ANNEE UNIVERSITAIRE :2010/2011

Slides:



Advertisements
Présentations similaires
Les Structures.
Advertisements

Soutenance du stage de DEA.
Algorithmes Génétiques : Principes mathématiques et Utilisations
Chap. 4 Recherche en Table
Éléments de correction du devoir novembre 2011
Algorithmes et structures de données avancés
Conception Préliminaire de Manipulateurs Mobiles et Génération de Consignes Évolutionnaires : une Méthodologie pour Intégrer la Commande dans l’Évaluation.
Les Structures. Introduction : Imaginons que lon veuille afficher les notes dune classe délèves par ordre croissant avec les noms et prénoms de chaque.
Métaheuristiques pour l’optimisation combinatoire
Collecte de données F. Kohler.
Les K plus proches voisins
Matrices.
Colloque Traitement et Analyse de séquences : compte-rendu
Gestion des partenaires. Ce panel de choix doit être adapté à lajout dun partenaire: Dans Cocolight / Coconut il faudrait avoir 2 possibilités : 1er Niveau:
Algorithmes génétiques
variable aléatoire Discrète
Optimisation globale non déterministe
Traitement Co-Séquentiel: Appariment et Fusion de Plusieurs Listes
UNIVERSITE DES SCIENCES ET DE LA TECHNOLOGIE D’ORAN
Application des algorithmes génétiques
Commande par algorithme génétique
Thème 1-A-3 De la diversification des êtres vivants à l’évolution de la biodiversité Cf TP 9.
Les Algorithmes Génétiques
BIO 2533 — Chapitre 1 Importance de la génétique et sa portée:
Responsables P. Maury & R. Babilé
La segmentation
Comprendre la variation dans les données: Notions de base
Introduction à l’algorithmique
Les Fonctions. Définir une fonction Sections de code indépendantes que lon peut appeler à nimporte quel moment et dans nimporte quel ordre. Bout de code.
Semaine #1 INF135 par Frédérick Henri.
CHAPITRE 19 - La génétique des populations
LA LOI DE HARDY-WEINBERG ET LA MICROÉVOLUTION
A.4 Le porteur génétique.
Efficacité des algorithmes
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,
Gestion de Fichiers GF-10: Traitement Co-Sequentiel: Appariment et Fusion de Plusieures Listes (Base sur les sections de Folk, Zoellick & Riccardi,
1.1 Graphe attendu reprenant ce modèle, titré, légendé et comportant :
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.
La génétique et la biométrie
Outils mathématiques pour le datamining
Optimisation par les algorithmes génétiques
Marquez cette valeur sur le diagramme à points de la question 6. La moyenne réelle des nombres de lettres par mots dans la population de l'ensemble des.
Micro-intro aux stats.
D.E ZEGOUR Ecole Supérieure d’Informatique. Problèmes de décision Concepts de base Expressions régulières Notation particulière pour exprimer certaines.
Travaux Pratiques Optimisation Combinatoire
Génétique des populations La loi de Hardy-Weinberg
Recherches locales et méta-heuristiques
Algorithme de Huffman Mis au point en 1952 par David Huffman
Université Farhat Abbas_setif
Algorithmes génétiques en optimisation combinatoire
Algorithmes génétiques
Implémentation d’un opérateur de répartition de sources lumineuses
Christelle Reynès Utilisation des algorithmes génétique en analyse de données de protéomique.
Déterminisme génétique de la sensibilité à la photopériode chez l’orge
LA LOI DE HARDY-WEINBERG ET LA MICROÉVOLUTION
Mr.D.MOKKADEM MATI CHEMS-EDDINE MEDJOUBI HALIMA
Dr. MOKEDDEM République Algérienne Démocratique et Populaire
Optimisation par les algorithmes génétiques
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.
Le concept de consanguinité
Séminaire PRISMa Virginie LEFORT 03/01/2005
Évolution de second ordre dans un algorithme évolutionnaire V. Lefort
Chapitre 3 : La biodiversité, résultat et étape de l’évolution.
MODULE FTH 2007 Diversité génétique
Stabilité et Variabilité des génomes et Evolution
Les étapes de l’algorithme choisi -Calcul des fitness -Mélange si stagnation -Sélection quasi-élitiste -Croisement -Mutation.
Génétique des populations La loi de Hardy-Weinberg
Transcription de la présentation:

