Académique Documents
Professionnel Documents
Culture Documents
Méthodes D'oprtimisation Algorithme Génétiques Exercice Corrigé TSP
Méthodes D'oprtimisation Algorithme Génétiques Exercice Corrigé TSP
Algorithme Génétique
Présenté par :
Me Derkaoui Orkia
Université Docteur Moulay TAHAR de Saida
[email protected]
Plan
Aperçu globale sur Algorithme
Génétique(AG)
Evaluation:
On évalue chaque individu en calculant la valeur de sa fonction objectif, c’est-à-dire
la longueur du cycle parcouru par le voyageur de commerce.
1 2 3 4 5-------- f(x)=
54321
41532
21354
23154
PARAMÈTRES DE L’AG
Pour utiliser les AG, on doit disposer des cinq éléments suivants:
Un mécanisme de génération de la population initiale (n),
Un principe de codage des éléments de la population,
Une fonction à optimiser (fitness ou fonction d’évaluation),
Des opérateurs (croisement et mutation)permettant de diversifier la
population,
Des paramètres de dimensionnement;
Un critère d’arrêt de l’algorithme.
GÉNÉRATION DE LA POPULATION INITIALE
0 7 2 3 6
5 0 6 5 6
5 6 0 9 9
6 2 68 0 6
9 2 6 9 0
dd
LES PARAMÈTRES À FIXER AU DÉBUT DE L’AG
Notre objectif; l’inconnue est le chemin hamiltonien minimal: Une liste dans un certain
ordre contenant tous les sommets: x
Structuration du chromosome: comment représenter les informations du problème?
Initialisation: choisir le nombre d’individus dans la populations initiale N,
Fonction d’évaluation ou fitness: selon le contexte du problème f(x),
L’opérateur de sélection: probabilité que l’individu i soit sélectionné: on peut le définir
par la probabilité de sélection : ∑
,
∑
=
SÉLECTION
On sélectionne les meilleurs individus en fonction de leur évaluation ou fitness,
Il existe plusieurs méthodes de sélection.
Sélection par rang :
Cette technique de sélection choisit toujours les individus possédant les meilleurs
scores d'adaptation, le hasard n'entre donc pas dans ce mode de sélection. En fait, si N
individus constituent la population, la sélection appliquée consiste à conserver les k
meilleurs individus (au sens de la fonction d'évaluation) .
Sélection par roulette: Probabilité de sélection proportionnelle à l'adaptation
Appelé aussi « roulette » ou « roue de la fortune », pour chaque individu, la
probabilité d'être sélectionné est proportionnelle à son adaptation au problème. Afin
de sélectionner un individu, on utilise le principe de la roue de la fortune biaisée.
Cette roue est une roue de la fortune classique sur laquelle chaque individu est
représenté par une portion proportionnelle à son adaptation. On effectue ensuite un
tirage au sort homogène sur cette roue.
SÉLECTION
Sélection par tournoi:
Sélection uniforme:
4 1 5 3 2
I3 (17)
2 3 1 5 4 I5 (15)
CROISEMENT
Croisement (Crossover):
On L’étape suivante consiste à croiser les individus précédemment sélectionnés pour
obtenir une nouvelle population.
Deux parents sont donc choisis pour appliquer un opérateur de croisement afin
d’obtenir un descendant (nouvel individu).
Il existe de nombreuses techniques de croisement ;
Croisement en un point : Cet opérateur consiste à recopier une partie du parent 1 et
une partie du parent 2 pour obtenir un nouvel individu. Le point de séparation des
parents est appelé point de croisement.
Croisement en deux points: on a 2 points de croisements.
Croisement Uniforme:
CROISEMENT
Croisement : Si la probabilité de croisement est inférieur à l’opérateur de croisement,
faire la mutation sinon non.
Dans notre cas on utilise le « crossover en un point ».
Il faut respecter la contrainte de ne pas visiter plusieurs fois la même ville (on ne
recopie pas les villes déjà visitées),
et à ne pas oublier de ville (on rajoute à la fin les villes non prises en compte).
Parent 1 Parent 2
5 1 3 2 4 4 1 5 3 2
15 17
4 1 3 2 5 5 1 5 3 2
17 remplacer 5 par 4 17
Descendant 1 Descendant 2
MUTATION
Un procédé de mutation est utilisé pour diversifier les solutions au fur et à mesure des
générations.
La mutation est importante pour éviter de tomber dans le problème de l’optimum
local, c’est-à-dire éviter de rester « coincé » autour d'une solution pas forcément
optimale.
Cette mutation consiste à modifier aléatoirement une petite partie d’un caractère
dans certains individus de la nouvelle génération.
Cette étape est effectuée avec une très faible probabilité, et consiste par exemple à
échanger deux villes consécutives dans un individu.
MUTATION
Si la probabilité de mutation est inférieur à l’opérateur de mutation, faire la mutation
sinon non.
5 1 3 2 4 4 1 5 3 2
5 1 4 3 2
4 1 3 2 5
MUTATION
NOTA: Dans certains cas, après chaque croisement et mutation, une étape d’optimisation
des descendants est appliquée. L’utilisation d’un algorithme de type recherche locale est
adapté pour effectuer cette optimisation rapidement. Nous parlerons alors d’algorithme
mimétique.
L’algorithme mimétique est intéressant pour obtenir plusieurs solutions de bonne
qualité. En effet, à la fin de l’algorithme, la population est constituée des meilleures
solutions trouvées.
RÉSULTAT 1ERE ITÉRATION
Génération initiale i
1 2 3 4 5
5 1 3 2 4
4 1 5 3 2
2 1 3 5 4
Nouvelle Génération i+1
2 3 1 5 4
PROCESSUS ITÉRATIF