Xavier Nayrac

Rubyiste accro au TDD, serial blogger, apprenti data scientist, heureux utilisateur de Vim, accordéoniste.
Si vous vous sentez particulièrement généreux, suivez moi sur Twitter.

Les algorithmes génétiques démystifiés 20

| Comments

Niveau : intermédiaire

C’est le vingtième article de cette série sur les algorithmes génétiques et j’aimerai en profiter pour dresser un petit bilan provisoire.

On a vu le fonctionnement d’un algorithme génétique à l’aide de deux exemples simples. Dans le premier exemple il s’agissait de trouver une expression comme «123+54x3» et dans le second il fallait trouver la chaîne «Mon royaume pour un cheval».

On a appris à représenter une population d’individus. Chaque individu étant une solution potentielle du problême posé. Cette solution est codée dans le chromosome d’un individu. On a vu l’utilisation «historique» d’une chaîne de bits pour réprésenter les chromosomes, mais aussi qu’on pouvait utiliser une chaîne de caractères quelconques. En fait, il ne faut pas hésiter à représenter les chromosomes comme bon vous semble.

On a vu ensuite la phase d’évaluation de la population. Il s’agit d’abord d’évaluer un chromosome seul en lui affectant un score, puis de l’évaluer par rapport aux autres chromosomes, en lui affectant un fitness (aptitude). Le fitness permettant d’être plus fin lors de l’étape de sélection.

Pour l’étape de la sélection, nous avons vu deux manières de faire : l’élitisme et la roue de la fortune. L’élitisme consiste à ne conserver qu’un pourcentage des meilleurs spécimens d’une génération. La roue de la fortune consiste à donner à chaque individu une chance plus ou moins grande de se reproduire en rapport avec son fitness.

Nous avons fait se reproduire les individus/solutions selectionnés par croisement de leurs chromosomes. À partir de deux parents, nous avons obtenu un ou deux enfants. On a utilisé la méthode du croisement en un point, du croisement en deux points et du croisement uniforme.

Enfin, la mutation (ou l’apport de matériel génétique inédit d’une façon ou d’une autre) a joué un rôle déterminant pour éviter à nos algorithmes de tomber dans un extremum local.

En résumé, on a abordé pas mal de choses. Mais ce n’est que la surface de l’iceberg.

Pour les articles à venir, je pense me pencher sur le problème des 8 dames. Ça permettra de voir une autre façon de coder un chromosome et aussi de confronter les classes développées dans les derniers articles à un problème bien différent. Ensuite, j’aimerais résoudre un problème visuel. Du genre : «Si je dispose de 1000 carrés de taille et de couleur quelconque, quelle est la meilleure disposition pour s’approcher au mieux d’une image donnée ?». C’est typiquement le genre de problème qui pourrait tourner dans les navigateurs et être codé en Javascript. Avez-vous d’autres idées/envies pour la suite ?

À demain.

Articles connexes

Commentaires