AG Master2

Algorithmes gntiques
(volutionnaires)
Impossible dafficher limage.
Apprentissage:
Acquisition de nouvelles connaissances
Utilisation adquate et pertinente des connaissances
Mthodes Mthodes bases sur LIA Simulation du

mathmatiques (raisonnement) comportement humain
1
A. DIPANDA - Cours algorithmes gntiques - M2 BDIA/IIA
OPTIMISATION
But: Recherche du maximum
ou du minimum global dans
un espace
Diffrentes approches
1. Mthodes systmatiques
2. Mthodes dterministes
3. Mthodes stochastiques
2
Principe
Simulation des processus essentiels dans lvolution des populations dans
lenvironnement naturel.
Un AG est un algorithme stochastique itratif qui utilise une population dindividus

reprsentant les solutions potentielles du problme doptimisation rsoudre.
Cette population va voluer de gnrations en gnrations : les individus les mieux adapts
auront plus de chance de se reproduire et donc de transmettre leurs caractristiques
hrditaires.
Le patrimoine gntique dun individu est contenu dans un chromosome qui est constitu dun
ensemble de gnes qui prennent leur valeur dans un alphabet binaire ou non.
Le processus de lvolution est traduit au travers des oprateurs de slection et de reproduction.
Les individus sont slectionns en fonction de leur adaptation.
Pour se reproduire, deux mcanismes permettent de fournir de nouveaux individus :
le croisement ou lhybridation qui combine les gnotypes de deux parents et fournit
deux descendants,
la mutation qui change un ou plusieurs gnes dun individu.
3
Principe
comptition entre les individus dune population pour les

ressources (eau, nourriture, etc..)
comptition pour attirer les partenaires sexuels (mating)
les individus les plus adapts (performants) vont se
reproduire et avoir plusieurs prognitures
la combinaison des bonnes caractristiques des
parents va permettre davoir des enfants mieux adapts
de gnrations en gnrations, lespce va voluer et
devenir de mieux en mieux adapte
4
Principe
En termes doptimisation
fonction dadaptation : fonction optimiser ;
individu : solution possible du problme ;
adaptation : mesure la qualit de la solution (lindividu)
par rapport au problme ;
reproduction : un enfant hrite des gnes de ses parents ;
comptition : une slection est effectue entre les individus
de la population. Les meilleurs individus un instant
donn sont rutiliss pour se rapprocher de la solution
du problme
But : trouver (atteindre) lindividu le mieux adapt.

5
Principe
VOCABULAIRE
Individu : reprsent par un chromosome (gnome);
Un chromosome est une chane de gnes ;
Gnotype : lensemble des gnes reprsents par un
chromosome;
Phnotype : lensemble des valeurs observables prises par
chaque gne ;
Fonction dadaptation : fitness
Oprations de reproduction :
le croisement (crossing-over hybridation)
la mutation
gnration : lensemble de la population un moment donn
du processus ;
6
Principe
MISE EN UVRE
1. Cration dune population initiale

2. Evaluation des individus de la population
3. Slection des meilleurs individus
4. Croisement et mutation dans le mating pool
5. Formation dune nouvelle gnration
Retour au 2 si non convergence
7
Principe
Organigramme d un AG
Initialisation de la
population
Evaluation des individus Slection

(Gnration intermdiaire)
Reproduction (Croisement et Mutation)

(Nouvelle Gnration courante)
Evaluation des individus
Rsultat oui Critre darrt non

(Meilleur individu)
8
MISE EN UVRE
1. Dfinition dune fonction dadaptation (fitness) :

Cest la fonction optimiser.
Son expression peut tre immdiate et assez
simple (fonction mathmatique), mais ceci nest
pas toujours le cas. On peut donc tre amener en
considrer une approximation.
A dfinir en fonction du problme
9
MISE EN UVRE
2. Choix du codage des chromosomes :
chromosome:={A}l
{A} alphabet binaire ou non
l: longueur du chromosome (fixe ou variable)
Buts
pouvoir coder toutes les solutions
faciliter la mise en uvre des oprations de reproduction.
Choix en fonction du problme.

