Les mondes darwiniens

1055 / 1576
[n i c o l as bredèche / évolution de robots autonom es et autr es c réatu r es artificielles]
représentation et des connaissances ou des intuitions du concepteur. De plus,
chaque opérateur de variation n’a pas la même probabilité d’être appliqué
sur un génome, selon que le concepteur favorise un type de recherche plutôt
qu’un autre. Par exemple, une recherche locale impliquant de petites modifications
sur les solutions prometteuses est souvent favorisée par rapport à
une recherche globale qui génère des solutions candidates très différentes,
mais pas forcément toujours pertinentes.
Enfin, le lien entre représentation et opérateurs de variation pose comme
enjeu la facilité avec laquelle on peut naviguer dans l’espace des solutions
(en anglais, on parlera d’« evolvability »). Nous allons maintenant illustrer
cette notion à travers deux exemples : celui de l’évolution d’architectures de
contrôle neuronales et celui de l’évolution de la morphologie d’une créature
artificielle.
Exemple 1 : des réseaux de neurones artificiels comme architecture de
contrôle. De même que pour l’exemple montré de la section 2, les réseaux de
neurones artificiels sont souvent utilisés comme formalisme de représentation
privilégié pour les architectures de contrôle – le terme de « neuroévolution »
est parfois employé dans ce cas. Les réseaux de neurones artificiels sont en
effet rapides, peu gourmands en mémoire, faciles à programmer et surtout
très flexibles à utiliser. Un réseau de neurones peut être représenté comme
un ensemble d’unités au fonctionnement simple, reliées entre elles par des
liens transmettant une information d’une unité source vers une unité cible, ces
liens étant généralement associés à un poids. La figure 2 décrit un exemple
simple de réseau de neurones artificiels, qui peut néanmoins être utilisé
pour faire de l’évitement d’obstacles. Dans cet exemple, chaque connexion
transmet à l’unité cible une valeur déterminée par la sortie de l’unité source
et par le poids de la connexion (ces deux valeurs sont tout simplement multipliées).
Enfin, la valeur de chaque unité est déterminée par la somme des
valeurs transmises par les connexions entrantes, à laquelle on applique une
fonction particulière, qui peut par exemple avoir pour but de conserver les
valeurs de chaque unité dans une certaine plage de valeurs 16 . La valeur des
neurones d’entrée du réseau est généralement fixée en fonction des entrées
sensorielles de la créature artificielle (par exemple, les capteurs de distance
d’un robot). Enfin, les valeurs des neurones de sortie sont calculées à partir
16. En pratique, il s’agit souvent d’opérer ce que l’on nomme une transformation nonlinéaire,
par exemple avec une fonction dite « sigmoïde ».