Table des matières - Gilles Daniel
Table des matières - Gilles Daniel Table des matières - Gilles Daniel
296 Modélisation et simulation multi-agents pour Sciences de l'Homme et de la Société. 01101110. La nouvelle population après sélection, croisement, réplication, et mutation, est ainsi (l’ordre dans lequel sont placés les chromosomes est arbitraire) : Chromosome Aptitude x 1 (1) 1 0 1 1 0 0 0 0 3 x 2 (1) 0 1 1 0 1 1 1 0 5 x 3 (1) 0 0 1 0 0 0 0 0 1 x 4 (1) 0 1 1 0 1 1 1 0 5 Bien que le meilleur chromosome x 2 (0) ait disparu, l’aptitude moyenne a augmenté. Si l’on continue la procédure, le GA devrait après un nombre aléatoire d’itérations arriver à une solution où tous les chromosomes ont l’aptitude maximale, 8. Sélection Réplication Evaluation Reproduction Croisement Mutation Remplacement de l’ancienne population par la nouvelle Figure 13.3. Structure de base d’un GA : opérations sur les chromosomes. 13.4.1 Pourquoi un GA est-il efficace Deux facteurs principaux expliquent la puissance des GAs, et en particulier leur capacité à obtenir presque sûrement la solution optimale ou au moins une très bonne solution, même dans le cas de problèmes très complexes. Comme nous l’avons déjà
Apprentissage dans les modèles multi-agents 297 vu, ils combinent (efficacement) exploration et exploitation. Et ils explorent l’espace de recherche de façon massivement parallèle. La plupart des algorithmes de recherche sont sériels. A chaque itération, ils explorent l’espace de recherche dans une direction donnée. Par contraste, les GAs utilisent à chaque itération un grand nombre de chromosomes, qui couvrent simultanément de nombreuses dimensions de l’espace de recherche. Pour reprendre une image de [KOZ 03], un GA agit comme un général qui disperserait une escouade de parachutistes sur une région donnée pour rechercher simultanément le plus haut sommet. Un algorithme sériel par contraste envoie un seul parachutiste pour mener à bien la quête. Si celle-ci se révèle décevante, il ne reste qu’à récupérer le parachutiste et à recommencer la recherche en utilisant un autre point de départ. Cependant, l’image que nous venons d’utiliser semblerait indiquer qu’un GA ne fait guère plus qu’utiliser en parallèle, avec des initialisations différentes, de nombreux processus de recherche intrinsèquement sériels. Si c’était le cas, l’innovation serait plus ou moins triviale. En fait, le parallélisme ne s’arrête pas là. Pour le reconnaître, considérons par exemple toutes les chaînes binaires de longueur 6. Utilisant le symbole # pour indiquer « soit 0 soit 1 » nous pouvons représenter l’espace de recherche généré par ces chaînes comme l’ensemble {######}. La chaîne 011011 est un élément de cet espace. Elle est aussi un élément du sousespace ou schéma {0#####}, du sous-espace {01####}, du sous-espace {#####1}, etc. Il y a beaucoup plus de schémas (dans notre exemple, 3 6 = 729) que de chromosomes possibles (2 6 = 64). Lorsqu’il évalue l’aptitude du chromosome 011011 un GA évalue aussi, du même coup, un élément de chacun de ces schémas. Evaluer un chromosome individuel permet d’obtenir de l’information sur beaucoup de schémas. L’évaluation d’un nombre important de chromosomes permet donc d’obtenir une bonne estimation de l’aptitude moyenne d’un nombre encore plus important de schémas, de la même façon qu’un sondage fournit une bonne estimation des comportements moyens dans une population sur la base d’un échantillon restreint de questionnaires. Le croisement et la mutation éliminent des schémas correspondants aux chromosomes de la population courante avec des probabilités telles que le GA réduit rapidement son effort de recherche sur les mauvais schémas et se concentre sur ceux qui apparaissent prometteurs. De cette façon, un GA peut rapidement se concentrer vers les régions de l’espace avec les meilleurs chromosomes et éventuellement trouver le ou les chromosomes qui dominent tous les autres. Le théorème du parallélisme implicite [GOL 89] capture formellement cette propriété cruciale. L’échange d’information obtenu grâce au croisement distingue les GAs d’autres approches telles que le recuit simulé ou la descente de gradient [HAU 98]. Sans celui-ci, chaque chromosome devrait explorer son environnement direct en isolement total des autres (la seule source d’exploration individuelle étant la