En gnral on distingue deux classes de problmes :
les problmes valeur: on cherche les meilleures valeurs possibles des gnes,
les problmes de position: lensemble des valeurs finales est connu et on
cherche la meilleure position pour placer chacune de ces valeurs.
10
MISE EN UVRE
Exemple1 : Problme valeurs

Optimisation dune fonction 5 variables (x,y,z,t,u) dans
lintervalle [0,15]
2
f = ( xy ) + z + t + u
Codage binaire dun chromosome
chaque paramtre est cod sur 4 bits (valeurs entre 0 et 15)
Taille du chromosome : 20 bits (4x5)
14 12 2 7 9
11101100001001111001
x y z t u
11
MISE EN UVRE
Exemple 2: Problme de position

Le voyageur de commerce (10 villes)
codage par valeurs entires
1290358674
taille du chromosome: 10
codage binaire (4 bits par valeur :0..9)

0001001010010000001101011000011001110100
taille du chromosome: 40
Problme des valeurs possibles grer
Problme des doublons grer
12
MISE EN UVRE
3. Dfinition des oprations de reproduction
Croisement :
Sapplique sur deux individus diffrents.
Rsultat:chromosome form partir des gnes de ses deux parents.
Deux enfants sont produits pour la gnration suivante.
Un pourcentage de croisement est fix.
Mutation :
Sapplique sur un seul individu par la modification de lun ou
plusieurs gnes du parent choisi(s) alatoirement.
Un seul nouvel enfant est fourni.
Un pourcentage de mutation est fix.
13
MISE EN UVRE
Exemple de croisement
x y z t u
Parent1 11101100001001111001
14 12 2 7 9
Parent2 01011111101100001010
5 15 11 0 10
Enfant1 11101101101100001010
14 13 11 0 10
Enfant2 01011110001001111001
5 14 2 7 9
14
MISE EN UVRE
Exemple dune mutation

x y z t u
Parent 11101100001001111001
14 12 2 7 9
x y z t u
Enfant 11101110001001111001
14 14 2 7 9
15
MISE EN UVRE
4. Choix de la mthode de slection :

Trois objectifs principaux:
Elle permet de choisir les individus sur lesquels
sappliqueront les oprations de reproduction pour la cration
de la future gnration (cration du mating-pool).
Elle doit favoriser les meilleurs individus
Elle doit permettre dexplorer les diffrentes parties de

lensemble de recherche.
16
MISE EN UVRE
Slection proportionnelle
C est la mthode de slection la plus utilise
Mthode de la Roue (Roulet Wheel Selection-RWS)
La roue est divise en secteurs et chaque secteur est

associ un individu, la superficie du secteur tant
proportionnelle la valeur de ladaptation de
lindividu, les meilleurs individus auront une
probabilit plus grande dtre choisis.
17
MISE EN UVRE
Mise en uvre de la slection proportionnelle

