Algorithme Génétique et Gestion de Projet B. Batut, M. Chevalier, E. Girard et N. Parisot
Objectif A partir d’un graphe aléatoire, Obtenir un graphe biologiquement réaliste via l’utilisation d’un Algorithme Génétique
Première Etape : Graphes Choisir un type de graphe biologique à imiter Graphe de réactions métaboliques http://pbil.univ-lyon1.fr/software/motus Motif Search in Metabolic Networks Récupération des 76 graphes disponibles au format XML
Première Etape : Graphes Sélection des graphes entre 100 et 500 noeuds (± 10%) 48 Graphes Calcul des caractéristiques de ces graphes Réseau métabolique moyen
Première Etape : Graphes Réseau Métabolique Moyen Degré moyen d’un noeud : 4.05 ± 0.93 Coefficient de clustering : 0.37 ± 0.06 Nombre de cliques (normalisé par nombre de noeuds) : 0.7 ± 0.05 Mean Free Path : 5.78 ± 1.52
Deuxième Etape : Algo Gen Développement du logiciel Interface Graphique CAPTURE
Deuxième Etape : Algo Gen Définition de la fitness Adéquation de la distribution des degrés à une loi de puissance de paramètre 2.2 (Valeur trouvée dans la littérature) Test de Kolmogorov-Smirnov p-value doit être < 1e-6 Nombre de cliques Doit être compris entre Coefficient de clustering Connexité Egale à 1 obligatoirement Mean Free Path
Deuxième Etape : Algo Gen Pondération de la fonction de fitness Additif Test vs
Tests
Résultats