Les mondes darwiniens

1030 / 1576
[les mon des darwiniens]
4.5 Algorithmes évolutionnaires
Comme on l’a vu ci-dessus, les premiers algorithmes évolutionnaires (AG,
ES, EP) sont apparus indépendamment dans les années 1960 – les articles
pionniers datant même des années 1950. Mais il a fallu attendre la montée
en puissance des outils de calcul à la fin des années 1980, avec les premières
applications à des problèmes réels pour que les algorithmes évolutionnaires
commencent à être considérés comme des outils sérieux. En ce sens, le livre de
Goldberg19 a marqué un tournant, annonciateur du foisonnement des années
1990. Et si les courants historiques énumérés ci-dessus sont initialement restés
actifs, les différences se sont peu à peu estompées, que ce soit au niveau
des représentations ou des opérateurs de sélection. On a ainsi vu apparaître
le domaine Evolutionary Computation, traduit par le néologisme algorithmes
évolutionnaires (AE). Quelques ouvrages séminaux20 ont les premiers utilisé
le terme, plusieurs conférences ont répandu l’idée par leurs intitulés, mais il
a fallu dix ans pour voir apparaître les ouvrages de références du domaine.
Aujourd’hui, ces algorithmes sont partie importante de plusieurs grandes
familles d’algorithmes : d’une part, les algorithmes bio-inspirés, comprenant
d’autres algorithmes d’optimisation basés sur des paradigmes naturels, comme
les colonies de fourmis, l’optimisation par essaim de particules, mais aussi les
algorithmes de vie artificielle21 dans lesquels l’idée d’évolution joue un rôle
majeur ; d’autre part, les méta-heuristiques, ensemble de méthodes d’optimisation
stochastiques applicables à une vaste classe de problèmes. Et si les
spécificités techniques des AE par rapport aux autres algorithmes tendent à
s’estomper, on peut aussi constater que les idées darwiniennes, à l’inverse, se
répandent dans de nombreux domaines de l’informatique, tels l’apprentissage
automatique, la gestion de grands réseaux, et plus généralement l’ensemble
de ce qu’on appelle aujourd’hui les systèmes complexes. Et les meilleurs
arguments aujourd’hui en faveur de ces algorithmes sont leurs applications
réussies.
19. Goldberg (1989), Genetic Algorithms in Search, Optimization and Machine Learning,
Addison Wesley.
20. Bäck & Schütz (1995), “Evolution strategies for mixed-integer optimization of
optical multilayer systems”, in McDonnell et al. (eds.), Evolutionary Programming
IV, Proceedings of the 4th Annual Conference on Evolutionary Programming, MIT
Press @.
21. Langton (1995), Artificial life : an overview, MIT Press @.