Épreuve de contrôle - L2C2 - CNRS

Intelligence artificielle et évolution : modélisation neurobiologique
271
de l’individu. Dans la seconde expérience, l’AE encode les règles de plasticité
synaptique régissant la modification des poids synaptiques, qui peuvent donc
varier au cours de la vie de l’individu. Les auteurs montrent que la propriété de
plasticité synaptique, en plus de l’adaptation au cours des générations, permet
au robot d’avoir un comportement plus fluide et moins stérotypé que dans le
cas où aucune modification n’est possible au cours de sa vie. La performance
des individus évolués pour lesquels les poids synaptiques peuvent varier
pendant la vie est alors nettement meilleure. Cette expérience montre que
la plasticité synaptique peut servir, non seulement à stocker les événements
en induisant une forme de mémoire (voir section 3.2), mais aussi à réguler
l’activité neuronale.
Nolfi et Floreano cherchent à reproduire les prédictions théoriques de
Dawkins et Krebs sur le lien entre coévolution et course à l’armement en
biologie. On parle de coévolution lorsque l’évolution de deux espèces est
interdépendante. C’est par exemple le cas d’un couple prédateur-proie, où la
proie doit échapper au prédateur pour survivre, tandis que le prédateur doit
attraper la proie pour se nourrir. Dawkins et Krebs supposent que l’amélioration
relative des techniques de défense et de prédation (la course à l’armement) que
l’on trouve chez les espèces animales au cours de l’évolution est liée à cette
interaction réciproque entre les proies et les prédateurs. On parle également
de l’effet Reine Rouge (van Valen, 1973), en référence à la reine rouge dans le
livre De l’autre côté du miroir, de L. Carroll. Dans un passage de ce livre, Alice
rencontre une reine rouge, qui doit courir de plus en plus vite pour rester sur
place. Ainsi, dans l’évolution, les espèces doivent s’adapter constamment pour
rester à la hauteur des autres espèces avec lesquelles elles coévoluent.
Dans l’expérience de Nolfi et Floreano, deux robots aux capacités différentes
sont mis ensemble dans un environnement clos. Le robot prédateur dispose d’un
système de vision artifielle et de capteurs infrarouge de proximité, tandis que
le robot proie ne dispose que de capteurs de proximité, mais peut se déplacer
deux fois plus rapidement que le robot prédateur. Les calculs de performance
sont partagés entre les deux espèces : si au cours du temps de la simulation, le
prédateur touche la proie, le prédateur obtient la valeur de performance maximale.
S’il n’y a aucun contact tout au long de la simulation, la proie obtient la
valeur de performance maximale.
Épreuve de contrôle
Les auteurs montrent que la pression de sélection est initialement la plus forte
pour le prédateur, afin qu’il arrive à toucher le robot proie. Puis, la pression de
sélection se reporte sur le robot proie, afin que celui-ci échappe au prédateur. Le
prédateur va alors découvrir une nouvelle stratégie pour contrer la stratégie de
la proie, et ainsi de suite. Un des intérêts de cette approche est qu’elle permet
de contourner le problème de l’amorçage de l’évolution (voir section 2.2.1) :
puisque les proies et les prédateurs se partagent la valeur de performance, il y
a toujours un vainqueur et un vaincu. Les valeurs de performances ne peuvent
être nulles simultanément pour tous les individus.