Algorithmes génétiques

Slides:



Advertisements
Présentations similaires
Soutenance du stage de DEA.
Advertisements

Algorithmes Génétiques : Principes mathématiques et Utilisations
Fabrice Lauri, François Charpillet, Daniel Szer
10/31/02 Leïla Merghem - LIP6 Une approche Multi-Agents pour la Simulation de Réseaux de Télécommunications Leïla Merghem (LIP 6) Dominique Gaïti (LIP.
Recherche de motifs par méthodes exploratoires: Comparaisons de performances et statistiques sur le score.
Conception Préliminaire de Manipulateurs Mobiles et Génération de Consignes Évolutionnaires : une Méthodologie pour Intégrer la Commande dans l’Évaluation.
Métaheuristiques pour l’optimisation combinatoire
1 Vers la découverte de nouvelles modalités sensori-motrices. Encadrants : Pierre Bessière Anne Spalanzani Pierre Dangauthier DEA I.V.R. 24 Juin 2003 Sélection.
Affine registration with Feature Space Mutual Information (2001)
Visualisation d’information interactive 5 : Graphes
Optimisation dans les télécommunications
Application aux NK-landscape...
A.Faÿ 1 Recherche opérationnelle Résumé de cours.
Journée de Travail Groupe “Bermudes”
Plus rapide chemin bicritère : un problème d’aménagement du territoire
Optimisation globale non déterministe
3. Algorithme Colonies de fourmis.
UNIVERSITE DES SCIENCES ET DE LA TECHNOLOGIE D’ORAN
Application des algorithmes génétiques
5. Algorithme à estimation de distribution
Synthèse Bibliographique
Commande par algorithme génétique
Heuristiques A. Introduction B. Recherche d ’une branche
Les Algorithmes Génétiques
Séminaire de lobjectif « forage et production » Beaune, les 26,27 et 28 Avril 2000 Outils danalyse statistiques « programmation par lexemple » S. Canu,
Génération de feuilles de style pour site Web par un
Responsables P. Maury & R. Babilé
IFT 615 – Intelligence artificielle Recherche locale
CHAPITRE 19 - La génétique des populations
Mise en oeuvre des MMCs L'utilisation des MMCs en reconnaissance des formes s'effectue en trois étapes : définition de la topologie de la chaîne de Markov,
AIP PRIMECA des Pays de La Loire – 9 novembre 2006
Extraction Automatique de formes complexes : Application à la création de modèle anatomique de la tête J. Piovano, T. Papadopoulo Séminaire Odyssee 9,
ASI 3 Méthodes numériques pour l’ingénieur
Project Hoshimi DAUTROY Stéphane ROGER julien BEGUE Jean-Baptiste.
Réseau bayésien à la détection de fraude
République Algérienne Démocratique et Populaire Ministère de l'enseignement supérieur et de herche scientifique Université de Ferhat Abbas -Sétif - Département.
les méthodes de recherche locale
Optimisation par les algorithmes génétiques
Optimisation par la méthode des abeilles
Gestion des inondations: deux approches utilisant la théorie de la viabilité Xavier Litrico, Katrin Erdlenbruch, Sophie Martin UMR G-EAU, Montpellier LISC,
Christelle Scharff IFI 2004
Travaux Pratiques Optimisation Combinatoire
2008/ Plan du cours 1.Introduction –Contenu du cours 2.Logique mathématique –Calcul propositionnel –Calcul des prédicats –Logique floue et aide à.
Conception d’un langage pour l’algorithme évolutionniste M atthieu CHOUTEAU Y ohann HUBERT C hristophe PANNEAU E stelle FILMON Mr SAUBION – Décembre 2002.
Recherches locales et méta-heuristiques
Simulation du rôle de la communication dans l’établissement d’un réseau de liens sociaux Projet GPL :
Classification de données par l’algorithme FPSO-GA
TIPE Les dames chinoises
Optimisation pour la Conception de Systèmes Embarqués
Université Farhat Abbas_setif
Combating Web Spam with TrustRank. OSINI Aurélien.
Algorithmes génétiques en optimisation combinatoire
Présenté par : ABED Djemaa; BAKHOUIA Roqiya.
Implémentation d’un opérateur de répartition de sources lumineuses
20/06/2015propagation de signatures lexicales dans le graphe du Web 1 Propagation de signatures lexicales dans le graphe du Web M. Bouklit M. Lafourcade.
Christelle Reynès Utilisation des algorithmes génétique en analyse de données de protéomique.
Mr.D.MOKKADEM MATI CHEMS-EDDINE MEDJOUBI HALIMA
Dr. MOKEDDEM République Algérienne Démocratique et Populaire
Optimisation par les algorithmes génétiques
ANNEE UNIVERSITAIRE :2010/2011
Peuplement d’une ville virtuelle S.ESTIENNE PRE001v1.01 Exemple d’utilisation du GA 1. Initialement une population est choisie au hasard. 2. Chaque individu.
1 Logiciels de confection automatique d’horaires.
Le Jeu et l’intelligence artificielle
31/05/2007Projet Master 11 Présentation ludique de la recherche opérationnelle à la fête de la science Année universitaire 2006/2007 Sylvain FIX Julien.
Séminaire PRISMa Virginie LEFORT 03/01/2005
Évolution de second ordre dans un algorithme évolutionnaire V. Lefort
Equipe Projet DOLPHIN 03/04/08.
Proposition d’une métaheuristique pour le
Les étapes de l’algorithme choisi -Calcul des fitness -Mélange si stagnation -Sélection quasi-élitiste -Croisement -Mutation.
Programmation par contraintes Réalisé par: WETCHA Chaima MOKDED Mohamed Ali FIA3-GL-AL 1 1.
Transcription de la présentation:

Algorithmes génétiques Ivan Boelle Joffrey Tourret Ingénieurs 2000 – IR3 Exposé Système - IR3 Exposés Système - IR3

Algorithmes génétiques Présentation Problèmes « non classiques » Algorithmes basés sur les heuristiques Algorithmes génétiques Fonctionnement Principes de base Optimisation Utilisation Modélisation Démos Cas réels Conclusion Bibliographie Exposé Système - IR3 Exposés Système - IR3

Présentation Problèmes « non classiques » Pas de méthode pour résoudre Déplacement d’un robot Modélisation trop complexe Comportement social Évolution / Adaptation / Tolérance à l’erreur Systèmes de perception, d’analyse Exposé Système - IR3 Exposés Système - IR3

Présentation Une solution basée sur les heuristiques Approche différente du problème Recherche de la meilleure solution (moins mauvaise) Exploration du domaine de solutions Exposé Système - IR3 Exposés Système - IR3

R = {x,y} tel que g( f(x,y) ) est optimal avec (x,y) є I Présentation R = {x,y} tel que g( f(x,y) ) est optimal avec (x,y) є I R: Meilleure solution (x,y): Solution I: Ensemble des solutions f(x,y) : Fonction coût g(): Fonction objectif Exposé Système - IR3 Exposés Système - IR3

Présentation Une solution: les heuristiques Principaux algorithmes Brute force (Monte Carlo) Hill climbers(gradient descent , annealing, tabu search) Evolutionary algorithm (Genetic, ant colony, neurals networks) Constraints algorithms (Local consistency, hybrid algorithms) Exposé Système - IR3 Exposés Système - IR3

Présentation Algorithmes génétiques Origine : Théorie Darwinienne de l’évolution Struggle for life Sélection naturelle AG inspirés du paradigme Terminologie identique (population, individu, chromosome, gène) Traduction du phénomène Opérateurs d’évolution Sélection Croisement Mutation

Présentation Algorithmes génétiques Gène et génotype Crossing over

Présentation Algorithmes génétiques Individus différents Sélection des mieux adaptés Hérédité

Fonctionnement Principes de base Modélisation de la sélection naturelle Etape d’évaluation C’est donc une sélection artificielle Intervention humaine

Fonctionnement Principes de base Génération Evaluation Sélection Création d’un population aléatoire Evaluation Comparaison des individus Sélection On ne garde que les meilleurs Croisement/Mutation On les fait se reproduire / Évoluer Retour à l’évaluation

Fonctionnement Optimisations: Algorithmiques Critère d’arrêt Algorithmes hybrides (Hill climbers) Élitisme Configuration du degré mutation / croisements Modélisation Exposé Système - IR3 12 Exposés Système - IR3 12