n : nombre dindividus remplacer
Np: nombre dindividus de la population
fj : valeur dadaptation de lindividu j
ni : le nombre de slections espres de lindividu i
n
ni = Np
fi
f
j =1
j
18
MISE EN UVRE
Exemple de roue avec 10 chromosomes
13% 7%
6%
chromosome 1
5%
chromosome 2
13% 3% chromosome 3
chromosome 4
3%
chromosome 5
chromosome 6
chromosome 7
chromosome 8
16% 18%
chromosome 9
chromosome 10
16%
19
MISE EN UVRE
Mthode RWS:
les individus sont reprsents sur une droite
chaque segment correspond un individu, et sa taille est
proportionnelle ladaptation de lindividu
n nombres alatoires (n points sur la droite) sont choisis.
chaque choix correspond un individu
i: 1 2 3 4 5 6 7 8
fi: 70 50 12 10 30 20 6 15
0 25 50 75 100
6 8 5 7 3 1 4 2
20
MISE EN UVRE
Problmes:
- variance leve
- drive gntique (en cas de petite population)
Mthosde SUS (Stochastic Universal Selection)
la droite est partionne en n zones de taille gale
on choisit alatoirement un offset
chaque point de partage correspond un individu
offset
6 8 5 7 3 1 4 2
21
MISE EN UVRE
5. Convergence (Arrt du processus)
De gnrations en gnrations la fonction dadaptation du
meilleur chromosome et la moyenne de lensemble de la
population vont voluer et tendre vers loptimum (global).
La convergence est laugmentation progressive vers de
luniformit.
Un gne a converg quand 95% de la population possde
la mme valeur du gne.
La population a converg quand tous les gnes ont
converg.
22
MISE EN UVRE
Convergence
2 exemples de courbes illustrant la convergence
dun AG (sur deux excutions diffrentes)
23
Aspects thoriques
Thorie des schmas (schmes)
Dans le cas du codage binaire, un schma est une chane dans laquelle la
valeur des gnes sur certaines positions est impose ( 1 ou 0) et sur
dautres positions la valeur des gnes est gale au caractre #
signifiant caractre quelconque .
Ainsi les gnes dun schma ont des valeurs appartenant lalphabet :
A={1,0,#}.
Deux exemples de schmas de longueur 7:

H1 :1###1#1 et H2 : ##10#11.
24
Aspects thoriques
Thorie des schmas
On dit quune chane binaire contient un schma sil y a une
correspondance exacte entre les valeurs des gnes de la chane et
celles des valeurs imposes du schma : la chane peut tre
obtenue partir du schma en remplaant les caractres # par
les caractres appropris.
Exemple:
le chromosome 1010111 contient les deux schmas prcdents
(H1 :1###1#1 et H2 : ##10#11 )
le chromosome 1000101 contient le premier schma mais pas le
deuxime.
25
Aspects thoriques
Thorie des schmas
Lordre o(H) dun schma H est le nombre de valeurs
imposes dans le schma,
et la longueur de dfinition d(H) du schma est la distance
entre les deux positions imposes les plus extrmes.
Exemple: H1 :1###1#1 et H2 : ##10#11

o(H1) = 3 d(H1) = 6.
o(H2) = 4 d(H2) = 4.
26
Aspects thoriques
Reprsentation graphique
Exemple: Chromosomes de taille 3
les points sont les schmas dordre 3
Plan *1*
les droites sont les schmas dordre 2

110 111 les plans sont les schmas dordre 1
010 011 tout lespace est couvert par le schma
### dordre 0.
100
101
000 001
Ligne 00*
27
Aspects thoriques
Exemple: Chromosomes de taille 4 les codes des points du cube interne sont
0110 0111 prfixs par 1.
1110 1111 les points du cube externe sont prfixs par 0
0010
1010
0011 le cube interne est reprsent par le schma
1011
1###
1100
le cube externe est reprsent par le schma
1101
0### .
1000 0101
1001 le schma 00## dordre 2 reprsente les
points du plan avant du cube externe.
0000 0001
28
Aspects thoriques
On montre que:
le nombre de reprsentants dun schma ayant une
fitness suprieure la fitness moyenne, une
longueur de dfinition et un ordre faibles, va
crotre exponentiellement de gnrations en
gnrations.
m(H,t)f(H,t) d(H)
m(H,t +1) (1 pc )(1 pm)o(H)
f L 1
Ce type de schmas sont nomms les blocs de

construction (en anglais building blocs)
29
Aspects thoriques
Thorie des schmas
tous les schmas ne sont pas quivalents
les meilleurs individus ont les meilleurs schmas
le nombre de slections espres d un individu est proportionnel
son adaptation
les meilleurs individus contribuent plus avec leurs gnes pour les
nouvelles gnrations
accroissement de la probabilit de trouver les meilleures
solutions
Paralllisme implicite : nombre de schmas manipuls dans
chaque gnration: n3 avec n = taille de la population
30
Aspects thoriques
Avec un codage de longueur L, un chromosome appartient

