Réseau bayésien à la détection de fraude Université des sciences et de la technologie Mohamed Boudiaf USTO Réseau bayésien à la détection de fraude Professeur responsable : DR OUTMANI Présenté par : SEHAILIA Lamia

Domaine d’application Introduction Historique Définition PLAN DE TRAVAIL Principe des AG Domaine d’application Exemple d’application Avantages et inconvénients Conclusion

" méthode " : les variations génétiques et l'évolution par sélection. I n t r o d u c t i o n Depuis des millions d'années, la nature résout des problèmes très variés (optimisation, perception...) en utilisant toujours la même " méthode " : les variations génétiques et l'évolution par sélection. L’intelligence artificielle résultent de la transposition informatique de la génétique et de l'évolution naturelle. nous allons voir une de ces méthodes, l’algorithme génétique qui c’est inspirés des organismes biologique en utilisant des aspects informatiques

H i s t o r i q u e L'utilisation des AG, dans la résolution des problèmes, est à l'origine le fruit des recherches de John Holland en 1960 , le premier aboutissement de ces recherches été en 1975 de Adaptation in Natural and Artificial System. Et finalement la popularisation des AG sera l'œuvre de David Goldberg à travers son livre Genetic Algorithms in Search, Optimization, and Machine Learning en1989. La première conférence francophone avec proceedings sur le sujet sera organisée en 1994 par Jean-Marc Alliot ,Evelyne Lutton, Marc Schoenauer et Edmund Ronald.

Mesure du performance(fitness) Adaptation à l’environnement D é f i n i t i on Les algorithmes génétiques sont des algorithmes d'optimisation s'appuyant sur des techniques dérivées de la génétique et des mécanismes d'évolution de la nature ,Ils appartiennent á la classe des algorithmes évolutionnaires. Donc les algorithmes sont des techniques de recherche robuste et stochastique et leurs équivalences biologiques est défini comme suite : Les algorithmes génétiques, se basent sur trois opérations principales, qui sont  Algorithme génétique Organisme biologique Chaine de bit reproduction croisement Chromosome mutation Bit Gène Position Locus Valeur du bit Allèle Mesure du performance(fitness) Adaptation à l’environnement

Principe des AG Créer une population initiale de N chromosomes Evaluer la mesure de performance de chaque chromosome Reproduction sélectionner les parents dans les dont la fitness est importante. Croisement choisir aléatoirement une partie de parents pour le croisement. Echanger des sous-chaines de bits à l’aide d’un croisement a un point(one point crossover) de façon de créer deux enfants. Mutation: traiter les deux enfants avec l’opérateur de mutation et ajouter. Répéter les étapes 4 et 5 jusqu’à ce que tous les parents aient été traités  Remplacer l’ancienne population de chromosomes par la nouvelle génération Évaluer la mesure de performance de chaque chromosome dans la nouvelle population Retourner en (3) si le nombre de génération actuel est moindre que le nombre maximal de générations. Autrement , le résultat final est le meilleur chromosome généré durant la recherche.

Domaine d’application Les domaines d’applications des algorithmes génétiques sont multiples comme : optimisation des fonctions numériques difficiles, traitement d’image, optimisation d’emplois du temps, contrôle de systèmes industriels [Beasley, 1993], cryptographie, apprentissage des réseaux de neurones [Renders, 1995], etc.

Exemple d’application Sélection MUTATION CROISEMENT 1 1 La condition d’arrêt peut être le dépassement d’un nombre max de génération ou l ’arrivé à une solution optimale acceptable 1 1 1 1 1 1 1 1

Avantages et inconvénient Inconvénients Nécessitent beaucoup de temps de calculs que les autres algorithmes méta heuristiques. Le problème issu de la dérive génétique, qui fait qu’un bon individu se met, en l’espace de quelques générations, à envahir toute la population. les différents individus se mettent à avoir des performances similaires Problèmes des optimums locaux si les paramètres sont mal évalués. Avantages élimination des solutions non valides. Permet de traiter des espaces de recherche important Nombre de solutions important. Relativité de la qualité de la solution selon le degré de précision demandé.

nombreux problèmes, dont le problème du voyageur de commerce. Conclusion Les algorithmes génétiques fournissent des solutions proches de la solution optimale à l'aide des mécanismes de sélection, d'hybridation et de mutation. Ils sont applicables à de nombreux problèmes, dont le problème du voyageur de commerce. Mais malheureusement il consomme beaucoup de temps de calcule et peuvent facilement tombé dans les minimas locaux

Références www.lsis.univ-tln.fr/~tollari/TER/AlgoGen1/node5.html [Dejong et al,92]: Dejong K.A. and W.M.Spears,”Aformel analysis of the role of multi-point crossover in genetic algorithms”. Annals of Mathematics and Artificial Intelligence Journal,pp:1-26,1992 Genetic algorithms in search, optimization and machine learning (Goldberg Addison-wesley 1989 [Spalanzani,99]: A.Spalanzani ,”Algorithmes évolutionnaires pour l’étude de la robustesse des Systèmes de reconnaissance automatique de la parole», thèse de doctorat, Université Joseph Fourier- Grenoble ,France28Octobre 1999.

Merci de votre attention