- Page 241 and 242: Des réseaux d’automates aux mod
- Page 243 and 244: Des réseaux d’automates aux mod
- Page 245 and 246: Des réseaux d’automates aux mod
- Page 247 and 248: Des réseaux d’automates aux mod
- Page 249 and 250: Des réseaux d’automates aux mod
- Page 251 and 252: Des réseaux d’automates aux mod
- Page 253 and 254: Des réseaux d’automates aux mod
- Page 255 and 256: Des réseaux d’automates aux mod
- Page 257 and 258: Des réseaux d’automates aux mod
- Page 259 and 260: Des réseaux d’automates aux mod
- Page 261 and 262: Chapitre 12 Modélisation, impléme
- Page 263 and 264: Modélisation, implémentation et e
- Page 265 and 266: Modélisation, implémentation et e
- Page 267 and 268: Modélisation, implémentation et e
- Page 269 and 270: Modélisation, implémentation et e
- Page 271 and 272: Modélisation, implémentation et e
- Page 273 and 274: Modélisation, implémentation et e
- Page 275 and 276: Modélisation, implémentation et e
- Page 277 and 278: Chapitre 13 Apprentissage dans les
- Page 279 and 280: Apprentissage dans les modèles mul
- Page 281 and 282: Apprentissage dans les modèles mul
- Page 283 and 284: Apprentissage dans les modèles mul
- Page 285 and 286: Apprentissage dans les modèles mul
- Page 287 and 288: Apprentissage dans les modèles mul
- Page 289 and 290: Apprentissage dans les modèles mul
- Page 291: Apprentissage dans les modèles mul
- Page 295 and 296: Apprentissage dans les modèles mul
- Page 297 and 298: Apprentissage dans les modèles mul
- Page 299 and 300: Chapitre 14 Influence sociale, jeux
- Page 301 and 302: Influence sociale, jeux de populati
- Page 303 and 304: Influence sociale, jeux de populati
- Page 305 and 306: Influence sociale, jeux de populati
- Page 307 and 308: Influence sociale, jeux de populati
- Page 309 and 310: Influence sociale, jeux de populati
- Page 311 and 312: Influence sociale, jeux de populati
- Page 313 and 314: Influence sociale, jeux de populati
- Page 315 and 316: Influence sociale, jeux de populati
- Page 317 and 318: Influence sociale, jeux de populati
- Page 319 and 320: Influence sociale, jeux de populati
- Page 321 and 322: Influence sociale, jeux de populati
- Page 323 and 324: Troisième Partie Introduction à l
- Page 325 and 326: Modélisation multi-agents des syst
- Page 327 and 328: Chapitre 15 Approche conceptuelle d
- Page 329 and 330: Approche conceptuelle de l’espace
- Page 331 and 332: Approche conceptuelle de l’espace
- Page 333 and 334: Approche conceptuelle de l’espace
- Page 335 and 336: Approche conceptuelle de l’espace
- Page 337 and 338: Approche conceptuelle de l’espace
- Page 339 and 340: Approche conceptuelle de l’espace
- Page 341 and 342: Approche conceptuelle de l’espace
296 Modélisation et simulation multi-agents pour Sciences de l'Homme et de la Société.<br />
01101110. La nouvelle population après sélection, croisement, réplication, et<br />
mutation, est ainsi (l’ordre dans lequel sont placés les chromosomes est arbitraire) :<br />
Chromosome<br />
Aptitude<br />
x 1 (1) 1 0 1 1 0 0 0 0 3<br />
x 2 (1) 0 1 1 0 1 1 1 0 5<br />
x 3 (1) 0 0 1 0 0 0 0 0 1<br />
x 4 (1) 0 1 1 0 1 1 1 0 5<br />
Bien que le meilleur chromosome x 2 (0) ait disparu, l’aptitude moyenne a<br />
augmenté. Si l’on continue la procédure, le GA devrait après un nombre aléatoire<br />
d’itérations arriver à une solution où tous les chromosomes ont l’aptitude maximale, 8.<br />
Sélection<br />
Réplication<br />
Evaluation<br />
Reproduction<br />
Croisement<br />
Mutation<br />
Remplacement de<br />
l’ancienne population<br />
par la nouvelle<br />
Figure 13.3. Structure de base d’un GA : opérations sur les chromosomes.<br />
13.4.1 Pourquoi un GA est-il efficace <br />
Deux facteurs principaux expliquent la puissance <strong>des</strong> GAs, et en particulier leur<br />
capacité à obtenir presque sûrement la solution optimale ou au moins une très bonne<br />
solution, même dans le cas de problèmes très complexes. Comme nous l’avons déjà