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 27

| Comments

Niveau : intermédiaire

Maintenant qu’on a vu ce qu’était en théorie un extremum local, on regarde en pratique comment il se manifeste dans les algorithmes génétiques.

Comment un extremum local se manifeste dans les algorithmes génétiques ?

On va reprendre le dernier code sur le problème des 8 dames et modifier deux ou trois petites choses. D’abord on s’assure d’avoir des soucis en passant la taille de l’échiquier à 16, et on réduit le nombre de générations pour ne pas avoir à attendre trop longtemps, 200 semble un bon compromis:

1
2
generations = 200
board_size = 16

Puis on modifie la méthode run de la classe GeneticAlgorithm de cette manière:

1
2
3
4
5
6
7
8
9
10
11
12
13
def run
  @generations.times do |generation|
    Evaluator.new(@board_size, @population).evaluate
    best = @population.best
    # display(generation, best)
    if best.score > 1.0
      best.display
      exit
    end
    next_generation
  end
  @population.each {|individual| p individual.chromosome }
end

La nouveauté est la ligne suivante:

1
  @population.each {|individual| p individual.chromosome }

Ainsi, au bout de 200 générations, on affiche la liste des chromosomes. Pour ceux qui ne connaisse pas Ruby, p x est un raccourci pour puts x.inspect.

J’ai aussi pris soin de commenter la ligne display(generation, best) pour pouvoir enregistrer plus tard le résultat dans un fichier sans que celui-ci soit pollué par des données inutiles.

Quand on lance le programme, on obtient quelque chose comme ça:

[~/genetic]⇒ ruby 8_queens.rb
[10, 8, 5, 11, 2, 0, 15, 6, 9, 13, 1, 4, 14, 7, 14, 3]
[10, 8, 5, 11, 2, 0, 15, 6, 9, 13, 1, 4, 14, 7, 11, 3]
[10, 8, 5, 11, 2, 0, 15, 12, 9, 13, 1, 4, 14, 7, 14, 3]
[10, 8, 5, 11, 2, 0, 15, 6, 9, 13, 1, 4, 14, 7, 11, 3]
[10, 8, 5, 11, 2, 0, 15, 6, 9, 13, 1, 4, 14, 7, 14, 3]
...

Les chromosomes sont tous identiques, ou presque ! Pour savoir à quel point ils sont identiques, on peut les compter à la main (!?) où écrire un petit script de trois lignes:

8_queens_stat.rb
1
2
3
hash = Hash.new(0)
File.open(ARGV.first, "r").each_line {|line| hash[line] += 1 }
hash.each {|key, value| puts "#{"%3d" % value} => #{key}" }

Edit 3 octobre 2013 Si vous ne comprenez pas le script ci-dessus, voici une explication.

L’explication de ce script dépasse le cadre de cet article, l’objectif étant de savoir combien de chromosomes sont identiques. Pour cela on refait tourner notre algorithme génétique en enregistrant le résultat (c’est à dire la liste des chromosomes après 200 générations) dans un fichier:

[~/genetic]⇒ ruby 8_queens.rb > result.txt

Puis on fait travailler notre script sur ce fichier:

[~/genetic]⇒ ruby 8_queens_stat.rb result.txt
971 => [1, 7, 13, 11, 9, 15, 5, 14, 2, 0, 8, 6, 12, 10, 2, 4]
  1 => [1, 7, 2, 11, 9, 15, 5, 14, 2, 0, 8, 6, 12, 10, 2, 4]
  1 => [1, 7, 13, 11, 9, 15, 5, 8, 2, 0, 8, 6, 12, 10, 2, 4]
  1 => [1, 7, 13, 11, 9, 15, 5, 14, 2, 12, 8, 6, 12, 10, 2, 4]
  1 => [1, 7, 13, 11, 9, 15, 5, 14, 2, 0, 8, 6, 12, 10, 2, 0]
  2 => [1, 7, 13, 11, 9, 15, 5, 14, 9, 0, 8, 6, 12, 10, 2, 4]
  1 => [1, 13, 13, 11, 9, 15, 5, 14, 2, 0, 8, 6, 12, 10, 2, 4]
  3 => [1, 7, 13, 11, 9, 15, 5, 14, 2, 0, 8, 6, 12, 10, 2, 6]
  8 => [3, 7, 13, 11, 9, 15, 5, 14, 2, 0, 8, 6, 12, 10, 2, 4]
  1 => [1, 7, 13, 2, 9, 15, 5, 14, 2, 0, 8, 6, 12, 10, 2, 4]
  1 => [1, 7, 13, 11, 9, 15, 5, 14, 2, 0, 8, 6, 12, 10, 2, 14]
  1 => [1, 7, 13, 11, 9, 15, 5, 14, 2, 0, 8, 6, 12, 10, 3, 4]
  1 => [1, 7, 13, 3, 9, 15, 5, 14, 2, 0, 8, 6, 12, 10, 2, 4]
  1 => [1, 7, 13, 11, 9, 15, 5, 14, 2, 0, 8, 6, 12, 5, 2, 4]
  1 => [1, 7, 13, 11, 9, 15, 5, 14, 2, 0, 8, 6, 13, 10, 2, 4]
  1 => [1, 7, 14, 11, 9, 15, 5, 14, 2, 0, 8, 6, 12, 10, 2, 4]
  1 => [1, 3, 13, 11, 9, 15, 5, 14, 2, 0, 8, 6, 12, 10, 2, 4]
  2 => [1, 7, 13, 11, 4, 15, 5, 14, 2, 0, 8, 6, 12, 10, 2, 4]
  1 => [1, 7, 13, 11, 9, 15, 5, 14, 2, 0, 8, 6, 12, 14, 2, 4]

971 chromosomes sur 1000 sont identiques ! Question diversité génétique on repassera… Voilà donc comment un extremum local se manifeste dans un algorithme génétique: toutes les solutions convergent vers un même point. L’algorithme ne peut plus produire de nouvelles solutions originales, il patauge. Les quelques chromosomes différents, 29 sur 1000 dans ce cas là (ou encore 2,9%) s’expliquent en grande partie par la mutation.

Si vous étudiez en détail le résultat ci-dessus, vous verrez que chaque chromosome différent ne diffère du chromosome majoritaire que par un seul de ses gènes. C’est la clé pour comprendre pourquoi la mutation semble impuissante à nous aider dans ce problème des 8 dames, alors que tout avait bien fonctionné avec le paradoxe du singe savant. On verra ça dans le prochain article.

À demain.

Articles connexes

Commentaires