Table des matières - Gilles Daniel

Apprentissage dans les modèles multi-agents 291
Par analogie avec les objets et phénomènes biologiques qui ont inspiré les GAs,
les chaînes sont communément appelées chromosomes, les caractères gènes. Très
souvent, les symboles a i seront des entiers, en particulier des 0 ou 1 (codage
binaire). Un système de codage/décodage associe à chaque chromosome un et un
seul élément du problème concret d’intérêt (dans le cadre de notre exemple
introductif de problème d’optimisation, cet élément était une valeur de x), et viceversa.
Le codage n’est pas en lui-même un élément du GA. Il s’agit d’une procédure
annexe qui met les objets d’intérêt sous une forme appropriée à leur traitement par
un ordinateur. Cependant, le choix de codage n’est pas neutre. Il structure le paysage
sur lequel s’effectue la recherche, et influence l’efficacité de cette recherche. Voir
par exemple [GOL 89] [ANT 89] [GRE 89].
L’ensemble de tous les chromosomes pouvant être formés à l’aide de l’alphabet
A forme l’espace de recherche, typiquement très grand. A longueur égale des
chromosomes, un alphabet riche augmente la cardinalité de l’espace de recherche. Si
les chromosomes sont définis comme des chaînes de n éléments pouvant chacun
prendre m valeurs distinctes a i , l’espace de recherche sera de dimension m n . Bien
que de nombreux auteurs recommandent l’utilisation d’un alphabet binaire (cf. le
« principe de l’alphabet minimal », [GOL 89]), la taille de l’alphabet la plus efficace
dans un contexte donné reste une question ouverte.
La qualité des différents chromosomes dans le contexte du problème spécifique
étudié est évaluée par une fonction scalaire, la fonction d’aptitude. Dans le cadre de
notre exemple introductif, il pouvait apparaître naturel de définir un chromosome
comme représentant les coordonnées d’un point x∈D’ et d’identifier la fonction
d’aptitude avec la fonction objectif f(x) (en pratique, cependant, on préférera souvent
travailler avec des fonctions dérivées). Dans un contexte multi-agents, typiquement :
– chaque chromosome peut représenter une règle de comportement possible pour
un même individu. La fonction f(x) évaluera alors la valeur de chaque règle pour
satisfaire les buts de l’individu ;
– alternativement, chaque chromosome peut représenter un individu différent. La
fonction d’aptitude mesurera alors la capacité de l’individu à survivre et à avoir du
succès dans le monde artificiel défini par le GA.
Si un chromosome représente un individu, le GA modélise un processus
d’évolution, car certains individus disparaissent d’itération en itération tandis que de
nouveaux individus apparaissent. Si une chaîne représente une règle de
comportement, le GA modélise un processus d’apprentissage, car seules les
caractéristiques des agents changent, et non la population elle-même. Les GAs
peuvent ainsi être utilisés pour modéliser aussi bien des phénomènes d’évolution
que des processus d’apprentissage.