2L-1 diffrents hyperplans
3L-1 parties dhyperplans peuvent tre dfinies (lespace
entier dfini par le schma compos uniquement de #
ntant pas pris en compte).
On peut ainsi comprendre pourquoi la notion de recherche base sur une

population de chromosomes est fondamentale dans les AGs.
une population dchantillons va fournir une information sur un grand nombre
dhyperplans.
un hyperplan dfini par un schma ayant un ordre peu lev sera chantillonn
par un nombre important de points (ou dindividus) dans la population.
31
Aspects thoriques
Exploration et exploitation
exploration : permet de scruter les zones inconnues de l espace de recherche
Mthodes purement stochastiques
exploitation : permet la rutilisation des connaissances acquises aux points
prcdemment visits
Mthodes purement dterministes
GAs combinent exploration et exploitation (Golberg) sous 3 hypothses:

- population infinie
- pas dinteraction entre les gnes
- la fonction d adaptation reflte la validit de la solution
32
Fonction d adaptation
associe chaque chromosome une valeur d adaptation

utilise pour dterminer la probabilit de
slection du chromosome
Cas idal :
fonction lisse et rgulire
les chromosomes proches ont des valeurs proches
peu de minima locaux et un minimum global isol
reflte la valeur relle du chromosome
33
Problmes:
trs complexe : chercher une approximation
certaines solutions ne sont pas valides

pnaliser les solutions non valides
avantager les solutions valides
convergence prmature ou convergence lente

pression forte dans la slection
Recherche nave
Ajustement de la fonction dadaptation
34
Ajustement linaire:
f i = aoi + b
Les coefficients a et b peuvent tre choisis par plusieurs moyens. Par
exemple, ils peuvent tre calculs partir des valeurs omin, omax et omoy
de la manire suivante :
Cmult 1 omax f max
a = omoy b = omoy
omax omoy omax omoy
o fmax = Cmultomoy et Cmult est le nombre dsir de copies prvues pour le
meilleur membre de la population.
A noter que les valeurs omin, omax et omoy sont calcules sur la population
courante.
35
Ajustement linaire
36
Ajustement exponentiel
fi =(oi )n(k)
o k est la gnration courante.
Pour n(k) proche de zro, on rduit fortement les carts de fitness. Aucun
individu nest favoris et lalgorithme effectue une recherche alatoire.
Pour n(k) proche de 1, lajustement est sans effet.
Pour n(k)>1, les carts sont amplifis favorisant la slection des meilleurs
individus.
Dans la pratique, on fait varier n(k) des valeurs faibles vers les valeurs
fortes. Lexpression de n() peut ainsi dpendre du problme et de
leffet que lon souhaite avoir
37
Codage des chromosomes

codage binaire :
le plus gnral
Inconvnients:
taille des chromosomes
proximit des chromosomes code de Gray
Validit des solutions
codage par valeurs entires :
Usages :
problmes d ordonnancement
problmes combinatoires
Problme:
Mise en uvre des oprateurs de reproduction
38
codages par valeurs (le gne est une valeur directement lie
au problme Algorithmes volutionnaires)
valeurs entires ou relles
chanes de caractres
Oprateurs de reproduction plus gnraux

