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

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

Application des méthodes évolutionnaires Inspiration biologique et algorithmes EquipeBOUQUET Gaëtan CHAZELLE Johann ESCOUTE Guillaume BOUILLOT Lucas.

Présentations similaires


Présentation au sujet: "Application des méthodes évolutionnaires Inspiration biologique et algorithmes EquipeBOUQUET Gaëtan CHAZELLE Johann ESCOUTE Guillaume BOUILLOT Lucas."— Transcription de la présentation:

1 Application des méthodes évolutionnaires Inspiration biologique et algorithmes EquipeBOUQUET Gaëtan CHAZELLE Johann ESCOUTE Guillaume BOUILLOT Lucas

2 Introduction 2

3 Déroulement de la présentation Algorithme évolutionnaires et ingénierie Notions de biologie Principe Domaines dapplication Limites et perspectives Des algorithmes limités Les avancées Lexemple de lévolution du second ordre 3

4 Algorithmes évolutionnaires et ingénierie 4

5 Notions de biologie : lévolution 5 5 propositions : Variabilité au sein des individus Ressources limitées, insuffisantes par rapport à laccroissement Conflit Certaines variations fournissent un avantage dans ce conflit sélection naturelle Accumulation progressive au cours du temps : « évolution gradualiste » Importance de lenvironnement, phénomène dadaptation

6 Notions de biologie : le neurone 6 Élément de base du système nerveux 3 parties : le corps cellulaire, les dendrites et laxone 5 opérations : intégration, traitement, codage, genèse et propagation de linformation nerveuse

7 Notions de biologie : le neurone 7 Réseaux de neurones, les synapses jouent le rôle de jonction Ne sont pas des mécanismes figés : Plasticité neuronale Plasticité structurale A lorigine des phénomènes dapprentissage

8 8 Principe Les algorithmes évolutionnaires : Méthode de résolution non déterministe Résolution de problème : Maximisation dune fonction Modélisation de ladaptation au milieu et de la sélection naturelle Un vocabulaire associé au domaine : individu, population, génération, parent, enfant…

9 9 Principe

10 10 Principe Différentes représentations : Discrète Algorithmes génétiques ContinueStratégies d évolution FonctionnelleProgrammations génétique et évolutionnaire

11 11 Principe Algorithmes génétiques Croisement Mutation Codage

12 12 Principe Stratégies dévolution Croisement Avec compris entre 0 et 1 Mutation Ajout dun bruit gaussien sur un terme du vecteur enfant Remplacement 2 approches : (, ) : - meilleurs parents complétés par les enfants ( + ) : mélange des enfants avec les parents => meilleurs gardés

13 13 Principe Programmations génétique et évolutionnaire Croisement Mutation : Ajout, Suppression, Modification dun nœud Modification dune variable, constante La programmation évolutionnaire ne contient pas létape de croisement

14 14 Domaines dapplication Dans quelles conditions utiliser ces algorithmes ? Les méthodes de résolution classiques ne donnent pas de résultats acceptables en un temps correct. Fonction dadaptation pas trop gourmande en temps de calcul Si on souhaite un résultat rapide et pas forcément précis

15 15 Domaines dapplication Les algorithmes évolutionnaires … Beaucoup de domaines concernés ! Ordonnancement Réseaux Optimisation de structures mécaniques Gestion des trajectoires Traitements dimages

16 Limites et perspectives 16

17 Des algorithmes limités : Choix empiriques Taux dutilisation Converger rapidement Trouver un optimum global Inadéquation des opérateurs Tirer des information De bons parents donnent de bons enfants Représentation inadaptée Solution encodable 17

18 Choix des taux dutilisation Tests préliminaires nécessaires Taux conseillés pour les algorithmes génétiques Taux dépendant du problème et du stade de recherche 18

19 Choix des opérateurs Problèmes dépistasie Liens de proximités / liens épistatiques Un exemple : la fonction (x-t)² + z * y sur le domaine [0 ; 5] Inadéquation des opérateurs à la représentation 19

