La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

Professeur responsable : MR BENYETTOU Université des sciences et de la technologie Mohamed Boudiaf USTO.

Présentations similaires


Présentation au sujet: "Professeur responsable : MR BENYETTOU Université des sciences et de la technologie Mohamed Boudiaf USTO."— Transcription de la présentation:

1 Professeur responsable : MR BENYETTOU Université des sciences et de la technologie Mohamed Boudiaf USTO

2 Sommaire Introduction Historique Définition des GA Définition des GAPM Domaine dapplication Principe Algorithme du GAPM Avantages & inconvénients Conclusion

3 Le problème d'optimisation combinatoire de l'attribution des tâches parallèles sur un multiprocesseur de façon à minimiser le temps d'exécution est appelé en tant que problème d'application. Plusieurs solutions heuristiques qui ont été proposées cherchent à obtenir une cartographie sous-optimale qui peut être considéré comme un "bon" cartographie dans un délai raisonnable. L'heuristique cartographie génétique hybride se comporte bien à la fois en termes de qualité des alignements produits et le temps nécessaire pour les obtenir. Introduction

4 En 1975 par le biais de -John Holland, les AG ont commencé à se développer.. -loptimisation des fonctions par (JONG) en 1980, dans le contrôle de pipeline par GOLDBERG en En 1985-Première conférence sur « intelligence algorithme génétique ». -En 1989,GOLDBERG a fait un livre,au cours de la même année ont fait apparition les problèmes de cartographie(mappingproblem)Une nouvelle méthode de cartographie des problèmes d'optimisation sur des réseaux de neurones par CARTSEN PETERSON il a publié sa nouvelle méthode dans « International Journal of Neural Systems »,cétait lannée de lévolution de la recherche en génétique. Leurs domaines dapplications se sont diversifiés, en 1992,dans la programmation génétique par KOZA. -En Pays-Bas,cétait au niveau de la modélisation des écosystèmes en 1995.ça cest progressé dannée en année,en 2001 :la conception de linnovation par les leçons tirées à partir des compétences en AG. Historique

5 Les Algorithmes génétiques sont puissants et largement applicables,des méthodes stochastiques de recherche et doptimisation basées sur le concept de la sélection naturelle et de lévaluation naturelle. Les AG sont appliqués sur les problèmes qui soit ne peuvent pas être formulés dans leurs exactes et précises formes mathématiques et peuvent contenir des données bruitées ou irrégulier ou ils prennent autant de temps pour en résoudre ou ils sont tout simplement impossibles à résoudre par les méthodes traditionnelles de calcul. Définition des AGs

6 la généralisation cartographique est lopération qui, par sélection, schématisation et harmonisation, reconstitue sur une carte la réalité de la surface terrestre représentée dans ses traits essentiels en fonction du but de la carte, de son thème, de son échelle et des particularités de la région cartographiée. Cest donc une opération dabstraction qui permet de créer des données plus simplifiées tout en conservant linformation essentielle véhiculée par la carte. la généralisation cartographique est un processus hautement holistique. Définition des GAPM

7 La robotique. Le domaine médical : cartographie du génome. Lintelligence artificielle : lapprentissage. La couverture terrestre de grandes surfaces à partir de satellite. Domain d application

8 Principe du GAPM Le fonctionnement général du GA|PM est basé sur un algorithme génétique mais se différencie des versions classiques par trois principaux éléments 1.Une amélioration des solutions par une recherche locale (MemeticAlgorithm – MA) 2.Une technique de gestion de la population par une mesure de distance (Population Management - PM) 3.Une petite population P de solutions de bonne qualité. Le PM signifie qu'une nouvelle solution T ne peut intégrer la population courante que si sa distance Dp T à la population courante P est telle que Dp T>= avec un seuil donné. Le fonctionnement est assez simple et est basé sur un algorithme génétique. Nous supposons que nous avons comparer deux individus entre eux et mesurer leur dissemblance. Nous pouvons donc mesurer la similarité entre un individu et la population existante. Au départ, on génère une population initiale de petite taille et on choisit un paramètre fixant le niveau de dissemblance des solutions entre elles. Ensuite, on procède comme dans un algorithme génétique, on choisit deux individus que l'on croise pour obtenir deux enfants. Pour chacun on applique une recherche locale de façon à obtenir des optima locaux. S'ils ne répondent pas au critère de diversité, on applique un opérateur de mutation sur ces individus jusqu'à satisfaction de ce critère. Ensuite sous condition, on les insère dans la population à la place d'un autre individu. A chaque itération le paramètre gérant la diversité est mis à jour.