ANNEE UNIVERSITAIRE :2010/2011 UNIVERSITE FERHAT ABBAS SETIF Faculté sciences de l’ingénieur Département d’électrotechnique Automatique ALGORITHME GENETIQUE Les étudiants L’ enseignant BARBECHE ISMAIL Dr MOKEDDEM .D BEKKA BRAHIM ANNEE UNIVERSITAIRE :2010/2011

algorithme génétique Définition Algorithmes génétiques le mécanisme de l'évolution dans la nature, une méthode de recherche et un échantillon des données utilisées pour trouver un groupe spécial. Les algorithmes génétiques ont été proposées par John Holland dans le début des années 1970. Génétique évolutive et développé par l'établissement similaire à la sélection de Darwin est naturel "itératif " la possibilité d'une méthode de recherche.

algorithme génétique Les algorithmes génétiques sont disponibles sur la nature de la règle fondée sur l'amélioration continue de la survie de bonnes solutions. Pour cela, le «bon» est ce qui détermine la conformité (Fitness) et la fonction de générer de nouvelles solutions ré- Copier changement (Mutation) utilise comme opérateurs. Une autre caractéristique importante des algorithmes génétiques une solution de groupe. De cette façon, la sélection d'un grand nombre de mauvaises peut être éliminé de la solution.

Le codage Chaque paramètre d'une solution est assimilé à un gène, toutes les valeurs qu'il peut prendre sont les allèles de ce gène, on doit trouver une manière de coder chaque allèle différent de façon unique (établir une bijection entre l'allèle "réel" et sa représentation codée).Un chromosome est une suite de gène, on peut par exemple choisir de regrouper les paramètres similaires dans un même chromosome (chromosome à un seul brin) et chaque gène sera repérable.Chaque individu est représenté par un ensemble de chromosomes, et une population est un ensemble d'individus.

Le codage Il y a trois principaux types de codage utilisables, et on peut passer de l'un à l'autre relativement facilement : le codage binaire : c'est le plus utilisé. Chaque gène dispose du même alphabet binaire {0, 1} Un gène est alors représenté par un entier long (32 bits), les chromosomes qui sont des suites de gènes sont représentés par des tableaux de gènes et les individus de notre espace de recherche sont représentés par des tableaux de chromosomes. Ce cas peut être généralisé à tout alphabet allélique n-aire permettant un codage plus intuitif, par exemple pour le problème du voyageur de commerce on peut préférer utiliser l'alphabet allélique {c1, c2, c3, ..., cn} où ci représente la ville de numéro i.

Le codage Le codage réel : cela peut-être utile notamment dans le cas où l'on recherche le maximum d'une fonction réelle

le codage de Gray : dans le cas d'un codage binaire on utilise souvent la "distance de Hamming« comme mesure de la dissimilarité entre deux éléments de population, cette mesure compte les différences de bits de même rang de ces deux séquences. Et c'est la que le codage binaire commence à montrer ses limites. En effet, deux éléments voisins en terme de distance de Hamming ne codent pas nécessairement deux éléments proches dans l'espace de recherche. Cet inconvénient peut être évité en utilisant un "codage de Gray" : le codage de Gray est un codage qui a comme propriété que entre un élément n et un élément n + 1, donc voisin dans l'espace de recherche, un seul bit diffère.

mutation Cet opérateur consiste à changer la valeur allélique d'un gène avec une probabilité pm très faible,généralement comprise entre 0.01 et 0.001. On peut aussi prendre pm = 1 / lg où lg est la longueur de la chaîne de bits codant notre chromosome. Une mutation consiste simplement en l'inversion d'un bit (ou de plusieurs bits, mais vu la probabilité de mutation c'est extrêmement rare) se trouvant en un locus bien particulier et lui aussi déterminé de manière aléatoire; on peut donc résumer la mutation de la façon suivante : On utilise une fonction censée nous retourner true avec une probabilité pm .

L'opérateur de mutation modifie donc de manière complètement aléatoire les caractéristiques d'une solution, ce qui permet d'introduire et de maintenir la diversité au sein de notre population de solutions. Cet opérateur joue le rôle d'un "élément perturbateur", il introduit du "bruit" au sein de la population.