Université de Nice-Sophia Antipolis Maîtrise Informatique Option : Systèmes Artificiels Complexes 1. Algorithme Génétique Les Algorithmes génétiques (AG) constituent un exemple représentatif d’un ensemble de méthodes connues sous le nom d’algorithmes évolutionnaires (AE). Ces méthodes implantent sur des systèmes artificiels les mécanismes néodarwiniens de l’évolution naturelle. Les AE sont des algorithmes itératifs basés sur la notion de génération ; mais ils sont, également, par nature, hautement parallèles dans la mesure où ils simulent l’évolution de tout un ensemble de solutions. 2. Méta-Heuristique Ces techniques ont pour objectif de résoudre des problèmes d’optimisation combinatoire NPdifficiles. Elles reposent sur des méthodes de recherche locale (méthodes de descente, tabou, recuit simule) ou des méthodes évolutives (algorithmes génétiques, colonies de fourmis). 3. Réseau de Neurones Artificiels Ces techniques ont en commun la métaphore neuronale : « un traitement fortement parallèle effectué par un réseau de nombreux neurones formels élémentaires connectés entre eux ». Ces unités de traitement sont en grand nombre mais très simples, et la puissance de calcul est due à leurs interactions au sein du réseau. 4. Chaos déterministe / Automate Cellulaire Les automates cellulaires sont des systèmes dynamiques discrets. Nous considérons par exemple le cas d’une matrice à une dimension composée de cellules identiques, chacune possédant un certain état. A chaque étape, toutes les cellules changent d’état simultanément en utilisant un ensemble de règles de transitions communes à toutes les cellules. Une règle de transition prend en compte uniquement le voisinage local d’une cellule donnée. Un automate peut donc être représenté par une table qui met en correspondance toutes les configurations de voisinage possibles avec le nouvel état associé. Quand elles sont itérées les « lookup tables » engendrent différente sortes de dynamiques : point fixe, comportement périodique, complexe ou "chaotique". 5. Morphogenèse Les systèmes de Lindenmayer, permettent de modéliser la morphogenèse de nombreux végétaux - arbres, buissons, herbes, fleurs, algues, lichens, etc. Ce terme a été forgé en 1968 par le biologiste Aristid Lindenmayer qui a étudié la structure des plantes sous un angle mathématique. 6. Techniques d’Apprentissage / Data Mining La fouille de données (ou Data Mining) est un domaine nouveau à la jonction de l’analyse de données, des statistiques, de l’intelligence artificielle et des bases de données. Un processus de Data Mining a pour objectif d’extraire des connaissances nouvelles, utiles implicitement enfouies dans des bases de données très volumineuses. Les applications touchent de nombreux domaines comme l’économie, la bioinformatique ou la téléphonie.