Arithmtique
probabiliste
39
Diffrents types de codage

chromosome A
1 8 12 3 2 4 9 10 6 7 5 11
chromosome B
2 10 7 4 5 6 11 3 12 9 1 8
chromosome A
1.2324 5.3542 2.4553 4.5247
chromosome A
A R E C A A G B E F H J
chromosome A
BACK BACK RIGHT LEFT
40
Slection
permet le choix des parents pour la formation de la future
gnration
formation du mating pool
thorme des schmas le nombre espr de slections dun
individu doit tre proportionnel la fitness
Problmes:
pression forte :lie la prsence d un super individu
dans la population
drive gntique : lie au caractre stochastique des AGs
41
Diffrentes mthodes de slection
RWS - SUS
Ajustement dynamique de la fonction dadaptation
Mthode par rang
les individus sont tris en fonction de leur fitness
la nouvelle valeur de fitness correspond au rang de l individu
application du RWS ou du SUS
Transformation affine de la fonction d adaptation
la valeur de la fonction d adaptation est soustraite par une valeur fixe en
vitant les valeurs ngatives
application du RWS ou du SUS
42
Diffrentes mthodes de slection
Mthodes par tournois
un tournoi est organis entre deux (ou plus) individus
le meilleur sera introduit dans le mating pool
une variante consiste introduire une probabilit p sur la
victoire du meilleur dans le cas de tournoi binaire. Une
valeur peu leve de p peut rduire la pression de la
slection
Mthodes litistes
les meilleurs individus sont systmatiquement conservs
dans la prochaine gnration
les plus mauvais individus sont limins
43
Croisement (reproduction-exploitation)
oprateur essentiel des AG
permet de produire deux enfants partir des gnes de
deux parents
Codage binaire
Croisement un point
Croisement 2 points
2 points sont choisis alatoirement
les zones ainsi dlimites sont changes entre les parents
44
Croisement 2 points
parent A
1 0 0 0 1 1 0 1 1 1 0 1
parent B
1 0 1 0 0 1 0 1 0 0 1 1
enfant A
1 0 0 0 0 1 0 1 1 1 0 1
enfant B
1 0 1 0 1 1 0 1 0 0 1 1
45
Croisement
Croisement uniforme
choix dun masque de la taille du chromosome
les enfants sont forms en fonction du masque
parent A
1 0 0 0 1 1 0 1 1 1 0 1
parent B
1 0 1 0 0 1 0 1 0 0 1 1
enfant A
1 0 0 0 0 1 0 1 1 1 0 1
enfant B
1 0 1 0 1 1 0 1 0 0 1 1
46
Croisement
Croisement logique
parent A
1 0 0 0 1 1 0 1 1 1 0 1
parent B
1 0 1 0 0 1 0 1 0 0 1 1
enfant A (AND)
1 0 0 0 0 1 0 1 0 0 0 1
enfant B (OR)
1 0 1 0 1 1 0 1 1 1 1 1
47
Croisement
Croisement sans doublon
chromosome A
1 8 12 3 2 4 9 10 6 7 5 11
chromosome B
2 10 7 4 5 6 11 3 12 9 1 8
enfant A
2 10 7 4 5 34 9 8 6 12 1 11
enfant B
1 8 12 3 2 6 11 4 7 9 5 10
48
Dans le cas du codage rel, un croisement barycentrique peut tre utilis.

Deux enfants E1 et E2 sont cres partir de deux parents P1 et P2 de la
manire suivante :
E1 =P1 +(1)P2 E2 =(1)P1 +P2
o est un coefficient de pondration alatoire adapt au domaine

dextension des gnes
Problme:
Les enfants sont dans lhyperplan contenant les deux parents
Souvent combiner avec un autre oprateur de croisement
49
Mutation (exploration)
produit un enfant partir dun parent
(!!!! peut avoir un effet ngatif sur un chromosome proche de loptimum)
Taux faible en gnral
Taux avec une fonction de dcroissance
Mutation 1 point chromosome A

