2.8 Avantages et inconvénients
Avantages
- Un large domaine d'application les algorithmes
évolutionnaires ont été utilisés avec succès
dans une large gamme de problèmes. Ceci est principalement dû au
fait de la simplicité et de l'intuitivité du processus de
l'évolution naturelle.
- Adaptés aux espaces de recherche complexes
contrairement aux algorithmes évolutionnaires, la définition des
autres méthodes heuristique à des problèmes complexes est
une tâche très difficile.
- Faciles à paralléliser le concept de
population et la faiblesse, ou voir la non existence, de dépendances
entre les individus rend la parallélisation très facile et permet
ainsi de réduire considérablement le temps d'exécution.
Inconvénients
- Complexité la simplicité de l'idée de base
des algorithmes évolutionnaires sera payée par une grande
consommation en termes de ressources.
- Difficulté d'ajustement de paramètres ceci
constitue le principal problème des algorithmes
évolutionnaires[150]. Certains algorithmes sont conçus pour
résoudre des problèmes spécifiques et leur adaptation sera
très difficile. Les autres algorithmes plus généraux
nécessitent un grand nombre de paramètre à ajuster. Par
ailleurs, les algorithmes évolutionnaires sont très sensible
à la fonction d'évaluation et un seul changement dans le
problème peut mener à un comportement tout à fait
différent.
- Nature heuristique la nature heuristique des algorithmes
évolutionnaires implique, par définition, qu'ils constituent des
méthodes d'approximation qui ne donnent aucune garantie d'exactitude ou
d'optimalité. En outre, il n'existe aucune façon de
prédire leurs temps d'exécution.
2.9 Conclusion
Nous avons présenté dans ce chapitre une vue
d'ensemble des algorithmes évolutionnaires, et de leur modeste
implication dans les systèmes de reconnaissance automatique de la
parole. Nous avons essayé dans un premier lieu de caractériser
les principes d'évolution naturelle desquels les algorithmes
évolutionnaire ont inspirés. Et après une
présentation de leur fonctionnement de base, nous avons
détaillé chacun de leurs composants principaux, en listant
éventuellement quelques exemples de fonctionnement.
Dans un deuxième lieu, nous avons
récapitulé, dans la mesure de possible, les travaux sur les
systèmes de parole dans lesquels les algorithmes évolutionnaires
ont contribué à l'amélioration de leur fonctionnement.
Nous avons vu que ces contributions étaient très restreintes, et
que dans la plupart du temps, elles étaient limitées à des
améliorations secondaires et n'utilisaient pour cela que des algorithmes
génétiques.
Plusieurs techniques et résultats concernant le
fonctionnement des différents éléments des algorithmes
évolutionnaires n'ont pas été décrits. Ceci est du
au fait que les plus grands apports des algorithmes évolutionnaires ont
concerné des problèmes d'optimisation et notamment des
problèmes d'optimisation multi-objective. Par conséquent, une
grande partie des travaux et résultats théoriques ont
été réalisés suivant cette optique, et ne peuvent
généralement apporter aucun intérêt aux
systèmes de reconnaissance.
Nous présentons ici une étude
détaillée de deux familles d'algorithmes évolutionnaires :
les stratégies d'évolution et la programmation
génétiques. Le choix des deux méthodes a été
dans l'objectif de réaliser une étude aussi
générale que possible des algorithmes évolutionnaires. Les
deux méthodes étant très différentes dans leurs
objectifs de base, dans la façon de représenter les individus et
dans leurs opérateurs de variation. Cela permet en outre de
déceler les avantages et les inconvénients de chacune. Nous
traiterons plus en détail de toutes ces différences et autres
dans le prochain chapitre.
| 
