutions aux problèmes n'ayant pas de solutions calculables en temps raisonnable de façon analytique ou algorithmique. Les algorithmes génétiques utilisent la théorie de Darwin sur l’évolution des espèces. Elle repose sur trois principes : le principe de variation, le principe d'adaptation et le principe d'hérédité. Ce paradigme, associé avec la terminologie de la génétique, nous permet d’exploiter les algorithmes génétiques : Le principe de variation: Chaque individu au sein d’une population est unique. Le principe d'adaptation; Les individus les plus adaptés à leur environnement atteignent plus facilement l'âge adulte. Le principe d’hérédité : Les caractéristiques des individus doivent être héréditaires pour pouvoir être transmises à leur descendance. Avec ces notions, nous obtenons trois opérateurs d’évolution dans les algorithmes génétiques : •La sélection : Choix des individus les mieux adaptés. •Le croisement : Mélange par la reproduction des particularités des individus choisis. •La mutation : Altération aléatoire des particularités d'un individu. Pour utiliser l’AG , on doit disposer de six éléments : o Codage du problème sous forme d'une chaîne binaire ; o Génération aléatoire d'une population. Celle-ci contient un pool génétique qui représente un ensemble de solutions possibles ; o Calcul d'une valeur d'adaptation pour chaque individu. Elle sera fonction directe de la proximité des différents individus avec l'objectif ; o Sélection des individus devant se reproduire en fonction de leurs parts respectives dans l'adaptation globale ; o Croisement des génomes des parents ; o Sur la base de ce nouveau pool génétique, on repart à partir du point d’évaluation. Les algorithmes génétiques peuvent être particulièrement utiles dans les domaines suivants : Optimisation : optimisation de fonctions, planification, etc. ... Apprentissage : classification, prédiction, robotique, etc. ... Programmation automatique : programmes LISP, automates cellulaires, etc. ... Etude du vivant, du monde réel : marchés économiques, comportements sociaux, systèmes immunitaires, etc. ... Nécessite beaucoup de temps de calcul. Se débarrasser des solutions non efficaces. Ils sont le plus souvent difficiles à mettre en œuvre. Un bon traitement des espaces de recherche Impossible d'être assuré que la solution trouvée est la meilleure. Possibilité de la modification des caractéristiques d’un organisme. Problème de convergence vers un optimum local. Création des nouvelles caractéristiques en manipulant les différents gènes de cellules. Permet d’améliorer des nombreux aspects de la vie. Les algorithmes génétiques offrent beaucoup de simplicité à la résolution des problèmes complexes et qui fournissent des solutions optimales qui aident l'être humain à améliorer ses travaux et augmenter leurs bénéfices . Donc il est important de comprendre que le fonctionnement d'un tel algorithme ne garantit nullement la rréussite, nous sommes dans la présence d'un système stochastique et la probabilité existe qu'un pool génétique soit trop éloigner de la solution . pshttps://www.rennard.org/alife/french/gavintr.html http://igm.univmlv.fr/~dr/XPOSE2013/tleroux_genetic_algorithm/fo nctionnement.html https://slideplayer.fr/slide/3280465/