START Aime : La tech pour les nuls: Zoom sur les algorithmes génétiques.

Avant de rentrer dans les détails et vous expliquer la science derrière les « Algorithmes Génétiques » ou GA, je voudrais citer Darwin :

« Les espèces qui survivent ne sont pas les espèces les plus fortes, ni les plus intelligentes, mais celles qui s'adaptent le mieux aux changements. »

ET VOUS ALLEZ vous demander, et la biologie qu’est- ce qu’elle fait dans une rubrique sur les algorithmes ? En fait, c’est dans cette citation que le concept d’Algorithmes Génétiques trouve ses origines.

Un GA est un process heuristique de recherche inspirée de la théorie de l'évolution naturelle de Charles Darwin. Cet algorithme reflète le processus de sélection naturelle où les individus les plus aptes sont sélectionnés pour la reproduction afin de produire la progéniture de la prochaine génération.


Les GA ont été conceptualisé en s’inspirant des principes biologiques et ils sont couramment utilisés pour générer des solutions à des problèmes d’optimisation et de recherche en s'appuyant sur des opérateurs tels que :

- La mutation, cela veut dire, que de façon aléatoire un gène peut être substitué par un autre.

- Le croisement ou la recombinaison, ici deux chromosomes s’échangent des parties de leur chaines pour donner vie à un nouveau chromosome.

- Et la sélection, nous connaissons le principe de la « Sélection Naturel », c’est le plus adapte qui arrive à se reproduire et à transmettre ses gens.


Cinq phases sont généralement considérées dans un algorithme génétique :


1. La population Initial : Le processus commence avec une sélection d’individus qu’on appelle Population, chaque individu de cette population est caractérisé par un set de variables qui va le décrire.


2. La fonction d’évaluation (fitness function en anglais) : Cette fonction détermine dans quelle mesure un individu va être sélectionné pour la reproduction.


3. La sélection : L'idée de cette phase est de sélectionner les individus les plus aptes et de les laisser transmettre leurs gènes à la génération suivante. Il existe plusieurs techniques de sélection comme la sélection par rang, la probabilité de sélection proportionnelle à l’adaptation, la sélection par tournoi ou la sélection uniforme.


4. Le croissement : Cette phase est la plus important d’un algorithme génétique, en termes biologiques, le croisement n'est rien d'autre que la reproduction. Pour chaque paire de parents à accoupler, un point de croisement est choisi au hasard parmi les gènes et les sélections des deux chromosomes sont permutées pour produire de nouvelle descendance.


5. La mutation : Pour une partie de cette nouvelle descendance, quelques gènes peuvent être soumis à une mutation aléatoire, cette mutation étant soumise à une probabilité, elle aussi aléatoire. Cette mutation se produit pour maintenir une diversité dans la population et éviter une convergence prématurée.

L’algorithme fini quand la population a convergé, c’est-à-dire lorsque la nouvelle descendance n’est pas significativement différente de la génération précédente.


Pour vous illustrer mieux les GA, imaginez que vous souhaitez déterminer la démarche la plus adaptée pour des araignées robotiques.


Si nous suivions les phases que je viens vous décrire :

1. Nous générons une Population aléatoire de différentes démarches.

2. Nous évaluons les différentes démarches, par exemple, via une course entre les robots avec les différentes démarches, course virtuelle afin de gagner du temps.

3. Nous sélectionnons les meilleures démarches.

4. Nous croissons ces démarches pour générer de nouvelles démarches.

5. Eventuellement on peut ajouter une mutation à certaines de ces démarches.

6. Nous évaluons enfin si l’algorithme est fini, c’est-à-dire si les nouvelles bébé-démarches sont ou non plus performantes que leurs parents, sinon nous recommençons le cycle évolutif.


Les algorithmes génétiques sont couramment utilisés aujourd’hui, nous pouvons les trouver dans des applications ludiques comme les jeux des vidéos, par exemple Mario ou Pacman.

Nous pouvons aussi les trouver dans des applications pour la recherche ou l’industrie, par exemple, ces algorithmes sont utilisés par le robot Pathfinder (robot de la Nasa qui a pour mission d’explorer Mars).


Malgré las avantages que ces algorithmes montrent, il existe quelques limitations, par exemple, le temps de calcul, ils ont parfois besoin d’un temps de calcul plus long que d’autres algorithmes d’apprentissage ; ils ne sont pas simples à implémenter et c’est impossible de savoir si la solution trouvée est la plus adapte ou si c’est une solution uniquement locale.


Pour conclure, même s’ils existent des difficultés, les « Algorithmes Génétiques » restent un domaine riche en recherches et applications, ils stimulent l'imagination par l’étendue de leurs domaines d’applications, et leur participation à la résolution d’une grande variété de problèmes difficiles.


Cela nous montre que nous pouvons intégrer différentes sciences et apprendre de chacune pour avancer sur la route du savoir.

16 vues0 commentaire

CONTACT

arrow&v

Pour consulter et exercer vos droits veuillez consulter notre politique de confidentialité

Copyright 2020 Riviera Press

COMPAGNONS NOIR.jpg
logo%20Marque%20bleu_edited.jpg
  • Linkedin Riviera Press
  • YouTube Riviera Press