1 8 12 3 2 4 9 10 6 7 5 11
Mutation 2 points chromosome A

1 8 12 10 2 4 9 3 6 7 5 11
50
51
Mutation (exploration)
Cas du codage rel
modifier un gne en lui ajoutant un bruit
De manire alatoire
Selon une loi de probabilit
1.2324 5.3542 2.4553 4.5247
52
Diffrentes stratgies:
AG simples
AG cellulaires
On dfinit un systme de voisinage sur les
chromosomes
Le croisement sapplique uniquement entre les
chromosomes voisins deux deux
Une stratgie de slection est dfinir
53
Diffrentes stratgies
Mthode des lots
La population est divise en lots
Les AG sont appliqus indpendamment dans
chaque lot pendant un nombre de gnrations fix
lavance
On mlange les individus puis on recompose les
lots
Le processus est ritr jusqu convergence
54
Applications des AG
Programmation gntique
Optimisation numrique
Optimisation combinatoire
Analyse dimages
Reconnaissance de formes
Apprentissage
systme de classifieurs
rseaux de neurones
55
Applications des AG
Optimisation numrique
Chercher le maximum de la fonction
f(x)=10x2-20
56
Applications des AG
Optimisation combinatoire:
Le voyageur de commerce
n villes visiter
minimiser la distance parcourue
chromosome A chromosome B
6 1 7 2 4 5 3 3 6 2 1 5 4 7
1 2
2
4 1
4
3
3
5 7
5 7
6 6
57
Problme du voyageur de commerce

chromosome A
6 1 7 2 4 5 3
Croisement
enfant A
6 7 2 1 5 4 3
chromosome B
3 6 2 1 5 4 7
enfant B
3 6 7 2 4 5 1
Mutation 1 7 4 3 2 6 5
58
Applications des AG
59
Applications des AG
60
Applications des AG
61
Applications des AG
Reconnaissance de formes dans une image
Droites
Cercles
Ellipses
62
Problme:Trouver tous les cercles dans une image
63
Recherche des contours (gradient)
64
Applications des AG
Extraction de primitives gomtriques
(cercle: 3 points)
Croisement
65
Applications des AG
66
Applications des AG
67
Applications des AG
Reconstruction de surfaces par lumire structure
(A. Dipanda et al., Pattern Recognition 36(9) 2003)
68
Applications des AG
Pb: Mise en correspondance segments-points
Segments-points Points 3D reconstruits

69
Applications des AG
Croisement
8 9 2 6 4 5 3 1 7
8 9 2 6 4 5 3 1 7
Mutation 8 9 2 6
4
5 3 1 7
8 9 1 6 4 5 3 2 7
chosen gene 8 9 2 6 5 3 4 1 7
chosen gene
70
Applications des AG
71
Apprentissage automatique avec
les AGs
Systme de classifieurs
Un systme de classifieurs est compos de quatre parties :
Une base de classifieurs reprsentant les connaissances du systme.
Une interface dentre compose de capteurs.
Une interface de sortie compose deffecteurs.
Une liste de messages.
Deux algorithmes principaux grent les classifieurs :

Un algorithme de rpartition de crdits distribuant des rcompenses aux
classifieurs efficaces et pnalisant les inefficaces.
Un algorithme gntique permettant lvolution de la base de classifieurs.
72
les AGs
Systme de classifieurs
Un classifieur a la forme suivante:
<classifieur>:=<condition>:<message>
<condition>::={0,1,#}l (# wildcard)
<message>::={0,1}l
une condition est alerte par un message si chaque

position il y a galit entre la condition et le message
(0-0, 1-1, ?-#)
une condition alerte devient candidate lenvoi de
message
la dcision denvoi dpend des enchres qui sont
fonction du poids du classifieur
73
les AGs
Schma d un systme de classifieur

Environnement
Liste des messages

Dtecteurs 101 effecteurs
information 110 1
0 action
001 0
1
011 1
rcompenses 1
Liste de classifieurs
10#:100
0##:011
1#0:010
Rpartition des crdits

