Financement de la recherche en france, europe et dans le monde en 2014
Pathway Evolution Algorithm in Netlogo
1.
2. Pathway Evolution Algorithm
Par Stephen Larroque
Supervisé par Prof. S. Doncieux
LRQ3000@gmail.com
Un algorithme génétique sur des chemins
21 Mars 2014
Par Fernando et al. (2011)
6. Pourquoi utiliser des chemins?
• Compacité
• Expressivité
• Capacité de stockage! Redondant!
• Covariance des allèles (Price GR, 1970)
• Mémoire
• Multi-critères (linkage disequilibrium)
6
7. Pathway Evolution Algorithm(s)
• PEA = framework de GA basés sur des chemins.
• Cas spécial du Microbial GA (Harvey, 1996) = GA minimaliste
• Steady-state GA (Whitley, 1989)
• Reseau = population = ensemble de chemins superposés
• Chemin = un individu/candidat
• Fréquence chemin = produit des poids (proba) de ses arcs
• Fréquence phénotype = somme(fréquences chemins avec ce
phénotype)
7
12. Quelques propriétés et résultats
• Maintenance de la diversité en pénalisant
les arcs partagés
• Tournoi K = 2 (paire) semble optimal
• Covariance phénotypes (MAJ d’un chemin
affecte d’autres)
12
16. Conclusion et ouverture
• Bonnes performances générales, mais pas le meilleur
• Implémentation biologiquement plausible: neurones
Izhikevich, circuit dopaminergique
• Préférences non rationnelles (via linkage diseq)?
• Extension: couches dynamiques (devines un nombre!)
• ACO = PEA?
• Parallèle avec TurboCodes? (C. Berrou)
• Chemins = unités d’évolution
(avec des propriétés intéressantes!) 16
17. – Evolvable Neuronal Paths: A Novel Basis for
Information and Search in the Brain, Fernando C,
Vasas V, Szathmáry E, Husbands P (2011), PLoS
ONE 6(8)
– Selection and covariance, Price GR (1970), Nature
227: 520–521.
– The Microbial Genetic Algorithm, Harvey, I. (1996)
Références
20. Microbial Genetic Algorithm
• Idée: définition minimale d'un GA?
– Selection
– Recombinaison
– Mutation (similaire à recombinaison uniforme)
• MGA = proposition d’un GA minimal
• Recombinaison = infection bactérienne = unité d’évolution
• Algorithme: 1 ligne!
– Pour chaque tournoi:
• Pour chaque allele du perdant:
– Si random r < crossover+mutation:
» allele = allele du gagnant si r < crossover
sinon allele = mutation(allele)
23
Harvey, I. (1996)