Les mondes darwiniens

1057 / 1576
[n i c o l as bredèche / évolution de robots autonom es et autr es c réatu r es artificielles]
des opérateurs de variation simples, mais efficaces peuvent être définis à leur
tour. Par exemple, on peut définir un opérateur dit de « mutation » qui crée
un nouveau génome en recopiant un génome existant avec une probabilité
très faible de modifier chacune des valeurs de la liste pendant la recopie. Cet
opérateur pourra avoir comme résultat un réseau de neurones artificiels au
comportement proche de celui dont il est dérivé, c’est-à-dire qu’il permet une
exploration locale autour d’un génome prometteur. De même, si la probabilité
de modifier les valeurs lors de la recopie est forte, alors cet opérateur agira
dans le sens d’une recherche globale, en générant des génomes très différents
de ceux d’origine. Si cette approche reste simple, elle permet déjà d’obtenir des
architectures de contrôles performantes, en particulier lorsque la structure du
réseau fixée a priori a fait l’objet d’un choix attentif du concepteur. Bien sur, il
existe aussi de nombreux algorithmes de neuroévolution qui s’intéressent à
l’évolution de la structure même du réseau de neurones : même si l’espace de
recherche est plus vaste, donc plus long à explorer, et les opérateurs de variation
moins évidents à décrire, on espère favoriser la découverte de réseaux
plus performants 17 .
Exemple 2 : évolution et développement de la morphologie d’une créature
artificielle. Prenons un second exemple de représentation, à propos de l’évolution
simultanée de la morphologie et de l’architecture de contrôle. Depuis
le début des années 1990, le problème de la représentation de la morphologie
d’une créature artificielle consiste à trouver un plan de construction
décrivant l’assemblage d’éléments plus simples. Cette approche ressemble
à celle qu’aurait un architecte : on décrit explicitement chaque étape de la
construction d’une structure (par exemple, un robot) et il suffit ensuite de lire
cette séquence d’instructions pour obtenir un résultat (cette dernière étape est
celle de la mise en correspondance entre génotype et phénotype évoquée plus
haut). Toutefois, les opérateurs de variation à mettre en œuvre sur de telles
représentations se sont révélés peu efficaces : les plans de construction sont
souvent représentés sous forme d’arbres ou de graphes, et la manipulation
de telles structures avec des opérateurs de mutation ou de recombinaison
17. Stanley & Miikkulainen (2002), “Efficient Evolution of Neural Network Topologies”
@, Congress on Evolutionary Computation (CEC) ; Stanley, D’Ambrosio & Gauci
(2009), “A Hypercube-Based Indirect Encoding for Evolving Large-Scale Neural
Networks” @, Artificial Life Journal ; Mattiussi & Floreano (2007), “Analog Genetic
Encoding for the Evolution of Circuits and Networks” @, IEEE Transactions on
Evolutionary Computation, 11(5).