74
les AGs
Exemple de classifieurs
1. 01##:0000
2. 1##0:1001
Message: 0 1 1 1
3. 00##:0110
4. ##11:1101
5. #11#:1100
Problme: Comment choisir le classifieur qui va envoyer le message

Algorithme de rpartition des crdits bucket brigade
75
les AGs
Algorithme de rpartition des crdits bucket brigade

bas sur deux notions:
la vente aux enchres
une chambre de compensation
chaque classifieur a une valeur (force)
une enchre dun classifieur est proportionnelle sa force
un classifieur peut recevoir une rcompense de
l environnement du fait de ses messages antrieurs
un classifieur gagnant effectue un paiement la chambre de
compensation
76
les AGs
Les AGs vont permettre de crer de

nouveaux classifieurs
chromosome = classifieur
fitness = force
dfinition dune mthode de slection
dfinition des oprateurs de reproduction

(croisement et mutation)
77
les AGs
Exemple du multiplexeur
a0 Classifieurs initiaux
a1 ###000:[0]
d0 ###100:[1]
s ##0#01:[0]
d1 ##1#01:[0]
#1##01:[1]
d2
1####0:[1]
d3 000#11:[1]
######:[0]
Rcompense au classifieur si le rsultat est correct et pnalit sinon
78

AG Master2

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

AG Master2

Încărcat de

Drepturi de autor:

Formate disponibile

Algorithmes gntiques

Mthodes Mthodes bases sur LIA Simulation du

Un AG est un algorithme stochastique itratif qui utilise une population dindividus

comptition entre les individus dune population pour les

But : trouver (atteindre) lindividu le mieux adapt.

1. Cration dune population initiale

Retour au 2 si non convergence

Evaluation des individus Slection

Reproduction (Croisement et Mutation)

Evaluation des individus

Rsultat oui Critre darrt non

1. Dfinition dune fonction dadaptation (fitness) :

Choix en fonction du problme.

Exemple1 : Problme valeurs

Exemple 2: Problme de position

codage binaire (4 bits par valeur :0..9)

Exemple dune mutation

4. Choix de la mthode de slection :

Elle doit favoriser les meilleurs individus

Elle doit permettre dexplorer les diffrentes parties de

Mthode de la Roue (Roulet Wheel Selection-RWS)

La roue est divise en secteurs et chaque secteur est

Mise en uvre de la slection proportionnelle

Deux exemples de schmas de longueur 7:

Exemple: H1 :1###1#1 et H2 : ##10#11

les droites sont les schmas dordre 2

Ce type de schmas sont nomms les blocs de

Avec un codage de longueur L, un chromosome appartient

On peut ainsi comprendre pourquoi la notion de recherche base sur une

GAs combinent exploration et exploitation (Golberg) sous 3 hypothses:

associe chaque chromosome une valeur d adaptation

certaines solutions ne sont pas valides

convergence prmature ou convergence lente

Codage des chromosomes

Oprateurs de reproduction plus gnraux

Diffrents types de codage

Dans le cas du codage rel, un croisement barycentrique peut tre utilis.

o est un coefficient de pondration alatoire adapt au domaine

Souvent combiner avec un autre oprateur de croisement

Mutation 1 point chromosome A

Mutation 2 points chromosome A

1.2324 5.3542 2.4553 4.5247

Problme du voyageur de commerce

Reconnaissance de formes dans une image

Segments-points Points 3D reconstruits

Deux algorithmes principaux grent les classifieurs :

une condition est alerte par un message si chaque

Schma d un systme de classifieur

Liste des messages

Rpartition des crdits

Problme: Comment choisir le classifieur qui va envoyer le message

Algorithme de rpartition des crdits bucket brigade

Les AGs vont permettre de crer de

dfinition dune mthode de slection

dfinition des oprateurs de reproduction

Rcompense au classifieur si le rsultat est correct et pnalit sinon

S-ar putea să vă placă și