Chapitre 5 Méthodes d`optimisation pour le clustering

UNIVERSITÉ DES SCIENCES ET TECHNOLOGIES DE LILLE
U.F.R. D’I.E.E.A.
Numéro d’Ordre : 3368 Année : 2003
THÈSE
pour obtenir le grade de
DOCTEUR DE L’U.S.T.L.
DISCIPLINE :INFORMATIQUE
présentée et soutenue publiquement,
le 26 Novembre 2003, par
LAETITIA JOURDAN
Titre :
MÉTAHEURISTIQUES POUR L’EXTRACTION DE CONNAISSANCES :
APPLICATION À LA GÉNOMIQUE
Jury :
Président : Mireille Clerbout Professeur, Université de Lille 1
Rapporteurs : Michèle Sebag DR CNRS, Université d’Orsay
Gilles Venturini Professeur, Université de Tours
Examinateurs : Alex Freitas Associate Professor, University of Kent at Canterbury (UK)
Christian Dina Ingénieur, IBL Pasteur
Directeurs : El-Ghazali Talbi Professeur, Université de Lille 1
Clarisse Dhaenens Maître de Conférence, Université de Lille 1

Table des matières
1 Introduction 1
2 Métaheuristiques pour l’extraction de connaissances 5
2.1 Les métaheuristiques à solution unique . . . . . . . . . . . . . . . . . . . . . . . 6
2.1.1 Les méthodes de descente (Hill Climbing) . . . . . . . . . . . . . . . . . 6
2.1.2 Le recuit simulé (Simulated Annealing) . . . . . . . . . . . . . . . . . . 6
2.1.3 La recherche Tabou (Tabu search) . . . . . . . . . . . . . . . . . . . . . 8
2.2 Les métaheuristiques à population de solutions . . . . . . . . . . . . . . . . . . 10
2.2.1 La recherche par dispersion (Scatter Search) . . . . . . . . . . . . . . . . 10
2.2.2 Les algorithmes génétiques (Genetic Algorithms) . . . . . . . . . . . . . 11
2.2.3 Programmation génétique (Genetic Programming) . . . . . . . . . . . . 12
2.2.4 Les colonies de fourmis (Ants System) . . . . . . . . . . . . . . . . . . 13
2.2.5 Algorithmes à essaim de particules (Particle Swarm Optimiser) . . . . . 14
2.2.6 Systèmes immunitaires artificiels (Artificial Immune Systems) . . . . . . 15
2.2.7 Algorithmes à Estimation de Distribution (Estimation of Distribution Al-
gorithms) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3 Les algorithmes génétiques : présentation générale . . . . . . . . . . . . . . . . 16
2.3.1 Représentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.3.2 Fonction d’évaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3.3 Opérateurs génétiques . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.4 État de l’art sur les algorithmes génétiques développés pour l’extraction de connais-
sances........................................ 22
2.4.1 Sélection d’attributs en classification . . . . . . . . . . . . . . . . . . . . 23
2.4.2 Sélection d’attributs pour le clustering . . . . . . . . . . . . . . . . . . . 25