Les mondes darwiniens

1024 / 1576
[les mon des darwiniens]
seront que plus performants. Ce raisonnement, trivialement valable pour des
fonctions fitness linéaires par exemple, est extrapolé (et expérimentalement
vérifié) à une classe plus étendue de fonctions, sans que les résultats théoriques
aujourd’hui disponibles ne permettent de préciser le périmètre d’utilité
du croisement. On adoptera donc une approche pragmatique : on tentera
de définir un croisement en accord avec le problème traité 4 et on le validera
expérimentalement.
2.2 Mutations
L’idée directrice de la mutation est de permettre de visiter tout l’espace.
Les quelques résultats théoriques de convergence des algorithmes évolutionnaires
ont d’ailleurs tous comme condition l’ergodicité de la mutation, c’està-dire
le fait que tout point de l’espace de recherche peut être atteint en un
nombre fini de mutations. Mais la mutation doit également pouvoir être utile
à l’ajustement fin de la solution – d’où l’idée d’une mutation de « force » réglable,
éventuellement au cours de l’algorithme lui-même ; cette idée a permis
les succès remarquables des stratégies d’évolution (cf. section 4.2), mais
n’a malheureusement pas à ce jour pu être appliquée avec succès à d’autres
domaines que celui de l’optimisation continue5 .
Mais même une fois choisis les « bons » opérateurs de variation, de nombreux
degrés de liberté sont encore offerts au praticien à travers le choix
des probabilités d’application de ces opérateurs, ainsi que des valeurs des
nombreux autres paramètres de l’algorithme (taille de la population, nombre
d’enfants, force des sélections, etc.). Une notion importante pour comprendre
les effets de ces divers paramètres est celle de la diversité génétique.
3 Diversité génétique et paramétrisation
La notion de diversité génétique est importante pour comprendre l’évolution
des populations biologiques. Il est bien connu que l’absence de diversité
4. Cf. les travaux de Radcliffe (1991), “Formal analysis and random respectful recombination”,
in Belew & Booker (eds.), Proceedings of the 4th International Conference on
Genetic Algorithms, Morgan Kaufmann ; Surry & Radcliffe (1996), “Formal algorithms
+ formal representations = search strategies” @, in Voigt et al. (eds.), Proceedings
of the 4th Conference on Parallel Problems Solving from Nature, Nr 1141 in LNCS,
Springer Verlag.
5. De Jong (2007), “Parameter Setting in EAs : a 30 Year Perspective” @, in Lobo et al.
(eds.), Parameter Setting in Evolutionary Algorithms, Springer.