Table des matières - Gilles Daniel

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