Épreuve de contrôle - L2C2 - CNRS

258 David Meunier
(par exemple, si tous les individus ont une performance de 0), alors l’évolution
ne peut pas fonctionner : la sélection va se faire au hasard, et les individus de
la génération suivante n’ont aucune raison d’être meilleurs que leurs prédécesseurs.
On parle du problème de l’amorçage (bootstrap) de l’évolution.
Explication du fonctionnement
La convergence des AE vers une solution repondant au critère de performance
est a priori garantie par la théorie de Darwin. Cependant, un certain
nombre d’auteurs ont tenté d’expliquer les processus mis en œuvre pour
aboutir à une solution adaptée.
Une des explications du fonctionnement des AE repose sur la théorie des
schémas (Holland, 1975 ; Goldberg, 1989 ; Vose, 1991 ; Poli et Langdon, 1997).
La solution qui optimise le critère de performance se construit au cours du
processus d’évolution par une optimisation de schémas, chaque schéma correspondant
à un sous-ensemble de gènes. La taille des schémas est déterminée
par la probabilité d’enjambement : plus le taux d’enjambement est grand, plus
la taille des schémas sera petite. Le fonctionnement d’un AE consiste alors à
recombiner les schémas responsables des meilleures performances, schémas
alors appellés blocs de construction (building blocks).
L’explication induite par la théorie des schémas a des applications pour
la mise en œuvre des AE. Ainsi, dans la définition d’un chromosome où les
gènes sont spécifiés à des endroits précis (locus), on a tout intérêt à rapprocher
les unes des autres les variables dont on sait qu’elles sont corrélées, afin
d’aboutir à des blocs de construction qui aient des chances de se conserver au
fil des générations.
Épreuve de contrôle
Applications
Les AE sont majoritairement utilisés dans le domaine de l’optimisation, pour
la résolution de problèmes inverses. Il s’agit d’une catégorie de problèmes, où
l’on peut dire d’une solution qu’elle est bonne ou mauvaise, mais sans avoir de
méthodes permettant la construction d’un ensemble de paramètres permettant
d’y aboutir. Les AE permettent de trouver des paramètres adaptés, en partant
de solutions qui sont générées aléatoirement à l’initialisation de l’algorithme.
Mise à part la définition des paramètres que l’on souhaite optimiser et l’ordre
dans lequel ils apparaissent sur le chromosome (voir section précédente), les
connaissances sur le problème qui sont nécessaires à la définition d’un AE
sont peu nombreuses.
Un exemple classique de problème inverse est le cas du voyageur de
commerce. Imaginons un voyageur de commerce qui doit se déplacer dans
plusieurs villes. Le problème consiste à minimiser la distance de l’ensemble du
trajet pour visiter chaque ville une seule fois. L’évaluation de chaque solution
est possible, car on peut calculer la distance parcourue pour un trajet donné.