Etude théorique de radars géologiques - Epublications - Université ...
Etude théorique de radars géologiques - Epublications - Université ...
Etude théorique de radars géologiques - Epublications - Université ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
152<br />
PARTIE III : INTERPRETATION DES ECHOS RADAR PROBLEME INVERSE<br />
3.2.b La fonction objectif et la fonction <strong>de</strong> "fitness"<br />
La fonction objectif sert à évaluer les performances d'un individu face au problème posé.<br />
Dans le cas d'un problème <strong>de</strong> minimisation, la fonction objectif donne au meilleur individu la plus<br />
petite valeur numérique ; dans ce cas la fonction objectif est assimilable à une fonction d'erreur.<br />
La fonction objectif n'est qu'une étape intermédiaire pour affecter une note <strong>de</strong> performance à<br />
chaque individu. Les algorithmes génétiques font également intervenir une fonction <strong>de</strong> "fitness" :<br />
opération également appelée mise à l'échelle. Dans la plupart <strong>de</strong>s cas, la valeur <strong>de</strong> la fonction <strong>de</strong><br />
"fitness" correspond au nombre d'enfants qu'un individu peut espérer avoir.<br />
La fonction <strong>de</strong> "fitness" doit limiter le taux <strong>de</strong> reproduction <strong>de</strong>s meilleurs individus afin<br />
d'éviter la convergence trop rapi<strong>de</strong> vers un minimum local. Dans l'exemple qui suit, k est un<br />
paramètre choisi par l'utilisateur dans l'intervalle [1,1; 2] et ri désigne la position du i ème <strong>de</strong>s Nind<br />
individus dans la population ordonnée (le moins adapté a le rang 1 et le mieux adapté a le rang Nind).<br />
F x i = 2 − k 2 ⋅k−1 ⋅ r i −1<br />
N ind −1<br />
Il existe <strong>de</strong>s fonctions <strong>de</strong> "fitness" linéaires (exemple ci<strong>de</strong>ssus) ou nonlinéaires.<br />
3.2.c L'algorithme génétique face aux autres métho<strong>de</strong>s<br />
Comme on peut le voir d'après la discussion précé<strong>de</strong>nte, les algorithmes génétiques<br />
présentent <strong>de</strong>s différences fondamentales comparées aux autres métho<strong>de</strong>s d'optimisation (métho<strong>de</strong><br />
<strong>de</strong>s moindres carrés, gradient conjugué, ...) :<br />
● Les algorithmes génétiques recherchent en parallèle <strong>de</strong>s solutions autour <strong>de</strong> différents<br />
points et non d'un seul. Ce phénomène est encore accru si l'on utilise <strong>de</strong>s algorithmes<br />
intégrant le principe <strong>de</strong>s souspopulations.<br />
● Les algorithmes génétiques n'ont pas besoin d'informations sur la dérivée <strong>de</strong> la fonction à<br />
minimiser ; seules la fonction objectif et la métho<strong>de</strong> d'attribution <strong>de</strong> la probabilité <strong>de</strong> se<br />
reproduire influencent les directions vers lesquelles les solutions sont recherchées.<br />
● Pour passer d'une itération à la suivante, les algorithmes génétiques utilisent une approche<br />
statistique et non une approche déterministe.<br />
● Contrairement aux métho<strong>de</strong>s classiques qui risquent converger vers un minimum<br />
mathématique avec une solution non physique, les algorithmes génétiques recherchent les<br />
solutions dans un espace déterminé.<br />
(76)