1305682.ppt

Les Algorithmes Génétiques
Charline Voinot
Soutenance de Stage
IUT de Reims
DUT Informatique – Option IN
Promotion 2006

Plan
Introduction
Présentation et Définition du Principe
Utilisations en Imagerie Numérique
Avantages et Inconvénients
Conclusion

3
Entreprise : Visucolor®
Domaine : Contrôle de la Couleur
Choix du stage :
- Connaissance de l’Entreprise
et du Personnel
- Applications en Imagerie Numérique
Plusieurs missions, dont la principale est le développement
d’un système de détection automatique de couleurs grâce à
l’utilisation d’un algorithme génétique.
Introduction
Logo de la société Visucolor®
Introduction | Définition & Principe | Utilisations | Avantages & Inconvénients | Conclusion

4
• Soucis d’optimisation (physique, biologie économie, sociologie)
→ Utilisation des Mathématiques
• Méthodes analytiques ont fait preuve de leur efficacité
→ Pas semblable à la nature
Définition & Principe

5
• Théorie de l’Évolution et concept de Sélection Naturelle de
Charles Darwin
• Dès 1962, Dr John Henry Holland et ses travaux sur les systèmes
adaptatifs : Crossing-Over en complément des mutations
• Années 1990, vulgarisation des algorithmes génétiques avec la
publication de David Golberg

6
• Intelligence Artificielle de bas niveau (« Intelligence » de la nature)
• 3 Types d’Algorithmes Évolutionnaires, aujourd’hui regroupés:
◦ Algorithmes Génétiques
◦ Stratégies d’Évolution
◦ Programmation Évolutionnaires
Notons également les domaines de la Programmation Génétique et
de la Vie Artificielle.

7
• Il n’existe pas de preuve générale de l’efficacité des Algorithmes
Génétiques / Évolutionnaires
→ Constater l’efficacité de la sélection naturelle dans le monde
vivant :
Les individus sont adaptés à leur environnement

8
• Principe : Simuler l’évolution d’une population d’individus divers

9
• Ne nécessite pas une connaissance du problème : Boîte Noire
Manipulation des entrées, lecture des sorties, et à nouveau
manipulation des entrées afin d’améliorer les sorties.

10
Les Algorithmes Évolutionnaires sont inspirés du concept
de sélection naturelle de Charles Darwin.
→ Vocabulaire calqué :
◦ Population
◦ Individus
◦ Gènes
◦ Chromosomes
◦ Mutations
◦ Parents
◦ Descendants
◦ Reproduction
◦ Croisements
Analogies avec des phénomènes biologiques

11
Algorithmes issues de la biologie : Génétique
Cellules → Chromosomes → ADN
• ADN = Chaîne de Gènes
• Variantes d’un Gène = Allèle
• Emplacement du Gène sur le Chromosome = Locus
• Ensemble des Chromosomes = Génome
Un Individu est composé de:

12
Les Outils :
• Sélection (sélection naturelle)
→ Amélioration globale de l’adaptation
• Recombinaison (crossing-over)
→ Opération prépondérante, simple ou multiple
• Mutation
→ Pas de convergence prématurée, minimums et
maximums locaux

13
Différents types de sélection:
• Par rang (élitiste)
• Roue de la fortune (roulette)
• Par tournoi
• Uniforme

14
Recombinaison (crossing-over)
Chromosome Contenu
A 00 : 11 00 10
B 01 : 01 01 00
A’ 00 : 01 01 00
B’ 01 : 11 00 10
Chromosome Contenu
A 00 : 11 00 : 10
B 01 : 01 01 : 00
A’ 00 : 01 01 : 10
B’ 01 : 11 00 : 00
Simple Multiple

15
Les mutations :
• Taux relativement faible et évolutif
• Permet d’éviter les problèmes d’optimums locaux
Minimum Local
Minimum Global

16
Schéma Récapitulatif
Cycle qui se répète jusqu’à la
condition d’arrêt :
• Nombre de générations fini
• Score des Individus

17
Applications multiples :
→ Optimisations de fonctions numériques difficiles,
d’emplois du temps, de design, traitement d’image, contrôle
de systèmes industriels …
Les Algorithmes Génétiques peuvent être utilisés pour contrôler
un système évoluant dans le temps :
→ Adaptation de la population à des conditions
changeantes
Utilisations

18
Le commis de voyage
Recherche du chemin le plus court
• Méthode exhaustive exclue :
→ Pour N villes, (n-1)! combinaisons possibles
• Exemple suivant :
◦ Comporte 40 villes
→ Environ 2e46 solutions à tester
◦ Si on test 1 000 000 000 de solutions par seconde…
→ 1e19 fois l’âge de l’univers !
Utilisations

19
Le commis de voyage
Utilisations

20
Visucolor : Détection Mire
Utilisations

21
Compression d’images
Utilisations

22
Sous certaines conditions :
• Nombre de solutions important
• Pas d’algorithme déterministe adapté et raisonnable
• Relativité de la solution
→ Bonne rapidement plutôt que parfaite pendant un
temps indéfini
Avantages & Inconvénients

23
Les Plus
• Faculté d’adaptation, réactivité et prise en compte de
l’environnement (les autres individus sont compris)
• Permet de traiter des espaces de recherche important
(beaucoup de solutions, pas de parcourt exhaustif
envisagé)
• Relativité de la qualité de la solution selon le degré de
précision demandé

24
Les Moins
• Nécessitent plus de calculs que les autres algorithmes méta
heuristiques (notamment la fonction évaluation)
• Paramètres difficiles à fixer (taille population, % mutation)
• Choix de la fonction d’évaluation délicat
• Pas assuré que la solution trouvée est la meilleure, mais
juste une approximation de la solution optimale
• Problèmes des optimums locaux si paramètres mal évalués

25
L’utilisation d’algorithmes génétiques:
• Bien si on sait à quoi s’attendre et pas de solution classique
au problème posé
• Modularité et adaptation
• Attention à l’aléatoire, moins grande précision que systèmes
classiques et déterministes
• Machines d’aujourd’hui ont une puissance suffisante pour de
tels calculs/algorithmes
• Visucolor® : différents types de mires et petites variations,
bonne solution, et qui fonctionne.
Conclusion

26
Le Stage m’a apporté:
• Application pratique de connaissances théoriques
• Polyvalence et faculté d’adaptation
• Évolution sur le plan professionnel et social
• Utilisation d’une Senseo
• Flatter l’ego de Romain Meunier
A l’issu du DUT :
• Intégration au monde professionnel
• Poursuite d’études
Conclusion

27
Commentaires
&
Questions

1305682.ppt

Empfohlen

Empfohlen

Weitere ähnliche Inhalte

Ähnlich wie 1305682.ppt

Ähnlich wie 1305682.ppt (17)

1305682.ppt