20 Choix de la représentation Un dilemme Choisir une taille des gènes suffisante pour atteindre loptimum Limiter cette taille pour converger rapidement Lexemple des polynômes 20

21 Des algorithmes limités : une théorie sous-jacente dépassée 21 Algorithmes génétiques adaptés pour la résolution de certains problèmes o Mais utilisent des concepts simplifiés et dépassés => Etendue de problèmes limitée Si les algorithmes génétiques se comportaient comme l'évolution naturelle, les applications seraient bien plus intéressantes o Exemple du micro-ondes

22 Des algorithmes limités : une théorie sous-jacente dépassée 22 Evolution artificielle en fonction d'un objectif à atteinte o L'évolution naturelle n'a pas d'objectif ni de fin Concepts simplifiés ou dépassés : o Génomes de petite taille o Phénotypes simples o Relations simples entre les deux 1 génotype = 1 phénotype o Génome = gènes indépendants, pas d'intérêt pour la matière non génétique o Gènes passés directement aux enfants o Sélection uniquement sur le phénotype o Organisation fixe du génome Evolution naturelle bien plus complexe... Source : From artificial evolution to computational evolution : a research agenda

23 Les avancées : optimisation des algorithmes 23 Problème des fonctions à forts gradients : les extremums locaux, convergence prématurée Problèmes des fonctions à faible gradient : stagnation des générations

24 Les avancées : optimisation des algorithmes 24

25 Les avancées : optimisation des algorithmes 25

26 Les avancées : les perspectives dévolution 26 Source des limites des algos génétiques : divergence prématurée entre les domaines de l'informatique et de la biologie o Les méthodes évolutionnaires n'ont pas suivi les développements en biologie Nécessité d'un rapprochement entre les deux domaines Source : Going back to our roots : A second-generation biocomputing

27 Les avancées : lévolution calculatoire 27 "From artificial evolution to computational evolution" Nouvelle perspective de recherche But double : o Permettre la résolution de nouveaux problèmes en ingénierie o Fournir de meilleurs outils d'expérimentation in silico aux biologistes Principes et propositions o Principe général : utiliser les nouvelles connaissances en biologie pour créer de nouveaux algorithmes plus performants o Évolution de systèmes physiques plutôt qu'abstraits o Quantité d'énergie finie et ressources limitées o Organisation dynamique et hiérarchique des interactions entre l'information génétique et les individus qui évoluent o Relations complexes et évolutives entre génotype et phénotype o Introduction de variété dans les algorithmes

28 Les avancées : les difficultés et défis 28 Sur le plan psychologique : o Patience et générosité en ressources o Complexité de la vie simplicité de l'ingénierie o Spécifications floues et manque de compréhension du fonctionnement Sur le plan technique : o Nouvelles structures de données et de contrôle o Besoin d'une puissance de calcul considérable

29 Lexemple de lévolution du second ordre Evolution Darwinienne / Evolution Incarnée Permettre lévolution des mécanismes dévolution La notion dévolvabilité Principe Surmonter les limites habituelles Gagner en vitesse de convergence et optimisation Objectifs 29

30 Un algorithme : RBF-Gene Un réseau de neurones RBF pour le phénotype Le protéome représenté par les neurones Une représentation du génotype évolutive Un modèle innovant Un nombre de gènes variables Une place variable pour les gènes Des zones non codantes Une représentation dynamique 30

31 Le génotype 31

32 Lévolvabilité optimisée Optimisation de la taille des zones non codantes Comparaison avec des individus génétiquement modifiés Optimisation de lordre des gènes 32

33 Limites et perspectives 33 Perspectives Réponses aux limites habituelles Représentation dynamique assurant lévolution des mécanismes dévolution Limites Optimisation des opérateurs nécessaires Optimisation de lignées VS individu optimal


Télécharger ppt "Application des méthodes évolutionnaires Inspiration biologique et algorithmes EquipeBOUQUET Gaëtan CHAZELLE Johann ESCOUTE Guillaume BOUILLOT Lucas."

Présentations similaires


Annonces Google