9 Voici en matlab le fonctionnement de mon GAPM: initialise population P; placer le parameter de diversité de la population repeat select : p1 and p2 from P crossover : p1 p2 c1, c2 local search :on c1 and c2 for chaque enfant C do while Dp T>= do mutate c end while if c satisfies des conditions d addition then enlever la solution : P P\b ajouter la solution : P P c end if end for mise a jour du parameter de diversité untilarrêter le critère satisfait End Principe du GAPM

10 Avantages et inconvénients Inconvénients Dabord, les algorithmes génétiques sont coûteux en temps de calcul, puisquils manipulent plusieurs solutions simultanément. Cest le calcul de la fonction de performance qui est le plus pénalisant, et on optimise généralement lalgorithme de façon à éviter dévaluer trop souvent cette fonction Ensuite, lajustement dun algorithme génétique est délicat. Lun des problèmes les plus caractéristiques est celui de la dérive génétique, qui fait quun bon individu se met, en lespace de quelques générations, à envahir toute la population. On parle dans ce cas de convergence prématurée, qui revient à lancer à une recherche locale autour dun minimum… qui nest pas forcément loptimum attendu Un autre problème surgit lorsque les différents individus se mettent à avoir des performances similaires : les bons éléments ne sont alors plus sélectionnés, et lalgorithme ne progresse plus.

11 Avantages Le grand avantage des algorithmes génétiques et les problèmes de cartographie est quils parviennent à trouver de bonnes solutions sur des problèmes très complexes, et trop éloignés des problèmes combinatoires classiques pour quon puisse tirer profit de certaines propriétés connues. Ils doivent simplement déterminer entre deux solutions quelle est la meilleure, afin dopérer leurs sélections. On les emploie dans les domaines où un grand nombre de paramètres entrent en jeu, et où lon a besoin dobtenir de bonnes solutions en quelques itérations seulement – dans les systèmes de régulation de transport en temps réel par exemple. Par ailleurs, les algorithmes génétiques se prêtent bien, du fait de leur traitement simultané de solutions, à la recherche doptimum multiples : en créant une fonction de coût partagée, dont la valeur dépend partiellement de la distance entre les individus, on voit se former graduellement des sous-populations dindividus, qui se stabilisent autour des différents pics de la fonction objectif.

12 Les algorithmes génétiques sont des algorithmes dexploration robustes et convergent vers une solution satisfaisante, lorsque leurs paramètres (taille de la population, nombre ditérations, probabilités de tirages,…) sont choisis dune manière adéquate. Cependant, le choix des paramètres ainsi que le codage des données est encore plus un art quune science. Il ny a aucun jeu de paramètres qui serait universel pour tous les problèmes considérés du fait que ces valeurs dépendent étroitement du type de problème à résoudre. Un autre inconvénient est que pour le moment, on ne sait pas prédire qu'un AG convergera vers la bonne solution. En effet, sur ces problèmes, GA|PM a montré qu'il convergeait plus rapidement qu'un algorithme mémétique conventionnel, alors que sa structure générale est bien plus simple que les autres méta heuristiques basées sur une population avec mesure de distance, telles que les méthodes de type recherche dispersée (SS) Conclusion

13 2009 :Intégration de la réalité diploide et des problèmes de pénétrance à une méthode de cartographie génétique fine. Présenté par « GABRIELLE BOUCHER »,université du Quebec à Montréal :A parallel genetic algorithm for task mapping on parallel machines Présenté par :S.Mounir Alaoui,O.Frieder and T.El- Ghazawi(Florida Institute of technology Melboume,Florida,USA/ILLINOIS Institute OF Technology,Chicago,USA/ George Mason University,Washington,USA). 2007:Heuristic algorithm based on a genetic algorithm for mapping parallel programs on hypercube multiprocessors.DPTO de computacion,Facultad de ingenieria,Universidad de Los Andes,Merida-Venezuela. Bibliographie


Télécharger ppt "Professeur responsable : MR BENYETTOU Université des sciences et de la technologie Mohamed Boudiaf USTO."

Présentations similaires


Annonces Google