Séminaire PRISMa Virginie LEFORT 03/01/2005

Slides:



Advertisements
Présentations similaires
Cours 1A-1 Les brassages génétiques (suite)
Advertisements

E-learning Evolutif Albarelli Corinne Behem Patrice Guillot Jérôme
Soutenance du stage de DEA.
Évolution et sélection naturelle
Stage PAP génétique - juin 2005  Myriam Vial 
Sandrine Marchand- Académie de Grenoble
Localisation fine de QTL par déséquilibre de liaison Simon BOITARD Durée : octobre 2003-septembre 2006 Laboratoire : BIA (biométrie et intelligence artificielle)
Conception Préliminaire de Manipulateurs Mobiles et Génération de Consignes Évolutionnaires : une Méthodologie pour Intégrer la Commande dans l’Évaluation.
La génétique bactérienne cours 5
LES RESEAUX DE NEURONES
Optimisation dans les télécommunications
Application aux NK-landscape...
Algorithmes génétiques
LI.A ça ressemble à ça… des fois…. Ou pas… Rappels et définition de lIA – Lidée quon sen fait – Jusquoù on va aujourdhui / dans le futur? – Petit Etat.
Plan 1. Problème étudié : Job Shop 1.1. Données et contraintes
Recherche heuristique de similitudes dans les séquences dADN École Jeunes Chercheurs en Algorithmique et Calcul Formel Laurent Noé
Optimisation globale non déterministe
Application des algorithmes génétiques
Parcours de formation SIN-7
Synthèse Bibliographique
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
Séminaire de lobjectif « forage et production » Beaune, les 26,27 et 28 Avril 2000 Outils danalyse statistiques « programmation par lexemple » S. Canu,
LE CYCLE CELLULAIRE LA MÉIOSE ET LES CYCLES DE DÉVELOPPEMENT SEXUÉS
BIO 2533 — Chapitre 1 Importance de la génétique et sa portée:
Responsables P. Maury & R. Babilé
Département « Ecologie Evolutive »
Etablissement d’une carte génomique pour l’espèce canine
Diversification du Vivant
CHAPITRE 19 - La génétique des populations
Comment fonctionne l’évolution?
L’origine de la diversité
A.4 Le porteur génétique.
L’amélioration par la Sélection
Standard Template Library
Approches non intrusives des éléments finis stochastiques
Science qui étudie l’hérédité
Avant et après Darwin Chapitre 22
La génétique et la biométrie
La théorie génétique de l'évolution
Supports de formation au SQ Unifié
Optimisation par les algorithmes génétiques
1 Alain Casali Christian Ernst Extraction de Règles de Corrélation Décisionnelles 29 Janvier 2009.
Intelligence Artificielle
Travaux Pratiques Optimisation Combinatoire
Présentation AICHA REVEL INGENIEUR D’ÉTUDE STERIA DEPARTEMENT TRD
Olivier Leclair, Université Laval Un algorithme de fouille dans une représentation des données par objets: une application médicale SIMON, Arnaud.
Recherches locales et méta-heuristiques
Introduction et Généralités sur l’Algorithmique
Optimisation pour la Conception de Systèmes Embarqués
Université Farhat Abbas_setif
Algorithmes génétiques en optimisation combinatoire
Génétique des populations La diversité génétique et sa variation dans le temps et dans l’espace.
Algorithmes génétiques
GPA-779 Application des systèmes experts et des réseaux de neurones.
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.
L’évolution.
Évolution de second ordre dans un algorithme évolutionnaire V. Lefort
Les étapes de l’algorithme choisi -Calcul des fitness -Mélange si stagnation -Sélection quasi-élitiste -Croisement -Mutation.
1 Evolution de la Science Contemporaine Daniel Memmi Dépt. Informatique UQAM.
La génétique.
Antiquité → XIX ème siècle: – Transformation des espèces (idées) Les théories de l’évolution Page 7 1.
La génétique théorique
L’histoire du gène depuis le début du 20 e siècle jusqu’à aujourd’hui Michel Morange, Centre Cavaillès, République des savoirs USR 3608, Ecole normale.
Transcription de la présentation:

Séminaire PRISMa Virginie LEFORT 03/01/2005 Algorithmes génétiques : présentation et limitations Introduction à l’algorithme RBF-Gene Séminaire PRISMa Virginie LEFORT 03/01/2005

Plan de la présentation L’évolution de l’évolution Les algorithmes génétiques classiques Applications Limitations Nouvelles découvertes biologiques Notre algorithme : le RBF-Gene

L’évolution de l’évolution Le dualisme platonicien (5ème av JC) Aristote (4ème av JC) : espèces éternelles et de complexité différente Le créationnisme biblique Le fixisme : Dieu a créé le vivant tel quel Le catastrophisme (Cuvier, 1812) : des catastrophes permettent la création de nouvelles espèces L’élan vital (Lamarck, 1809) : Orthogénèse Hérédité

L’évolution de l’évolution L’évolution des espèces (Darwin, 1859) Des variations aléatoires Survie des plus adaptés Reproduction et transmission des nouveaux caractères MAIS : tous les caractères sont transmis (innés ou acquis) et un enfant est la « moyenne » de ses parents

