Table des matières - Gilles Daniel

298 Modélisation et simulation multi-agents pour Sciences de l'Homme et de la Société.
mutation). La sélection se contenterait d’entraîner une plus forte concentration de
chromosomes dans les parties de l’espace de recherche qui auraient été reconnues
prometteuses dans le passé. Grâce au croisement, par contre, les chromosomes
sélectionnés peuvent bénéficier de leurs expériences mutuelles. Le transfert
d’information qui prend ainsi place donne potentiellement naissance à de nouveaux
chromosomes qui combinent efficacement les expériences de chacun.
13.4.2 Quelques mots sur l’utilisation de GAs en sciences sociales
Les GAs ont été extensivement étudiés en mathématiques, informatique,
ingénierie, etc. Une pléthore d’applications, de résultats théoriques et concrets, de
logiciels, et autres ressources existe, sur lesquels les chercheurs en sciences sociales
et économiques peuvent s’appuyer dans leurs propres recherches. L’existence de ces
ressources, cependant, n’est pas seulement un bienfait. En effet, la perspective dans
laquelle les GAs ont été développés et utilisés en sciences dures diffère souvent
fondamentalement du contexte approprié en sciences sociales. Ceci entraîne des
risques sérieux d’usage malencontreux et d’interprétations erronées.
En sciences dures, un GA est avant tout un outil servant à résoudre un problème
bien posé. Dans ce cadre, la validation d’un GA et le choix de ses paramètres (taille
des chromosomes, taux de mutation, de croisement, etc.) sont basés avant tout sur
des considérations techniques : quelle est la constellation qui permet de résoudre le
plus efficacement, en utilisant le moins de ressources informatiques et de façon la
plus robuste, un problème donné ou une classe de problèmes La littérature offre un
grand nombre de recommandations et de recettes à ce sujet.
En sciences économiques, au contraire, le GA fait le plus souvent partie de la
description même du problème. Il va par exemple être utilisé pour modéliser un
processus d’apprentissage, alors que le modélisateur ne connaît ni la façon dont des
agents humains apprennent, ni le résultat final de l’apprentissage. Le choix des
paramètres et celui des constituants de l’algorithme, tels que la fonction d’aptitude
ou encore la définition substantive des chromosomes, doivent alors être basés sur
des considérations théoriques ou empiriques.
Un des grands intérêts des GAs en sciences sociales et en économie, en plus de
leur capacité à trouver la solution de problèmes extrêmement compliqués, est le fait
qu’ils nécessitent et utilisent très peu d’information a priori sur la structure possible
de la solution. Ceci présente un double avantage. Les GAs sont applicables dans
beaucoup de situations où le manque de connaissances préalables ne permettrait pas
l’utilisation d’une autre méthode plus standard. N’étant pas contraints a priori sur le
résultat que l’on doit obtenir ou sur les mécanismes par lesquels cette solution doit
être obtenue, ils découvrent souvent des solutions qui seraient autrement restées