Fonctionnement Optimisations: Implémentation Gestion mémoire Problèmes: Algorithmes avec de très nombreuses itérations Variables temporaires nombreuses Solutions: Utilisation de tampons (buffers) Stratégies de réutilisation Design pattern Flyweight Exposé Système - IR3 13 Exposés Système - IR3 13

Utilisation Modélisation Cas concret : Problème f(x1, x2, x3, …, xn) = x1 * x2 + x3 - … / xn f(x1, x2, x3, …, xn) = 1000 x1 = ?, x2 = ?, x3 = ?, …, xn = ? La suite des opérations aléatoirement choisie en début d’algorithme Comment modéliser le problème ? Que cherche-t-on ? On définit la population, les individus, les gènes

Utilisation Modélisation Population Individu Gène Ensemble de suites de valeurs (solutions potentielles) Individu Suite de valeurs Gène Une des valeurs On définit alors les opérateurs nécessaires à l’algorithme

Utilisation Modélisation Evaluation Sélection Croisement Mutation Calcul de f(x,y,z,…) avec les opérandes de la fonction Ecart du résultat / résultat attendu Sélection On ne retient que les meilleurs solutions en les triant Croisement Deux suites parent donnent deux suites enfant Le début de l’une devient le début de l’autre en coupant aléatoirement Mutation On modifie une des valeurs de certaines suites de manière aléatoire

Utilisation Modélisation Solution = meilleur_individu générer population Pour i de 0 a nb_essai_max{ pour tous les individus{ evaluer(individu) } Si meilleur_individu == resultat_attendu{ arret sélectionner(population) croiser(population) muter(population) Solution = meilleur_individu Il est possible de ne pas exiger l’égalité et de se contenter d’une valeur approchée

Utilisation Exemple JAVA avec JGAP JGAP: Algorithme génétique « fin » Problème: f(x,y,z,…) = x / y * z + … f(x,y,z,…) = 10000 x = ?, y = ? z = ?, … Modélisation Java: CalculChromosome CalculGene CalculFitnessFunction Operation Exposé Système - IR3 18 Exposés Système - IR3 18

Utilisation Démo Problème classique : le voyageur de commerce: Recherche d’un cycle hamiltonien de plus courte distance dans un graphe Comparaison de l’algorithme Monte Carlo avec un algorithme génétique.

Utilisation Démo: biobloc Évolution Problème: Apprendre a un robot a effectuer des opérations sans connaître ses capacités exactes. Modélisation subodorée: Robot « Biobloc » Fonctions d’adéquations simples (meilleur performance retenue) Exposé Système - IR3 20 Exposés Système - IR3 20

Utilisation Cas réels Total: Sismage Introduction: Réservoir pétroliers Problème: Petro Elastic Model  PEM(statiques, inconnus) = IP/IS mesurés Inconnus = PEM_Inverse(statiques,IP/IS) Problématiques supplémentaire: performances Exposé Système - IR3 21 Exposés Système - IR3 21

Conclusion Conclusion Algorithmes génétiques: Problématiques associées Une solution basée sur l’optimisation Un algorithme évolutionniste Problématiques associées Modélisation Optimisation Algorithmique Implémentation Applications / Avenir Exposé Système - IR3 22 Exposés Système - IR3 22

Bibliographie Démonstrations http://www.caplet.com/MannaMouse.html http://www.rennard.org/alife/french/gav.html http://www.lalena.com/AI/Ant/Ant.aspx http://math.hws.edu/xJava/GA/ http://magnin.plil.net/anciensite/coursag/voyageur/voyageur.html Exposé Système - IR3 Exposés Système - IR3

Bibliographie Sites explicatifs http://cs.felk.cvut.cz/~xobitko/ga/ http://en.wikipedia.org/ http://animatlab.lip6.fr/papers/Mouret_LMag_05_ga.pdf http://magnin.plil.net/spip.php?rubrique8 http://fr.wikipedia.org/wiki/Algorithme_g%C3%A9n%C3%A9tique Exposé Système - IR3 Exposés Système - IR3

Bibliographie Sites pour le développement / API http://www.genetic-programming.org/ http://jaga.sourceforge.net/ http://jgap.sourceforge.net/ Exposé Système - IR3 Exposés Système - IR3