Telechargé par L_kessai-

PresentationSM final (2)

publicité
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/
Téléchargement