Systèmes Artificiels Complexes

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 NP-
difficiles. 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.