Télécharger la présentation
1
Algorithme Génétique et Gestion de Projet
B. Batut, M. Chevalier, E. Girard et N. Parisot
2
Objectif A partir d’un graphe aléatoire,
Obtenir un graphe biologiquement réaliste via l’utilisation d’un Algorithme Génétique
3
Première Etape : Graphes
Choisir un type de graphe biologique à imiter Graphe de réactions métaboliques Motif Search in Metabolic Networks Récupération des 76 graphes disponibles au format XML
4
Première Etape : Graphes
Sélection des graphes entre 100 et 500 noeuds (± 10%) 48 Graphes Calcul des caractéristiques de ces graphes Réseau métabolique moyen
5
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
6
Deuxième Etape : Algo Gen
Développement du logiciel Interface Graphique CAPTURE
7
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
8
Deuxième Etape : Algo Gen
Pondération de la fonction de fitness Additif Test vs
9
Tests
10
Résultats
Présentations similaires
© 2024 SlidePlayer.fr Inc.
All rights reserved.