L’évolution de l’évolution Naissance de la génétique (Mendel, 1866) Travail sur des petits pois Définition d’un gène Formalisation Lois de Mendel MAIS pas de support pour cette « information »

L’évolution de l’évolution Théorie synthétique de l’évolution (Haldane, Fisher, Wright, 1900) Cartographie des gènes (Morgan, 1910) Association gènes-chromosome (McClintock) L’ADN et le code génétique (Watson et Crick, 1953-1966)

Les AGs classiques Inspirés des travaux biologiques dans les années 70 Caractérisés par : Un problème Un espace de recherche (pour les solutions) Un codage des points de cet espace sur un chromosome Des opérateurs génétiques Sélection des plus adaptés Reproduction Mutation

Les AGs classiques Le codage Ex 1 : Optimisation d’une fonction Chromosome : liste de chaque paramètre Codage : Ex 2 : Problème du voyageur de commerce Chromosome : liste ordonnée des villes X1 X2 X3 X4 0110 1110 1010 0010 V1 V2 V3 V4 Lyon Paris Lille Nantes

Les AGs classiques Séléction des plus adaptés : Mise en place d’une fonction de fitness associant une valeur à un individu Mécanisme de sélection : roulette-wheel, par tournoi, élitisme…

Les AGs classiques Reproduction Mutation Optimisation Voyageur

Applications Biologie Simulation de la cellule (Weinberg, 1970) Synthèse de comportements animaux (Dumeur, 1995) Alignement de séquences ADN Phylogénie (création d’arbres) Réseaux de gènes

Applications - 2 Vie artificielle Jeux Comportement de robots : évitement d’obstacles, recherche de nourriture Créatures artificielles (Sims, 1994) Simulation de comportements sociaux Jeux L’hexapion de Bagley (1967) Le dilemme du prisonnier itéré (Axelrod, 1985) Programmation de l’IA de jeux vidéos

Applications - 3 Imagerie Design / physique Réalignement d’images médicales pour comparaison (Fitzpatrick, Grefenstette, Van Gucht, 1984) Reconnaissance de caractère (ex. La Poste) Classification d’images Design / physique Design de nouvelles formes (ailes d’avions, lentilles optiques….) Localisation et identification d’un dipôle magnétique (ENSIEG, 1998) Synthèse de systèmes de mesures redondants (Heyen, 2002)

Applications - 4 Finances Productique Création de profils de clients (Golden Eyes, 1997) Prévision de valeurs boursières Prévision de consommation (électricité, eau, produit…) Productique Ordonnancement de tâches (Bourazza, 2004) Prévision du risque de défaillance (Ben Salah, 2004) Simulation et transformation du processus d’innovation (Cartier) Simulation de la dynamique de l’adaptation d’industries (Cartier, 2003)

Limitations Phagocytage de la population Le codage Convergence trop rapide de la population Manque de diversité des solutions  Modification des opérateurs Le codage Nombre de gènes fixés Précision dépendante du codage  Quelques heuristiques, essais-erreur Liens entre les gènes Place des gènes fixée  Quelques algorithmes permettant de changer l’ordre

Nouvelles découvertes biologiques Processus complet d’expression des gènes

Nouvelles découvertes biologiques La transcription

Nouvelles découvertes biologiques La suppression des exons

Nouvelles découvertes biologiques La traduction

Nouvelles découvertes biologiques Indépendance entre les structures du génotype et du phénotype : Nombre de gènes variables Ordre des gènes indifférent Rôle des séquences non codantes Utilité d’un code génétique

Le RBF-Gene Idée forte : se rapprocher de la biologie en rajoutant un niveau intermédiaire Kernels : morceaux de solution Passage chromosome  kernels : transcription Passage kernel  phénotype : combinaison des kernels Champ d’application actuel : régression non linéaire

Le RBF-Gene Notre problème : la régression non linéaire

Le RBF-Gene Définition d’un kernel « Fonction simple au nombre de paramètres faible et fixé, dont la combinaison peut permettre de créer n’importe quelle fonction (approximateurs universels) » Ex : sinusoïdes, gaussiennes, triangles, rectangles…

Le RBF-Gene : codage Code génétique w: 101(gray)  110(bin)  0.75 FE… B EFDGGCFDGHEG A …D G2 G3 G4 1 σ H G μ F E w D C Stop B Start A Val. Parametre Base Code génétique w: 101(gray)  110(bin)  0.75 μ: 0110(gray)  0100(bin)  0.25 σ: 00010(gray)  00010(bin)  0.0625 μ σ Kernel K1: Phenotype :

Le RBF-Gene Les opérateurs :

Le RBF-Gene Présentation du test : Fonction originale : sin(12x) Bruit sur les points : =0.02 2 ensembles : 50 points pour la validation 50 pour l’apprentissage Population : 100 individus 10000 générations

Le RBF-Gene T=0 T=500 T=4000 T=10000

Le RBF-Gene

Le RBF-Gene Travaux en cours Le futur de la thèse ? Etude fine de la sensibilité Tests sur d’autres benchmarks Passage du codage binaire au codage réel Le futur de la thèse ? Application à la robotique Amélioration des opérateurs …

Questions ? Discussions ?